Кредитний скоринг необхідний банкам та іншим фінустановам щоб визначати кредитоспроможність та надійність клієнтів. Технології, які використовуються компаніями для здійснення такої перевірки, постійно вдосконалюються, залучаються інноваційні розробки, на кшталт штучного інтелекту, блокчейну, нейронних мереж тощо. Розглянемо детальніше, якими ж новітніми розробками користуються провідні фінтех-бренди
Credit scoring Фото: pixabay.com, pexels.com
Кредитний скоринг — це система оцінки, яка використовується банками та фінансовими установами для визначення платоспроможності клієнта перед видачею йому позики, кредиту, іпотеки або страхування. Система передбачає збір та аналіз низки економічних, демографічних та фінансових даних потенційного позичальника: вік, стать, сімейний стан, освіта, посада, стаж роботи, зарплатня, кількість дітей та людей на утриманні, кредитна історія (скорингова модель має до 25 параметрів).
Власне, скоринг — це математична модель, яка дозволяє визначити ймовірність того, що потенційний позичальник поверне кредит вчасно.
Моделі кредитного скорингу можуть дещо відрізнятися в тому, як вони оцінюють споживачів. Система Fair Isaac Corporation, відома як оцінка FICO, вважається найбільш поширеною у фінансовій галузі, — її використовують близько 90% провідних кредиторів.
Іншою популярною моделлю кредитного скорингу є VantageScore, яка була створена трьома провідними агентствами кредитної звітності: TransUnion, Experian та Equifax.
Існують application-скоринг — оцінка кредитоспроможності позичальників для отримання кредиту та fraud-скоринг — оцінка ймовірності шахрайства позичальника. Кожен з цих типів використовує особливий перелік факторів, які характеризують позичальника, та отримують унікальну порогову оцінку ризику, яка ділить позичальників на тих, кому можна видавати кредит, і тих, кому видача кредиту є ризиковою.
Під час скорингу використовуються дані:
- з бюро кредитних історій;
- отримані під час ідентифікації та верифікації клієнта;
- зібрані безпосередньо із пристрою клієнта та його інтернет-браузера;
- зібрані з соцмереж;
- отримані від мобільних операторів та платіжних сервісів.
Для скорингу клієнтів, з якими вже є досвід співпраці, дуже важливим є те, як вони користувалися продуктами у минулому.
Більш детально про поняття скорингу, а також як українські фінансові компанії визначають надійність клієнтів, читайте в матеріалі.
Credit scoring Фото: pixabay.com
Які сучасні технології застосовують провідні фінтех-гіганти для здійснення скорингу?
Фінансова галузь переживає цифрову трансформацію, спричинену швидким розвитком нових технологій. Вона стає більш клієнтоорієнтованою, революціонізуються відносини між установами та споживачами. Конкуренція на ринку стає все жорсткішою.
Так, на ринку з’явились більш потужні механізми збору та управління даними. З одного боку банки намагаються оптимізувати власну роботу, з іншого — сучасний клієнт хоче, щоб швидкість та коректність роботи фінустанови була захмарною. Так, однією з найбільш затребуваних технологічних новинок у фінансах є системи кредитного скорингу на основі ШІ та ML.
Машинне навчання та штучний інтелект за останні роки зробили революцію у фінансовій галузі. Згідно з дослідженням Deloitte, 70% усіх фінансових установ використовують ML для прогнозування грошових потоків, коригування кредитного скорингу та виявлення шахрайства. Інвестиційний банкінг значною мірою покладається на ML для коригування алгоритмів і моделей прогнозування з метою ізоляції ризиків.
ЧИТАЙТЕ ТАКОЖ: Ставки підвищуються: на яких умовах банки кредитують клієнтів
Але на цьому, звичайно, фінустанови не зупинились. Сьогодні фінтех-гіганти використовують в своїй скоринг-діяльності й інші провідні технології, серед яких:
- Нейронні мережі. Це один із найбільш потужних та ефективних інструментів машинного навчання, які використовуються в рамках кредитного скорингу. Вони застосовуються для розпізнавання складних зв’язків між сильними факторами, які впливають на кредитну історію та кредитний ризик.
Нейронні мережі здатні автоматично встановлювати складні кореляції між зібраною інформацією про клієнта, вибудовуючи більш точні моделі кредитного скорингу. Крім того, ця технологія використовується для розв’язання завдань класифікації, наприклад, для визначення категорії ризику клієнтів та надання їм відповідного кредитного рейтингу.
- Це технологія розподіленого реєстру, яка може забезпечити безпеку, прозорість і надійність у збереженні та обробці даних клієнтів, їх кредитної історії.
Крім того, блокчейн може бути використаний для відстеження транзакцій та інших фінансових дій клієнтів. За допомогою смарт-контрактів, які є програмними кодами, можна встановити умови для автоматичної виконавчої дії. Смарт-контракти можуть автоматично відстежувати платежі та інші фінансові дії користувачів (це впливає на їхню кредитну історію та кредитний скоринг).
- Big Data та Data Analytics. Для початку — технології Big Data дозволяють вибрати різноманітні дані про клієнтів, які можуть бути корисними для прогнозування їхньої здатності погасити кредит. Ці дані можуть включати інформацію про фінансовий стан клієнта, його роботу, рівень освіти, соціальні мережі, транзакції, покупки тощо.
Після збору даних їх необхідно обробити. Для цього використовується Data Analytics. Аналіз інформації націлений на відслідковування тенденцій, створити образу клієнта для розуміння ризиків та прогнозування його поведінки.
- Розподілені системи. Вони складаються з багатьох вузлів (комп’ютерів або серверів), створюючи потужну мережу, здатну з високою швидкістю обробляти дані.
Ця технологія дозволяє фінустановам здійснювати складні аналітичні операції в найкоротші строки. Наприклад, за лічені хвилини збирати інформацію про клієнтів (кредитну історію, фінансові операції тощо). Також розподілені системи застосовуються для забезпечення захисту зібраних даних.
- Роботизація процесів. Це означає заміну ручної роботи спеціалістів автоматизованими системами. Такий підхід знижує кількість помилок в роботі фінустанови, суттєво прискорює її діяльність та оптимізує витрати.
Раніше ми писали, що роботизація та штучний інтелект позбавлять 12 млн європейців роботи до 2040 року.
- «Комп’ютерний зір» або «комп’ютерне зорове сприйняття». Це технологія, яка дозволяє машинам «бачити» та «розуміти» візуальну інформацію. У рамках кредитного скорингу ця технологія використовується для автоматичного аналізу різних видів документів та зображень, пов’язаних з клієнтами.
Наприклад, комп’ютерний зір може бути використаний для автоматичного сканування документів, таких як паспорти, водійські посвідчення, довідки про доходи тощо. Система може аналізувати ці документи на наявність оригінальності та правильності даних, а також визначати, чи відповідають вони стандартам відповідної категорії.
Також технологія підходить для автоматичного аналізу фотографій та відео, які пов’язані з клієнтами. Зокрема, система здатна аналізувати фотографії з профілю соціальної мережі, щоб дізнатися більше про звички та інтереси клієнта, а також для ознак шахрайства.
Ще один цікавий факт — комп’ютерний зір використовується для аналізу відео-інтерв’ю з клієнтами, які надають заявки на кредит. Система може аналізувати міміку та рухи губ клієнта, щоб виявити ознаки стресу та нещирості в їх поведінці.
ЧИТАЙТЕ ТАКОЖ: Нацбанк має намір встановити ліміт на відсотки за мікрокредитами: що зміниться для українців
Credit scoring Фото: pexels.com
Що таке альтернативний кредитний скоринг і чому він стає все більш популярним?
Методи, що використовуються для кредитного скорингу, еволюціонують від традиційних статистичних, до інноваційних, оскільки світ змінюється і з’являється велика кількість нових джерел даних.
У той час, як більшість фінустанов покладаються на кредитні звіти та застарілий набір інформаційних блоків, щоб вирішити, чи зможе заявник погасити борги, альтернативний кредитний скоринг стосується використання актуальних і точних даних для оцінки кредитоспроможності, таких як цифровий слід, який є інформацією про онлайн-активність конкретної особи.
Використання альтернативних джерел даних та інноваційних алгоритмів у кредитному скорингу може допомогти розширити доступ до категорії небанківських позичальників та боржників, які вперше звертаються за кредитом, таким чином надаючи їм фінанси і можливість почати заробляти бали.
Альтернативні дані, які генерують більш точні кредитні бали, включають наступні джерела:
- чим краща платіжна історія в сфері комунальних послуг, тим легше позичальнику буде довести свою спроможність погашати кредити;
- хороші звіти про внесення орендної плати можуть значно покращити репутацію та кредитний рейтинг заявника, а отже, і доступ до фінансування за вигіднішими ставками;
- володіння активами та постійна зайнятість позитивно впливають на кредитоспроможність;
- звіти про транзакції можуть продемонструвати поведінку споживача щодо витрат і те, як він поводиться з усіма аспектами фінансів;
- надання кредиторам інформації про особисті заощадження може відкрити більше можливостей для досягнення фінансових цілей;
- аналіз даних з мобільного телефону, включаючи платежі, підписки, рівень доходу, поповнення рахунку, а також інформація з соціальних мереж може підвищити кредитний рейтинг споживача.
Раніше ми писали, як ШІ та Open Banking вплинули на розвиток фінтеху в Україні?
Сьогодні багато стартапів зацікавлені в покращені скорингу. Наприклад, Курт Лін, засновник програмного інтерфейсу Pinwheel, свого часу був дуже розчарований системою отримання іпотеки. Він згадує, як у дитинстві вони з батьком відвідували банк за банком, і їм постійно відмовляли через відсутність кредитної історії.
Лін знайшов розв’язання цієї проблеми багато років потому, працюючи разом з Анішем Басу і Кертісом Лі над автоматизованим медичним накопичувальним рахунком. Трійця зрозуміла, що інтеграція даних про заробітну плату, над якою вони працювали, може стати основою продукту, який допоможе кредиторам працювати зі споживачами, які не мають сильної кредитної історії.
Так, у 2018 році Лін, Басу та Лі заснували Pinwheel — програмний інтерфейс, що дозволяє учасникам ринку обмінюватись клієнтськими даними, зокрема, про їх заробітну плату. Це допоможе як фінтехам, так і традиційним кредиторам обслуговувати споживачів з обмеженою або поганою кредитною історією, які історично мали проблеми з доступом до фінансових продуктів.
Credit scoring Фото: pexels.com
На чиї кейси варто звернути увагу українським фінтехам?
Штучний інтелект і алгоритми глибокого навчання вже активно використовуються для оптимізації скоринг-процесів такими брендами, як JP Morgan Chase (один із найбільших у світі банків), Wells Fargo (ще одна потужна банківська холдингова компанія), Capital One (експерт в галузі кредитних карток та автокредитів), American Express, LendingClub та багато інших.
Збирання та аналіз даних із соціальних мереж та інших джерел в рамках кредитного скорингу — фішка компанії LenddoEFL. Цей бренд застосовує також методи ML, щоб виявити рівень надійності клієнтів. Сьогодні цей фінтех-інноватор співпрацює з кредитними установами в різних країнах світу.
Моніторингом діяльності клієнтів в інтернеті займається американська компанія ZestFinance, співпрацюючи з платформою ZAML. Так алгоритм, що використовує машинне навчання, визначає, чи заслуговує особа на довіру установи і чи може стати реальним позичальником.
Ще один приклад — гонконгська скоринг-платформа Lenddo для оцінки кредитоспроможності вивчає клієнтські профілі у соціальних мережах, а також сторінки їхніх друзів (реальних та віртуальних). Таким чином перевіряють позичальників банки на Філіппінах, у Кенії, Австралії, Індонезії, Таїланді.
Чому традиційний кредитний скоринг стає все менш ефективним?
В епоху, коли технології та стандартні бізнес-системи змінюються шаленими темпами, традиційні метрики та аналітика втрачають свою ефективність і стають менш надійними. Як наслідок, організаціям доводиться переходити від застарілих технологій до предиктивної аналітики, яка дозволяє краще зрозуміти тенденції в даних і допомагає передбачити зміни в патернах, які можна розглядати як можливості для вдосконалення.
Традиційний підхід до оцінки кредитоспроможності, наприклад, відображений у кредитному рейтингу FICO, більше не відповідає складності сучасних фінансових операцій. Оскільки традиційні системи кредитного скорингу не синхронізовані з рештою фінансової екосистеми, вони не можуть забезпечити надійний кредитний рейтинг.
Раніше кредитні рейтинги значною мірою ґрунтувалися на кредитній історії — минулій поведінці людини з кредитними картками, позиками та іпотекою. Однак після нещодавнього економічного спаду банки та кредитні установи почали покладатися на соціальні мережі, місцезнаходження та поведінкові дані, щоб зібрати воєдино фінансову історію людини. Це означає, що кредитній історії особи надається менше значення, а більше — повній картині фінансової діяльності.
ЧИТАЙТЕ ТАКОЖ:
Без прострочок, штрафів та колекторів: Як правильно обрати кредит та розрахувати виплати
Падіння кредитування на ринку МФО у 2022 році склало 50%
За матеріалами forbytes.com, intellectsoft.net, investopedia.com.
Telegram
Viber