Кредитный скоринг необходим банкам и другим финучреждениям чтобы определять кредитоспособность и надежность клиентов. Технологии, используемые компаниями для осуществления такой проверки, постоянно совершенствуются, привлекаются инновационные разработки, вроде искусственного интеллекта, блокчейна, нейронных сетей и т.п. Рассмотрим подробнее, какими же новейшими разработками пользуются ведущие финтех-бренды , сообщает psm7.com .
Кредитный скоринг — это система оценки, которая используется банками и финансовыми учреждениями для определения платежеспособности клиента перед выдачей ему займа, кредита, ипотеки или страхования. Система предусматривает сбор и анализ ряда экономических, демографических и финансовых данных потенциального заемщика: возраст, пол, семейное положение, образование, должность, стаж работы, зарплата, количество детей и людей на содержании, кредитная история (скоринговая модель имеет до 25 параметров).
Собственно, скоринг — это математическая модель, которая позволяет определить вероятность того, что потенциальный заемщик вернет кредит вовремя.
Модели кредитного скоринга могут несколько отличаться в том, как они оценивают потребителей. Система Fair Isaac Corporation, известная как оценка FICO, считается наиболее распространенной в финансовой отрасли, — ее используют около 90% ведущих кредиторов.
Другая популярная модель кредитного скоринга — VantageScore, которая была создана тремя ведущими агентствами кредитной отчетности: TransUnion, Experian и Equifax.
Существуют application-скоринг — оценка кредитоспособности заемщиков для получения кредита и fraud-скоринг — оценка вероятности мошенничества заемщика. Каждый из этих типов использует особый перечень факторов, которые характеризуют заемщика, и получают уникальную пороговую оценку риска, которая делит заемщиков на тех, кому можно выдавать кредит, и тех, кому выдача кредита — рискованная.
Во время скоринга используются данные:
- из бюро кредитных историй;
- полученные во время идентификации и верификации клиента;
- собранные непосредственно с устройства клиента и его интернет-браузера;
- собранные из соцсетей;
- полученные от мобильных операторов и платежных сервисов.
Для скоринга клиентов, с которыми уже есть опыт сотрудничества, очень важно то, как они пользовались продуктами в прошлом.
Более подробно о понятии скоринга, а также как украинские финансовые компании определяют надежность клиентов, читайте в материале.
Какие современные технологии применяют ведущие финтех-гиганты для осуществления скоринга?
Финансовая отрасль переживает цифровую трансформацию, вызванную быстрым развитием новых технологий. Она становится более клиентоориентированной, революционизируются отношения между учреждениями и потребителями. Конкуренция на рынке становится все жестче.
Так, на рынке появились более мощные механизмы сбора и управления данными. С одной стороны банки пытаются оптимизировать собственную работу, с другой — современный клиент хочет, чтобы скорость и корректность работы финучреждения была заоблачной. Так, одна из самых востребованных технологических новинок в финансах — системы кредитного скоринга на основе ИИ и ML.
Машинное обучение и искусственный интеллект за последние годы произвели революцию в финансовой отрасли. Согласно исследованию Deloitte, 70% всех финансовых учреждений используют ML для прогнозирования денежных потоков, корректировки кредитного скоринга и выявления мошенничества. Инвестиционный банкинг в значительной степени полагается на ML для корректировки алгоритмов и моделей прогнозирования с целью изоляции рисков.
Но на этом, конечно, финучреждения не остановились. Сегодня финтех-гиганты используют в своей скоринг-деятельности и другие ведущие технологии, среди которых:
1. Нейронные сети. Это один из самых мощных и эффективных инструментов машинного обучения, которые используются в рамках кредитного скоринга. Они применяются для распознавания сложных связей между сильными факторами, которые влияют на кредитную историю и кредитный риск.
Нейронные сети способны автоматически устанавливать сложные корреляции между собранной информацией о клиенте, выстраивая более точные модели кредитного скоринга. Кроме того, эта технология используется для решения задач классификации, например, для определения категории риска клиентов и предоставления им соответствующего кредитного рейтинга.
2. Blockchain. Это технология распределенного реестра, которая может обеспечить безопасность, прозрачность и надежность в хранении и обработке данных клиентов, их кредитной истории.
Кроме того, блокчейн может быть использован для отслеживания транзакций и других финансовых действий клиентов. С помощью смарт-контрактов, которые являются программными кодами, можно установить условия для автоматического исполнительного действия. Смарт-контракты могут автоматически отслеживать платежи и другие финансовые действия пользователей (это влияет на их кредитную историю и кредитный скоринг).
3. Big Data и Data Analytics. Для начала — технологии Big Data позволяют выбрать различные данные о клиентах, которые могут быть полезными для прогнозирования их способности погасить кредит. Эти данные могут включать информацию о финансовом состоянии клиента, его работе, уровне образования, социальных сетях, транзакциях, покупках и др.
После сбора данных их необходимо обработать. Для этого используется Data Analytics. Анализ информации нацелен на отслеживание тенденций, создание образа клиента для понимания рисков и прогнозирования его поведения.
4.Распределенные системы. Они состоят из многих узлов (компьютеров или серверов), создавая мощную сеть, способную с высокой скоростью обрабатывать данные.
Эта технология позволяет финучреждениям осуществлять сложные аналитические операции в кратчайшие сроки. Например, за считанные минуты собирать информацию о клиентах (кредитную историю, финансовые операции и т.д.). Также распределенные системы применяются для обеспечения защиты собранных данных.
5. Роботизация процессов. Это означает замену ручной работы специалистов автоматизированными системами. Такой подход снижает количество ошибок в работе финучреждения, существенно ускоряет его деятельность и оптимизирует расходы.
6. «Компьютерное зрение» или «компьютерное зрительное восприятие». Это технология, которая позволяет машинам «видеть» и «понимать» визуальную информацию. В рамках кредитного скоринга эта технология используется для автоматического анализа различных видов документов и изображений, связанных с клиентами.
Например, компьютерное зрение может быть использовано для автоматического сканирования документов, таких как паспорта, водительские удостоверения, справки о доходах и тому подобное. Система может анализировать эти документы на наличие оригинальности и правильности данных, а также определять, соответствуют ли они стандартам соответствующей категории.
Также технология подходит для автоматического анализа фотографий и видео, которые связаны с клиентами. В частности, система способна анализировать фотографии из профиля социальной сети, чтобы узнать больше о привычках и интересах клиента, а также для признаков мошенничества.
Еще один интересный факт — компьютерное зрение используется для анализа видео-интервью с клиентами, которые предоставляют заявки на кредит. Система может анализировать мимику и движения губ клиента, чтобы выявить признаки стресса и неискренности в их поведении.
Что такое альтернативный кредитный скоринг и почему он становится все более популярным?
Методы, используемые для кредитного скоринга, эволюционируют от традиционных статистических, к инновационным, поскольку мир меняется и появляется большое количество новых источников данных.
В то время, как большинство финучреждений полагаются на кредитные отчеты и устаревший набор информационных блоков, чтобы решить, сможет ли заявитель погасить долги, альтернативный кредитный скоринг касается использования актуальных и точных данных для оценки кредитоспособности, таких как цифровой след, который является информацией об онлайн-активности конкретного лица.
Использование альтернативных источников данных и инновационных алгоритмов в кредитном скоринге может помочь расширить доступ к категории небанковских заемщиков и должников, которые впервые обращаются за кредитом, таким образом предоставляя им финансы и возможность начать зарабатывать баллы.
Альтернативные данные, которые генерируют более точные кредитные баллы, включают следующие источники:
- чем лучше платежная история в области коммунальных услуг, тем легче заемщику будет доказать свою способность погашать кредиты;
- хорошие отчеты о внесении арендной платы могут значительно улучшить репутацию и кредитный рейтинг заявителя, следовательно, и доступ к финансированию по более выгодным ставкам;
- владение активами и постоянная занятость положительно влияют на кредитоспособность;
- отчеты о транзакциях могут продемонстрировать поведение потребителя в отношении расходов и то, как он обращается со всеми аспектами финансов;
- предоставление кредиторам информации о личных сбережениях может открыть больше возможностей для достижения финансовых целей;
- анализ данных с мобильного телефона, включая платежи, подписки, уровень дохода, пополнение счета, а также информация из социальных сетей может повысить кредитный рейтинг потребителя.
Сегодня многие стартапы заинтересованы в улучшении скоринга. Например, Курт Лин, основатель программного интерфейса Pinwheel, в свое время был очень разочарован системой получения ипотеки. Он вспоминает, как в детстве они с отцом посещали банк за банком, и им постоянно отказывали из-за отсутствия кредитной истории.
Лин нашел решение этой проблемы много лет спустя, работая вместе с Анишем Басу и Кертисом Ли над автоматизированным медицинским накопительным счетом. Троица поняла, что интеграция данных о заработной плате, над которой они работали, может стать основой продукта, который поможет кредиторам работать с потребителями, не имеющими сильной кредитной истории.
Так, в 2018 году Лин, Басу и Ли основали Pinwheel — программный интерфейс, позволяющий участникам рынка обмениваться клиентскими данными, в частности, об их заработной плате. Это поможет как финтехам, так и традиционным кредиторам обслуживать потребителей с ограниченной или плохой кредитной историей, которые исторически имели проблемы с доступом к финансовым продуктам.
На чьи кейсы стоит обратить внимание украинским финтехам?
Искусственный интеллект и алгоритмы глубокого обучения уже активно используются для оптимизации скоринг-процессов такими брендами, как JP Morgan Chase (один из крупнейших в мире банков), Wells Fargo (еще одна мощная банковская холдинговая компания), Capital One (эксперт в области кредитных карт и автокредитов), American Express, LendingClub и многие другие.
Сбор и анализ данных из социальных сетей и других источников в рамках кредитного скоринга — фишка компании LenddoEFL. Этот бренд применяет также методы ML, чтобы выявить уровень надежности клиентов. Сегодня этот финтех-инноватор сотрудничает с кредитными учреждениями в разных странах мира.
Мониторингом деятельности клиентов в интернете занимается американская компания ZestFinance, сотрудничая с платформой ZAML. Так алгоритм, использующий машинное обучение, определяет, заслуживает ли лицо доверия учреждения и может ли стать реальным заемщиком.
Еще один пример — гонконгская скоринг-платформа Lenddo для оценки кредитоспособности изучает клиентские профили в социальных сетях, а также страницы их друзей (реальных и виртуальных). Таким образом проверяют заемщиков банки на Филиппинах, в Кении, Австралии, Индонезии, Таиланде.
Почему традиционный кредитный скоринг становится все менее эффективным?
В эпоху, когда технологии и стандартные бизнес-системы меняются бешеными темпами, традиционные метрики и аналитика теряют свою эффективность и становятся менее надежными. Как следствие, организациям приходится переходить от устаревших технологий к предиктивной аналитике, которая позволяет лучше понять тенденции в данных и помогает предвидеть изменения в паттернах, которые можно рассматривать как возможности для совершенствования.
Традиционный подход к оценке кредитоспособности, например, отраженный в кредитном рейтинге FICO, больше не соответствует сложности современных финансовых операций. Поскольку традиционные системы кредитного скоринга не синхронизированы с остальной финансовой экосистемой, они не могут обеспечить надежный кредитный рейтинг.
Ранее кредитные рейтинги в значительной степени основывались на кредитной истории — прошлом поведении человека с кредитными картами, займами и ипотекой. Однако после недавнего экономического спада банки и кредитные учреждения начали полагаться на социальные сети, местонахождение и поведенческие данные, чтобы собрать воедино финансовую историю человека. Это означает, что кредитной истории лица придается меньше значения, а больше — полной картине финансовой деятельности.
Автор Николай Деркач
Источник psm7.com