Kredyt bez wpadki

W Banku BPH wdrożono system, dzięki któremu decyzję o ewentualnym przyznaniu kredytu będzie można podjąć niemal wyłącznie na podstawie danych o dotychczasowej aktywności klienta w banku.

W Banku BPH wdrożono system, dzięki któremu decyzję o ewentualnym przyznaniu kredytu będzie można podjąć niemal wyłącznie na podstawie danych o dotychczasowej aktywności klienta w banku.

W procesie udzielania kredytów banki dość powszechnie stosują aplikacyjne systemy ratingowe, które na podstawie danych charakteryzujących klienta (wiek, płeć, miejsce zamieszkania, zatrudnienie, stan cywilny i temu podobne parametry) wspomagają procesy podejmowania decyzji o kredytach. Systemy te stosuje się także przy ocenie prostych działań crossellingowych czy tworzeniu ofert dopasowanych do różnych grup klientów.

Oprócz systemów ratingowych w bankowości coraz częściej stosowane są również zaawansowane systemy scoringu behawioralnego, które wykorzystują odpowiednio przetworzone dane opisujące dotychczasową interakcję klienta z bankiem. Takie rozwiązanie od pół roku funkcjonuje w Banku BPH. "Umiejętnie integrujemy obydwa podejścia, czyli rating i scoring behawioralny, bo wówczas korzyści są jeszcze większe niż w przypadku wykorzystania każdego z tych narzędzi z osobna" - mówi Marek Szcześniak, kierownik zespołu ds. scoringu i ratingu oraz kierownik zespołu projektowego realizującego wdrożenie systemu i modeli scoringu behawioralnego w Banku BPH.

Element bazylejski

Kredyt bez wpadki

Marek Szcześniak, kierownik zespołu ds. scoringu i ratingu oraz kierownik zespołu projektowego realizujńcego wdrożenie systemu i modeli scoringu behawioralnego w Banku BPH

Celem realizacji projektu w Banku BPH była przede wszystkim lepsza alokacja kapitału i efektywniejsze zarządzanie nowymi planami kredytowymi, jak również podniesienie poziomu sprzedaży kredytów. "Korzyści są wielorakie, zarówno po stronie ograniczenia liczby błędnych decyzji kredytowych, jak i lepszego podejścia do obsługi klientów, którzy są dla banku zyskowni" - mówi Katarzyna Bijak, specjalista, analityk odpowiedzialny za budowę modeli behawioralnych w Banku BPH.

Jednocześnie wdrożenie systemu miało przyczynić się do automatyzacji podejmowania indywidualnych decyzji, np. dotyczących odnawialności przyznawanego limitu kredytowego. "Chodziło nam o to, by w przypadku decyzji podejmowanych przez pracowników były to decyzje bardziej obiektywne, oparte na informacjach dostarczanych przez system" - twierdzi Krzysztof Janicki, dyrektor zarządzający w Banku BPH.

Modele takie mają jednak ograniczony czas życia, zmieniają się bowiem zachowania i charakterystyki typowych profili klientów, trzeba więc co jakiś czas je przebudowywać. To zaś jest zadaniem niebanalnym. Potrzebna jest znajomość ekono metrii i statystyki na poziomie zaawansowanym.

Projekt zrealizowany w Banku BPH łączył cechy zwykłego projektu IT ze specyfiką pracy analitycznej. Był realizowany od początku 2005 r. i trwał prawie rok. Dzisiaj system jest już wykorzystywany w codziennej działalności banku. Jego budowa stanowiła jeden z istotnych etapów ogromnego projektu bazylejskiego (zgodnie z uzgodnieniami Komitetu Bazylejskiego tzw. banki są zobowiązane do wdrożenia skomplikowanych systemów analizy danych i raportowania). "Tego rodzaju rozwiązanie, by było użyteczne, musi współpracować z innymi systemami informatycznymi w banku, przede wszystkim z CRM. Bank musi być dobrze przygotowany na to, by efektywnie zagospodarować narzędzia scoringu behawioralnego" - mówi Krzysztof Janicki.

Wspólna realizacja

Kredyt bez wpadki

Katarzyna Bijak, specjalista, analityk odpowiedzialny za budowę modeli behawioralnych w Banku BPH

Projekt był realizowany przez zespół składający się z pracowników banku oraz specjalistów z SAS Institute. Współpraca Banku BPH z SAS ma długoletnią historię, która zaczęła się od budowy hurtowni danych. Teraz o wyborze dostawcy zadecydowały m.in. możliwość wykorzystania rozwiązania SAS Credit Scoring Solution i gotowość dostosowania go do warunków bieżącej działalności i specyfiki banku.

Kredyt bez wpadki

Krzysztof Janicki, dyrektor zarządzający w Banku BPH

Rozwiązanie SAS ma budowę modułową (zawiera m.in. moduł budowy modeli, zarządzania i obsługi repozytorium danych, moduł zarządzania modelami i oceny ich jakości), co pozwala na integrację i automatyzację procesów związanych ze scoringiem behawioralnym w ramach jednego środowiska. W rozwiązaniu SAS zdefiniowano kilka tysięcy zmiennych analitycznych, z których oczywiście tylko część może i powinna być wykorzystana w danym projekcie. Doświadczenia SAS wskazują, które dane są szczególnie istotne - one więc powinny być badane w pierwszej kolejności.

"Przed rozpoczęciem projektu scoringowego prace powinny skupić się na określeniu, czy mamy dostępne wystarczająco dobre dane historyczne - obejmujące okres co najmniej ostatnich dwóch lat - w tym udokumentowaną strukturę i więzy integralności oraz ich klarowny opis biznesowy" - dodaje Ewa Mizerska. Potrzebne są także dokładna definicja modelowanego zjawiska i opis sposobu jej reprezentacji w danych źródłowych. Pod tym względem Bank BPH był dobrze przygotowany - w repozytoriach jego systemów informatycznych, zbudowanych również na podstawie narzędzia SAS, od dawna gromadzono w sposób usystematyzowany i przemyślany dane dotyczące różnych aspektów jego działalności, w tym opisy zachowania klientów i wykorzystania przez nich usług bankowych.

Najważniejsze obszary ryzyka w projekcie scoringowym
  • Zapewnienie dostępności danych - niezbędne jest zidentyfikowanie oraz przygotowanie ekstraktu danych wejściowych. Jakość i kompletność przygotowanych danych ma istotny wpływ na czas trwania pozostałych wstępnych etapów projektu (analiza i zasilanie systemu ekstraktami danych wejściowych).

  • Odpowiednia długość szeregu czasowego - najlepiej, gdy dostępne dane historyczne obejmują okres przynajmniej 2 ostatnich lat. Istotne, by wszystkie wymagania i faktyczne możliwości w tym zakresie znane były już na etapie planowania i określania kryteriów odbioru projektu.

  • Dostatecznie dobra jakość danych - dane pochodzące z systemów front-office często nie spełniają wymagań jakościowych; dotyczy to zwłaszcza stopnia wypełnienia poszczególnych zmiennych, a także zdefiniowania pojęcia "brak danych". Ostatecznie jakość danych wejściowych ma wpływ na liczbę iteracji zasileń repozytorium analitycznego i przebieg modelowania, a więc również na czas trwania całego projektu.

  • Odpowiednia definicja default (chodzi o zjawisko niewywiązywania się przez klienta z zobowiązań). Definicja powinna być jednorodna w całym badanym okresie, a także jednolity powinien być sposób jej oznaczania w danych źródłowych. W przypadku gdy kryteria te nie są spełnione, dodatkowa weryfikacja wymagać będzie rozszerzenia zakresu projektu, co znów może wpływać na czas jego realizacji.

  • Właściwa segmentacja - najlepiej, gdy wskazane przez bank segmenty klientów odznaczają się pewną jednorodnością, a jednocześnie są na tyle liczne (oraz występuje dostatecznie wiele przypadków defaultu), by można było uzyskać modele o wysokiej jakości. Jeżeli tak nie jest, należy zastanowić się nad modyfikacją segmentacji, co samo w sobie może stać się osobnym projektem.

    Źródło: SAS Institute


  • TOP 200