Каким будет скоринг будущего?
Конференция, собравшая более 150 профессионалов в области скоринга, прошла 13 июля в «Японском доме». Среди спикеров выступили представители регулятора, крупнейших банков и МФО.
Одной самых обсуждаемых тем конференции стало применение в скоринге технологии Machine learning. Ведущий панельной дискуссии «Скоринг будущего», бизнес-партнер по технологиям Банка «Открытие» Вячеслав Благирев, заметил, что концепция Machine learning очень похожа на существующую уже более десятка лет технологию Data mining. На это основатель компании oneFactor и директор по сегментному маркетингу и клиентской аналитике компании Мегафон Роман Постников ответил, что отчасти это действительно так, но Machine learning сейчас отличается от технологий, существовавший в 2005 году тем, что по ряду направлений приблизилось к эмулированию того, как работает мозг человека.
Одной самых обсуждаемых тем конференции стало применение в скоринге технологии Machine learning.
Начальник управления анализа рисков Промсвязьбанка Денис Голубин выразил мнение, что применять Machine learning в скоринге - это «стрелять из пушки по воробьям». Он считает, что данная технология в банке применима, но для более сложных задач - например, она может быть полезна в работе с большими массивами данных, а также в задачах, связанных с поведенческой оценкой клиентов для предотвращении фрода.
«Безусловно, нужно в этом направлении идти, - поддержал коллегу начальник отдела портфельного риск-анализа Альфа-Банка Сергей Турищев, - но в практической плоскости нужно использовать то, в чем ты в достаточной степени уверен».
Руководитель службы управления рисками Банка «Ренессанс Кредит» Григорий Шабашкевич также настроен в отношении Machine learning в скоринге несколько скептично: «Деревья решений были давно, нейронные сети были тоже очень давно. А на моей практике побеждает логистическая регрессия». Он пока не верит, что есть инструменты, которые могли бы заменить опытного аналитика.
Однако один из представителей аудитории, сотрудник банка, не согласился с тем, что логарифмическая регрессия - это «наше всё». «Давно доказано, что для алгоритмов бинарной классификации логрегрессия - далеко не лучший алгоритм, - возразил он. - Есть технологии, которые дают результаты намного лучшие, чем логрегрессия. Да, это черный ящик, но когда руководство видит, что эти методы добавляют, условно 5 Gini, они могут закрыть на это глаза». По его словам, именно из-за такого отношения банков к технологиями руководители интернет-компаний, таких как «Яндекс» и «Рамблер», говорят, что Data science в банке мертв, и не хотят брать людей из банков на работу.
Но не все банки скептично относятся к Machine learning. Директор департамента моделирования рисков Сбербанка Максим Еременко рассказал, что применение алгоритмов машинного обучения, в частности, позволило банку повысить качество модели за счет более точного отбора факторов и повысить Gini в оценке малого бизнеса с 71% до 75%. «Отрицать прогресс глупо. Если данные появляются - их надо анализировать. <...> Тут вопрос в том, насколько мы готовы инвестировать в инновации, потому что инновация - она на то инновация, что из 100 инициатив взлетит одна, но она может быть решающей».
Стоимость внедрения Machine learning в Сбербанке Максим Еременко оценить затруднился, а Григорий Шабашкевич выразил мнение, что это может и не стоить ничего - достаточно мозгов и возможностей проводить эксперименты.
В то же время, не только инновации могут стать драйвером изменения скоринговых моделей.
Начальник отдела методологии моделирования рисков департамента банковского регулирования Банка России Юрий Полянский рассказал об особенностях регуляторной валидации рейтинговых систем банков при внедрении IRB(ПВР)-подхода при внедрении Базель II. Он отметил, что решение о переходе на ПВР (подход к расчету кредитного риска на основе внутренних рейтингов банков) банк принимает самостоятельно - это не проверка на соответствие требованиям ЦБ РФ.
Банк сам разрабатываем документы, а ЦБ только проверяет, соответствует ли банк тому, что в них написано. Это касается, в частности, и скоринговых моделей, валидация которых, как сказал представитель ЦБ, нужна, чтобы понизить требования к достаточности капитала. «Нельзя сказать, что тут все зарегулировано. Прописаны вполне четкие, но объективно понимаемые вещи. Тем не менее, их нельзя нарушать. И в случае валидации, если что-то не соответствует документам банка, эти несоответствия надо устранить. То есть простор для творчества при построении моделей огромный, но при тех нюансах, которые жестко прописаны», - отметил Юрий Полянский.
FutureBanking представил на конференции Карту данных и технологий скоринга, которая будет развиваться и пополняться.
Другой представитель государственных органов - руководитель направления Министерства связи и массовых коммуникаций Эдуард Моссаковский - рассказал, как инициативы государства могут облегчить кредитным организациям идентификацию клиента. Он отметил, что все «самое интересное» кроется для клиента на 3-м уровне доступа к услугам, ради которого нужно подтверждать личность.
При этом для получивших такой уровень идентификации электронное правительство выступает, как «своего рода маркетплейс», предоставляю доступ ко множеству услуг. И одной из таких услуг может стать идентификация клиентов для банков, которая может проводиться как путем встраивания формы авторизации в ЕСИА в банковские фронтальные системы, так и напрямую - запросом через СМЭВ. В этом, правда, пока достаточно много проблем, поэтому Эдуард Моссаковский призвал банки и МФО выходить на регулятора, говорить ему, как им важны скорость и качество получения информации.
Чтобы дать банкам и МФО инструмент для понимания, какие организации могут им помочь в применении новых технологий и данных, FutureBanking представил на конференции Карту данных и технологий скоринга, которая будет развиваться и пополняться.
Партнерами конференции выступили компании «Неофлекс», «Аксиоматика», Double Data и «Юником24».
Если вы обнаружили ошибку или опечатку, выделите фрагмент текста с ошибкой и нажмите CTRL+Enter