Модели скоринга заемщика

Классификация методик оценки кредитоспособности заемщика Классификационный подход Подход качественного анализа CAMPARI, PARTS, правило "шести Си", "пяти Си", CAMEL, PARSER, COPF, методика АРБ Скоринговые модели Модели прогнозирования банкротств

Возможные источники сбора данных заемщиком Внешние Внутренние Опросный лист (оценка заявления для принятия решения о предоставлении кредита) Поведенческие модели (поведенческая оценка - только для оценки уже выпущенного портфеля) Бюро кредитных историй (Анализ кредитной истории заемщика) Остальная информация (Провайдеры) 30-40% одобрение* 93-95% доходность* Процентная маржа до 10%* Комиссия маржи до 7% * Актуально для Райффайзенбанка

Примеры моделей скоринга Используются : математическое программирование, нейронные сети, генетические алгоритмы, экспертные системы, дискриминантный анализ, линейная регрессия, логистическая регрессия и дерево решений. западные модели История платежей: чрезвычайно влиятельный фактор Возраст и тип кредита: очень влиятельный Процент использованного кредитного лимита: очень влиятельный Общий остаток и задолженность: умеренно влиятельный Недавнее кредитное поведение и запросы: менее влиятельные Доступный кредит: менее влиятельный VantageScore История платежей: 35% Задолженность: 30% Продолжительность кредитной истории: 15% Новый кредит: 10% Кредитный портфель: 10% FICO Базовый диапазон: от 300 до 850 Отраслевой диапазон: от 250 до 900 Базовый диапазон: от 300 до 850 Другие зарубежные системы: SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS)

Примеры моделей скоринга Используются : математическое программирование, нейронные сети, генетические алгоритмы, экспертные системы, дискриминантный анализ, линейная регрессия, логистическая регрессия и дерево решений. отечественные модели Другие российские системы: BNS, Basegroup Labs итд Scorto Кредитный продукт (сумма, срок, цель кредита); Финансовые характеристики (активы, обязательства, ежемесячный доход, ежемесячные расходы); Кредитная история (история платежей, длина кредитной истории, объем погашенных и текущих кредитов); Социальные характеристики (опыт работы, время проживания по текущему адресу, семейное положение). Определяет соотношение привлекательности кредита для банка и его вероятности дефолта Потенциальный клиент Категория 200:1 считается надежным и имеет высокий шанс получить кредит. Категорию 4:1, несут слишком высокий риск для банка и низкий шанс получения кредита.

Тип источника данных Что используется?Кто это использует? Электронные кошелькиPayPal, Magento, Skrill, Shopify, Sage PayIwoca, Funding Circle, Bintbond Интернет-магазины eBay, Amazon, Facebook business, AliExpress, Flipkart Kabbage, Ant Finance, Lendingkart, Bintbond Сервисы геолокацииFoursquare, YelpKabbage, Funding Circle Службы доставкиUPS, Amazon, eBay, SmartShiftKabbage Статистические веб-сервисы AppStore, GooglePlay, Flurry, Localytics, MixPanel, AppsFigures, Google Analytics Aprenita Новые источники данных и новые подходы к интерпретации старых источников. Машинное обучение в скоринге Автоматизация и упрощение использования общедоступных данных. Учет региональной специфики Использование данных сторонних служб и компаний, с которыми заемщики взаимодействуют Психометрическая оценка Анализ поведения заемщика в сети Использование транзакционных данных Глобальные тренды и альтернативные источники данных для скоринга