Дипломная работа: Методика оцінки кредитоспроможності позичальників

Спочатку дамо аналіз по кожній характеристиці окремо, а потім вже оцінимо їх загальний зв'язок.

Отже, які суми кредитів хочуть брати позичальники? На карті видно рівну кількість як охочих узяти невеликі суми (до 2000 грн), так і достатньо вагомі (до 80000 грн). Причому, виходячи з даних карти середньомісячного доходу, практично всі позичальники мають однаковий дохід (2 – 3 тис. грн), з якого виходить схожість карт Суми кредиту і терміну кредиту (з одним і тим же дохом великі суми беруться на більший період). По карті “Вік” можна судити про популярність кредитів серед молоді (половина кредитів беруть позичальники молодше 30 років). По сукупності карт 'Кількість утриманців' і 'Середньомісячний дохід' можна судити про питому прибутковість на кожного члена сім'ї позичальника. Зрозуміло, що при однакових доходах до позичальників з меншою кількістю утриманців довіра більше.

Даний приклад показав, як можна легко аналізувати наявні дані, використовуючи карти Кохонена. Такий аналіз є всього лише частиною задачі, вирішуваної за допомогою карт, що самоорганізовуються. Карти Кохонена вирішують задачу кластеризації. Як видно на рис.3.5, всі позичальники розбиті на декілька сегментів. Опишемо кожний з представлених сегментів.

Рис.3.5. Виявлені сегменти позичальників.

Отже, 0 сегмент – найбільший, представляє всіх позичальників старше 30 років. Це найконсервативніша частина всіх позичальників, тому їм властиві схожі риси і, отже, необхідний однаковий підхід при наданні ним послуг кредитування, а також їх класифікації. Позичальники ж молодше 30 років діляться ще на 4 сегменти:

1 сегмент – спроможніші молоді сім'ї, охочі облаштувати своє житло. Причому верхня частина сегменту – проблемні позичальники, що неадекватно оцінюють свої можливості.

2 сегмент – працюючі студенти.

3 сегмент – Позичальники, що придбавають в кредит дешеві товари.

4 сегмент – група позичальників, що бере кредит на ремонт.

5 сегмент – Позичальники, одержуючі в кредит освіта і різні послуги.

Кластеризація показала, що на ринку кредитування фізичних осіб існують не тільки різні напрями (кредитування товарів, освітні кредити), але і різні сегменти позичальників, що користуються одним і тим же видом послуг. Отже, для кожної такої групи необхідний свій спосіб класифікації на 'гарних' і 'поганих' позичальників.

Очевидно, що, навіть аналізуючи окремий сегмент ринку, домінують ті або інші чинники залежно від ситуації. У моделі, що розглядається далі, буде показано, що за певних умов велику роль виконує наявність власності у кредитора, при інших його освіта або термін роботи на підприємстві, тобто модель класифікації виходить вельми гнучка. Проте, існують такі чинники, вплив яких на ухвалення рішення про видачу кредиту мало міняється від решти умов. Це сума кредиту, термін кредиту, середньомісячний дохід і середньомісячна витрата (що теж буде показане далі).

Виходячи з даних попереднього аналізу, можна виділити декілька груп позичальників, що беруть в кредит товари тривалого користування: кредити на невеликі суми, середні і значні, і проаналізувати деякі з них.

Виділимо з одержаних сегментів групу позичальників, що беруть невеликі кредити на придбання товарів. Побудуємо для цієї групи дерево рішень. Вхідними параметрами будуть чинники, що впливають на кредитоспроможність згідно висунутій гіпотезі. Виходом же дерева буде рішення про видачу кредиту або відмову.

Побудована модель класифікації представлена у вигляді дерева правил на рис.3.6.

Рис.3.6. Дерево рішень для невеликих кредитів.

Помітимо, що дерево саме відсікло незначущі і мало впливаючі на результат чинники, залишивши середньомісячний дохід, витрату і термін кредиту. Це можна врахувати при експрес кредитуванні найдешевших товарів.

У інших же групах позичальників для достовірного визначення кредитоспроможності модель враховує і ряд інших чинників. Так група позичальників, що беруть в кредит дорожчі товари тривалого користування, визначається великим рядом чинників (рис.3.7).

Рис.3.7. Дерево рішень для кредитування дорожчих товарів.

Для інших груп класифікація ще складніша.

Розглянуті раніше методи класифікації давали набір правил, згідно яким потенційний позичальник виявляється 'поганим' або 'гарними'. Для деяких груп потенційних позичальників необхідно дати нечітку оцінку його кредитоспроможності, наприклад, ввівши поняття вірогідності повернення кредиту повністю і в строк. Це необхідно, якщо керівництво банку висловить бажання пом'якшити або, навпаки, посилити вимоги до потенційних позичальників. Для побудови такої моделі необхідно уявити рішення про видачу кредиту в числовому вигляді: 0 – 'поганий кредит', 1 – 'хороший кредит'. Тоді після побудови моделі на виході якраз і вийде вірогідність повернення. Керівнику ж залишається лише задати порогове значення вірогідності, і якщо результат вищий за нього, то ухвалювати рішення про видачу кредиту, якщо нижче, то відмовляти. Одержана модель дає можливість напряму управляти рівнем ризику. Можна звести ризик до мінімуму, вказавши як поріг 1 або підвищити його при менших значеннях порогу (але і, згідно практиці, що застосовується в банках, перекласти його на позичальників). Це дозволить залишатися у виграшному положенні перед конкурентами: понизити вартість певних послуг до рівня конкурентів, але також при цьому збільшити поріг, понизивши ризик.

Одержану модель експерт може аналізувати, виявляючи її придатність. Це здійснюється за допомогою діаграми 'Якщо'. У ній можна побачити вплив на результат всього ряду значень будь-якого чинника при решті незмінних чинників і оцінити вірність даної залежності. Якщо модель поводиться неадекватно, то, можливо, що не враховані якісь чинники або недосить даних.
Приведемо приклад таких залежностей оцінки кредитоспроможності від освіти позичальника (рис.3.8) і наявності у нього автомобіля (рис.3.9).

Рис.3.8. Аналіз одержаної моделі, залежність від освіти

Рис.3.9. Аналіз одержаної моделі, залежність від наявності автомобіля.

У даному прикладі залежності цілком відповідаю реальності: довіра до позичальника зростає при зменшенні його 'освіти' – особи з середньою освітою більш схильні до повернення кредиту. Також більше довіри до позичальника, що має автомобіль.

Перейдемо безпосередньо до класифікації потенційних позичальників за допомогою однієї з побудованих моделей. Для цього використовується інструмент 'Якщо'.

У ньому кінцевий користувач задає вхідні чинники – анкетні дані, а результатом є оцінка його кредитоспроможності (0 – позичальник напевно не поверне кредит, 1 – напевно поверне). Оцінка представлена на рис.3.10.

Рис.3.10. Оцінка кредитоспроможності потенційного позичальника.

Продуктивнішим буде груповий аналіз даних про потенційних позичальників. Принцип його проведення такий: з сховища витягуються дані про осіб, що звернулися за кредитом останнім часом. Згідно цим даним для кожного клієнта автоматично підбирається одна з побудованих моделей оцінки кредитоспроможності. Через моделі проганяються всі дані. Потім результати аналізу експортуються на сторону у вигляді звіту, тобто система регулярно сама видає оцінку потенційних позичальників.

Таким чином, основними перевагами системи є:

·     Гнучка інтеграція з будь-якими стороннімі системами, тобто отримання інформації для аналізу і перенесення результатів не викликає проблем.

·     Консолідація інформації про позичальників в спеціальному сховищі даних, тобто забезпечення централізованого зберігання даних, несуперечності, а також забезпечення всієї необхідної підтримки процесу аналізу даних, оптимізованого доступу, автоматичного оновлення даних, використовування при роботі термінів предметної області, а не таблиць баз даних.

·     Широкий спектр інструментів аналізу, тобто забезпечення можливості експерту вибрати найбільш відповідний метод на кожному кроці обробки. Це дозволить найточніше формалізувати його знання в даній наочній області.

·     Підтримка процесу тиражування знань, тобто забезпечення можливості співробітникам, що не розбираються в методиках аналізу і способах отримання того або іншого результату одержувати відповідь на основі моделей, підготовлених експертом. Так співробітник, що оформляє кредити, повинен ввести дані по споживачу і система автоматично видасть рішення про видачі кредиту або про відмову.

·     Підтримка групової обробки інформації, тобто забезпечення можливості дати рішення за списком потенційних позичальників. З сховища автоматично вибираються дані по особах, що заповнили анкету вчора (або за який завгодно буферний період), ці дані проганяються через побудовану модель, а результат експортується у вигляді звіту (наприклад, у вигляді excel файлу), або експортується в систему автоматичного формування договорів кредитування або листів з відмовою в кредиті. Це дозволить заощадити час і гроші.

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25