Скоринг — метод оценки заёмщиков¶
Скоринг — это статистический метод оценки кредитоспособности заёмщика, основанный на математической модели, которая анализирует данные клиента и присваивает ему числовую оценку (скор). Чем выше итоговый балл, тем ниже, по мнению модели, риск невозврата кредита. Скоринг широко используется банками, микрофинансовыми организациями и лизинговыми компаниями для автоматического принятия решений о выдаче займа.
¶Принцип работы
В основе скоринга лежит исторический анализ: на большом массиве данных о прошлых клиентах (кто вернул кредит, а кто допустил просрочку) строится статистическая модель. Модель выявляет закономерности — какие признаки заёмщика коррелируют с благоприятным исходом. При подаче новой заявки данные клиента обрабатываются моделью, и на выходе формируется итоговый балл.
Типичный скоринг-балл колеблется в диапазоне от 300 до 850 пунктов (шкала FICO, наиболее распространённая в мире). В России банки часто используют собственные шкалы или шкалы от ведущих разработчиков — FICO, «Эквифакс», «НБКИ». Универсальной шкалы не существует: каждый банк устанавливает собственный порог одобрения.
¶Входные данные модели
Скоринговая модель анализирует десятки параметров. Основные группы признаков:
- Кредитная история — количество действующих кредитов, суммы задолженности, наличие просрочек, давность последней просрочки, число отказов в кредитовании за последние месяцы.
- Демографические данные — возраст, пол, семейное положение, наличие детей, регион проживания, тип занятости, стаж на последнем месте работы.
- Финансовые показатели — заявленный доход, соотношение дохода и ежемесячного платежа (debt-to-income), наличие имущества.
- Поведенческие признаки — время подачи заявки, устройство, с которого она отправлена, заполняемые поля формы. Некоторые банки учитывают даже то, насколько быстро клиент заполняет анкету.
¶Виды скоринга
По назначению выделяют три основных типа моделей:
| Тип | Когда применяется | Что оценивает |
|---|---|---|
| Application scoring | На этапе подачи заявки | Вероятность просрочки нового клиента |
| Behaviour scoring | Периодически для действующих клиентов | Риск просрочки по текущим кредитам, возможность лимита |
| Fraud scoring | В момент операции | Вероятность мошеннических действий |
¶Методы построения моделей
Классический скоринг строится на дискриминантном анализе и логистической регрессии — методах, дающих интерпретируемый результат: видно, какой признак и как влияет на итоговый балл. В последние годы банки всё чаще применяют машинное обучение — градиентный бустинг, нейронные сети. Такие модели точнее, но сложнее объяснимы, что создаёт трудности при взаимодействии с регуляторами и клиентами, которым обязаны сообщать причину отказа.
В России деятельность по скорингу регулируется Федеральным законом «О персональных данных» и требованиями Банка России. Клиент вправе узнать причину отказа в кредитовании, однако банки не раскрывают точные формулы моделей, поскольку это позволило бы обходить их.
¶Ограничения метода
Скоринг оценивает вероятность, а не гарантию. Модель допускает ошибки двух типов: ложный отказ (отказ надёжному клиенту) и ложное одобрение (одобрение клиента, который не вернёт кредит). Точность типичной модели — около 70–80 %, то есть примерно в пяти случаях из десяти она ошибается.
Модель учитывает только формализуемые признаки. Клиент с низким формальным доходом, но стабильным бизнесом может получить отказ, тогда как человек с хорошей зарплатной картой в этом же банке — одобрение. Также модель не учитывает форс-мажоры: болезнь, увольнение, изменение законодательства.
¶Скоринг в России
Наиболее известные российские бюро кредитных историй — НБКИ, «Эквифакс», ОКБ. Банки строят скоринговые модели на основе данных этих бюро, дополненных собственными данными о поведении клиентов. Рынок активно развивается с 2010-х годов: если в начале десятилетия большинство российских банков использовало заимствованные зарубежные модели, то к 2020-м у крупных игроков появились собственные аналитические подразделения.
Микрофинансовые организации работают с заёмщиками, отвергнутыми банками, и потому используют более агрессивные модели с расширенным набором альтернативных данных — активность в социальных сетях, платежи за ЖКХ, мобильная телефония. Такие практики вызывают критику правозащитников, поскольку расширяют объём собираемой информации о клиентах.
¶Альтернативные данные
С 2010-х годов в мировой практике наблюдается переход к «альтернативному скорингу» — подключению к моделям нетрадиционных источников данных: платежи по аренде, коммунальные платежи, данные интернет-магазинов, поведение в мобильных приложениях. Цель — оценить заёмщиков, у которых ещё нет кредитной истории. В России к таким данным относятся, в частности, сведения из ГИС ЖКХ и данные операторов мобильной связи.
Источники:
- Банк России. Информационные материалы о потребительском кредитовании
- Национальное бюро кредитных историй. Отчёты о состоянии кредитных историй
- ФЗ № 152-ФЗ «О персональных данных»
- FICO. Материалы о скоринговых моделях