Deductor Credit Scorecard Modeler

1. Deductor Credit Scorecard Modeler

2. Скоринг: актуальность проблемы Потребность в скоринге на финансовых рынках вызвана двумя важными факторами: • Конкуренция среди банков требует повышения скорости принятия решений о выдаче кредита при сохранении приемлемого уровня рисков. • Для удовлетворения требований регуляторов необходима формализованная система управления банковскими рисками.

3. Задачи и их решения Построение скоринговой системы делится на две подзадачи: • Разработка скоринговых карт; • Построение кредитного конвейера. Разработкаиподдержкаскоринговыхкарт–трудоемкаязадача,требующаяпримененияспециализированныхинструментов,позволяющихавтоматизировать рутинные процедурыриск-аналитика:отанализапортфелядомониторингаскоринговыхкарт.

4. Недостатки типовых решений Применение подручных средств для разработки скоринговых карт приводит к появлению «зоопарка» IT-систем. Недостатки подобного подхода очевидны: • Отсутствие единого источника данных • Кодирование формул в разных системах • Разрозненная отчетность • Ручной ввод данных • Отсутствие версионности моделей

5. Deductor – аналитическая платформа РешениеCreditScorecardModelerпостроенонаплатформеDeductor.Оно позволяет автоматизировать весь процесс создания скоринговых карт: от подготовки данных до моделирования и формирования отчетности. Deductor поддерживает полный спектр технологии анализа данных: Data Warehouse, ETL, OLAP, Knowledge Discovery in Databases и Data Mining.

6. Deductor Credit Scorecard Modeler

7. Полный цикл разработки скоринговой карты

8. Шаг 1: Подготовка скоринговой выборки В готовое хранилище данных загружаются: • предочищенныевыборки: портфели кредитов с характеристиками, атрибутами и датами выдачи; • просрочки: 30, 60, 90, 120+ по каждому периоду жизненного цикла счета; • флаги счетов: закрытые, списанные договора Структура хранилища преднастроена, необходимо только загрузить данные

9. Шаг 2: Анализ счетов – винтажныйанализ Винтажный анализ(Vintage analysis) – исследование счетов по поколениям: кредитный портфель разбивается по дате выдачи на поколения кредитов, а затем рассчитывается накопительная сумма потерь отдельных поколений счетов. Счет становится «зрелым» через 11-13 периодов (месяцев) с момента выдачи

10. Шаг 2: Анализ счетов – матрица миграции Метод миграции просрочек(Roll-Rate Matrix) нужен для проверки гипотезы о корректности выбора критериев определения плохого заемщика. 60% счетов, попавших в 1-й год в 60+, уйдут в дефолт и во 2-м году Это хорошо видно на графике

11. Шаг 3: Сэмплинг Сэмплинг выполняет 2 функции: • Разбиение на рабочее и тестовое множества • Undersampling – баланс плохих/хороших счетов

12. Шаг 4: Двумерный анализ – атрибуты Двумерный анализ (Bivariateanalysis) предназначен для оценки значимости каждого атрибута счета и исключения слабых и/или нелогичных. Предсказательная сила атрибута оценивается с помощью показателя WoE (Weight of Evidence). Заемщики моложе 25 лет имеют самый высокий риск оказаться в числе должников

13. Шаг 4: Двумерный анализ – характеристики При расчете предсказательной силы характеристики в целом значения WoE для каждого атрибута агрегируются в индекс IV (Information Value). Жилье и пол не оказывают влияния на шансы стать плохим заемщиком

14. Шаг 4: Двумерный анализ – квантование Классическая скоринговая карта состоит только из категориальных атрибутов, поэтому необходимо провести квантование. При этой операции аналитик ищет компромисс между точностью, интерпретируемостью и значимостью. 1-й вариант квантования предпочтительнее

15. Шаг 5: Моделирование – расчет Для расчета будущих баллов скоринговой карты используется логистическая регрессия. На данном шаге важно получить статистически значимую модель. Коэффициенты модели – будущие скоринговые баллы

16. Шаг 5: Моделирование – калибровка Калибровка – это превращение модели логистической регрессии в скоринговую карту: • Масштабирование – перевод коэффициентов в баллы (по умолчанию в стандарт FICO); • Внесение поправки на априорные вероятности. Баллы скоринговой карты

17. Шаг 6: Reject Inference – учет отказов Наличие отказанных заявок может улучшить качество скоринговой карты, так как при расчете баллов будут учтены отклоненные аппликанты (Reject Inference).

18. Шаг 7: Оценка качества скоринговой карты Для оценки качества скоринговой карты разработан набор отчетов и графиков. Для основных метрик качества приводятся рекомендуемые значения в зависимости от типа скоринговой карты: анкетная, поведенческая или коллекторская.

19. Шаг 7: Качество карты – индекс GINI Gini = B / (A + B) Индекс Джини является интегральной характеристикой, позволяющей судить о прогностической силе скоринговой карты. Плохие Хорошие 100% AОтличные прогнозы BСкоринговая карта Доля от всех плохих Диагональная линия соответствует случайному угадыванию 100% Плохие Хорошие Портфель, упорядоченный по баллу карты

20. Шаг 7: Качество карты – Статистика K-S Статистика Колмогорова-Смирнова (K-S)–это максимальное расстояние между функциями распределения по баллу хороших и плохих. K-S

21. Шаг 7: Выбор лучшей скоринговой карты После Reject Inference сравнивают 2 скоринговые карты: первоначальную и с учетом отказов. Из них выбирается лучшая. В хранилище может быть загружено несколько версий скоринговых карт Лучшая карта вводится в эксплуатацию

22. Шаг 8: Тестовая эксплуатация и мониторинг Интеграция в кредитный конвейер не входит в состав данного решения Регулярный мониторинг и перекалибровка карт, возможность «горячей» замены карт

23. Ключевые преимущества Deductor Credit Scorecard Modeler позволяет: • в 5-6 раз сократить трудозатратыриск-аналитиковзасчетавтоматизациипроцедур • получать готовыеотчетынавсехэтапахразработкискоринговойкарты • адаптировать решениебезпривлеченияпрограммистов,вт.ч.методамиDataMining • поддерживатьверсионностьскоринговыхкарт • интегрироватьскоринговыекартыссистемойпринятиярешенийпозаявкам • понимать анализ на глубоком уровне, благодаря учебномукурсупо скорингу.

24. Подготовка к Базелю II Базель II предоставляет банкам возможность использовать внутренние рейтинги при расчете достаточности капитала для покрытия кредитных рисков. Кредитный скоринг позволяет оценить вероятность дефолта контрагента (PD), рассчитать ожидаемые (EL) и неожидаемые (UL) потери и выполнить требования Базель II: провести четкое разграничение рисков и их точное количественное выражение.

25. Выполнение требований Базель II Deductor Credit Scorecard Modeler – инструмент, позволяющий соблюдать минимальные требования Базель II в части кредитных рисков: • Скоринговый балл как количественная оценка риска заемщика и транзакции • Обоснование рейтинговых критериев на базе статистики кредитов • Регулярный пересмотр и корректировка рейтингов благодаря поддержке полного цикла моделирования скоринговой карты, анкетному и поведенческому скорингу

26. Проектный опыт На базе Deductor в банках и финансовых организациях реализовано множество проектов,автоматизирующихскорингипринятиерешенийовыдачекредитов:

27. BaseGroupLabs BaseGroupLabs–профессиональныйпоставщикDataWarehouse,OLAP,KDD,DataMiningрешенийиинструментов. Web-сайт:www.basegroup.ru Образование:edu.basegroup.ru E-mail:info@basegroup.ru