· Объективность

· Автоматизация

. Желательно, чтобы методика была эффективно автоматизирована и позволяла обрабатывать большие потоки заявок в реальном времени.

· Точность

. Разумеется, методика должна давать достаточно точные рекомендации. Это можно проверить, например, на каком-либо тестовом наборе выданных в прошлом кредитов.

· Адаптируемость

. Методика должна учитывать, что правила, которые были раньше, через полгода могут потерять сою актуальность и необходимо разрабатывать уже новые правила, адаптированные под новую реальность.

· Гибкость

. Очень важно, чтобы при изменении анкеты потенциального заемщика методика могла без серьезных изменений работать с новым набором данных.

· Объяснимость

. Не менее важно, чтобы методика не просто выставляла балл заёмщику, но и объясняла, почему, на основе каких факторов он получил именно такой балл, а не какой-либо другой.

Методики скоринга, используемые российскими банками – это в основном либо экспертные методики (решение принимает группа экспертов), либо методики, построенные при помощи стандартного статистического анализа, либо методики на основе нейронных сетей, которые в силу своей кажущейся простоты также завоевали определенную популярность.

Так в чем же преимущества методик оценки кредитоспособности, основанной на технологии data mining, перед другими методиками? Давайте рассмотрим их в ключе упомянутых выше важных свойств, которыми они должны обладать.

Объективность.

Как уже говорилось, data mining в отличие от экспертных методик находит объективные закономерности между различными факторами, таким образом, позволяя минимизировать влияние субъективного человеческого фактора на принятие решений.

Автоматизация

. В отличие от экспертных методик методика на основе data mining может быть эффективно автоматизирована и способна обрабатывать большие потоки заявок в режиме реального времени. На вход поступает анкета заемщика, система сразу же выдает решение – кредитный рейтинг, лимит кредита и т.д.

Точность.

Выше также упоминалось, что в отличие от статистических методов анализа данных технология

data mining осуществляет более глубокий анализ, выявляя зависимости, которые неочевидны. А это значит, что методика на основе data mining учитывает больше важных факторов и, следовательно, дает более точные рекомендации. В частности, это подтверждается успешным опытом применения технологии ведущими западными банками.

Адаптируемость

. Со временем кредитная ситуация меняется, поэтому необходимо постоянно отслеживать изменения в поведении заемщиков. Методика, основанная на технологии data mining, учитывает все эти изменения, так как периодически производит анализ новых данных. Таким образом, она постоянно адаптируется под изменяющиеся условия. Это также позволяет принимать более обоснованные и точные кредитные решения.

Гибкость

. Иногда возникает необходимость внести изменения в анкету заемщика, претендующего на кредит, -например, добавить дополнительные пункты, какие-то убрать, изменить варианты ответов на вопрос и т.д. Хорошая методика не должна при этом требовать привлечения квалифицированных экспертов для её адаптации под новую структуру данных. Отметим, что популярные системы оценки кредитоспособности, основанные на нейронных сетях, этому требования не отвечают. Дело в том, что само по себе построение нейронной сети, рассчитанной на определенный набор входных данных – это скорее искусство, ем технология. Поэтому настройка методики при добавлении хотя бы одного вопроса в анкету потребует довольно серьезных усилий. В методике же основанной на технологии data mining, такого ограничения нет – ей безразличен исходный набор факторов, она достаточно гибко настраивается на меняющуюся структуру данных, при этом не требует привлечения для этого квалифицированных экспертов.