How to best leverage advanced analytics to enhance credit process in emerging markets

Pri

vate

an

d c

onfi

den

tial

Убальдо Тамбини (Ubaldo Tambini) CRIF Decision Solutions Business and Analytics Consulting Director

Как наиболее эффективно использовать углубленную аналитику для оптимизации кредитного процесса на развивающихся рынках

4 июня, 2013 - Киев

| 2 | Private and confidential

“Предсказывать очень трудно,

особенно будущее.”


АНАЛИТИКА В УПРАВЛЕНИИ ЖИЗНЕННЫМ ЦИКЛОМ КРЕДИТА Обзор наиболее общих вариантов применения

Маркетинг § Модель таргетирования § Propensity-скоринг-карта

РЕГУЛИРОВАНИЕ Стресс-

тестирование Прогноз Ценообразование на основе оценки

рисков

Уведомле-ние о риске

ПРОГНОЗНАЯ АНАЛИТИКА

Выдача § Общая скоринг-карта § Специальная скоринг-карта § Оценка кредитного бюро § Фрод-скоринг-карта

УПРАВЛЕНИЕ

РЕШЕНИЕ

Оптимизация

Управление портфелем

§ Поведенческая скоринг-карта § Скоринг-карта по доходам § Propensity-скоринг-карта

Взыскание § Модель LGD § Скоринг-карта для раннего/среднего/позднего взыскания

Таргетирование, субсидия, управление,

продажа

Анализ, предсказание, отслеживание, оптимизация

процесс управление


•  Надежное, полноценное, устоявшееся КРЕДИТНОЕ БЮРО существует (возможно, с позитивной информацией, большим количеством деталей для сегментации, с некоторыми ограничениями по нормативно-правовой базе ... и набором готовых скоринг-карт)

•  Обновленные и надежные источники доступны для официальной финансовой информации о юридических лицах (и официальная ... "экономика" имеет смысл)

•  Обширная внутренняя информация об общем процессе (от заявки до взыскания) хранится правильным образом

•  Ситуация на рынке «стабильна» (или по крайней мере без внезапных изменений)

•  Внутренние бизнес-процессы «стабильны» (или по крайней мере без недавних серьёзных изменений)

•  «Цифр» достаточно для полноценного статистического анализа

АНАЛИТИКА ПРОСТА, ЕСЛИ… Рай для специалистов по статистике


…НО ЖИЗНЬ МОГЛА БЫ БЫТЬ И ПОЛЕГЧЕ


РАЗНООБРАЗИЕ ДЕЛАЕТ МИР ИНТЕРЕСНЕЕ Мы имеем дело со множеством разных ситуаций


•  Основана в 1988 г.

•  Офисы более чем в 20 странах Европы, Америки и Азии

•  Корпоративный головной офис в Болонье, Италия

•  Операции в 40 странах по всему миру

•  Доходы: 285 млн € (2012)

•  Служащие: 1,400+ (2011)

•  Доходы и количество служащих постоянно растет даже в последние годы экономического кризиса

•  Более 1,900 банков, финансовых и нефинансовых учреждений в более чем 40 странах используют решения CRIF.

•  Более 25,000 бизнес клиентов •  Отчеты и информация более чем по 200 миллионам компаний по всему миру

КЛЮЧЕВЫЕ ЦИФРЫ CRIF

Ведущий поставщик услуг кредитного бюро, аналитики и принятия решений

Общий доход (млн евро)

Количество служащих (по всему миру)


УСЛУГИ CRIF ДЛЯ БАНКОВ И ФИНАНСОВЫХ ОРГАНИЗАЦИЙ

ü Услуги кредитного бюро ü Объединение данных кредитных бюро

ü Бизнес-информация ü Аналитика и системы принятия решений

(скоринг, системы рейтингов, предотвращение мошенничества)

ü Кредитные решения ü Аутсорсинг бизнес-процессов ü Взыскание задолженности –

Управление дебиторской задолженностью

Приобретение Управление портфелем

Взыскание задол- женности

Планирова- ние и

развитие


НЕКОТОРЫЕ ТИПИЧНЫЕ ПРОБЛЕМЫ РАЗРАБОТКИ АНАЛИТИКИ (1/2) Маркетинг и выдача кредита

Типичные проблемы Возможные подходы

•  Полное отсутствие в заявке или в истории большинства предиктивных переменных которые обычно используются для разработки специальных моделей заявок (напр. доход, информация Кредитного Бюро, место жительства, цель кредита, и т.д.)

•  Низкая достоверность данных (особенно в отношении финансовых отчетов и доходов)

•  Низкое качество данных

•  Местные Кредитные Бюро не предоставляют скоринг Кредитного Бюро

•  Много Кредитных Бюро, большинство из которых с низким уровнем охвата и/или надежности

•  Ограниченные предиктивные возможности количественных переменных в сегменте Малого бизнеса

•  Трудности в оценке серой зарплаты

•  Низкий уровень надежности справки о доходах

•  Ввод и/или внесение в историю этих дополнительных переменных в форму заявки, для совершенствования будущих моделей.

•  Интеграция модели заявки с экспертными правилами политики

•  Усиленный фокус на поведенческие переменные и/или переменные кредитного бюро

•  Управление изменениями учебные сеансы для бизнес-сети для освещения важности процесса ввода надлежащих данных

•  Интеграция «сырой» информации Кредитного Бюро в модель заявки

•  Разработка спец. скоринга Кредитного Бюро

•  Разработка специального скоринга Кредитного Бюро, используя лишь самые предиктивные

•  Статистическая модель, интегрированная с Качественным Опросником

•  Ситуативные модели для проф. категорий с серыми зарплатами, с анализом предыдущего опыта

•  Лишь очень небольшие суммы для новых клиентов


НЕКОТОРЫЕ ТИПИЧНЫЕ ПРОБЛЕМЫ РАЗРАБОТКИ АНАЛИТИКИ (2/2) Управление кредитным портфелем и Взыскание

Типичные проблемы Возможные подходы

•  Быстрые и резкие экономические перемены (от глубокого кризиса к быстрому росту и наоборот) которые сильно влияют на риск кредитного портфеля и на предиктивные возможности скоринг-карты

•  Недостаточная история для разработки поведенческой скоринг-карты

•  Отсутствие уникального ID клиента в различных единицах банковской группы (для вычисления Basel II PD)

•  Отсутствие кредитного ХД, но данные разбросаны по нескольким различным неофициальным архивам в разных подразделениях банка

•  Трудности в упорядочении одной и той же информации для разных единиц, особенно в отношении просроченной задолженности

•  Низкое качество данных

•  Необходимость постоянного мониторинга скоринг-карты

•  Разработка прогнозной аналитики

•  Использование более короткого периода работы для разработки моделей

•  Применение алгоритмов, использующих несколько альтернативных ID (напр. номер паспорта, ID-номер, ИНН) чтобы объединить инф. о клиенте на уровне группы

•  Требуются большие усилия в составлении катр источников данных, сборе данных и подготовке данных

•  Упорядочение определения просроченной задолженности начиная с «сырых данных» каждой единицы группы

•  Создание целевых групп для понимания причин и улучшения качества данных хотя бы одного набора важных переменных


СЛУЧАЙ 1: СИСТЕМА ОЦЕНКИ РИСКА «СТАРТАП» – УКРАИНА Цели и описание проекта

Подход

Недоступность исторических данных в банке (стартап-продукт в новом потребительском сегменте)

Низкая вероятность предоставления клиентом справки о доходах из-за специфических каналов распределения («shop-in-shop», аэропорты, и т.д.)

Высокая важность серой зарплаты в целевом сегменте

Низкая степень надежности по доходам и справке о доходах

Необходимость управлять тремя разными кредитными бюро

Специфические

проблемы проекта

Клиент §  Крупнейший частный банк с 2-мя десятилетиями опыта в Украине

Охват §  Розничные клиенты §  Возобновляемые кредитные карты (стартап)

Цели

§  Установление процесса кредитных заявок, ведомого системой скоринга кредитных рисков, позволяющей одновременно оценивать и будущие действия заявителей, и действия по управлению кредитными рисками (установка кредитного лимита)

§ Разработка стартап-системы скоринга кредитных рисков. Это стартап-решение основано на наборе данных Кредитного портфеля с местного рынка для учёта местных особенностей

§ Чтобы максимально подстроиться под особенности банка, это стартап-решение будет специально создано на репрезентативной пробе целевого населения банка.

1

2

3

4

5

Контекст и цель


Измерение результатов(*)

Индекс Gini

Новые клиенты

Существующие клиенты

Рыночное население 0.39 0.40

Целевое население 0.41 0.44

Индекс Gini

Цель – новые клиенты

Цель – существующие клиенты

Удовл. 20-35%

Хорошо 35-60%

Отлично >=60%

Методологический подход

СКОРИНГ ЗАЯВОК Методологический подход и результаты

ü  Данные клиентов (возраст, доход) ü  Данные договора (сумма) ü  Внешние данные/ Кредитное бюро UBKI

(MBKI)

ü  Внутренние поведенческие данные/существующие данные клиента (транзакции/использование кредитной карты)

ü >60 дней просрочки (12 месяцев работы)

ü  Стратегия банка заключалась в ориентации на особую целевую группу населения, состоящую из потребителей с доходом более 4.000 ГРН)

ü  Специфические и предварительные модели были разработаны начиная с данных местного рынка

ü  Разработка скоринговой системы, позволяющей оценивать, оперируя набором данных местного рынка, возможность для каждой заявки иметь схожий профиль целевой группы потребителей, среднего сегмента.

ü  Калибровка моделей по целевой группе потребителей

(*) образец разработки

Источник данных

Стандартное определение

Целевая модель


СЛУЧАЙ 2: BASEL II СКОРИНГ ЗАЯВОК И ПОВЕДЕНИЯ – МАРОККО Цели и описание проекта

Подход

Контекст и цель

Специфические

проблемы проекта

Клиент §  Крупнейшая банковская группа Магриба

Охват § Потребители, профессионалы и малый бизнес §  Различные типы продуктов (закрытого и открытого типа)

Цели

§ Цель банка – соблюдение требований Basel II и создание процедур, которые могли бы стать наилучшей практикой в управлении кредитными рисками и их измерении. Банк предпочитает применение подхода IRB для розничных потребителей в 2015 г.

§  Разработка специфических моделей, построенных на внутренних данных с использованием статистического подхода

Полное отсутствие в форме заявки большинства предиктивных переменных, обычно используемых для разработки спец. моделей заявок (напр. дохож, место жительства, цель кредита и т.д.) Информация кредитного бюро не вносится в историю Отсутствие уникального ID клиента в разных единицах банковской группы Отсутствие кредитного ХД, но данные разбросаны по нескольким различным неофициальным архивам в разных подразделениях банка Трудности в упорядочении одной и той же информации для разных единиц, особенно в отношении неуплат

1

2

3

4

5


СКОРИНГ КРЕДИТНЫХ ЗАЯВОК Методологический подход и результаты

0,480,29

without C/A with C/A

+16pb

+19pb

ü Демографические (возраст, сектор деят.,…)

ü Операционные данные (сумма займа) ü Фин. данные малого бизнеса (собственный капитал, суммарные активы ...)

ü  Расчетный счет (Транзакции, баланс)

ü ПРОДУКТЫ ОТКРЫТОГО ТИПА >90 дней просрочки (12 мес. работы)

ü ОВЕРДРАФТЫ: Заморозка счета > 90 дней (12 месяцев)

Заявки

Малый бизнес

Профессионалы 2 (рабочие, трейдеры, …)

Потребители

Профессионалы 1

(врач, адвокат,…)

0,420,32


0,54 0,65


Малый

бизнес

Профессионалы

1

Профессионалы

2

Потребители

Измерение результатов Индекс Gini (*)

ü Кредитные заявки


+11pb

+10pb




Охват

Карта моделей


ПОВЕДЕНЧЕСКИЙ СКОРИНГ Методологический подход и результаты

ü  Поведенческий риск/продукт (невыплата, Использование/авторизация, кредитные/дебетовые транзакции)

ü  Сводный баланс/Малый бизнес (варьирование доходов)

ü  ПРОДУКТЫ ЗАКРЫТОГО ТИПА: как минимум 4 невыплаченных платежа подряд (12 месяцев)

ü  ОВЕРДРАФТЫ: Заморозка счета > 90 days

Клиенты

Со сводн. балан-сом

С ипотекой Без ипотеки Без св. баланса

ü  Рейтинговая система создана на контрагенте Группы (включая другие банки Группы)

ü  Уникальный код клиента был создан чтобы связать идентификационные коды, используемые в разных компаниях Группы


Малый бизнес Потребители

Измерение результатов(*)

Сегменты Индекс Gini

Малый бизнес со свод. балансом 0.52

Малый бизнес без свод. баланса 0.59

Потребители с ипотекой 0.76

Потребители без ипотеки 0.62

Индекс Gini

Удовл. <50%

Хорошо 50-70%

Отлично >=70%




Охват

Карта моделей

1

2

3

4

1

2

3

4


ФУНКЦИОНАЛЬНАЯ КОНЦЕПЦИЯ Рабочее применение и регулятивные требования

>6мес >0мес 6мес

Запрос кредита

Модель заявки

Поведенческая модель

Поведенческая модель

Последующий запрос кредита


Запрос кредита

PD1

0-10 11-20 90-100


PD1

RWA x 8% Требования к капиталу IRBA

RWA = x 8%

•  Уровень авторизации •  Кредитное решение

КЛИЕНТ КРЕДИТНАЯ ЗАЯВКА

…

Рабочее применение

Регулятивные

требования

Bas

el I

I

PD2 PDn

•  Уровень авторизации •  Кредитное решение

PD2 PDn


АНАЛИТИКА ОЧЕНЬ СИЛЬНА, НО НЕ СТОИТ ЗАБЫВАТЬ О БИЗНЕСЕ Аналитика дает возможность принятия решений, но последнее - всё еще задача

менеджера


Business Consulting Crif Decision Solutions Via M. Fantin 1-3 40131 Bologna Tel.: + 39 051 4176111 Fax.: + 39 051 4176010

How to best leverage advanced analytics to enhance credit process in emerging markets

Documents

Transcript of How to best leverage advanced analytics to enhance credit process in emerging markets