Управление рисками: методологии и инструменты

Чтобы справиться с этой задачей, требуются сложные наукоемкие технологии.

Рынок кредитов для физических лиц в России сейчас можно охарактеризовать как уверенно растущий. Он еще не достиг докризисного уровня, но, вероятнее всего, превысит этот уровень в ближайшие два-три года. Характерно, что банки стремятся перейти на новые высокотехнологичные методы кредитования физических лиц. Если несколько лет назад массово-поточные системы кредитования были уделом крупных банков, ориентированных на розничное кредитование, то теперь значительная часть банков из первой сотни пытается запустить проекты по массовому розничному кредитованию. Причина — в снижении издержек в бизнес-процессах кредитования физических лиц. Если до настоящего времени маржа по кредитным продуктам составляла 8–10%, то сейчас наблюдается тенденция к сжатию разницы между ставками по депозитам (привлечение средств) и кредитам (предоставление средств), обусловленная возрастающей конкуренцией на кредитном рынке. Когда разница достигнет 2–3% (через три — пять лет), только высокотехнологические банки смогут покрывать операционные издержки и оставаться с прибылью.

Еще одна тенденция на рынке розничного кредитования — деление клиентов на «хороших» и «остальных». «Хорошие» — это те клиенты, которые уверенно обращаются в крупные банки и получают там кредит. «Остальные» — это те, кто либо не получили кредит в этих банках, либо сразу пошли пытать счастья в средних и мелких банках. Клиентов первой группы сложно убедить сменить банк даже более низкими процентными ставками — большую роль играет не только процесс выдачи кредита, но и весь комплекс банковских услуг при получении кредита в крупных банках. А вот за вторую группу в ближайшие несколько лет будет идти обостренная конкурентная борьба.

Методологии оценки заемщиков

Необходимость оценки заемщиков на розничном рынке привела к массовой интеграции технических специалистов в процессы кредитования. Если для анализа кредитных рисков корпоративных клиентов в первую очередь нужны финансовые специалисты, которые знают тонкости бухгалтерского учета, умеют проводить финансовый анализ клиентов, то с приходом розницы появилась необходимость применять математические модели для оценки заемщиков. Однако такие специалисты всегда готовились в базовых технических вузах и университетах, и на этих профессионалов сейчас наиболее высокий спрос в области управления розничными рисками.

Последние несколько лет многие банки, которые начинают массовое кредитование физических лиц, рассматривают скоринг как «палочку-выручалочку»: «Давайте наймем математика, он нам разработает скоринговую карту (или еще хуже: купим скоринговую карту у известной фирмы), и мы будем иметь самую лучшую кредитную процедуру». Результаты такого подхода бывают плачевными либо для менеджеров банка, либо для кредитного портфеля, либо для тех и других.

Скоринг — это не более чем давно известная логистическая регрессия, которая используется во многих областях народного хозяйства. В качестве примера можно привести медицину, где скоринговые методы существуют давно и применяются для предсказания вероятности заболеваний. Кроме логистической регрессии существуют и другие модели оценки вероятности событий (нейронные сети, деревья решений, нечеткая логика), но они не нашли широкого распространения в банковской практике из-за своей сложности и требовательности к качеству исходных данных.

Скоринг — это выявление с помощью статистических методов на существующей клиентской базе наиболее значимых для оценки вероятности дефолта характеристик клиентов и применение данной модели к новым клиентам. При этом предполагается, что структура клиентского сегмента сохраняется. Основная идея скоринга — выделение среди клиентов «хороших», «промежуточных» и «плохих» (так называемые target values). Например, клиентов, которые имели просрочку до 30 дней, относим к «хорошим», 30–90 дней — к «промежуточным», более 90 дней — к «плохим». При этом надо четко понимать, для каких целей используется механизм скоринга — мы можем предсказывать вероятность дефолта, вероятность досрочного погашения кредита, вероятность реакции клиента на предложение банка и т. д. Тогда target values будут нести различную смысловую нагрузку.

Такой подход давно успешно используется в международной практике. На развитых финансовых рынках скоринг является одним из основных методов оценки платежеспособности клиента. Однако использование только скоринга на российском рынке не достигнет поставленных целей по нескольким главным причинам:

• неудовлетворительное качество входных (анкетных) данных;
• недостаточная стабильность клиентского сегмента;
• большой объем «серой» информации, которую заемщик не желает афишировать либо не может подтвердить документально.

Обеспечение качества исходных данных — основная проблема рынка розничного кредитования. Подразделения, которые занимаются продажами кредитов, зачастую заинтересованы в сиюминутной мгновенной прибыли, и вопросы работы с клиентом для

получения адекватной и подробной информации о нем уходят на второй план. Также при розничном кредитовании большое значение имеют требования к формализации процедуры заполнения полей анкеты в CRM-системе. Сотрудник, который занимается вводом клиентских анкет, должен иметь минимальные возможности для свободы действий и ввода неструктурированных данных. Например, адрес проживания должен быть заранее разбит на блоки: индекс, страна, город, улица, дом. Должны существовать процедуры контроля качества данных.

Стабильность клиентского сегмента — еще одна важная проблема. Банки, постоянно находясь в состоянии конкурентной борьбы, вынуждены прибегать к инновациям. В связи с этим они проводят массовые рекламные акции, по различным каналам распространяют информацию о новых продуктах. Скоринговая модель, разработанная для уже существующего сегмента клиентов, может оказаться совершенно неработоспособной при реализации нового кредитного продукта.

Значительный объем «серой» информации — это специфическая для России и других стран с неустойчивой экономикой проблема. Часто клиент не может документально подтвердить полностью свои доходы (а зачастую и расходы). В данном случае большое значение приобретают модели косвенного подтверждения фактов кредитоспособности заемщика. Например, заявленный и документально неподтвержденный доход может быть оценен по косвенным данным, скажем, по фактам приобретения недвижимости, поездок за границу, приобретений дорогих автомобилей.

Все это говорит о необходимости использовать более сложные модели оценки кредитоспособности клиентов, а также привлекать квалифицированных экспертов (риск-аналитиков), которые на основании анализа первичных документов, предоставленных клиентом, могут правильно откорректировать предварительное решение, вынесенное автоматизированной системой.

В последнее время появилось много терминов, которые характеризуют кредитный процесс, — это и «кредитная фабрика», и «кредитный конвейер», и «кредитный магазин» и т. д. Однако за эффектным маркетинговым названием в банке должна стоять ежедневная кропотливая работа по построению, настройке и мониторингу всех вышеперечисленных элементов процесса предоставления кредитов.

ИТ-поддержка управления рисками

На рынке существует богатый выбор инструментов ИТ-поддержки управления рисками. Однако следует остановиться на типовых задачах и, соответственно, ИТ-системах, которые должны быть в арсенале подразделений, занимающихся анализом кредитных рисков.

Первая и наиболее важная группа инструментов — это системы поддержки принятия решений в режиме реального времени. Можно сказать, что такие инструменты являются ядром всего кредитного процесса. Все его этапы: скоринговые модели, правила оценки заемщиков, оценка кредитоспособности клиента, сопутствующие модели (Risk Based Pricing, Risk Based Limit и т. д.), сегментация клиентов — реализованы в данных системах. Как пример можно привести системы Real Time Decision Manager (SAS), Capstone (FICO), New Business Strategy Manager (Experian Decision Analytics) и др. К данным системам предъявляются высокие требования по быстродействию и функционалу. Время обработки кредитной заявки — доли секунды даже для сложных запутанных стратегий принятия решения.

В связи с тем, что информация о стратегии принятия кредитных решений является конфиденциальной, система должна иметь возможность многоуровневого подтверждения корректности разработанной стратегии и разграничения доступа. Такие системы имеют одно общее правило: для всех сотрудников банка (кроме риск-менеджмента) они представляют собой «черный ящик», чтобы снизить операционный риск разглашения параметров принятия решения. С другой стороны, эти системы должны быть легко конфигурируемы, и риск-аналитик, имеющий базовые навыки программирования, не должен испытывать затруднений при корректировке алгоритмов расчетов.

Вторая группа — аналитические инструменты, позволяющие проводить детальный анализ и разрабатывать статистические модели принятия решений. В основе этих инструментов лежит подход Data Mining — выявление скрытых закономерностей между переменными в больших массивах необработанных данных. Для сотрудников, которые имеют базовые знания в математической статистике, больше всего подходит Enterprise Miner (SAS) с дополнительным функционалом Credit Scoring, Analytic Framework (KXEN). Но эти же инструменты могут использоваться и профессиональными аналитиками, проводящими научные разработки в области управления кредитными рисками. Для профессионалов, которые не боятся трудностей, можно рекомендовать R — язык программирования для статистической обработки данных и работы с графикой, а также программную среду вычислений с открытым исходным кодом в рамках проекта GNU. Список систем и пакетов анализа достаточно широк, и каждый профессиональный риск-аналитик имеет собственное мнение относительно требований к данным инструментам.

Третья группа инструментов и систем — это системы обработки больших массивов информации на базе хранилищ данных. Такие системы используются для пакетной обработки данных о клиентах банка для целей аналитической и управленческой отчетности, а также для комплексной оценки рисков кредитного портфеля. Например, чтобы рассчитать поведенческий скоринг по всей клиентской базе крупного розничного банка с кредитным портфелем в 1–2 млн кредитных договоров с учетом финансовой истории клиента, требуются огромные вычислительные ресурсы. В качестве примера ИТ-систем этой категории можно привести Credit Risk Management for Banking (SAS), ProbeSM (Experian Decision Analytics).

Остальные системы, которые используются для управления рисками, более стандартны и являются частями банковских систем.

Главное при выборе данных систем — не экономить на мелочах. Банк, который хочет адекватно управлять розничными рисками, должен понимать, что возможные потери из-за невозврата кредитов на порядки превышают стоимость систем управления рисками, а также и зарплату персонала, работающего с данными системами. Только банк, который вложил значительные средства в это направление, может быстро реагировать на постоянно меняющиеся тенденции на рынке розничного кредитования.

Дмитрий Сергиенко — начальник управления анализа розничных рисков Nordea; dmitry.sergienko@nordea.ru