законов, регламентирующих кредитную деятельность. Будем исходить из установленной взаимосвязи: высокий риск приводит к высоким ставкам. Следовательно, решив задачу понижения своих кредитных рисков, банк сможет сделать условия кредитования приемлемыми для большей группы потенциальных клиентов, а значит, и получить дополнительное преимущество на рынке розничного кредитования. Причем преимущество довольно солидное. Например, в компьютерных или автомобильных салонах сейчас предлагаются кредитные продукты нескольких банков на выбор, а пресловутая «надежность» банка в данном случае никого не волнует: деньги возьмут у того, кто раздает их дешевле всех.
Если подойти к вопросу философски, то решение о предоставлении кредита представляет собой компромисс между страхом потерять деньги и желанием получить прибыль в виде процентов. Находить этот компромисс приходится в каждом конкретном случае, оценивая платежеспособность очередного клиента. И если оценить возможности корпоративного заемщика относительно просто, исходя из его финансовой отчетности, общеизвестной репутации и т. п., то в случае с частными клиентами это сделать сложнее. Например, неким суррогатом официального подтверждения достаточного уровня дохода является налоговая документация, однако, учитывая распространенность «серых» зарплат, доверие лишь справкам из налоговой может отсечь массу состоятельных граждан, способных и желающих платить за свои маленькие радости. О стабильности положения может косвенно свидетельствовать состояние в браке, стаж работы на одном месте, информация о ранее погашенных кредитах сравнимого размера и множество других факторов[Кстати, в США с 1974 года законодательно запрещено принимать решение о выдаче кредита по таким персональным аспектам, как возраст, пол или семейное положение, что существенно способствовало развитию «беспристрастных» информационных систем оценки платежеспособности]. Поэтому банки частенько и заставляют своих клиентов бегать по инстанциям и собирать ворох бумаг, подаваемых вместе с заявлением о выдаче кредита.
Одновременно с этим существует конкуренция между банками, которая обостряется по мере роста рынка и расширения целевой аудитории потенциальных клиентов. А, между прочим, в России в прошлом году наблюдался настоящий бум потребительского кредитования, да и ипотека делала в 2005-м первые твердые шаги. Сейчас в это трудно поверить, но еще в 90-е годы абсолютное большинство розничных кредитов выдавалось сотрудникам банков и руководству корпоративных клиентов. Но уже в 2002 году, по данным Центробанка, населению был выдан 141 млрд. рублей. В 2003-м – 298 млрд., а в 2004-м – 616,5 млрд. А в январе 2006-го, по некоторым оценкам, объем рынка потребительского кредитования в России превысил 1 трлн. руб. На этом фоне клиента начинают уважать, за него борются и, единожды поймав добросовестного плательщика, стараются его не упустить. Если же заставлять его доказывать свою платежеспособность и ожидать «вердикта» несколько недель, а то и месяцев, клиент может обидеться и уйти в другой банк. Так что быстрота реагирования на обращение клиента становится прямым конкурентным фактором. Достаточно вспомнить рекламную кампанию, проведенную «Импэксбанком» в прошлом году, по поводу сокращения срока принятия решения до одного дня.
В то же время оперативность не должна отражаться на качестве принимаемых решений. Если выдавать кредиты всем без разбору, то лидирующее положение на рынке обернется финансовой катастрофой, подобной той, которая постигла в конце 2003 года Южную Корею. Объем просроченных потребительских кредитов к тому времени составлял 57,47 млрд. долларов, или 13,5% от общего числа выданных кредитов (аналогичные показатели 1999 года – 10,95 млрд. и 2,6% соответственно[Доля невозвратов в России, по разным оценкам, колеблется от 3 до 4%]). С одной стороны, это привело к возрастанию числа самоубийств и преступлений на долговой почве, а с другой – к серьезному банковскому кризису. Причиной столь безрадостной картины послужило отсутствие у банков отработанных систем управления рисками на фоне жесткой борьбы за рынок.
Впрочем, эта проблема гораздо старше и, по сути, родилась вместе с розничным кредитованием. Первый алгоритм для оценки потенциального кредитозаемщика был предложен еще в 1941 году Дэвидом Дюраном. К тому же времени можно отнести появление термина «кредитный скоринг», означающего сложную математическую систему определения степени платежеспособности заемщика, основанную на анализе нескольких характеристик клиента. Между прочим, модель Дюрана (см. врезку) широко применяется в финансовых организациях по сей день. Разумеется, в середине XX века речь шла не об использовании специализированного ПО, а о схеме работы кредитных инспекторов.
Задача скоринга – не только выявить потенциально неплатежеспособного клиента, но и пресечь деятельность мошенников, изначально не планирующих возвращать кредит. Если в первом случае шанс получения от клиента правдивых данных достаточно велик, то злоумышленники пытаются вводить специально составленный набор данных, для того чтобы найти и использовать «слабые места» в системе скоринга. Эта криминальная практика является довольно распространенной. Множество фирм, формально консультирующих заемщиков при заполнении документов на получение кредита, на деле за определенную сумму подсказывают своим клиентам «правильные» ответы на вопросы банковской анкеты. Иногда злоумышленникам удается обманывать систему до тех пор, пока схема мошенничества не будет обнаружена соответствующей службой банка.
«Обороноспособность» системы зависит прежде всего от модели оценки клиента. Обычный анализ вопросов анкеты наиболее уязвим для «взлома», так как обойти все «ловушки», которые банк может поставить для проверки достоверности предоставляемых данных, сравнительно просто. Обычно для этого формируются специальные группы «заемщиков», формально соответствующих требованиям банка по проверяемым характеристикам и «правильно» отвечающим на те вопросы анкеты, которые затруднительно проверить.
Более эффективным подходом в обеспечении кредитной безопасности является составление психологического портрета заемщика путем сбора максимально детализированной информации. Вкупе со средствами, вроде data mining, это дает неплохие результаты.
По мере развития ИТ банки стали заказывать разработчикам и скоринг-системы. В результате к настоящему времени даже сформировался рынок таких ИТ-решений, хотя большинство банков предпочитают уникальные разработки. Дело в том, что алгоритмы работы скоринг-системы должны оставаться конфиденциальной информацией, поскольку при получении таких данных злоумышленники, теоретически, могут указать «правильные» данные при оформлении заявки и «обмануть» систему. Подобное ПО дало новые возможности для обслуживания клиентов. Помимо уже упоминаемого сокращения срока обработки клиентских данных (если верить представителям «Хоум Кредит энд Финанс Банк» [ХКФБ], их система принимает решение о выдаче кредита до 50 тысяч рублей в течение нескольких минут), стало возможным, например, отказать клиенту в том или ином кредитном продукте и сразу же предложить альтернативный вариант (с меньшей суммой или на более жестких условиях), соответствующей рассчитанному показателю платежеспособности. По этому принципу с 2005 года работают ХКФБ и «Русский стандарт». Вместо отказа в предоставлении кредита клиенту предлагают, например, увеличить первоначальный взнос до указанной суммы.
Кстати, развитие скоринга в отечественной банковской практике может несколько притормозиться в результате принятого в 2005 году закона о кредитных историях. По этому документу к 1 сентября 2005 года все российские банки заключили договор с одним из бюро кредитных историй (пока можно выделить четыре крупных учреждения) на передачу данных о «своих» заемщиках и запрос данных о «чужих». Одновременно с этим Центробанк разработал интернет-сервис для доступа к Центральному каталогу кредитных историй, благодаря которому пользователь может ознакомиться с местонахождением своей собственной финансовой биографии. Появление общей базы кредитных историй дает отечественным банкам новые возможности для проверки платежеспособности клиентов, и ряд кредитных учреждений может отказаться в этом случае от автоматизированной оценки.
Скоринговые системы используют статистические методы работы, а значит, нуждаются в массивах исходных данных о ранее выданных кредитах (выборке) для выявления зависимостей. Например, для выявления степени влияния семейного положения на возврат кредита. Появляется вопрос, где это исходное информационное «сырье» взять. Можно, конечно, собирать характеристики клиентов, выдавать кредиты всем подряд и потом фиксировать случаи невозврата или несвоевременного возврата. Ну а тем, кто не хочет применять столь радикальный способ обучения на собственных ошибках, приходится искать альтернативные пути решения проблемы. На самом деле, таких путей всего два. Можно воспользоваться уже собранной кем-то другим базой данных или использовать
