Оценка добросовестности заемщика в розничном кредитовании и микрофинансировании (Fraud-scoring) на основе психосемантических методов.
Метод: у добросовестных и недобросовестных заемщиков разное отношение к кредиту/займу. Это различие можно выявить психосемантическими методами по индивидуальным системам значений. Мы провели эксперимент и подтвердили наше предположение.
В настоящее время мы ищем пути для коммерческой реализации метода
2. Содержание
• Понятия
• Традиционный кредитный скоринг
• Идея
• Реализация
• Эксперимент
• Потенциальные потребители
• Способы реализации
• Выгоды и ограничения
• План действий
Страница 2 15.04.2013
3. Основные понятия
• Кредитный скоринг - метод классификации заемщиков на
различные группы, когда необходимая характеристика не
известна (вернет ли кредит), однако, известны другие
характеристики, которые каким-либо образом связаны с
интересующей
• Психосемантика - область психологии, изучающая
индивидуальную систему значений, которая влияет на
процессы мышления, памяти, принятия решений и т. д.
Страница 3 15.04.2013
5. Идея
У добросовестных и недобросовестных заемщиков
разное отношение к кредиту/займу
Это различие можно выявить психосемантическими
методами по индивидуальным системам значений
мы провели эксперимент
и подтвердили наше предположение
Страница 5 15.04.2013
6. Реализация
При оформлении кредита
заемщик заполняет Заполнение
анкеты
психосемантическую анкету
Данные тут же обрабатываются Оценка
заемщика
on-line
Решение о
Результат: оценка заемщика «+» выдаче /
отказе в
или «-» кредите
Страница 6 15.04.2013
9. Описание анкеты
• от 30 до 50 пунктов
• время заполнения – 3-10 минут
• пункты меняются для разных
социально-демографических групп
• в анкете заложена система
защиты против «подбора ключа»
Страница 9 15.04.2013
10. Принятие решения
На основе анкетных
данных профиль
заемщика
сравнивается с
эталонной моделью
добросовестного и
недобросовестного
заемщика
Страница 10 15.04.2013
11. Причины невозврата
• Планируемый невозврат
• Непредвиденный невозврат
Предложенная психосемантическая
система может
распознавать только первый тип,
т.е. Fraud-scoring
Страница 11 15.04.2013
12. Варианты решений
Оценка Решение
«Хороший» заемщик Выдаем кредит
«Плохой» заемщик Не выдаем кредит
«Не понятно»* Не выдаем кредит
* - оценка «не понятно» возникает в случаях, когда не достаточно
данных по определенной подгруппе заемщиков или когда профиль
заемщика нельзя отнести к положительному или отрицательному
Страница 12 15.04.2013
14. Сбор данных для модели
947 заемщиков при получении товарного кредита в
двух городах России в магазинах бытовой техники
проходили традиционную процедуру кредитного
скоринга и дополнительно заполняли
психосемантическую анкету
Спустя 6 месяцев мы получили от банка
информацию о том, как заемщики выплачивают
кредит: 880 выплачивали вовремя, а 67 заемщиков
не платили по кредиту
Страница 14 15.04.2013
15. Эксперимент
Из данных по 947 заемщикам мы:
1. случайным образом выбирали от 20 до 200 анкет
2. делали оценку этих заемщиков по модели на
основе психосемантического метода
3. предлагали решение о выдаче кредита
4. сравнивали наше решение с реальным
поведением заемщика
5. оценивали правильность нашего решения
(угадали/не угадали)
Страница 15 15.04.2013
16. Проверка 1. N=20 человек
При проверке на случайной выборке: N=20 человек из 947
Дали кредит 70% обратившимся, отказали 30%.
Вернули – 65%.
Не вернули – 5%.
Страница 16 15.04.2013
17. Проверка 2. N=50 человек
При проверке на случайной выборке N=50 человек из 947
Дали кредит 84% обратившимся, отказали 16%
Вернули – 80%
Не вернули – 4%
Страница 17 15.04.2013
18. Проверка 3. N=99 человек
При проверке на случайной выборке N=99 человек из 947
Дали кредит 76% обратившимся, отказали 24%.
Вернули – 75%.
Не вернули – 1%.
Страница 18 15.04.2013
19. Проверка 4. N=200 человек
При проверке на случайной выборке N=200 человек из 947
Дали кредит 70% обратившимся, отказали 30%.
Вернули – 69,5%.
Не вернули – 0,5%.
Страница 19 15.04.2013
20. Выводы по эксперименту
• Добавление психосемантического скоринга
увеличивает точность обычного кредитного
скоринга до 98,7%
• Уменьшается число выданных кредитов на 25%
• С увеличением числа выданных кредитов и
накоплением данных для модели, т.е. по мере
самообучения, растет точность прогноза и
увеличивается доля выданных кредитов
• Возможности оценки только психосемантическим
способом требуют отдельной проверки
Страница 20 15.04.2013
21. Возможность коммерческой реализации идеи
психосемантического он-лайн скоринга в системе розничного
кредитования и микрофинансирования
START UP
Страница 21 15.04.2013
22. Потенциальные потребители
• Организации микрофинансирования
• Организации, предоставляющие займы on-line
• Банки, занимающиеся розничным кредитованием
• Торговые сети, продающие товар с рассрочкой
платежа
• Системы взаимного кредитования
Страница 22 15.04.2013
23. Традиционный розничный кредит
Объем розничного кредитования в России 2012 г. составил около
6000 млрд рублей
Ежегодный рост с 2010 года - около 40%*
планируемый невозврат розничных
кредитов – 11%
Доля просроченной задолженности в розничном кредитовании в
2011 г. (% в портфеле ссудной задолженности) - 5,7% *
* По данным Euromonitor International.
Страница 23 15.04.2013
24. Займы в микрофинансовых организациях
• В России в 2012 г. выдано порядка 2-3 млн микрозаймов на
сумму (по разным оценкам) от 15 до 50 млрд рублей *
– рост в среднем около 50-100% в год *
• 1183 МФО на 1 января 2012 г. по реестру ФСФР **
– на 1 июля 2011 года насчитывалось всего 192, за полгода рост в 5 раз
• Невозврат:
– малые города – до 20%
– крупные города – до 50%
* Российская газета, http://www.rg.ru/2013/01/29/mikrozaymi.html
** http://www.eg-online.ru/news/164555/
Страница 24 15.04.2013
25. Конкурентные технологии оценки
Оценка он-лайн по кредитной истории: дорого!
– 200 рублей – проверка 1 заемщика
– 9000 рублей – установка 1 интерфейса
По данным судебных приставов: нет «новичков» и находящихся в
процессе
Оценка по социальной активности в интернете: мошенничество!
Страница 25 15.04.2013
26. В чем ценность?
Снижение рисков:
• точность оценки возврата кредита до 98,7%
• исключается «человеческий фактор» (давать
«своим») за счет автоматизации взаимодействия
заемщика и кредитной организации
• специальная защита от «подбора ключа» и
«хорошей анкеты»
Страница 26 15.04.2013
27. В чем ценность?
Экономия времени:
• 1-3 минуты для принятия решения
Экономия денег:
• не требуется офис, оценка происходит on-line
• не требуется специально обученный персонал
• снижаются затраты на работу с просроченной
задолженностью
• дешевле оценки по кредитной истории
Страница 27 15.04.2013
28. Процентные ставки
34% - экспресс-кредит в магазине
180% - ломбард
260-1000% - займы в микрофинансовой организации
Снижение риска невозврата –
это возможность снижения % ставки
Страница 28 15.04.2013
29. Способы реализации системы
• Как элемент уникального интернет-продукта –
системы on-line микрокредитования
• Как дистанционная услуга по оценке
добросовестности заемщика для любых кредитных
организаций (SaaS)
Страница 29 15.04.2013
30. В чем инвестиционная
привлекательность?
• Срок реализации до 6 месяцев
• Срок окупаемости от 1 года
• Масштабируемость
• Возможность использования в странах Европы
• Начальные инвестиции порядка $50.000
Страница 30 15.04.2013
31. В чем инвестиционная
привлекательность?
• Определенный круг потребителей
– Микрофинансовые организации
– Кредитные организации, предоставляющие займы on-line
– Банки, занимающиеся розничным кредитованием
– Торговые сети, продающие товар с рассрочкой платежа
– Системы взаимного кредитования
• Понятная система продвижения
– Личные продажи
Страница 31 15.04.2013
32. Препятствия внедрения
• Требуется формирование исходной базы данных
на 1000 выданных кредитов
• Инертность кредитных организаций на внедрение
инноваций
Страница 32 15.04.2013
33. Риски безопасности
• «Слив» базы данных у провайдера
• Сознательная порча базы данных у провайдера
• Внедрение программы-вируса для автоматического подбора
ключа
• Многократный ввод данных с одного IP-адреса для подбора
ключа
• Утечка кода программы для дешифровки и получение
алгоритмов расчета
• Массовое распространение через интернет анкет,
получивших положительное решение
• Разрыв связи во время заполнения анкеты
Страница 33 15.04.2013
34. Риски реализации
• Недостаточно ассоциаций
• Мало данных по группам о недобросовестных заемщиках
• Возможно придется адаптировать семантику под каждую
группу заемщиков
• Сопротивление со стороны заемщиков: необычное
отпугивает
Страница 34 15.04.2013
35. Что предстоит сделать?
• Проектирование и реализация дружелюбного
интерфейса для клиента
• Проектирование и реализация базы данных и
системы обеспечения безопасности
• Анкетирование реальных клиентов (около 1000
чел.) и построение модели
• Проверка модели
Страница 35 15.04.2013
36. 2 варианта тестирования
1) проверка на старой модели заемщика, которую мы делали в 2008 году для
краткосрочных кредитов (3-6 месяцев) в местах продаж.
МФО/банк запускает 100 анкет при выдаче кредита, мы на старой модели их
обрабатываем и даем ответ: "хороший заемщик", "плохой заемщик", "не понятно".
Сравниваем нашу оценку с реальным поведением заемщика и получаем оценку точности
прогноза
• Возможный источник ошибки - старая модель заемщика.
2) проверка на новой модели заемщика.
МФО/банк запускает 1200 анкет при выдаче кредита. Затем нам передает 1000 анкет и
результаты поведения заемщиков (вернул-не вернул). Мы делаем новую модель
заемщика для МФО/банка.
Затем мы на новой модели обрабатываем 200 анкет, по которым у нас нет сведений, и
даем ответ: "хороший заемщик", "плохой заемщик", "не понятно". МФО/банк
сравнивает нашу оценку с реальным поведением последних 200 заемщиков и
получаете оценку точности прогноза.
Страница 36 15.04.2013
37. Публикации
Семенов М.Ю., Семенова И.И. Возможности психологических
средств оценки добросовестности кредитозаемщика в
розничной торговле // Омский научный вестник (The Omsk
scientific bulletin).—2010. —№ 5(91). — С. 134-136.
Семенова И.И., Андиева Е.Ю. О построении психологического
профиля заемщика для оценки рисков в сфере
потребительского кредитования // Управление риском.–2008.–
№1(45).– С.56-63.
и др.
Страница 37 15.04.2013
38. Разработчики системы
Семенов Михаил Юрьевич, кандидат психологических
наук, эксперт в области экономической психологии и
психологии денег
http://musemenov.narod.ru/ mob.+7-919-009-77-37
Семенова Ирина Ивановна, кандидат технических
наук, эксперт в области системного анализа и баз данных
http://semenova.pro mob.+7-919-000-11-74
Андиева Елена Юрьевна, кандидат технических наук,
эксперт-аналитик
Страница 38 15.04.2013