ВВЕДЕНИЕ 3
1. КОЛЕКШН СКОРИНГ КАК ВИД КРЕДИТНОГО СКОРИНГА 5
1.1. Определение скоринга и история создания 5
1.2. Виды кредитного скоринга 10
1.3. Колекшн скоринг - основные определения 16
1.4. Стадии сбора колекшн скоринга и их стратегии 18
2. ПРИГОТОВЛЕНИЕ К МОДЕЛИРОВАНИЮ СИСТЕМЫ ПРИМЕНЕНИЯ
КОЛЕКШН СКОРИНГА 21
2.1. Понятия моделей и стратегий системы колекшн скоринга 21
2.2. Примеры системы колекшн скоринга 21
2.3. Подробный процесс работы системы колекшн скоринга 24
2.4. Методика построения системы колекшн скоринга с помощью метода
логистической регрессии 27
3. РАЗРАБОТКА МОДЕЛИ КОЛЕКШН СКОРИНГА И ЕЕ ПРИМЕНЕНИЕ 36
3.1. Подготовка исходных данных для построения модели 36
3.2. Построение модели колекшн скоринга 40
3.3. Валидация построенных моделей 44
3.4. Практическое применение моделей колекшн скоринга 46
ЗАКЛЮЧЕНИЕ 55
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 57
ПРИЛОЖЕНИЕ
Потребительское кредитование является важным фактором развития банковской системы и экономики страны в целом. В настоящее время объемы кредитования банками населения возрастают, что, с одной стороны, положительно сказывается на ситуации в банковской сфере. Но с другой стороны, рост потребительского кредитования влечёт за собой большой объем просроченной задолженности граждан в кредитном портфеле банка. Вследствие этого большая нагрузка выпадает на коллекторов, что влечет за собой увеличение трудозатрат банка на взыскание долгов. Решая сложившуюся проблемную ситуацию, банк вынужден обратить внимание на информатизацию коллекторской деятельности в банковской деятельности.
При описанных выше условиях построение эффективной математической модели, которая позволит оптимизировать процесс сбора просроченной задолженности, сократить привлечение новых сотрудников и подразделений банка, тем самым снизив финансовые затраты, является актуальным.
Целью магистерской диссертации является построение математических моделей колекшн скоринга и применение их для повышения экономической эффективности коллекторской деятельности банка.
В процессе исследования были решены ряд задач:
- изучена теоретическая часть;
- собрана и проанализирована информация о моделях системы колекшн скоринга;
- произведен отбор данных для дальнейшего построения модели;
- построены математические модели на основе логистической регрессии;
- на основе статистики Колмогорова-Смирнова разработан алгоритм применения моделей.
Вся работа состоит из трех глав.
В первой главе раскрыты основные понятия по данной теме. Дано определение скорингу, задета его история, рассмотрены его виды. Особенно полно здесь будет раскрыт и изучен один из видов кредитного скоринга - колекшн скоринг.
Вторая глава, по другому её еще можно назвать подготовительной, посвящена обзору всех существующих моделей и их стратегий системы колекшн скоринга; здесь приведены примеры работы системы колекшн скоринга, включающие в себя алгоритмы выявления риска и последующие действия. Так же подробно рассмотрена методика построения модели с помощью логистической регрессии.
Третья глава включает в себя само построение модели колекшн скоринга с помощью метода логистической регрессии и возможные способы ее применения на практике.
В заключении обобщены полученные итоги и приведено их соотношение с общей целью и конкретными поставленными перед исследованием задачами.
Целью данной магистерской диссертации являлось построение математических моделей колекшн скоринга и применение их для повышения экономической эффективности коллекторской деятельности банка. В соответствии с целью работы такие модели были разработаны и так же выявлены их практическое применение.
В ходе работы были раскрыты основные понятия, касающиеся выбранной темы, дано понятие колекшн скоринга и приведены методики и теоретические аспекты построения модели колекшн скоринга. Были исследованы исходные данные о должниках банка за определенный период и выявлены наиболее значимые характеристики, например: дата выхода в дефолт, дата выхода из дефолта, пол, возраст, цель кредита и т.д.
На основе этих характеристик была построена модель, которая по общей обучающей выборке делилась на две выборки по типу ККО «беззалоговые кредиты» и «залоговые кредиты». Для обоих случаев строились свои модели, целевыми функциями которых являлись: выход клиента в просрочку 15 дней и более, выход клиента в просрочку 90 дней и более.
Основное внимание при построении модели сосредотачивалось на том что, должники у которых большая вероятность перерасти из просрочки 15 дней в 90 дней, получают наибольший приоритет работы коллекторского отдела.
Полученные значения коэффициента Джини и площади под ROC-кривой продемонстрировали среднее качество построенных моделей.
С помощью статистики Колмогорова-Смирнова, были определены уровни отсечки вероятности перехода клиента из 15 дней просрочки кредита в 90 дней для моделей «беззалоговые кредиты» и «залоговые кредиты». Благодаря уровням отсечки всех клиентов можно разделить на две группы. Для первой группы клиентов, у которых скоринговый балл ниже уровня отсечки, применяется более мягкая политика взыскания. Для второй группы, скоринговый балл которых выше уровня отсечки, применяется более жесткая процедура взыскания долга.
Применив данную систему на практике можно значительно повысить продуктивность работы коллекторов, система сбора задолженности станет еще более эффективнее, так как должники, показатели которых выше уровня отсечки, будут получать первоочередное внимание со стороны коллекторов, а должники, показатели которых ниже уровня отсечки-меньшее. Это позволит правильно распределить трудозатраты коллекторов и значительно минимизировать будущие убытки, тем самым повысив экономическую эффективность банка.
