Пресс-центр

Займер сделал процесс получения займа онлайн для Вас максимально простым и удобным. Если у Вас возникли вопросы, то ответы на некоторые из них Вы можете найти ниже.

Roem.ru: «Как соцсети и история поиска влияют на выдачу займов»

Для микрофинансовых организаций определение платежеспособности клиента — едва ли не самая важная часть работы. В ход идёт всё — данные соцсетейистория поискаинформация о платежах на мобильныйmachine learningbig data и даже такие экзотические показателикак тонасколько быстро и часто вы двигаете ползунки. Roem.ru спросил у представителей рынка МФОкак делают скоринг они.

***

Директор по управлению рисками сервиса онлайн-кредитования MoneyMan Екатерина Казак:

Для создания алгоритма оценки рисков «Скоринг 5.0» MoneyMan анализировал более 500 агрегатов. Модель принимает решение о выдаче займа на основе множества данныхвключая технологии множественного поискавнутреннюю кредитную историюантифрод сервис «Национальный хантер», данные нескольких бюро кредитных историй и другие внешние источникинапример,информацию о платежах потенциальных заемщиков на счета мобильной связи и данные из аккаунтов заемщиков в социальных сетях.

По итогам 2014 года уровень NPL 90+ (просрочка более 90 дней) по кредитному портфелю MoneyMan в России не превысил 14% по ежемесячным винтажам профинансированных займов. Это гораздо ниже среднерыночного уровня NPL 90+, который по итогам 2014 года составил по нашим оценкам 30−32%. Но и это приемлемые цифры. Считаетсячто в бизнес модели микрофинансирования NPL 90+ не должен превышать 35%.

Анастасия Мухачеваоперационный директор сервиса p2p-кредитования Fingooroo:

Fingooroo использует собственные скоринговые моделиразработанные на алгоритмах логистической регрессии и дерева решений. Скоринговая модель позволяет на лету отсеивать примерно 80% входящего трафика. Мы анализируем все доступные внешние источники информации (бюро кредитных историйвнешние базы данныхсоц сети).

Генеральный директор микрофинансовой компании «Займо» Евгений Ждановских:

Для определения кредитоспособности своих клиентов используем технологию«больших данных». Мы собираем поведенческую информацию клиента в сети,метаинформацию и личную информациюкоторую предоставляет о себе клиент.

Наши алгоритмы сопоставляют личную информациюкоторую предоставил в своей заявке клиентс информациейполученной от третьих лица также с информациейкоторую мы можем найти о заемщике в сети интернет,напримерIP-адрес клиентастраничка клиента в социальных сетяхследы,оставленные клиентом в интернетеинформация по мобильным платежам.

В FacebookVkontakte или Odnoklassniki в первую очередь нас интересует«качество» страницы клиента. Во-первыхнам важночтобы страница велась клиентом лично на протяжении некоторого времениа не выглядела подозрительнойкак будто только что созданной.

Во-вторыхданныекоторые предоставлены на личной страничке клиента в социальных сетяхдолжны совпадать с даннымипредоставленными им в заявке на получение займа. В первую очередь это касается данных о месте работыучебыа также семейном статусе. Такесли он указывает в заявкечто живет в Москвеа GPS-навигация фотографийкоторые клиент публикует,указываетчто большинство фото опубликованы в Мурманскето алгоритм заподозрит обман.

В-третьихалгоритм изучает друзей клиентов в социальных сетях и проверяет,нет ли их в базе кредитных мошенников компании. Влияет на получение займа и та информацияявляются ли большинство друзей клиента трудоустроеннымиа также есть ли у них семья и дети. В скоринг компании постоянно включаются все новые и новые модели. Просрочка по займам от 90 дней и выше составила за 2014 год около 12%.

Генеральный директор МФО «Займер» Сергей Седов:

В качестве источников информации для скоринга используются данные из нашей базы, обогащенные информацией из крупнейших бюро кредитных историй, данными о платежах заемщиков за мобильную связь, услуги ЖКХ,а также неструктурированные данные из соцсетей и других общедоступных источников.

Всего при принятии решения анализируется более 1800 показателей, в том числе такие «экзотические», как поведение пользователя на сайте — например,как он двигает ползунки с суммой и сроком займа. Для повторных клиентов обязательно анализируется платёжная дисциплина. Эффективность каждой модели зависит от региона, повозрастной категории и сезонности. В среднем у моделей показатель NPL 90+ от 12% до 20%.

Генеральный директор Platiza.ru Илья Саломатов:

При построении скоринговых систем онлайн-сервиса Platiza.ru мы используем стандартные статистические методы и алгоритмы machine learning и big data. Наша скоринговая карта построена на основе логистической регрессии. Мы применяем алгоритмы искусственного интеллектаоснованные на использовании нейронных сетей.

При проверке данных потенциального клиента система учитывает большое количество характеристик и проводит точный анализ различных сведений(возраст заёмщиканаличие у него кредитов и т. д.), что в результате даёт меньший процент «отсеянных» заявок. Для анализа клиента мы используем информацию из анкетыкоторую он заполняет в процессе регистрации,учитываем качество его кредитной истории и производим проверку на его наличие в черных спискахкоторые есть в открытых источниках.

Руководитель направления риск-менеджмента компании SAS Россия/СНГ Николай Филипенков:

Прежде всего скоринговые системы анализируют данные из заявки на кредит и данные из бюро кредитных историйкоторые содержат детальную информацию о выплатах по кредитам по всей банковской системе. Последний год ознаменовался активным использованием источников больших данных — информации о поисковых запросахданных из социальных сетейинформации о социальных связях заемщика и других интернет-данных.

Источник: Roem.ru