Мобильное приложение журнала
Google Play Apple Store
курс цб на 15.12: USD 62.5544 EUR 69.8608
криптовалют: BTC 7067.5$ ETH 141.77$
lupa
602 просмотра

Взыскание просроченной задолженности: «экспертная» модель vs collection-скоринг?

Взыскание просроченной задолженности: «экспертная» модель vs collection-скоринг?

Игорь Толстов, начальник отдела кредитных стратегий Департамента рисков розничного, малого и среднего бизнеса Промсвязьбанка

О преимуществах использования систем скоринга клиентов, имеющих просроченную задолженность, на фоне сегодняшнего общего роста объемов «просрочки» журнал «ПЛАС» беседует с Игорем Толстовым, начальником отдела кредитных стратегий Департамента рисков розничного, малого и среднего бизнеса Промсвязьбанка. (1 Беседа состоялась в рамках прошедшего в Москве 30 октября SAS Risk Forum 2015)

ПЛАС: Как банк пришел к решению поменять модель сегментации клиентов с просроченной задолженностью и внедрить автоматизированное решение? Какой подход практиковался Промсвязьбанком ранее?

И. Толстов: В случае, когда при взыскании просроченной задолженности не используются скоринговые модели, в любом банке практикуется один из двух основных вариантов выстраивания этого бизнес-процесса. Разумеется, можно формализовать и унифицировать правила для всех розничных клиентов. То есть, например, начинать процесс взыскания (отправка SMS, звонки и пр.) с какого-либо определенного дня после наступления просрочки платежа, а затем начинать уже выезды к клиенту или рассылки официальных писем от банка по почтовому каналу и т. д.

Но этот путь, скажем прямо, малоэффективен для банка, поскольку «равномерное» распределение усилий по взысканию задолженности менее эффективно и более затратно, чем выделение сегментов. Ведь все клиентские кейсы – разные по своей сути и причинам.

У клиентов могут быть разные продукты (потребительский кредит наличными, кредитная карта и пр.). Клиенты могут являться (или не являться) держателями зарплатной карты банка. У них могут быть совершенно разные причины попадания в «просрочку» (потерял работу, забыл, уехал в отпуск, перевод очередного платежа в банк не был осуществлен по техническим причинам и пр.). Среди общего числа клиентов, допустивших просрочку, у любого банка есть определенное число лояльных клиентов, готовых заплатить, и на них банку, с точки зрения эффективности работы персонала, желательно тратить минимум усилий, попросту дождавшись платежа. С «противоположного края» клиентского массива располагаются злостные неплательщики, а между этими двумя полюсами – еще целый ряд категорий.

Таким образом, мы приходим ко второму варианту, который предполагает выделение среди общей массы клиентов, допустивших просрочку, определенных клиентских сегментов и применение к ним разных правил.

До внедрения системы collection-скоринга в Промсвязьбанке такая сегментация клиентов при возникновении просрочки проводилась нашими специалистами на основе экспертных правил, представленных в виде «дерева решений». Этот метод, хотя и имеет свои преимущества, такие, как, например, интуитивная понятность для сотрудников и относительно легкая реализация, обладает и серьезными недостатками.

ПЛАС: Какой из этих недостатков представляется наиболее существенным, судя по вашей практике?

И. Толстов: Прежде всего это недостаточная точность сегментирования и недостаточная гибкость в загрузке каналов взыскания задолженности (звонки, письма, SMS). Действительно, производить сегментацию клиентов в «ручном режиме», на основе каких-либо наработанных практик и экспертного мнения, как я уже сказал, может показаться легким и даже «более надежным». Менеджер принимает здесь решения, исходя из своего собственного анализа ситуации и ряда правил (так, например, наличие у клиента просрочек по платежам ранее или недостоверность/ недействительность контактных данных и т. п. влекут за собой определенные действия со стороны сотрудника банка). В принципе, многие банки используют такую экспертную сегментацию и даже вполне успешно справляются со сбором просроченной задолженности. Однако пресловутый «человеческий фактор», определяющий при отнесении клиента в ту или иную группу, и относительная простота, линейность экспертных правил не позволяют достичь максимальной эффективности процесса взыскания. В то же время последняя крайне важна для банка в непростых экономических условиях, особенно при наличии большой клиентской базы. Эксперт, при всем его опыте, просто не может – хотя бы в силу ограниченности по времени – выявить и понять те многоуровневые связи и скрытые зависимости данных, которые максимально полно будут характеризовать клиента на фоне остальной базы. Поэтому при «ручной» экспертной сегментации достаточно часты ошибки в ту или иную сторону при отнесении клиента к той или иной группе, и как следствие – повышенная нагрузка на определенные каналы коммуникации с клиентом. Этих ошибок можно было бы избежать в случае применения современных аналитических систем collection-скоринга.

Промсвязьбанк
Промсвязьбанк заметно снизил затраты на процесс взыскания просроченной задолженности при одновременном сохранении эффективности взыскания

ПЛАС: В чем, на ваш взгляд, состоят преимущества скоринговых систем для сбора просроченной задолженности?

И. Толстов: Скоринговые системы для данного бизнес-процесса используют сразу несколько переменных, которые достаточно объективно и с разных сторон характеризуют клиента и его договорные отношения с банком. При этом правильно настроенная система оптимально расставляет «веса» по этим переменным, без перекосов, которые свойственны человеческому, во многом интуитивному анализу. Благодаря этому в случае применения решений collection-скоринга мы получаем максимально возможную эффективность в сегментации. Говоря с некоторой условностью, с помощью скоринга мы найдем большее количество клиентов, которые с вероятностью 90% погасят свою задолженность в течение первых 10 дней с момента наступления просрочки, чем с помощью экспертов.

ПЛАС: По каким параметрам скоринговая система оценивает клиента, допустившего просрочку? Каковы источники этих данных?

И. Толстов: Конкретные параметры, разумеется, у каждого банка разные. Мы используем данные сразу из нескольких источников. Наша модель collection-скоринга построена с использованием следующих переменных. Во-первых, это результаты действий по взысканию задолженности (информация по звонкам, SMS, сдержанным обещаниям и т. п.). Во-вторых, и это, пожалуй, наиболее важная область данных, – такой переменной выступает само платежное поведение клиента (количество просрочек, максимальный срок просрочки, количество совершенных платежей и пр.). В-третьих, это текущее состояние задолженности, т. е. сумма текущей просрочки, отношение остатка задолженности к лимиту кредита и т. п. Наконец, это анкетные характеристики клиента, которые не должны меняться: регион проживания, пол, образование и др.

С помощью скоринга банк найдет большее количество клиентов
С помощью скоринга банк найдет большее количество клиентов, которые с вероятностью 90% погасят свою задолженность в ближайшее время, чем с помощью экспертов

ПЛАС: Используются ли в таком скоринге массивы информации из социальных сетей?

И. Толстов: В настоящий момент Промсвязьбанком они не используются. Мы приняли такое решение по нескольким причинам. Во-первых, для этого необходима интеграция дополнительных ИТ-инструментов. Поскольку обычно анализ контента социальных сетей для различных целей банковского бизнеса происходит с помощью внешних вычислительных ресурсов, которые предоставляют обезличенную информацию, во избежание нарушения Закона «О персональных данных». Эти дополнительные инструменты и внешние сервисы, разумеется, влекут для банка дополнительные затраты.

Во-вторых, сам процесс должен быть максимально быстрым и автоматизированным, чтобы без дополнительных запросов (и тем более – «ручного» поиска информации) вычислять скоринговые баллы, производить сегментацию и принимать решение – начинать или не начинать работать над процедурой взыскания. И третий важный момент, повлиявший на наше решение «не связываться» с социальными сетями, – это собственный опыт работы банка с их контентом как источником дополнительных данных. В Промсвязьбанке уже проходили тесты, связанные с использованием информации из соцсетей для работы с анкетными данными клиентов, подавших заявку на кредит (application scoring). Могу сказать, что серьезного положительного эффекта нами замечено не было.

ПЛАС: Сколько времени заняло само внедрение системы collectionскоринга, насколько сложным оказался выбор партнеров – поставщика и интегратора решения?

И. Толстов: Система была окончательно внедрена нами в июне 2015 года. Разработка модели, тестирование и внедрение заняли у нас три месяца. Что касается выбора самого решения и поставщика, то здесь перед нами не стоял вопрос о каком-то предварительном анализе рынка, тендере и прочих обычных в таких кейсах процедурах. В Промсвязьбанке уже успешно работает система кредитного скоринга заявок клиентов, разработанная с использованием продуктов компании SAS, которая является нашим давним партнером и в целом достаточно известным в банковской среде вендором такого рода решений. Поэтому логичным шагом было построить систему collection-скоринга, применяя проверенные инструменты компании SAS.

ПЛАС: Показали ли прошедшие месяцы реальный эффект от внедрения? Насколько он ощутим и в чем выражается?

И. Толстов: Мы можем сегодня говорить о том, что внедренное решение collection-скоринга работает в области сегментации клиентов с заявленной эффективностью, которая оказалась выше, чем при предыдущей модели работы (с экспертными правилами). Важно, что эти показатели устойчивы от месяца к месяцу. Мы уже успели провести первый анализ реального эффекта от модели и сделать небольшие корректировки по результатам этого анализа. Но в целом модель, как она была заявлена, работает настолько эффективно, насколько мы ожидали.

Что касается показателей экономической эффективности, то здесь уже также можно говорить о том, что мы заметно снизили затраты на процесс взыскания просроченной задолженности при одновременном сохранении эффективности взыскания. Это произошло в основном за счет увеличения того клиентского сегмента, на который банк тратит минимум усилий при вступлении в просрочку (с 17 до 30%). При этом в «лояльном» клиентском сегменте (при уменьшении активности со стороны банка) сохранился тот же уровень погашения задолженности, который был и ранее. По факту банк потратил на этих клиентов меньше средств в виде расходов на звонки и SMS и при этом получил такой же процент возврата со стороны должников. Качество этого сегмента улучшилось: доля выходов в «просрочку» более 60 дней сократилась в 1,5 раза. В то же время в высокорискованном сегменте выросла доля выходов в «просрочку» свыше 60 дней при сохранении размера сегмента. В целом с использованием скоринговой модели уже при входе клиента в «просрочку» банк эффективнее определяет вероятность перехода клиента в стадию проблемной задолженности.

ПЛАС: Многие ли российские банки используют сегодня автоматизированные скоринговые модели в сфере взыскания просроченной задолженности, и какова ниша применения методики экспертных правил? Какие факторы влияют на выбор той или иной модели?

 Зарплатная карта
Если у вступившего в «просрочку» клиента Промсвязьбанка есть зарплатная карта, на которой есть средства для погашения задолженности, необходимость в скоринге отпадает
 Зарплата

И. Толстов: С одной стороны, многое зависит здесь от степени развития риск-менеджмента в банке, наличия аналитиков и ИТ-специалистов, которые умеют настраивать системы collection-скоринга. С другой стороны, очень важную роль играет наличие у банка достаточного количества данных высокой степени чистоты.

На наше решение о переходе к модели collection-скоринга для взыскания просроченной задолженности повлиял и тот факт, что в банке используются корпоративные хранилища данных достаточно высокого уровня, и то, что у нас есть соответствующие тестовые ИТ-инструменты и квалифицированные специалисты, умеющие строить скоринговые модели. Таким набором обладают все ведущие банки РФ, и, соответственно, практически все они используют автоматизированный скоринг для сегментации клиентов с просроченной задолженностью. Некоторые банки применяют сразу несколько скоринговых моделей на одной стадии процесса – в зависимости от сегмента, к которому относится клиент, или от продукта. Мы также тестировали подобный вариант, но пока остановились на одной модели скоринга.

Тем не менее методика экспертных правил может понадобиться банку для выделения небольших клиентских групп, к которым нужен особый подход, или для работы с относительно простыми алгоритмами процесса взыскания. Эта методика применяется и у нас, так как действительно в каких-то отдельных случаях она более эффективна. Пример: если у вступившего в «просрочку» клиента есть зарплатная карта нашего банка, на которой есть необходимые для погашения задолженности средства, то необходимость в скоринге отпадает. Процесс организован так, что если система не находит деньги на кредитном счете клиента, она автоматически обращается к остальным его счетам. Такого клиента относим сразу же к «лояльному» сегменту, т. к. знаем, что оттуда вскоре с большой вероятностью деньги уйдут на его кредитный счет, и мы закроем просрочку.

Второй, обратный, пример: если у нас есть информация о том, что в отношении клиента введена процедура банкротства, или же система видит, обратившись к базе данных БКИ, что у него на текущий момент наличествует длительная просрочка по другому кредиту, банк без проведения скоринга автоматически относит его к «рискованной» группе. То есть с помощью экспертной модели мы «отсекаем» небольшие группы клиентов, по которым можно сформулировать достаточно простые экспертные правила, а для основной массы клиентов используем скоринговую модель.

На данный момент такое решение представляется нам оптимальным, и мы уверены, что в большинстве крупных банков экспертная и скоринговая модели будут и далее применяться в определенной комбинации в обозримом будущем.

Читайте в этом номере:


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных