Повече сигурност за бизнеса с бързи кредити по време на COVID-19

„Едва когато приливът отмине, става ясно кой се къпе гол.“
Уорън Бъфет

Тези, които действат бързо и се адаптират навреме в смутни времена, ще се справят с предизвикателствата. В контекста на пандемията от COVID-19, това означава, че банките, както и останалите кредитни институции трябва да имат инструментите да анализират постоянно какво се случва и да реагират своевременно, ако е необходимо.

Като експерти в кредитния скоринг, използващ изкуствен интелект и машинно самообучение, подготвихме тази публикация, която разглежда в дълбочина проблемите, пред които кредитният бизнес се изправя. Фокусираме и върху механизмите за противодействие, като поставяме акцент върху възможностите на автоматизираното вземане на решения като цяло. Рязката промяна в бита на хората, предприетите мерки за социална дистанция и различният ефект на кризата върху отделните сегменти от населението, по конкретно трудовата заетост, както и нуждата от допълнителни финанси доведе до сътресения в сферата на кредитирането. В резултат на това, някои бизнеси драстично свиха операциите си и преминаха изключително към „ръчен режим“ на одобрения за кредит. Това значително намалява скоростта, а и ефективността на процеса на кредитиране. В някои случаи се стигна дори до закриване на дейността в цели пазари, поради опасения от нарастване на лошите кредити и негативния ефект от наложените законови мерки върху събирането на вземанията.

Други кредитодатели реструктурираха бизнеса си, а някои изцяло насочиха усилията си към оптимизация на стратегиите си за контрол на риска, както и се фокусираха върху дългосрочното си развитие. В момент като този, когато поведението на потребителите и средата се променят, начинът, по който кредитните бизнеси реагират е ключов не само за тяхното развитие и преразпределянето на пазарните дялове в сектора, а дори и за тяхното оцеляване.

В тази публикация изцяло насочваме вниманието си върху сектора на бързите кредити, където се оперира с най-чувствителния на кризи сегмент от населението. В този сектор попадат кредитополучатели, които в банковия сектор се приемат за твърде рискови поради тяхното нестабилно финансово състояние. Правим преглед на промените влияещи върху степента на риска, привеждайки конкретни примери, а след това изследваме предизвикателствата и начините за навременна, бърза и ефективна реакция на бизнесите, която сега е по-нужна от всякога. Завършваме с обсъждане на промените в стандартния подход за анализ на риска, които е необходимо да бъдат направени, за да се отчитат настъпващите изменения с цел предоставяне на адекватна помощ на бизнеса в този чувствителен към кризата сектор.

Кои са промените с влияние върху кредитния риск?

COVID-19 доведе до промени, свързани с трудовата заетост, например затварянето на ресторантите направи по-рискови кредитоискателите, заети в ресторантьорския и туристическия сектори. От друга страна, пенсионерите са обезпечени от държавата и се очаква техните доходи да не се повлияят от извънредното положение. Друга група промени е свързана с бита и нуждите на хората. Например нуждата от бърз кредит с цел пътуване намалява поради наложените ограничения на пътуванията. Очаква се кредитите, с цел закупуване на скъпи стоки също да намалеят поради свиването на доходите и неясната перспектива. От друга страна, нуждата от допълнителни средства за подпомагане на семейния бюджет – за храна и комунални услуги се очаква да расте. Измененията в бита на хората и в техните нужди са фактори, влияещи на риска, който носят кредитоискателите. В допълнение, законовите промени ограничаващи лихвените проценти и влияещи на процеса на вземанията също трябва да се отчетат от системите за оценка на риска още на ниво отпускане на кредит. Поради инертността на икономиката тези и други промени в поведението на потребителите тепърва предстои да се наблюдават. Ето защо, компаниите предоставящи бързи кредити е необходимо да оперират в условията на промяна на поведението на пазара, както от началото на извънредното положение, така и в следващите месеци.

Потребителските кредити във времето на COVID19

Един голям научен урок от финансовата криза през 2008 г. беше необходимостта от повторно калибриране на процесите по поемане на бизнес риск около събития тип „черен лебед“. Това е нещо, което трябва да се направи своевременно в потребителското кредитиране. Днес, дори съществуват аналитични решения, използващи методите за машинно самообучение (от англ. Machine Learning (ML)), които предоставят на банковите и небанковите финансови институции възможност за бързо автоматизирано генериране на скоркарти и калибриране на стратегията за отпускане на кредити, способност, която не е съществувала по време на предходни кризи и низходящ икономически цикъл. Освен това, тези аналитични решения използват потоци от данни, за да се учат ефективно и да се адаптират към промяната при новите искания на кредитополучатели. Също така, исторически се вижда, че тези промени се случват в по-голяма степен по време на рецесия. За бизнеса, това е подходящо време да засили своите ML практики при потребителските кредити като инвестира в тази технология с поглед към бъдещето. В същото време, организациите не трябва да пренебрегват използването на алтернативни източници на данни при оценката на потребителските кредити. Тези допълнителни данни предоставят значителна информация за по-уязвимите икономически групи, което ще позволи по-добри решения и адаптивни модели в този сегмент.

Предизвикателства пред бързото кредитиране

Извънредното положение променя както поведението на обекта в задачата за оценка на риска – кандидат за кредит, така и средата, в която функционира бизнеса. За да оцелеят и особено, за да разширят пазарния си дял, компаниите за бързи кредити се сблъскват с предизвикателства като:

  • бърза актуализация на представата за „добър“ клиент;
  • актуална дефиниция на добър платец що се отнася до поведението му във времето;
  • одобрение/отхвърляне на заявка за кредит при статистически недостатъчно данни за текущото поведение на клиентите, например колко по-рискови са станали клиентите от ресторантьорския бизнес.

Бързата актуализация на стратегията за отпускане на кредити спрямо динамиката на средата и промяната в поведението на клиентите е голямо предизвикателство за кредитната индустрия. Причината е, че за да бъде класифициран даден клиент като добър или респективно лош платец, е необходима история на плащанията, които обикновено се извършват веднъж в месеца. Това отдалечава във времето кандидатстванията, които се използват за формиране на профил(и) на клиентите спрямо текущата ситуация. Освен това е известно, че колкото повече месеци се наблюдава обслужването на даден кредит, толкова по-точно може клиентът да бъде класифициран като добър или лош платец. Истината е, че това твърдение е коректно само когато икономическите и социални условия са стабилни. Свиването на периода на наблюдение води до по-бърза адаптация към текущите изменения в степента на риска. И все пак е важно този период да не е твърде кратък, тъй като прекомерното му свиване може да доведе до по-неточна оценка поради необходимостта от време за т.нар. „узряване на лошите“.

Накратко, необходимо е да се намери баланс между скорост на адаптация и точност на оценката на риска. Актуализацията на дефиницията на понятието риск обикновено се свежда до избор на максимално допустим брой дни просрочие, над който се приема, че клиентът е твърде рисков и се класифицира като лош платец. Тук предизвикателството се свежда до това какво просрочие на клиенти отпреди кризата се приема за високорисково, имайки предвид сегашното икономическо положение. За да се отчете промяната в риска е необходимо да се преразгледа тази дефиниция, за историческите данни от преди кризата или с други думи доколко неизряден платец преди кризата все още може да се приема за добър платец в кризисна ситуация като тази с COVID-19. Тук предизвикателството е да се вземе решение дали и доколко да се измени дефиницията за добър платец. Описаните по-горе предизвикателства са свързани с необходимостта от наблюдение на поведението на клиентите, което по време на пандемията и в месеците след нея ще води до необходимост от вземане на решения без достатъчно статистически данни, които да подкрепят конкретно решение.

Човешкият фактор и аналитичните приложения по време на криза

Както в началото беше споменато някои кредитни институции предприемат като мярка за намаляване на риска с превключването към ръчен режим на одобрение на заявките за кредит. Причината за това е бързо променящата се среда и гъвкавостта при промяната в правилата, следвани от кредитните инспектори при вземането на решения. Като недостатък на този подход може да се отбележи забавеният процес на одобрение, което в комбинация с по-рестриктивни правила и неконсистентност на човешкия фактор при вземането на решения може да доведе до значително свиване на клиентската база.

Освен бързата реакция, друга причина за изключване на подхода, използващ исторически данни и ML за формиране на индивидуална прогноза на риска е, че данните от миналото са остарели и не отразяват сегашната ситуация. През първите близо два месеца от началото на кризата с COVID-19, установихме, че това твърдение е в сила само за определени, при това известни, сегменти от клиенти като вече дадените за пример хора, заети в ресторантьорския и туристическия бизнес, както и за наетите в търговията със стоки не от първа необходимост, които пряко са засегнати от мерките за социална дистанция.

Едновременно с това, една неоспорима възможност на подхода, базиран на данни е отсяването на клиенти, които или са се доказали като съвестни и добри платци или са нови кандидати със сходни характеристики. Всеки бизнес от сектора на бързите кредити би искал да задържи или привлече такива клиенти. Също така, с подхода базиран на данни лесно може да се изолират кандидати, носещи потенциален висок риск за компанията и съответно те да бъдат избягвани. Това е причината някои кредитодатели през последните месеци да насочат допълнителни ресурси и да инвестират именно към аналитични решения, базирани на данни.

Възможно ли е преразпределение на пазарни дялове по време на COVID-19?

От всичко казано до момента, симбиозата между кредитните инспектори, с тяхното бизнес знание и аналитичните приложения за оценка на риска е правилното решение за бърза и прецизна, в рамките на възможното, реакция на бизнеса. Истината е, че в много държави пазарът на бързите кредити е наситен. На такъв пазар клиентите на финансови продукти са обслужвани от голям брой бизнеси.

Настъпилата криза в тези държави дава безпрецедентна възможност за значимо преразпределяне на пазара, каквото не би могло да се постигне с каквито и да било реклами и маркетингови кампании. Промяната в поведението на компаниите неминуемо води до това дългогодишни клиенти да търсят нови възможности, поради новата консервативна стратегия на някои играчи на пазара. Именно бързината и точността на решенията при отпускане на кредит са ключът към стабилното разширяване на пазарния дял в сектора. Споменатата в предишната тема симбиоза може да се осъществи като се използва безценното знание на кредитните инспектори за дефиниране на ясни бизнес правила, които да се интегрират в аналитичните приложения за оценка на риска. Това е изключително важна стъпка, когато все още няма натрупани статистически данни за поведението на клиентите по време на кризата. От друга страна историческите данни дават възможност на ML приложенията да агрегират информация за степента на кредитния риск, който поема компанията и с това подпомагат вземането на решение от страна на инспекторите или напълно ги отменя.

Влошаване на оценката на риска по време на криза

Един от най-трудните уроци, които финансовия сектор научава по време на спада на икономиката в момента, а и от финансовата криза през 2008 е, че моделите на риска могат да се влошават бързо и кредитополучатели с идентични кредитни рейтинги могат да се представят драматично по-различно, в зависимост от това кога по време на икономическия цикъл съответния кредит е бил отпуснат. Това прави моделите силно зависими от промените в икономическите условия спрямо старите условия, заложени в набора от данни при разработването им. Това означава, че vintage анализ, който оценява качеството на кредита по дата на възникване на заема, предоставя най-надеждния инструмент за разбиране дали реалните резултати са съобразени с очакванията. Vintage анализът също създава индикатор за ранно предупреждение, ако моделите започнат да се провалят по време на спада на кредитния цикъл.

Както се видя по време на финансовата криза през 2008 г., проблемните кредити бяха силно концентрирани в поколения/реколти най-близки до кризата, а икономическото влошаване се разпространи от жилищния сектор във всички части на икономиката, правейки невалидни предположенията за диверсификация. По времето, когато повечето банки откриха тези недостатъци на моделирането, беше вече късно.

Решението: Адаптиране на процеса на оценяване

Както вече беше дискутирано, освен симбиозата между човешкия фактор и аналитичните приложения, са необходими и изменения в стандартния подход за моделиране и оценка на риска, установил се от преди пандемията. Тези изменения са свързани с:

  • използване на договори с поне един изтекъл падеж
  • актуализация на дефиницията за “добър платец“, заменяйки я с по-консервативна
  • отчитане на поведението на кредитополучателите по време на кризата с по-голямо тегло при изграждането на моделите на риска
  • интегриране на актуални бизнес правила при статистически недостатъчно наблюдения

Изследванията са извършени с данни отразяващи спецификите на сектора на бързите кредити. За да се оцени ефектът от кризата и възможността на модифицирания аналитичен подход да се адаптира към промените, последните 112 дни от данните са изкуствено изменени с цел отразяване на промяната в поведението на кредитоискателите по време на криза.

Проведени са три изследвания, във всяко от които последователно се изграждат 7 скоркарти във времето като изкуствено се изменя датата на тяхното автоматизирано генериране, през период от 2 седмици, стартирайки от 28 дни след началната дата на кризата. Така първата скоркарта е построена само върху данни от преди кризата, в които не участват кандидатствания по време на извънредното положение. Обяснението за това е, че още не е изтекъл минималният 30 дневен период, включващ първата вноска на кандидати от кризисния период. Втората скоркарта отчита кандидатстванията от близо 2 седмици от кризата, третата е построена с данни от 4 кризисни седмици и т.н. Също така в трите изследвания се въвежда нова дефиниция за добър платец, с което се отчита глобалния негативен ефект от кризата върху кредитирането. За целта е намален допустимият период на просрочието спрямо стандартната дефиниция за бързи кредити. Така се отчита промяната на стратегията на финансовата компания към по-консервативна като се приема, че платци, просрочвали с по-малък от обичайния брой вноски са твърде рискови по време на криза. Освен това отхвърляните в миналото кандидати се приемат за лоши платци. Това опростява постановката на задачата и представеният в статията анализ. Именно допускането, че отхвърлените кандидати са лоши води до по-високите стойности на използвания показател на качество на моделите. За проследяване на качеството им се използва статистиката Gini, която отразява дискриминативната сила на моделите. Gini се изменя между 0 е 100%, като Gini = 0 означава нулева дискриминация, а Gini = 100% – пълна разпознаваемост на добрите и лошите платци (т.е. идеален модел). За да се направят изводи за адаптацията на скоркартите, Gini се изчислява върху наличните, към датата на моделиране, данни от периода на кризата. Единствено за първата скоркарта, която е построена с данни преди кризата, Gini се изчислява с данни от преди промените. Това дава възможност да се отчете степента на влошаване на следващите модели. Също така се следят и измененията в скора – стойност, формиран от моделите, която е свързана с риска, носен от кандидатите.

В първото изследване се проследява влошаването на скоркартите, формирани със стандартната стратегия за генериране на модели. При нея се използват кандидатствания до 1 година преди експорта на данните, за да има 12 месеца история на плащанията им. В този смисъл, стандартният подход би довел до отчитане на ефекта от кризата 1 година след нейното възникване.

Във второто изследване интервалът на наблюдение е удължен спрямо стандартния като в моделирането са включени и последните кандидатствания с налична история на плащанията. Това дава шанс максимално бързо да се отчете промяната в поведението на клиентите.

В третото изследване към тази промяна се добавя и допълнителното претегляне на новите наблюдения, с което се ускорява скоростта на адаптация на моделите на риска. Наблюденията по време на кризата участват в обучението на моделите с по-голямо тегло, за да се подсили ефектът им върху крайните модели, наричани още скоркарти.

Резултатът от изследванията е поместен в долните таблици.

covid19 scoring

 

covid19 кредитен скоринг

Ефектът на пандемията върху качеството на скоркартите в трите изследвания очаквано се влошава, понеже е настъпила промяна в поведението на кредитополучателите. Тепърва, с натрупване на нови наблюдения и с отпадане на стари данни, се очаква моделите да възстановят дискриминиращата си сила като тази, която са имали преди кризата. Разликата между сценариите е времето за това възстановяване. Вижда се също така, че с прилагане на стандартния подход (сценарий 1) за моделиране по време на кризата закономерно отслабва свойството на скоркартите коректно да дискриминират кандидатите като спадът се задържа около 33% спрямо качеството на скоркартата оценена с данни от преди кризата. Във втория сценарий, при който са въвеждат наблюдения от периода на кризата, но наблюденията участват с непроменено тегло, Gini в началния за кризата модел рязко спада (както и в първия сценарий), след което постепенно нараства и крайното влошаване е 15%. За третия сценарий с въвеждане на по-голяма тежест на новите данни, показателят Gini спада само до 7% от способността за дискриминиране преди кризата. Това показва, че с изменената стратегия за изграждане на скоркарти се осигурява бърза адаптация на модела към новата кризисна ситуация. За промяната на риска във всеки от трите сценария може да съдим от точките, които получават пенсионерите, при формиране на крайната оценка (скора), използвана за вземане на решение. Колкото по висок е скорът на даден кандидат, толкова по-ниско рисков е той според модела. Както беше споменато приходите на пенсионерите не се очаква да се изменят, което означава, че относителният риск, който те носят, спрямо останалите кандидати, се очаква да намалее. Това е заложено в данните по време на кризата. В първият сценарий вариацията в точките, които получават пенсионерите при кандидатстване за кредит флуктуира между 35 и 40 като основната причина за това изменение е промяната на множеството от величини, които участват в съответния модел. От друга страна, в останалите два сценария се наблюдава монотонно нарастване на тези точки, т.е. при по-консервативно кредитиране всяка следваща скоркарта поощрява все повече този сегмент от населението. В третия сценарий точките нарастват повече от два пъти.

С последния анализ на скора директно се представя възможността за по-бърза адаптация на скоркартите към новата ситуация, формирани с на втората и особено с третата изменена стратегия за моделиране.

Заключение

Главният изпълнителен директор на JP Morgan Chase & Co. Джейми Даймън коментира в писмо до акционерите на банката, че бизнесът трябва да се справи с необикновена криза и очаква много тежки времена.

В същото време, основният извод от проведеното изследване е, че с подходяща промяна в начина на обучение на моделите прогнозиращи риска е възможно да се постигне бърза адаптация на скоркартите. В допълнение, с интегриране на актуални бизнес правила в аналитичното приложение, допълнително се намалява нежеланият ефект на влошаване на качеството на вземаните решения за отпускане на кредит.

A4Lending, нашето приложение за автоматизирано вземане на решения в кредитирането не само автоматизира този процес и осигурява спестяване на разходи и повишава бизнес ефективността в преди кризисните времена, но защитава успешно този тип бизнеси по време на пандемията от COVID-19.

Посетете нашия сайт за още системи за автоматизирано вземане на решения: https://www.a4everyone.com/

 

 

 

 

Вашият коментар

Вашият имейл адрес няма да бъде публикуван. Задължителните полета са отбелязани с *