Современный скоринг в МФО: 10 000 переменных

Интерьвью с Мариной Смирных, генеральным директором МФК «Джой Мани»:

Предупреждать и бороться с ним помогает качественный скоринг, цель работы которого заключается в технологичной оценке заемщика. Скоринговая система призвана определить, вернет ли клиент займ с определенными параметрами доходности и просрочки. И чем точнее настроена модель внешнего и внутреннего скоринга, тем выше эффективность работы всей бизнес-модели микрофинансовой компании.

В сегодняшних реалиях, когда Банк России, ориентируясь на невысокую финансовую грамотность населения, разрабатывает возможные новые меры по снижению ставки PDL-займов, качественный скоринг становится актуален как никогда. И на первый план выходят две взаимоисключающие задачи: максимально подробный и точный анализ заемщика – и мгновенное принятие решения.

Современные скоринговые технологии позволяют решить задачу эффективной оценки заёмщика МФО. При построении скоринговой модели может учитываться более 10 000 различных переменных, полученных из самых различных источников, которые должны иметь наибольшую предсказуемую силу. Есть в скоринговой модели так называемые факторы, т.е. сырые данные, которые необходимо привести в переменные, а также есть сложные переменные или сложносоставные факторы. Они получаются путем вычисления или агрегации нескольких простых переменных.

Западные скоринговые системы анализируют информацию из множества доступных источников через API, данные геосервисов, сервисов доставки, статистических веб-сервисов (типа AppStore, GooglePlay, Google Analytics, Flurry, Localytics и т.п.), операторов сотовой связи, официальные данные налоговых органов, файлы облачной бухгалтерии (Intuit, Sage, Debitoor, FreeAgent, Xero), страницы в социальных сетях – и этот список далеко не полон. Конечно, никто не использует все эти данные внутри одной модели, но именно их комбинации являются ноу-хау каждой конкретной системы. Чем удачнее эта комбинация – тем точнее портрет заёмщика. И тем меньше процент дефолтов.

К примеру, немецкая платформа Bintbond при оценке заемщика использует данные личных кабинетов его онлайн-сервисов: прежде чем заявка на кредит будет принята, заемщик должен дать доступ как минимум к двум своим профилям – на PayPal, eBay, Amazon, MercadoLibre, Google Analytics, Debitoor (онлайн-бухгалтерия) или в личный кабинет интернет-банка. Так же поступает британская Funding Circle.

Иногда революционные скорринговые решения бывают крайне неудачными. К примеру, основанная в 2010 году платформа Quakle решила использовать для оценки заемщика решение, наработанное на eBay – личный рейтинг на основе отзывов котрагентов. Модель оказалась ошибочной – через год Quakle закончила свое существование со 100-процентным дефолтом.

К сожалению, «цифровой след» среднестатистического россиянина куда менее заметен, чем аналогичный след среднестатистического европейца и американца. Даже цифровизация коммунальных платежей в России до сих пор не стала всеобщей. Лишь незначительная часть россиян делает онлайн-покупки, пользуется paypal, регистрируется на eBay и прочих электронных платформах. То есть выстроить эффективную и адекватную скоринговую модель для среднестатистического россиянина гораздо труднее, чем для европейца или американца.

Но тем не менее, основываясь на информации от телекомов, из социальных сетей заёмщиков, запросов в интернете, карточных и платежных данных, данных из бюро кредитных историй, сведений из открытых источников и прочих переменных в России возможно выстроить эффективную скоринговую технологию МФО.

На сегодняшний день процент одобрения заявок в МФК «Джой Мани» составляет порядка 20% от общего количества желающих взять онлайн-займ. В работе нашей МФК «Джой Мани» мы используем как собственные скоринговые технологии, так и сторонние – считаем оптимальным именно такое соотношение. Собственный скоринг построен на данных наших клиентов, которые они предоставляют. Это очень сложный алгоритм проверок, который постоянно усовершенствуется. Собственное программное обеспечение позволяет нам быстро и качественно встраивать в алгоритм оценки заемщика новые методы проверки, которые основаны на данных из социальных сетей, платежных агрегаторов, геолокациях. Таким образом, мы получаем сложную и достаточно качественную социально-демографическую модель. Но это не является 100% фактором принятия решения по выдачи займа. Самым главным источником на сегодняшний день по-прежнему является кредитная история клиента, которую мы получаем от кредитных бюро.

Внутренний скоринг дополняют внешние скоринговые технологии. Уже не первый год нашим партнером является компания «Скориста», которая повышает качество оценки кредитных рисков «Джой Мани», участвует в формировании прогнозов по доходности и просрочке. Выбранный нами в партнеры онлайн-сервис специализируется на оценке заемщиков для МФО, имеет самую высокую предсказательную силу на рынке и помогает принимать решения по займам менее чем за 1 минуту, непосредственно помогая нам решать те самые две взаимоисключающие главные задачи: максимально подробный и точный анализ заемщика – и мгновенное принятие решения.

Уникальные разработки в области скоринговых технологий позволили «Скористе» разработать для МФК «Джой Мани» индивидуальные предсказательные модели, анализирующие заемщиков по трем ключевым критериям: вероятности выхода на просрочку, вероятности мошенничества, степени лояльности. Кроме этого, компания предоставляет андеррайтерам «Джой Мани» рекомендации для верификации заемщиков.

Постоянство высоких бизнес-показателей «Джой Мани» достигается за счёт непрерывного мониторинга и анализа потока заявок как системой «Скориста», так и внутренними технологиями скоринга. Онлайн-сервис отслеживает любые отклонения от нормы в автоматическом режиме и оперативно предупреждает о них. Время реакции на изменение потока составляет рекордные <59 минут.

Такое сочетание технологий внутреннего и внешнего скоринга даёт «Джой Мани» значимые преимущества: позволяет удерживать в рамках контролируемые риски и получать при этом высокий доход, – уровень своевременного возврата клиентами займов составляет на сегодняшний день более 62%. Уровень сбора просроченной задолженности также является стабильно высоким - ежемесячно фактически собирается более 75% просроченной задолженности, обеспечивая высокую доходность бизнеса.