Оценка добросовестности заемщика в розничном кредитовании (fraud-scoring)

на основе психосемантических методов

13.04.2023

Содержание

• Понятия• Традиционный кредитный

скоринг• Идея• Реализация• Эксперимент• Потенциальные потребители• Способы реализации• Выгоды и ограничения• План действий

13.04.2023Страница 2

Основные понятия

• Кредитный скоринг - метод классификации заемщиков на различные группы, когда необходимая характеристика не известна (вернет ли кредит), однако, известны другие характеристики, которые каким-либо образом связаны с интересующей

• Психосемантика - область психологии, изучающая индивидуальную систему значений, которая влияет на процессы мышления, памяти, принятия решений и т. д.

13.04.2023Страница 3

Скоринг в микрофинансовых организациях

• По паспорту• По трудовой книжке• По родственникам• Визуальная оценка

13.04.2023Страница 4

Идея

У добросовестных и недобросовестных заемщиков разное отношение к кредиту/займу

Это различие можно выявить психосемантическими методами по индивидуальным системам значений

мы провели эксперимент и подтвердили наше предположение

13.04.2023Страница 5

Реализация

При оформлении кредита заемщик заполняет психосемантическую анкету

Данные тут же обрабатываются on-line

Результат: оценка заемщика «+» или «-»

13.04.2023Страница 6

Оценка заемщика

Решение о выдаче / отказе в кредите

Пример интерфейса

13.04.2023Страница 7

Пример вопросов анкеты

13.04.2023Страница 8

Описание анкеты

13.04.2023Страница 9

• от 30 до 50 пунктов

• время заполнения – 3-10

минут

• пункты меняются для разных

социально-демографических

групп

• в анкете заложена система

защиты против «подбора

ключа»

Принятие решения

13.04.2023Страница 10

На основе анкетных данных профиль заемщика сравнивается с эталонной моделью добросовестного и недобросовестного заемщика

Причины невозврата

• Планируемый невозврат

• Непредвиденный невозврат

Предложенная психосемантическая система может

распознавать только первый тип, т.е. Fraud-scoring

13.04.2023Страница 11

Варианты решений

Оценка Решение

«Хороший» заемщик Выдаем кредит

«Плохой» заемщик Не выдаем кредит

«Не понятно»* Не выдаем кредит

13.04.2023Страница 12

* - оценка «не понятно» возникает в случаях, когда не достаточно данных по определенной подгруппе заемщиков или когда профиль заемщика нельзя отнести к положительному или отрицательному

ЭКСПЕРИМЕНТ

Проверка точности психосемантического скорингав системе розничного кредитования

13.04.2023Страница 13

Сбор данных для модели

947 заемщиков при получении товарного кредита в двух городах России в магазинах бытовой техники проходили традиционную процедуру кредитного скоринга и дополнительно заполняли психосемантическую анкету

Спустя 6 месяцев мы получили от банка информацию о том, как заемщики выплачивают кредит: 880 выплачивали вовремя, а 67 заемщиков не платили по кредиту

13.04.2023Страница 14

Эксперимент

Из данных по 947 заемщикам мы: 1. случайным образом выбирали от 20 до 200

анкет2. делали оценку этих заемщиков по модели

на основе психосемантического метода3. предлагали решение о выдаче кредита4. сравнивали наше решение с реальным

поведением заемщика5. оценивали правильность нашего решения

(угадали/не угадали)

13.04.2023Страница 15

Проверка 1. N=20 человек

13.04.2023Страница 16

При проверке на случайной выборке: N=20 человек из 947 Дали кредит 70% обратившимся, отказали 30%. Вернули – 65%. Не вернули – 5%.

Проверка 2. N=50 человек

13.04.2023Страница 17

При проверке на случайной выборке N=50 человек из 947

Дали кредит 84% обратившимся, отказали 16%Вернули – 80%Не вернули – 4%

Проверка 3. N=99 человек

13.04.2023Страница 18

При проверке на случайной выборке N=99 человек из 947

Дали кредит 76% обратившимся, отказали 24%.Вернули – 75%. Не вернули – 1%.

Проверка 4. N=200 человек

13.04.2023Страница 19

При проверке на случайной выборке N=200 человек из 947

Дали кредит 70% обратившимся, отказали 30%. Вернули – 69,5%. Не вернули – 0,5%.

Выводы по эксперименту• Добавление психосемантического скоринга

увеличивает точность обычного кредитного скоринга до 98,7%

• Уменьшается число выданных кредитов на 25%

• С увеличением числа выданных кредитов и накоплением данных для модели, т.е. по мере самообучения, растет точность прогноза и увеличивается доля выданных кредитов

• Возможности оценки только психосемантическим способом требуют отдельной проверки 13.04.2023Страница 20

START UP

Возможность коммерческой реализации идеи психосемантического он-лайн скоринга в системе розничного кредитования и микрофинансирования

13.04.2023Страница 21

Потенциальные потребители

• Организации микрофинансирования• Организации, предоставляющие займы on-

line• Банки, занимающиеся розничным

кредитованием• Торговые сети, продающие товар с

рассрочкой платежа• Системы взаимного кредитования

13.04.2023Страница 22

Традиционный розничный кредит

13.04.2023Страница 23

планируемый невозврат розничных кредитов – 11%

Объем розничного кредитования в России 2012 г. составил около 6000 млрд рублей

Ежегодный рост с 2010 года - около 40%*

* По данным Euromonitor International.

Доля просроченной задолженности в розничном кредитовании в 2011 г. (% в портфеле ссудной задолженности) - 5,7% *

Займы в микрофинансовых организациях

13.04.2023Страница 24

• В России в 2012 г. выдано порядка 2-3 млн микрозаймов на сумму (по разным оценкам) от 15 до 50 млрд рублей *– рост в среднем около 50-100% в год *

• 1183 МФО на 1 января 2012 г. по реестру ФСФР **– на 1 июля 2011 года насчитывалось всего 192, за полгода рост

в 5 раз

• Невозврат:– малые города – до 20%– крупные города – до 50%

* Российская газета, http://www.rg.ru/2013/01/29/mikrozaymi.html** http://www.eg-online.ru/news/164555/

Конкурентные технологии оценки

Оценка он-лайн по кредитной истории: дорого!

– 200 рублей – проверка 1 заемщика

– 9000 рублей – установка 1 интерфейса

По данным судебных приставов: нет «новичков» и находящихся в процессе

Оценка по социальной активности в интернете: мошенничество!

13.04.2023Страница 25

В чем ценность?

Снижение рисков: • точность оценки возврата кредита до

98,7%• исключается «человеческий фактор»

(давать «своим») за счет автоматизации взаимодействия заемщика и кредитной организации

• специальная защита от «подбора ключа» и «хорошей анкеты»

13.04.2023Страница 26

В чем ценность?

Экономия времени: • 1-3 минуты для принятия решения

Экономия денег: • не требуется офис, оценка происходит on-

line• не требуется специально обученный

персонал• снижаются затраты на работу с

просроченной задолженностью• дешевле оценки по кредитной истории

13.04.2023Страница 27

Процентные ставки

34% - экспресс-кредит в магазине180% - ломбард260-1000% - займы в микрофинансовой

организации

Снижение риска невозврата – это возможность снижения % ставки

13.04.2023Страница 28

Способы реализации системы

• Как элемент уникального интернет-продукта – системы on-line микрокредитования

• Как дистанционная услуга по оценке добросовестности заемщика для любых кредитных организаций (SaaS)

13.04.2023Страница 29

В чем инвестиционная привлекательность?

• Срок реализации до 6 месяцев

• Срок окупаемости от 1 года

• Масштабируемость

• Возможность использования в странах

Европы

• Начальные инвестиции порядка $50.000

13.04.2023Страница 30

В чем инвестиционная привлекательность?

• Определенный круг потребителей– Микрофинансовые организации – Кредитные организации, предоставляющие займы on-

line– Банки, занимающиеся розничным кредитованием– Торговые сети, продающие товар с рассрочкой

платежа– Системы взаимного кредитования

• Понятная система продвижения

– Личные продажи

13.04.2023Страница 31

Препятствия внедрения

• Требуется формирование исходной базы

данных на 1000 выданных кредитов

• Инертность кредитных организаций на

внедрение инноваций

13.04.2023Страница 32

Риски безопасности

• «Слив» базы данных у провайдера• Сознательная порча базы данных у провайдера• Внедрение программы-вируса для автоматического

подбора ключа• Многократный ввод данных с одного IP-адреса для

подбора ключа• Утечка кода программы для дешифровки и

получение алгоритмов расчета• Массовое распространение через интернет анкет,

получивших положительное решение• Разрыв связи во время заполнения анкеты

13.04.2023Страница 33

Риски реализации

• Недостаточно ассоциаций

• Мало данных по группам о недобросовестных заемщиках

• Возможно придется адаптировать семантику под каждую группу заемщиков

• Сопротивление со стороны заемщиков: необычное отпугивает

13.04.2023Страница 34

Что предстоит сделать?

• Проектирование и реализация дружелюбного интерфейса для клиента

• Проектирование и реализация базы данных и системы обеспечения безопасности

• Анкетирование реальных клиентов (около 1000 чел.) и построение модели

• Проверка модели

13.04.2023Страница 35

2 варианта тестирования

1) проверка на старой модели заемщика, которую мы делали в 2008 году для краткосрочных кредитов (3-6 месяцев) в местах продаж.

МФО/банк запускает 100 анкет при выдаче кредита, мы на старой модели их обрабатываем и даем ответ: "хороший заемщик", "плохой заемщик", "не понятно". Сравниваем нашу оценку с реальным поведением заемщика и получаем оценку точности прогноза• Возможный источник ошибки - старая модель заемщика. 2) проверка на новой модели заемщика. МФО/банк запускает 1200 анкет при выдаче кредита. Затем нам передает

1000 анкет и результаты поведения заемщиков (вернул-не вернул). Мы делаем новую модель заемщика для МФО/банка.

Затем мы на новой модели обрабатываем 200 анкет, по которым у нас нет сведений, и даем ответ: "хороший заемщик", "плохой заемщик", "не понятно".  МФО/банк сравнивает нашу оценку с реальным поведением последних 200 заемщиков и получаете оценку точности прогноза.

13.04.2023Страница 36

Публикации

Семенов М.Ю., Семенова И.И. Возможности психологических средств оценки добросовестности кредитозаемщика в розничной торговле // Омский научный вестник (The Omsk scientific bulletin).—2010. —№ 5(91). — С. 134-136.

Семенова И.И., Андиева Е.Ю. О построении психологического профиля заемщика для оценки рисков в сфере потребительского кредитования // Управление риском.–2008.– №1(45).– С.56-63.

и др.

13.04.2023Страница 37

Разработчики системы Семенов Михаил Юрьевич, кандидат психологических наук, эксперт в области экономической психологии и психологии денег http://musemenov.narod.ru/ mob.+7-919-009-77-37

Семенова Ирина Ивановна, кандидат технических наук, эксперт в области системного анализа и баз данных http://semenova.pro mob.+7-919-000-11-74

Андиева Елена Юрьевна, кандидат технических наук, эксперт-аналитик

13.04.2023Страница 38