Управление кредитными рисками для банков и МФО
•Download as PPTX, PDF•
0 likes•1,796 views
Максимум полезной информации для банков и МФО по управлению кредитными рисками. Уникальный кейс по описанию природы рисков и способов их оценки. Описана вся необходимая аналитика для разработки собственного кредитного конвейера. Есть решение на базе Deductor. Выступление по презентации - https://www.youtube.com/watch?v=raDDegn5d8o
Управление кредитными рисками для банков и МФО
- 2. Источники проблем Можно ли доверять данным о клиенте? Можно ли доверять клиенту? Верно ли клиент оценил финансовые возможности? Природа рисков
- 3. Не существует одного способа управления всеми рисками. Для каждой категории рисков: 1. Формализовать логику оценки 2. Оценить риск количественно 3. Встроить в бизнес-процесс Оценка рисков
- 5. Ошибочные данные Правильная логика Ошибочный результат Качество данных: проблема Мусор на входе – мусор на выходе
- 6. Поле Значение Ошибка Имя Cергей Первая буква - латинская Фамилия Петрович Значение из другого поля Город Мсква Опечатка Доходы 100 руб. Подозрительная сумма Телефон 000-00-01 Несуществующий номер Качество данных: примеры
- 7. Соответствие шаблонам Сайт, e-mail Телефон Номер документа Почтовый Индекс Оценка корректности Отсутствие опечаток Фамилия, имя, отчество найдены в справочнике Адрес есть в КЛАДР/ФИАС Нет перестановок в полях Нет дублей и противоречий Отсутствие полных дублей Отсутствие противоречивых записей Анализ «похожих» записей Соответствие ожиданиям Зарплата Стаж работы Код телефона и город E-mail и фамилия Качество данных: проверки
- 8. Качество данных: сервис очистки Система выдачи кредитов Deductor Data Quality- веб-сервис очистки и обогащения данных Грязные данные Чистые, обогащенные данные
- 9. Банк БКИ Прочее Полнота данных: проблема Данных банка недостаточно для принятия решения
- 11. Веб-сервис интеграции с БКИ Полнота данных: работа с БКИ Система выдачи кредитов Подготовка данных Разбор ответа Запрос в БКИ Решение Анкета клиента Отказать / Продолжить работу
- 12. Федеральная налоговая служба - 4 млн. предприятий - 4 млн. ИП Федеральная служба гос. статистики - 7 млн. предприятий - 4 млн. ИП Высший арбитражный суд - 3 млн. документов Система анализа рынков и компаний - 20 источников данных - 3 страны Полнота данных: госорганы
- 13. 53 млн. 43 млн. 25 млн. 12 млн. Много данных •Окружение •Интересы •Поведение Много мусора •Нет доверия •Нет связности •95-99% - шум Полнота данных: соцсети
- 15. Средний размер потерь от мошеннического кредита* ~100 000 р. *Эквифакс 2012 г. Антифрод: проблема
- 16. Антифрод: внешние сервисы Заемщик Банк 1 Банк 2 Ваш Банк National Hunter Equifax FPS Факт обращения + результат проверки службой безопасности Предыдущие обращения и проверки
- 17. Антифрод: схема работы Интеграция с внешними антифрод-сервисами Система выдачи кредитов Подготовка данных Проверяемые правила Запрос к сервису Матрица принятия решения Правило 1 Правило 2 Правило 3 Анкета клиента Мошенник / Не мошенник
- 18. Данные полные • Вся информация по заемщику • Сложные стратегии оценки • Отсутствие платы за обращение к сервису Данных мало • Только свои заемщики • Сложно оценивать впервые обратившихся Антифрод: внутренние данные
- 19. Тип Пример Криминал Судимость, розыск Спецучет Наркоман, психически больной Документы Утерянный/недействительный паспорт Правонарушения Штрафы, алименты, нарушение ПДД Подставное лицо Зарегистрировано много фирм Контакты Адресная яма, мошеннический телефон Работодатель Банкротство/ликвидация предприятия Черные списки: негатив
- 20. Баз негатива много, источники разные, следовательно: 1. Информация разнородна 2. По разному структурирована 3. Имеет различную значимость 4. Содержит ошибки Черные списки: проблема
- 21. Очистить и структурировать Обогатить и дедуплицировать Классифицировать негатив Загрузить в хранилище Черные списки: подготовка
- 22. Черные списки: поиск негатива Веб-сервис поиска негатива Система выдачи кредитов Хранилище «черные списки» Стратегии нечеткого поиска Кронос АБС Excel Очистка, дедубликация, обогащение данных … Анкета клиента Отказать / Продолжить работу
- 23. Службы безопасности банков обмениваются неструктурированной информацией о негативе: Списки мошенников Справки из правоохранительных органов Выписки из документов Электронные письма Базы данных Формат произвольный: Word, Excel, PDF… Межбанковский обмен
- 24. Межбанковский обмен: проверки Веб-сервис поиска по неструктурированным данным Система выдачи кредитов Поиск про проиндексированным документам Высокий риск Низкий риск Анкета клиента Найденный негатив
- 26. Документы • Удостоверение личности • Гражданство • Место регистрации Работа • Место работы • Отрасль экономики • Стаж работы • Специальность Доходы • Справка 2-НДФЛ • Долговая нагрузка • Дополнительные доходы Бизнес-правила
- 27. Бизнес-правила: проверка Данные о заемщике Гарантия соответствия бизнес-правилам
- 28. Подготовка скоринговой выборки Анализ жизненных циклов счетов Сэмплинг Двумерный анализ – конечные классы (одобренные) Моделирование (предварительная карта) Добавление в выборку отказов (Reject Inference) Перестройка карт с учетом отказов (окончательная карта) Сравнение качества карт и выбор оптимальной Тестовая эксплуатация и мониторинг Скоринг: разработка карты
- 30. Веб-сервис Deductor Credit Scorecard Modeler Скоринговая карта Система выдачи кредитов Анкета Балл Загрузка скоринговой карты
- 32. Кредитный конвейер АналитикаФронт-офис Черные списки Анализ кредитной истории Признаки мошенничества Скоринговая карта Проверка по правилам Оценка достоверности Проверка СБ Проверка БКИ Антифрод Скоринг Андеррайтинг Ввод заявки
- 33. Выгода Основание Регламент Гарантии выполнения Время Принятие решения за 2-3 минуты Персонал Система - «Черный ящик» Портфель Количественная оценка рисков Гибкость Логика в аналитическим блоке Промышленное решение
- 34. basegroup.ru
Editor's Notes
- Это стандартные методики, для работы которых важен только порядок, в котором модель выстроила счета, и знание метки плохой/хороший для каждого из них. Принципы расчета Gini и K-S схожи: очередь заемщиков перебирается, начиная от самых плохих до самых хороших, при этом на каждом шаге вычисляются: Доля Ag хороших заемщиков, оказавшихся в очереди хуже данного, среди всех хороших; Доля Ab плохих заемщиков, оказавшихся в очереди хуже данного, среди всех плохих. Статистика K-S является максимальной разницей Ab-Ag по всем точкам очереди. Gini = 2*AUC-1, где AUC – площадь под ROC-кривой. Чем больше Gini и KS, тем лучше прогностическая сила скоринговой карты.