Кейс: Скоринг в МФО на минимальных данных

Кейс: Скоринг в МФО на
минимальных данных
Требования рынка
Микрофинансовые
организации
Снижение Повышение
возможности
Повышение
скорости
анализа
Упрощение
бизнес-процессов
неопределенности
Сбор
форм
минимальных
ввода
данных о заемщике
должны
принимать
решения за
минуты.
Микрофинансовые организации
Типичная форма
заявки содержит
минимум полей:
сложно принимать
обоснованные
решения.
Возможные источники данных
Государственные
органы
Данные
мобильных
операторов
Социальные
Бюро
кредитных
сети
историй
Может МФО нужно
искать данные во
внешних
источниках?
Обогащение данных из сторонних источников
Портрет заемщика МФО
Ожидания:



Имеет кредитную
историю
Активен в социальных
сетях
По окружению можно
судить о заемщике
Портрет заемщика МФО
Реальность:



Кредитная история
плохая/отсутствует
Пассивен в
социальных сетях
Окружение мало
говорит о заемщике
Какие данные анализировать?
Доступны всегда:

Анкетные данные для всех
клиентов
Доступные иногда:



Поведенческие данные
повторных клиентов


Бюро кредитных историй
Профили и активности в
соцсетях
Данные мобильных
операторов
Прочие источники
Задача
Вначале выжать
максимум из
минимальных
существующих
данных

Пример построения
скоринговой карты
Виды скоринговых карт
Строим две скоринговые карты для 2-х
категорий заемщиков:

Новые – аппликационный скоринг

Повторные – поведенческий скоринг
Анкетные характеристики
Первичные:
Расчетные:
1.
Возраст
1.
Пол
2.
Семейный статус
2.
Совокупный доход
3.
Число иждивенцев
3.
Наличие дополнительного
дохода
4.
Стаж
4.
Общая сумма выплат по
договору
5.
Основной доход
6.
Дополнительный доход
5.
Проценты по займу
7.
Сумма займа
6.
Отношение процентных
выплат к сумме займа
8.
Срок займа
Поведенческие характеристики
Агрегаты:
1.
Суммы предыдущих займов
2.
Сроки предыдущих займов
1.
Количество посещенных
отделений
2.
Отношение количества
отделений к займам
3.
Количество займов
4.
Мин. и макс. срок между займами
Отношение процентных выплат к
сумме займа
5.
Отношение % по текущему займу
к средним %
Сумма выплат по предыдущим
займам
6.
Отношение суммы последнего
займа к максимально возможной
3.
Сроки между займами
4.
Отношение общих выплат по
займу к указанному доходу
5.
6.
Расчетные показатели:
Анализируемые атрибуты

Входные данные:
11 анкетных полей
История выплат

Дополнительные данные:
+7 анкетных показательней
+ Десятки поведенческих агрегатов
Итого ~50(!)
атрибутов для
построения
скоринговой
карты
Разработка скоринговой карты
ПерестройкаПодготовка
карт с учетом
скоринговой
Добавление
отказов (окончательная
Двумерный
ввыборки
выборку отказов
анализ
Сэмплинг
карта)
–
(Reject
конечные
Сравнение
Inference)
классы
качества
Анализ
(одобренные)
жизненных
карт,
Моделирование
выбор
циклов
оптимальной,
Тестовая
счетов
(предвари
экспл
на
Новый клиент: значимость
Самые важные
характеристики
апликационного
скоринга
Повторный клиент: значимость
Самые важные
характеристики
поведенческого
скоринга
Качество карты
Даже на
минимальных
данных неплохой
индекс GINI

Ретроспективный анализ
Финансовая модель
C просрочками
Списанные
Просрочка
Частичные
100%
Без
Доход
просрочек
потери
потери
от
потери
300 дней
Портфель займов за 12 мес.
Открытые
Просрочка до 300 дней
Закрытые
Ретроскоринг займов
Без карты: выдать
тем же клиентам
С картой: выдать только тем
у кого балл выше порога
Финансовый анализ
Показатель
Портфель займов, млн. руб.
«Как есть»
Скоринговая карта*
44.2
30.9
Ожидаемые выплаты, млн. руб.
54.02
37.77
Реальные выплаты, млн. руб.
63.18
49.39
ROI
1.43
1.6
Потери, млн. руб.
6.25
4.06
0
4.45
Дополнительный доход, млн. руб.
*Балл отсечения: 425
Внимание нюансам
1.
2.
3.
Соблюдение методологии
построения скоринга
Тщательная предобработка и
очистка данных
Обогащение данных, расчет
агрегатов и производных
характеристик
Резюме
1.
2.
Даже на минимальных данных можно
построить скоринговую карту, дающую
экономический эффект.
Использовать сложные методы и
дополнительные источники можно и
нужно, но только после того, как выжат
максимум из существующих данных.
basegroup.ru