Просроченные долги по банковским кредитам, финансовые потери от некачественного управления активами и от всевозможных манипуляций в настоящее время не редкость. Один из самых эффективных инструментов по снижению кредитных рисков, повышению качества кредитного портфеля, усовершенствованию качества оценки заемщика и устранению мошенничества являются эффективные системы кредитного скоринга.
Так как основной доход от предоставления финансовых услуг банки, микро-финансовые организации и коллекторские агентства получают за счет погашения основного долга и процентов по нему, то особое внимание уделяется основной проблеме и важной задаче — невозврату предоставляемого займа, следовательно, потере потенциального дохода.
Чтобы не допустить высокого роста просроченных долгов, компании необходимо решить сложную задачу — выработать и последовательно выполнять такую стратегию работы с должниками, которая позволит, с одной стороны, сохранить лояльность прибыльных и перспективных клиентов, а с другой — максимизировать объем собранной просрочки, при жестком ограничении затрат на мероприятия по сбору.
Для решения задачи управления дебиторской задолженностью с использованием методов очистки данных, статистики и прогнозирования, в качестве исследования был проведен углубленный анализ данных, которые были получены при выборке записей должников из общей базы клиентов одного из ведущих региональных банков Краснодарского края. Каждая запись выборки содержит информацию о клиенте, применяемых по взысканию долга воздействиях, и результатах данных воздействий.
Данная аналитика позволяет оптимизировать процесс сегментации должников на группы по одному или нескольким критериям, прогнозировать вероятность возврата долга и определить последующие применяемые воздействия, направленные на взыскание долга.
Методология коллекторского скоринга базируется на оптимальной сегментации кредитных дел, которая в свою очередь позволяет использовать прикладные инструменты коллекторского скоринга (воздействия) наиболее эффективно. При сегментации общей выборки должников были учтены следующие факторы:
— параметры кредитного дела (количество дней просрочки, суммы кредита, срок кредита, дата выдачи кредита, ежемесячный платеж);
— социально-демографические характеристики (пол, возраст, регион проживания, семейный статус, количество детей, образование);
— профессионально-квалификационные (статус по месту работы, стаж работы, сфера занятости, должность);
— показатели благосостояния (наличия жилья, наличия автомобиля, уровень дохода, наличие дополнительного дохода, опыт использования банковских продуктов)
— locatorscore (числовая характеристика вероятности контакта с должником). Приоритетным являются должники, характеризующиеся высоким значением данного показателя, что свидетельствует о минимальных ресурсах, необходимых для установления контакта. Кроме того, вероятность контакта позволяет оценить причину возникновения задолженности — нежелание или невозможность выплат;
— collectabilutyscore (числовая характеристика вероятности возврата задолженности). Низкое значение данной вероятности говорит о необходимости более плотной работы с должником и соответственно необходимости привлечения большего количества ресурсов;
— результаты предыдущего воздействия;
-показатели безнадежных должников (выявлен факт мошенничества, должник осужден, заключение акта о невозможности взыскания по исполнительному документу);
— дополнительные расчетные параметры.
Сегментация была проведена с помощью аналитической платформы методом DataMining — кластеризация. Данный метод позволяет разбить всю выборку должников на несколько групп, объединяющих должников по тесно связывающему одному или нескольким приведенным выше факторам.
Результаты и обсуждение
Долги необходимо взыскать и делать это нужно грамотно и профессионально. Было определено, что одним из наиболее эффективных инструментов для проведения такой работы является система коллекторского скоринга. Данная система позволяет провести планирование и осуществление своевременных и целенаправленных действий по управлению взаимоотношениями с должниками, начиная с момента первого возникновения просрочки.
Работу в этом направлении надо начинать с проведения сегментациии неплатежеспособных клиентов.
В результате сегментации по данным факторам была сформирована категория должников, которые были выделены в отдельную группу и исключены из дальнейшего анализа. К ним относятся лица, для которых характерен какой-либо показатель безнадежных должников.
В целом, это не означает, что финансовое учреждение не должно работать с должником: как показывает практика, даже для таких долгов характерен минимально возможный уровень взыскании.
В результате проведенной на этом этапе работы была получена совокупность характеристик, которая далее использовалась при прогнозировании объема возврата с помощью математической скоринговой модели и сегменты, объединенные по схожим показателям данных характеристик. Стоит отметить, что на основе полученных характеристик можно оценить, как возможность должника вернуть долг, так и его желание сделать это.
Основная концепция любой скоринговой системы сводится к тому, чтобы присвоить субъекту, обладающему набором характеристик, рассчитанный балл, которому соответствует вероятность наступления какого-либо события. В коллекторском скоринге оценивается вероятность возврата должником средней суммы долга после совершения действий по взысканию. Вероятность возврата долга зависит от многих факторов, часть из которых известна и может быть оценена статистически. Таким образом, был произведен статистический анализ характеристик уже прошедших взыскание долгов в разрезе результатов взыскания. Задача анализа на данном этапе — определение влияния характеристик на объем взыскания, а также значений атрибутов этих характеристик. Каждая характеристика обладает определенным набором атрибутов. Как правило, атрибутом является интервал, в который может попадать значение характеристики, или непрерывное значение.
Далее были определены «хороший» и «плохой» должники. Должник считается «хороший», если он погасил более определенного процента своей задолженности, в противном случае должник был отнесен к классу «плохой». Отношение числа «хороших» и «плохих» должников для различных характеристик и их атрибутов послужило основой для определения веса каждой характеристики и скорингового балла для каждого атрибута. Таким образом, в результате присвоения скоринг-балла каждому должнику определяется его рейтинг, по которому можно определить, с какой вероятностью данный заемщик погасит свой долг, или отнести данного заемщика к классу схожим с них должников.
Скоринговый механизм или система, которая генерирует скоринговый балл, должна иметь, как минимум, следующие свойства:
— интерпретируемость;
— легкость понимания;
— устойчивость во времени;
— изменения в скоринге должны быть объяснимы.
Для каждого из кластеров, сформированных на этапе сегментации, были определены свои классы и разновидности воздействий на должников этих конкретных классов. Для группы клиентов, определенных как более лояльные и перспективные клиенты, был определены традиционные разновидности soft-коллекторских воздействий:
— телефонный звонок — уведомительный телефонный звонок секретаря (либо автоматический звонок с проигрыванием определенного аудиофайла) заемщику. Такой звонок эффективно предупреждает просрочку платежей, особенно при хорошо продуманном тексте сообщения. Секретарь зачитывает текст, который генерируется системой на основании имеющихся данных (в том числе о предыдущих воздействиях) согласно задаваемым шаблонам, которые можно изменять;
— звонок коллектора — более настойчивый звонок коллектора заемщику. Общение клиента и коллектора в ходе такого звонка более конкретизировано, направлено на скорейшее и обязательное погашение задолженности, часто с назначением конкретных дат выплаты, пени и т.п.;
— неформализованное действие коллектора — предполагает какое-либо неформализованное воздействие коллектора, такое как посещение заемщика по месту работы или жительства, назначение с ним встречи и др.;
— SMS или E-mail — автоматическое направление системой соответственно SMS-сообщения или E-mail, имеющих своей целью такое же напоминание о просрочке, как и телефонный звонок.
— письмо — система формирует текст письма согласно имеющимся данным (выбирает тип письма, подставляет данные заемщика, срок просрочки и другие
изменяемые поля в тексте письма) и вместе с другими параметрами письма отправляет посредством электронного письма соответствующему оператору, которому необходимо только распечатать письмо и отправить его по обычной почте.
Для группы, в которую попали клиенты, определенные как безнадежные или мошенники были назначены hard-коллекторские воздействия, то есть взыскания долга через суд. Чтобы сделать метод работы с должниками более гибким, для этого в выделенных группах были определены классы. Это объясняется тем, что не для всех классов стоит применять все указанные выше коллекторские воздействия, а необходимо наделить каждый класс определенным набором воздействий, в зависимости от качества данного класса, определенного рейтингами должников.
Таким образом, применение математических и статистических методов при оценке платежеспособности клиента и способов воздействия на него, решает две главные задачи:
1) Выделение группы клиентов по уровню надежности.
2) Определение вероятности получения платежа для каждого должника. Применяя данную методологию, финансовые учреждения и банки смогут
эффективно улучшить процесс по работе с недобросовестными клиентами. Эффективность будет достигнута за счет следующих преимуществ:
1) Снижение расходов на мероприятия по взысканию.
2) Определение оптимальной стратегии работы с проблемными
кредитами.
3) Повышение оперативности принятия решений.
В отличие от экспертных оценок, статистический скоринг объективно оценивает всю совокупность факторов риска, легко масштабируется и помогает выстроить оптимальную стратегию работы с должниками на любом уровне (Рге-, Soft, Hard).
Заключение
Нами рассмотрен эффективный инструмент управления дебиторской задолженностью, получивший название коллекторский скоринг, который является частью целой скоринговой системы, используемой на сегодняшний день практически каждым современным банком, микро-финансовой организацией, финансовыми брокерами, факторинговыми, лизинговыми и страховыми компаниями, коллекторскими агентствами.
Рассмотренные методы статистического скоринга и основанные на них бизнес-процессы позволяют оптимизировать обработку данных, качественно спрогнозировать денежные поступления от взыскания, а также улучшить работу с клиентами, просрочившими выплату кредита, подбирая для каждой группы определенные методы воздействия, в зависимости от степени качества данной группы. Чтобы настроить коллекторский скоринг и правильно определить методы воздействия на должников, необходимо проводить углубленный анализ данных кредитного портфеля, как это было изложено в данной статье.
Данная технология предлагается к внедрению всем финансовым учреждениям, которые проводят по роду своей деятельности работу с просроченной задолженностью, чтобы сохранить лояльность прибыльных и перспективных клиентов, а также максимизировать объем собранной просрочки, при жестком ограничении затрат на мероприятия по сбору.
Больше см. на КиберЛенинка
Оставить комментарий