Upload
musemenov
View
2.002
Download
1
Embed Size (px)
DESCRIPTION
Оценка добросовестности заемщика в розничном кредитовании и микрофинансировании (Fraud-scoring) на основе психосемантических методов. Метод: 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. В настоящее время мы ищем пути для коммерческой реализации метода
Citation preview
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