Мобильное приложение журнала
Google Play Apple Store
курс цб на 29.03: USD 77.7325 EUR 85.7389
криптовалют: BTC 6251.8$ ETH 131.38$
lupa
Журнал ПЛАС » Архив » 2020 » Журнал ПЛАС №1 » 421 просмотр

Принятие кредитных решений. Когда «быстро» означает «хорошо»

Принятие кредитных решений. Когда «быстро» означает «хорошо»

В середине 2000-х автору настоящей статьи довелось поработать с риск-менеджерами Украины, России, Польши, Чехии, Великобритании, США, Ирана. Специалисты наперебой рассказывали о сложных системах верификации заемщиков, на деле же демонстрировали простенькие алгоритмы и маломерные уравнения. Зато когда приходили национальные или центральные банки, псевдостратеги заявляли: «Скоринг не покажем – коммерческая тайна».
Олег Брагинский, основатель «Школы траблшутеров» и директор «Бюро Брагинского»

Раздобыл книгу «Financial Risk Manager Handbook», по которой сертифицировались умники, проработал и погрустнел – крайне линейно, прозаично, буднично: сплошной секрет Полишинеля. После руководства службой экономической безопасности понимал – мошенники не пожалеют средств нанять консультантов из бывших сотрудников банков, которые за сребреник подскажут, как обойти математические сети.

Поразмыслив, засел за построение модели абсолютной верификации: сформировал пространство факторов, потенциально влияющих на доверие к аппликанту, документам и процедуре, отметил случаи, которые «вылавливают» ответственные сотрудники. После заполнения диаграммы Карно-Вейча осознал, что коллеги из 528 возможных ситуаций отслеживают лишь 10,6% – целых 56 штук (см. рис. 1).

Рис. 1. Анализ эффективности существовавших зон рассмотрения достоверности и причин отказов
Рис. 1. Анализ эффективности существовавших зон рассмотрения достоверности и причин отказов

Хотя в виде дерева решений работа рисковиков выглядела благопристойно – ветвление идеально, последовательность разумна, охват значителен (см. рис. 2).

Рис. 2. Алгоритм абсолютной верификации и причины отклонения заявок на кредит
Рис. 2. Алгоритм абсолютной верификации и причины отклонения заявок на кредит

Насторожила одномерность – потенциальный клиент получал отказ по первой встретившейся причине, остальные не анализировались, т. е. множественные обстоятельства дела не изучались. Вспомнились языки программирования – как они классифицируются на интерпретаторы и компиляторы. Первые работают до нахождения единственной ошибки, вторые – выворачивают наизнанку все огрехи. Ситуацию предстояло переломить.

Напрягала уверенность в корректности подхода, страшила классическая фраза: «Мы так в банке Х страны Y делали». Интересуюсь: «Зачем в первых строках кредитной анкеты запрашиваем ФИО?». Ответ вроде разумен: «Чтобы знать, как к клиенту обращаться». Но зачем эти данные на ранних этапах? В первых строках анкеты ФИО бесполезны – в скоринг большинство персонифицированных текстовых строк не направляется, а время сотрудника и ресурсы системы на их заполнение тратим. Эти данные лучше запрашивать после принятия кредитного решения – в таком случае банк не тратит время на отказников, а это 30% от популяции. То же касается названия организации – полезнее налоговые номера.

Уходя от произвольного текста, создал серию локальных скорингов не для клиентов (прерогатива рисковиков), а для товаров, специальностей и прочих свободно излагаемых фраз (см. рис. 3).

Рис. 3. Первичная база «опасности» текстовых полей

Попутно построил мощнейшую систему коррекции, преобразующую неверно введенные данные анкет – данные, встречавшиеся более пяти раз, приобретали начальный коэффициент доверия в 100%.

По мере накопления статистики отношение к городам, улицам, магазинам и товарам менялось – предыдущие случаи неплатежа создавали предпосылки ужесточения процедур, а действительные коэффициенты доверия снижались.

Собрав тысячи строк, вероятных для полей произвольного ввода, понял, что пора переходить к проектированию архитектуры решающей машины (см. рис. 4).

Рис. 4. Внутренняя архитектура системы моментального кредитного анализа

Программному комплексу дал имя CreditCheck, договорившись с риск-менеджерами, что строю «входные ворота», они же за собой оставляют последующий «фейс-конт­роль».

К этому моменту в Excel-прототипе накопились сотни интересных наблюдений. Например, оказалось, что добросовестные заемщики в далекие точки продаж не ездят, ограничиваясь трехкилометровыми зонами, центрами которых были адреса проживания, регистрации и работы. Мошенники же перемещалась на значительные расстояния – для них преобладали дистанции, превышающие 12 км от тех же адресов.

Чтобы «дважды не вставать», распланировал свести воедино анкеты и фронт-системы всех видов займа, начиная с потребительского и заканчивая ипотекой и кредитами малому и среднему бизнесу (см. рис. 5).

Рис. 5. Центральное место CreditCheck в инфраструктуре банка
Рис. 5. Центральное место CreditCheck в инфраструктуре банка

Полезным побочным действием стала возможность оценки работоспособности и загруженности серверов: в погоне за скоростью верификационных процедур установили журналирование времени исполнения, стремясь к тому, чтобы время проведения каждой операции не превышало 0,002 секунды, поэтому длительность задержек оказалась надежным индикатором здоровья технических систем.

Первой преградой промышленного внедрения стала чешская компания-поставщик фронт-системы, выставив в ответ на мой запрос неприлично крупный счет за документацию. Решил поступить хитрее: запускал прототип разрабатываемой системы поверх браузера, в котором работала программа «недругов» и собирал информацию с помощью парсинга локальной копии веб-страницы. Ответные реакции CreditCheck тоже возвращал в браузер, имитируя действия обычного пользователя (см. рис. 6).

Рис. 6. CreditCheck работает поверх браузера, имитируя действия пользователя
Рис. 6. CreditCheck работает поверх браузера, имитируя действия пользователя

Второй преградой оказалось противодействие «начальницы кредитного конвейера», сдерживающей автоматизацию из-за опасений снижения собственного влияния в организации вследствие сокращения количества подчиненных. Пришлось действовать «на кошачьих лапках», но, к счастью для всех, наступила долгожданная беременность руководителя, страсти поутихли, а к моменту возвращения дамы из декретного отпуска основные работы были завершены.

Третья преграда – саботаж подразделений ИТ-поддержки, которые не желали подучить математику, а обвиняли команду разработки в шифровании процедур и функций. На деле «устрашающие» блоки кода были не чем иным, как таблицами скоринговых коэффициентов. Для достижения мира потребовались недели переговорных баталий, которые завершились переводом части команды разработчиков в регулярное ИТ-подразделение организации.

Наиболее сложной задачей оказалось создание интерфейсов андеррайтинга. Большинство программных решений подобного класса предлагали вертикально сравнивать «левую» и «правую» руки – информацию, предоставленную заявителем, и имеющуюся в системе организации (см. рис. 7).

Рис. 7. Экран сравнения предыдущей и текущих заявок системы Hunter
Рис. 7. Экран сравнения предыдущей и текущих заявок системы Hunter

Многочисленные эксперименты показали, что сотрудники ошибаются в сравнении полей из-за усталости и эффекта ложной памяти: от частых совпадений разные строки инерционно кажутся одинаковыми. Спроектировал построчную сверку информации, выводя значение «Ок», чтобы в случае соответствия хранящихся и предлагаемых данных пользователи не теряли время на вычитывание текста (см. рис. 8).

Рис. 8. Экран сравнения данных физического лица в CreditCheck
Рис. 8. Экран сравнения данных физического лица в CreditCheck

Учитывая массовость заявок на заем, система распухла сведениями, которые клиенты предоставляли о себе и местах работы, что позволило быстро нарастить справочник организаций (см. рис. 9).

Рис. 9. Экран сравнения контактных данных в CreditCheck
Рис. 9. Экран сравнения контактных данных в CreditCheck

Несоответствие телефонов отдела кадров и бухгалтерии стало надежным индикатором недобросовестности авторов анкет, особенно при подмене стационарных номеров мобильными, принадлежащими  ранее отвергнутым аппликантам. Последние пытались вместо телефонов отдела кадров и бухгалтерии давали мобильные телефоны сообщников, в т. ч. и тех, кто ранее подавал заявку на кредит, но его не получил.

После автоматизированной процедуры сверки строк реализовал режим «караоке», при котором на экран выводились полные фразы к произнесению, с учетом имени говорящего и времени суток: «Доброе утро, (обращение по имени-отчеству)! Меня зовут Иван, звоню из (название) банка, чтобы уточнить информацию по клиенту (ФИО)!» (см. рис. 10).

Рис. 10. Экран голосовых скриптов, или «Караоке» в CreditCheck
Рис. 10. Экран голосовых скриптов, или «Караоке» в CreditCheck

Таким образом, сотрудники из числа думающих превратились в киношных очаровашек: вместо того чтобы действовать по скриптам, им требовалось лишь обаятельно прочитывать предложенный текст и аккуратно фиксировать варианты ответа. Скоринг рисковиков, работающий на «последней миле», тоже проводил скорее для приличия: математики знают – искажение начальной выборки нежелательно, но CreditCheck на входе отсеивал 89,4% потенциальных неплательщиков уже через 11 месяцев функционирования.

Указание POS-агентам фотографировать заемщиков на телефон воспринималось с усмешкой ровно до тех пор, пока не начались повторные визиты в банк. Через год у 23% заемщиков удавалось отследить смену имиджа (см. рис. 11).

Рис. 11. Экран фотоверификации CreditCheck
Рис. 11. Экран фотоверификации CreditCheck

Сложная работа кредитных аналитиков свелась к навигируемой очередности низкоквалифицированных действий, что позволило нанимать сотрудников с не самым высоким IQ и без значительного профильного опыта, т. е. нетребовательных усидчивых и прилежных исполнителей. Комплимент преподнесли сайты хедхантеров, снабдив массовые вакансии фразой: «Сотрудников банка X просим не беспокоиться». Дело в том, что рынок уже знал – сотрудники упомянутого банка X сами решений не принимают – это делает наша кредитная система. Забавно было наблюдать высоких начальников, которых без подготовки сажали на кредитный конвейер, и которые с завидным постоянством «принимали» верные решения. Это в очередной раз подтверждало, что от людей процесс практически не зависит – система ежедневно удерживала количество отказов на заданном уровне.

Частотная статистика причин отказов позволила расположить строки кредитной анкеты в порядке, гарантирующем оптимальность заполнения с точки зрения длительности времени и стоимости ресурсов. А когда достигли средней скорости решения в 1/6 часть секунды, акционер банка сказал: «Одобрение займа выглядит скоропалительным, замедли вердикт для автозайма, ипотеки и бизнес-кредита: клиенты помучаются ожиданием – больше ценить будут!».

Отдельная история – магазины. Мы «с ноги» открывали дверь к руководству сетей, заявляя невиданную скорость, гарантируя крупным денежным депозитом уровень одобрения. Достигалось это просто: выбирали лучших клиентов из приходящих, идеально домешивая невозвратчиков до выставленной планки – ни одного дня не ошиблись.

Интересной оказалась реакция рынка – стали говорить: «Сначала зайдем в банк Х, откажут – пойдем к другим». Высокая скорострельность сделала нас кредитно-финансовой организацией первого выбора, и люди с удовольствием «плюхались» на свободный стул POS-агентов.

Когда убедились, что процесс андеррайтинга стабилен, развесили плакаты с обещанием крупных скидок и даже бесплатности, если не уложимся в час. Ситуация изменилась в корне: раньше заемщики бурчали, что бумажная волокита долгая, а теперь мечтали, чтобы мы не уложились в заявленный срок. Однако никому не удалось протянуть время, выходящее за рамки щедрого обещания.

Итоги проекта оказались таковы:

1. Количество андеррайтеров снизилось в 11 раз.

2. 74% кредитных решений принято в автоматическом режиме.

3. Ручная обработка заявки в 90% случаев укладывалась в 35 сек.

4. Точность управления уровнем отказа для сетей составила 99,996%.

5. CreditCheck обработал 1,5 млн кредитных анкет, выдав $3 млрд займов.

Подводя итоги успешного года, на правлении меня спросили: «С такими скоростями вы точно проверяете всех заемщиков или действуете выборочно?». Ответил: «Сам не знаю, как машина работает». Повисла напряженная тишина, которую разрядил фразой: «Обсчитываем не только объект займа, но и ближайшее окружение из 14 человек». Но об этом поговорим в следующем материале.

Читайте в этом номере:

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных