Скоринг — это система оценки кредитоспособности (платежеспособности) потенциального заёмщика, основанная на численных статических методах. Зачастую банки принимают решение о выдаче или невыдаче кредита тому или иному заемщику, не раскрывая всю схему проверки благонадежности заёмщика и тех факторов которые влияют на принятие решения о выдаче кредита. Так что же в наибольшей степени влияет на конечный результат и является толчком для начала сотрудничества?
Не поверите, но получите вы кредит под залог недвижимости или нет, могут решать не люди, а машины, точнее специальные программы под названием «скоринг». Целью и задачей скоринга является оценка заявки заемщика и в итоге выдача принятого решения.
Изучив особенности работы данной программы можно определить, кто он, идеальный заемщик? Идеальным вариантом для кредитного учреждения станет женщина среднего возраста, она должна быть замужем и иметь двух детей, а также иметь постоянное место жительства.
Берутся во внимание также документально подтвержденное финансовое положение и наличие постоянного места работы. Всех, кто не подпадает под данную категорию заемщиков, спешим успокоить, это не значит, что вы не сможете оформить срочный кредит, просто именно такие клиенты чаще всего зарекомендовывают себя как наиболее надежные и пунктуальные.
Уровень надежности заёмщика вычисляет программа
Российские банки только осваивают скоринг, но многие уже признали автоматическую систему подсчета рисков невозврата кредита как полезный инструмент в принятии решений о выдаче мелких кредитов. Более крупные сделки рассматриваются экспертом, который должен провести личное собеседование с потенциальным заемщиком.
Скоринг может быть использован кредитной организацией на свое усмотрение. Это может быть полное или частичное принятие решений. Программа призвана рассмотреть анкету клиента и выдать результат в виде баллов. Дословный перевод слова «scoring» с английского означает «подсчет очков», поэтому название программы раскрывает ее суть.
Кроме того, она должна достоверно определить кредитоспособность человека на основе разных характеристик, в том числе и не финансового характера. Скоринг анализирует базу данных и сравнивает вас с недобросовестными плательщиками.
Происходит это в несколько этапов:
- Проверка предоставленной клиентом информации: наличие паспорта, почтового индекса и т.д. Различные скоринговые программы работают на данном этапе по-разному. Например, одна программа воспринимает мелкие неточности как преднамеренный обман, а другая – как ошибку.
- Проверка на наличие stoli-data – так называемого стоп-фактора, который может стать препятствием к получению кредита. К таким факторам могут относиться: отсутствие постоянной регистрации, национальность (например, цыгане), профессия (например, сотрудники правоохранительных органов), преклонный возраст и другие. Конечно, можно сказать, что указанные выше характеристики являются в какой-то мере дискриминацией, но банки все-таки обращают на них внимание, хотя и не признаются в этом.
- Существует такое понятие как go-факторы, которыми может стать ваша положительная кредитная история (хорошо, если кредиты вы получали и своевременно погашали в этом же банке).
- Начисление баллов за каждую из характеристик заемщика. Полученный результат подскажет банку, выдавать или не выдавать кредит, повысить или понизить величину процентной ставки.
Скоринговая программа анализирует в среднем от пяти до пятнадцати параметров, перечень которых не может быть раскрыт посторонним лицам. Такая конфиденциальность обусловлена высокой стоимостью покупки программы или ее самостоятельной разработки.
Что касается, скоринговой программы, то она может быть разработана на базе полученного опыта и большого количества клиентов банка. В итоге, собственный скоринг позволит банку проанализировать заемщиков, найти их общие черты, положительные и отрицательные.
Если вы не доверяете ни скоринговым программам, ни банковским экспертам, отношение которых может быть предвзятым, обращайтесь в кредитные центры, одним из которых кстати и является компания Финанс-Кредит, где решения принимаются, только основываясь на действующее законодательство, большой опыт работы на рынке и высокий профессионализм специалистов.
Современные технологии позволяют микрофинансовым организациям анализировать огромные массивы данных о заемщиках. Компании говорят о тысячах параметрах, которые изучаются для вынесения решения по заявке. Почему же в таких условиях до сих пор появляются неплатежеспособные клиенты, хотя ранее их тщательно проверили и одобрили им заем?
Сегодня в автоматическом режиме микрофинансовые организации проверяют заемщика по данным из крупнейших бюро кредитных историй, Федеральной службы судебных приставов, Федеральной миграционной службы, Федеральной налоговой службы, Федеральной службы государственной регистрации, кадастра и картографии, Министерства внутренних дел. Кроме того, заглядывают в базу данных по судебным решениям, анализируют контактные данные заемщика, изучают количество отказов в других МФО. И все это за считанные минуты.
На сайте компании «Займер» сообщается, что робот анализирует свыше 1800 параметров заявки клиента, который обратился за займом. В Moneyman отмечают, что скоринговая модель учитывает несколько тысяч параметров.
Однако масштабная система анализа все же не спасает от дефолтов. «Исключить риск появления неплатежеспособных клиентов практически невозможно. Поскольку сложно предугадать момент возникновения социального дефолта заёмщика. Невозможно предвидеть, когда человек может потерять работу, заболеет или ему потребуются еще большие деньги», — объясняет технический директор онлайн-сервиса микрокредитования «Честное слово» Дмитрий Шепель.
Указывают специалисты и на ситуацию в экономике страны. Как отмечает генеральный директор сервиса онлайн займов «Робот Займер» Сергей Седов, сегодня потеря источника дохода является частым явлением. Это происходит в связи с кризисом, и, как следствие, снижением зарплат, сокращениями, инфляцией. Все это влияет на рост числа неплательщиков.
«Скоринговая система оценивает риски сегодня, а завтра, к сожалению, уже может все поменяться», — подчеркнул Сергей Седов. Кроме того, как добавляет эксперт, система не может наверняка знать намерения клиента на текущие кредитные обязательства. «То есть, возможно и такое, что заемщик заведомо несерьезно относится к взятому кредиту и заранее знает, что не вернет его», — заявил он.
Хотя, как признают эксперты, система не может предвидеть всех обстоятельств, тем не менее компании постоянно работают над улучшением оценки рисков.
Екатерина Казак, директор по управлению рисками сервиса онлайн-кредитования MoneyMan рассказала, что регулярные улучшения по защите от мошенников позволили снизить уровень просроченной задолженности.
Сегодня компания Moneyman изучает аккаунты пользователей в соцсетях, поведение заемщиков на сайте сервиса. Компания внедрила методы глубинного анализа данных и глубинного анализа текста, что позволяет выискивать скрытые закономерности, интересные взаимосвязи и нетривиальные тенденции.
Дмитрий Шепель из компании «Честное слово» отмечает, что их скоринговая модель очень динамична. «Мы постоянно отслеживаем экономическую ситуацию в стране, оцениваем риски и вносим необходимые изменения», — заключил эксперт.
Содержание статьи
Показать
Скрыть
С 1 января 2023 года в России заработал новый механизм ЦБ — макропруденциальные лимиты (МПЛ). Теперь банки будут выдавать меньше необеспеченных кредитов людям с высокой долговой нагрузкой.
Эти меры должны снизить риски закредитованности россиян. Но из-за новых правил банки будут ужесточать требования и чаще отказывать в кредитах. А что еще может привести к отказу? Может ли внешний вид клиента повлиять на решение? Разбираем основные причины вместе с экспертами.
Что такое скоринг в банке
Прежде чем одобрить кредит, банки проверяют вас по собственной скоринговой модели. Это система оценки, которая помогает предсказать, как вы будете выплачивать долг.
«В скоринговые модели заложено много параметров, — говорит Светлана Зубкова, доцент департамента банковского дела и монетарного регулирования Финансового университета. — Среди них: кредитная история, доход клиента, состав семьи, показатель долговой нагрузки и т. д. Любой из включенных в модель критериев может дать отрицательное решение».
Основные причины отказов
Если банк после скоринга отказывает вам в кредите, причину он называть не обязан. Но глобально их три:
- плохая или нулевая кредитная история;
- высокая кредитная нагрузка — соотношение платежей по всем кредитам к ежемесячным доходам клиента более 50%;
- кредитная политика банка — например, у банка есть ограничения по возрасту и форме трудоустройства, по которым вы можете не проходить.
«Отказать могут, если вы не соответствуете требованиям банка, которые он предъявляет к заемщикам, — говорит Екатерина Тютюнникова, адвокат МКА «Центрюрсервис». — Например, у вас неподходящий возраст, отсутствует постоянная регистрация на территории РФ или в регионе присутствия банка. Нет трудового стажа и доходов, низкий нестабильный доход, плохая кредитная история, высокая долговая нагрузка. Есть судимости, долги по исполнительным производствам или вас привлекали к административной ответственности».
Банк может отказать в кредите, если вы предоставите ему недостоверную информацию о доходе, работодателе, цели займа, если подготовите неполный пакет документов для рассмотрения заявки, говорит эксперт.
«Еще причины — частое обращение за кредитами и отказы по ним, наличие микрозаймов в микрофинансовых организациях, кредитов на небольшие суммы, нескольких кредитных карт с открытым лимитом, — говорит Екатерина Тютюнникова. — На решение банка может повлиять ваша закредитованность или, например, информация о процедуре банкротства».
#}
Ставка: от 5.5%
Платеж: 9 059 ₽
#}
Может ли внешний вид клиента повлиять на решение банка
По словам адвоката Екатерины Тютюнниковой, внутренние регламенты, инструкции банков предусматривают порядок оценки, критерии внешнего вида заемщиков:
«Если вы неопрятно одеты, находитесь в состоянии опьянения, даете невнятные ответы на вопросы, нервничаете, пришли с людьми, которые за вас отвечают, не можете пояснить, для каких целей нужен кредит, то все это влияет на итоговое решение банка».
Но важнее внешнего вида репутация, считает Светлана Зубкова:
«Чаще всего отказать в кредите могут из-за показателя долговой нагрузки (выше 50% — прим. ред.), негативной информации в открытых соцсетях, долгов по квартплате и др. Внешний вид вряд ли повлияет на решение банка, а вот репутация, основанная на том, как вы выполняете свои обязательства, точно повлияет».
Почему банк может отказать в ипотеке и что сделать
Что сделать, чтобы увеличить шансы на одобрение
Екатерина Тютюнникова предлагает список шагов, которые помогут увеличить шансы на одобрение кредита. Необходимо:
- Закрыть долги по исполнительным производствам.
- Погасить микрозаймы, закрыть кредитные карты, объединить несколько кредитов с небольшими суммами в один либо погасить их.
- Перевести зарплату в банк, в котором вы хотите кредитоваться.
- Оформить страховку.
- Представить документы о дополнительном доходе.
- Представить весь пакет документов, которые необходимы банку.
- Позаботиться о своем внешнем виде при необходимости визита в банк.
- Спокойно и вежливо отвечать на вопросы сотрудника банка.
Еще для положительного решения можно открыть вклад или накопительный счет в банке или предоставить созаемщиков и поручителей при подаче заявки на кредит.
Подобрать кредит
Банк не говорит причину отказа. Но можно ли ее все-таки узнать и как?
Сейчас банки могут не раскрывать причину отказа в кредите. По словам Екатерины Тютюнниковой, было несколько попыток внести изменения в законодательство, чтобы заставить финансовые организации предоставлять клиентам мотивированный ответ.
«Но банковское сообщество выступает против подобных изменений. Многие банки имеют собственные методики, подходы к критериям оценки заемщиков, и не все готовы их раскрывать», — говорит адвокат.
Правда, с 1 марта 2015 года банки должны записывать причины отказа в кредитную историю заемщика (Федеральный закон «О кредитных историях» от 30.12.2004 N 218-ФЗ).
«Если запросить кредитный отчет, можно узнать, почему банк не выдал кредит. Но будет ли официальная причина отказа соответствовать реальной, остается догадываться, так как иногда формулировки размыты либо указана общая политика кредитования банка», — говорит Екатерина Тютюнникова.
Частые причины отказа — плохая кредитная история, низкий кредитный рейтинг и высокий показатель долговой нагрузки. Их можно проверить самостоятельно. Как именно, почитайте:
- Как узнать свою кредитную историю
- Как узнать свой кредитный рейтинг
- Как рассчитать показатель долговой нагрузки
Продолжаем рассказывать про функции ошибки и функционалы качества, сегодня поговорим о функциях, которые «заставляют» алгоритм выдавать вероятности принадлежности к классам. Рассчитано на читателей, которые освоили предыдущие посты по этой теме.
Рассмотрим задачу бинарной классификации с классами {0, 1}, в случае, когда алгоритм выдаёт некоторую оценку a принадлежности к классу 1. Можно считать, что оценка лежит на отрезке [0, 1], в идеале её можно было бы интерпретировать как оценку вероятности принадлежности к классу 1, но на практике такое не всегда возможно, именно об этом мы и поговорим…
Для оценки качества решения и настройки нашего алгоритма используем функцию ошибки L(y,a). Функция ошибки называется скоринговой (proper scoring rules), если
т.е. оптимальный ответ на каждом объекте – вероятность его принадлежности классу 1. Мы уже видели, что логистическая функция ошибки является скоринговой, сейчас покажем, что не только она.
Замечание. Формально переводя с английского, корректнее называть описанную функцию ошибки «правильно / подходящей скоринговой», но мы упростим терминологию. Есть также понятие «strictly proper scoring rule» – которое формализует класс функций, при использовании которых выдавать вероятность не просто оптимальное решение, но и единственное оптимальное (все рассмотренные в данной заметке функции будут такими). Отметим, что термин не связан с задачей банковского скоринга! Сама теория скоринговых функций является самостоятельным направлением в теории вероятности и математической статистике. Вспомним также, что проблему «заставить алгоритм выдавать вероятности» мы уже рассматривали в заметке про калибровку.
Рассмотрим ошибку MSE (её привычно применять в регрессии, но сейчас мы её применим в задаче классификации), ошибка на одном объекте равна квадрату отклонения от истинной метки: SE = (y – a)2. Если объект с вероятностью p принадлежит классу 1, то матожидание ошибки
при её минимизации получаем (берём производную и приравниваем к нулю): a = p, т.е. SE – тоже скоринговая функция ошибки. Интересно, что минимум матождания при этом:
С точностью до мультипликативной константы 2 он совпадает с функцией, которую оптимизируют при построении решающих деревьев в критерии Джини. Функцию ошибки MSE в задачах классификации называют «ошибкой Браера» (Brier score), именно под таким названием она реализована в scikit-learn:
from sklearn.metrics import brier_score_loss
brier_score_loss(y_true, y_prob)Если вспомнить аналогичный вывод для логистической функции ошибки, то там матожидание функции ошибки являлось энтропией, а соответствующий критерий – энтропийный. Таким образом, выбирая критерий расщепления среди двух стандартных (энтропийного и Джини), Вы выбираете между целевыми функциями для оптимизации. В различных форумах часто мелькают мнения, что MSE-ошибку нельзя использовать в задачах классификации, оказывается, что можно, более того, иногда она даже предпочтительнее logloss-a (здесь не будем аргументировать, по каким параметрам, детали можно найти, например, в этой статье Селтена). Хотя, логистическая ошибка единственная скоринговая в классе локальных ошибок (используют локальную информацию о распределении в общем случае). Вообще, если разбираться в этой теме, то легко, глядя на GAN, додуматься до LS-GAN-а (это одна из первых модификаций, которые напрашиваются для более эффективного обучения). Как раз для этого и следует копаться в смежных с ML фундаментальных областях математики — при замене энтропии / дивергенции (см. ниже) их аналогами можно получать более эффективные решения.
В общем случае, в теории скоринговых функций в задаче с классами L={1,2,…,l}, когда есть какое-то истинное распределение Q на L и ответ алгоритма – распределение P, рассматривается функция
которую максимизируют по первому аргументу. Функция
(здесь аргументы не просто так поменялись местами) называется информационной мерой (information measure) или обобщённой энтропией (generalized entropy function). Например, для Brier score обобщённая энтропия с точностью до аддитивной константы равна квадратичной энтропии (Quadratic Entropy) p12+…+pl2. А выражение
называется дивергенцией. Для логистической ошибки это выражение превращается в дивергенцию Кульбака-Лейблера, для Brier score – в евклидово расстояние.
Приведём пример нетривиальной скоринговой функции. Давайте в логистической функции заменим отрицание логарифма –log(a) на очень похожую (см. рис) функцию
Получим такое выражение:
Проделаем нашу стандартную процедуру: минимизируем матожидание ошибки для объекта, который с вероятностью p принадлежит классу 1:
Взяв производную и приравняв к нулю получаем a = p, т.е. получили ещё одну скоринговую функция ошибки. Минимальное матожидание
(т.е. корень из минимума матожидания при использовании ME).
Обоснуем странное обозначение exploss, дело в том, что такая функция ошибки называется экспоненциальной, что пока странно, т.к. нигде не видно экспоненты. На самом деле, функция очень логична по следующей причине. Рассмотрим задачу классификации на два класса {–1, +1} и алгоритм для её решения, который выдаёт некоторые оценки принадлежности к классу 1 из интервала (–inf, +inf). Очень логичной кажется такая функция ошибки: exp(–a), которая применялась в первых вариантах бустинга. Её матожидание на объекте pexp(–a)+(1–p)exp(+a), если взять производную и приравнять к нулю, то получим
Если подставить это выражение в исходную функцию ошибки, то получим как раз выражение exploss (только вместо ответов алгоритма там стоит вероятность). Таким образом, это «естественная поправка» экспоненты, если мы хотим ответы нашего алгоритма интерпретировать как вероятности.
Замечание. Такой приём – когда мы получаем ответ какого-то алгоритма через вероятность, а потом считаем, что наш (уже новый) алгоритм должен как раз эту вероятность и выдавать, называется переводом ответов в вероятностную шкалу (probability scale).
Далеко не все функции ошибки являются скоринговыми, тут я сошлюсь на свою старенькую лекцию, но вообще, есть критерий скоринговости (см. в литературе из списка). Скоринговые функции ошибки могут быть и довольно экзотическими, например т.н. Vince’s crazy proper scoring rule: (1+y–a)exp(a).
Задания для самостоятельных раздумий
1. На рис. приведены две функции, похожие на отрицание логарифма. Одна из них также соответствует скоринговой ошибке exploss. Соответствует ли другая скоринговой ошибке?
2. Рассмотрим в задаче бинарной классификации информационную меру max(p, 1 – p). Каким функциям ошибки она соответствует (есть несколько ответов)? Являются ли они скоринговыми?
3. Рассмотрите задачу регрессии, в которой алгоритм должен выдать оценку «истинного распределения на вещественной оси. Как здесь построить теорию скоринговой оценки? Можно ли каким-то искусственным приёмом строить скоринговые оценки в регрессии (подсказка: специальным сведением к задачам классификации)?
Ссылки
Материал поста был прочитан в этом году в рамках авторского курса на летней школе «Управление, информация и оптимизация», кроме того, является частью курса ПЗАД, видеолекции которого скоро будут выложены на ютуб-канале автора (в блоге будет анонс).
- Scoring rule (wiki)
- Tilmann GNEITING, Adrian E. RAFTERY Strictly «Proper Scoring Rules, Prediction,and Estimation» (самая основная работа)
- Matthew Parry, A. Philip Dawid and Steffen Lauritzen «Proper local scoring rules» The Annals of Statistics, 2012, Vol. 40, No. 1, 561–592 (тоже хорошая обзорная статья)
- Barczy, M. (2020). A new example for a proper scoring rule. Communications in Statistics — Theory and Methods, 1–8. doi:10.1080/03610926.2020.1801737 (пример современной статьи по этой теме)
- Proper scoring rules: How should we evaluate probabilistic forecasts? (08.02.2019) (аналогичная статья в другом блоге — сравните, у кого лучше;)
Предыдущие посты по теме «Функции ошибки и функционалы качества»
- Знакомьтесь, Джини
- AUC ROC (площадь под кривой ошибок)
- Функционалы качества бинарной классификации
- Кривые в машинном обучении
- Логистическая функция ошибки
- Функции ошибок в задачах регрессии
Банки часто оправдывают отказы по кредитам скоринговой системой. По каким критериям банки оценивают скоринговые системы, способные разрушить ваши планы на жизнь? Можно ли обмануть «кредитный детектор»? Корреспондент Банки.ру попыталась проникнуть в некоторые тайны скоринга.
Скоринг — дитя войны
Для скоринговых систем портрет добросовестного заемщика примерно один, и никаких сюрпризов здесь нет: женщины, семейные, люди старше 40 лет, клиенты с высшим образованием, а также с хорошим стажем работы платят лучше остальных заемщиков. На основании анализа статистических данных было установлено, что семейные люди более ответственно подходят к выполнению своих кредитных обязательств и реже допускают просрочки.
В Сбербанке отмечают, что скоринг работает не только с социальными данными. Для оценки могут быть использованы любые данные, характеризующие заемщика: кредитная история, информация о движении по счетам, вкладам и картам, данные из социальных сетей…
Как правило, скоринг используется для расчета лимита кредитования, определения размера процентной ставки, вероятности мошенничества и вероятности социального дефолта по кредиту.
«До того как началась Вторая мировая война, скоринговых систем не было, были андеррайтеры. Эти люди сидели и принимали решения. Обычно в старые времена в банках люди работали всю жизнь. Они обладали опытом — знали, как принимать решения, кому давать, кому не давать кредиты. Классически они смотрели на состав семьи, возраст, пол клиента, его репутацию и принимали решения», — рассказал Банки.ру председатель правления банка «Восточный» Алексей Кордичев.
Потом случилась война. Многие «ушли на фронт и уже не вернулись после войны на работу андеррайтерами. И людей для принятия банковских решений не хватало. Тех, кто раньше работал андеррайтерами и вернулся работать в банки, начали опрашивать, как они принимали решения, записывать. Когда новых людей набирали, их учили, чтобы они смотрели на все эти факторы и по ним начисляли баллы. Так появилась идея скоринга.(Первые системы скоринга появились в американских банках как раз во время Второй мировой войны.)
Интересно, что принцип использования логистической регрессии для кредитного скоринга был позаимствован из медицины — во время войны в английской армии пользовались чем-то подобным для определения вероятности заражения вирусными болезнями, определяя корреляцию между симптомами и фактом заболевания.
Это уже потом баллы научились начислять статистически — наблюдая за корреляцией дефолтов с теми или иными факторами, характеризующими заемщика.
Как отличить хороший скоринг от плохого
Довольно сложно определить, по каким критериям нужно оценивать скоринговые системы. Грубо говоря, как понять, где хорошая, а где плохая?
По мнению заместителя председателя правления АО «РНКО «Фидбэк» Константина Соклакова, качество работы скоринговой системы оценивается в первую очередь по тем параметрам, которые проверяет система: начиная от паспортных данных, ИНН, СНИЛС, дохода, водительского удостоверения и т. д. и заканчивая составом семьи, образованием, наличием непогашенных кредитов и просрочек по ним, а также отслеживанием судимостей и административных правонарушений.
Помимо качественной проработки данных, необходимо обращать внимание на их актуальность.
«Классические критерии оценки скоринга — это процент так называемых ошибок первого и второго рода, то есть число ложноположительных и ложноотрицательных срабатываний. Для кредитного скоринга это процент одобренных кредитов, выданных недобросовестным заемщикам, и процент ошибочных отказов в выдаче ссуды. В обоих случаях банк теряет деньги», — объясняет руководитель направления противодействия мошенничеству центра информационной безопасности компании «Инфосистемы Джет» Алексей Сизов.
Разработчики алгоритмов для скоринговых систем бьются над тем, как сбалансировать эти два параметра.
К другим критериям оценки скоринговых систем специалистами можно отнести скорость работы, количество используемых источников данных, способность системы к самообучению. Но для бизнеса важен только один параметр — сколько денег экономит такая система.
«Скоринг может работать, как магический шар»
Основной способ обхода банковского скоринга стар как мир — это предоставление ложных данных. Чем больше источников данных у скоринговой системы, чем совершеннее алгоритмы, тем сложнее это сделать. «Знание алгоритмов скоринга, конечно, упрощает работу для мошенников», — отмечает Алексей Сизов.
«Однако этих алгоритмов зачастую могут не знать и сами сотрудники банка, потому что часть производителей держат их в секрете. Скоринг может работать, как магический шар. Ему задают вопрос, а затем он выдает ответ — но как именно он это сделал, точно не известно. В одном из банков, занимающихся розничным кредитованием, в рамках расследования массового невозврата ссуд выяснилось, что скоринг из-за сбоя несколько месяцев выдавал только положительные решения. Злоумышленникам не требовалось прилагать особых усилий для обхода системы», — рассказывает Сизов.
Считается, что чем тщательнее настроена система, тем сложнее ее обойти. Некоторые эксперты считают, что в большинстве случаев сделать это просто невозможно.
Банки очень аккуратны в выборе скоринговой системы и, как правило, не берут уже готовую программу, а создают свою собственную. Их опасения можно понять. Например, в объединенных банках «Восточный Экспресс» и «Юниаструм», теперь работающих под брендом «Восточного», доля розничных заявок, проходящих через скоринг, составляет 100%. В ближайшее время кредиты для малого бизнеса там также планируют выдавать с использованием скоринговых оценок. В банке ВТБ тоже все кредитные заявки проходят через скоринговую систему. Скоринговые модели, как внутренние, так и внешние, используются и в процессе принятия решения по всем розничным кредитным продуктам Абсолют Банка.
В Сбербанке используют скоринг для оценки рисков и принятия кредитных решений при рассмотрении всех заявок физических лиц, включая ипотеку. При этом нужно отметить, что скоринговые технологии не исключают экспертную оценку данных. Сбербанк комбинирует скоринговые и экспертные методы оценки заемщика, применяя различные стратегии принятия решений. В целом для оценки кредитного риска Сбербанк использует сотни различных стратегий сбора и анализа данных.
Скоринг — не только для кредитов
Спектр применения скоринговых систем достаточно широк и не ограничивается только кредитными решениями. Скоринговые технологии используются для расчета предодобренных лимитов, изменения лимитов по кредитным картам, истребования проблемной задолженности, обеспечения кибербезопасности, оценки рисков сформированного кредитного портфеля.
В Росэнергобанке используется несколько систем проверки заявок на кредит, включая и статистический скоринг. Безусловно, система помогает выявить сомнительные параметры в заявках, но основной акцент делается на жестких правилах как кредитной истории, так и различных систем предотвращения мошенничества. Процент отказа по статистическому социально-демографическому скорингу составляет не более 2%.
«В настоящее время мы заинтересованы в официальных источниках информации о месте работы клиентов и их уровне дохода (ФНС и пенсионный фонд), а также обязательном для всех участников рынка кредитования механизме ограничения кредитной нагрузки на клиентов с целью снижения кредитных рисков», — рассказал директор департамента розничных кредитных рисков Росэнергбанка Рустам Идрисов.
Росэнегобанк, разумеется, не единственная финансовая организация, которая, помимо скоринга, использует другие системы проверки заявок на кредит.
Например, в Абсолют Банке социально-демографическая, кредитная либо поведенческая оценка заемщика с использованием скоринговых моделей является лишь частью процесса анализа данных по заемщику и принятия решения по его кредитованию.
«Поскольку такие модели определяет лишь вероятность возникновения дефолта на основании ограниченного набора параметров, окончательное решение по заявке (особенно в ипотечном кредитовании) принимается исходя из экспертной оценки всех негативных и компенсирующих факторов, выявленных в ходе андеррайтинга. К числу таких факторов относятся в том числе общий стаж работы и стаж работы на текущем месте работы, размер организации — работодателя заемщика», — комментирует директор департамента кредитования розничного бизнеса Абсолют Банка Елена Ковырзина.
По словам Алексея Сизова из центра информационной безопасности компании «Инфосистемы Джет», основное направление развития скоринга сегодня — алгоритмы самообучения и поведенческого анализа, позволяющие пресекать даже неизвестные до этого момента типы мошенничества. Другое направление развития — подключение к скорингам все новых источников данных, работа с Big Data. Крупные банки для нужд скоринга индексируют не только традиционные базы с информацией по физическим и юридическим лицам, решениям судов, но и социальные сети, форумы. Автоматизированная оценка благонадежности клиента по его интересам во «ВКонтакте» — уже не фантазии, а реальность сегодняшнего дня.
«Будущее банков — автоматизированные комплексы с минимальным участием сотрудников. Это будущее, которое «рисуют» нам ведущие игроки рынка. Дистанционное обслуживание клиентов (интернет-банкинг, мобильный банкинг) развивается наиболее быстро в банковской отрасли — это служит дополнительным толчком для развития и скоринговых систем, адаптации их к новым условиям работы организаций», — заключает заместитель председателя правления АО «РНКО «Фидбэк» Константин Соклаков.
Современные технологии позволяют микрофинансовым организациям анализировать огромные массивы данных о заемщиках. Компании говорят о тысячах параметрах, которые изучаются для вынесения решения по заявке. Почему же в таких условиях до сих пор появляются неплатежеспособные клиенты, хотя ранее их тщательно проверили и одобрили им заем?
Сегодня в автоматическом режиме микрофинансовые организации проверяют заемщика по данным из крупнейших бюро кредитных историй, Федеральной службы судебных приставов, Федеральной миграционной службы, Федеральной налоговой службы, Федеральной службы государственной регистрации, кадастра и картографии, Министерства внутренних дел. Кроме того, заглядывают в базу данных по судебным решениям, анализируют контактные данные заемщика, изучают количество отказов в других МФО. И все это за считанные минуты.
На сайте компании «Займер» сообщается, что робот анализирует свыше 1800 параметров заявки клиента, который обратился за займом. В Moneyman отмечают, что скоринговая модель учитывает несколько тысяч параметров.
Однако масштабная система анализа все же не спасает от дефолтов. «Исключить риск появления неплатежеспособных клиентов практически невозможно. Поскольку сложно предугадать момент возникновения социального дефолта заёмщика. Невозможно предвидеть, когда человек может потерять работу, заболеет или ему потребуются еще большие деньги», — объясняет технический директор онлайн-сервиса микрокредитования «Честное слово» Дмитрий Шепель.
Указывают специалисты и на ситуацию в экономике страны. Как отмечает генеральный директор сервиса онлайн займов «Робот Займер» Сергей Седов, сегодня потеря источника дохода является частым явлением. Это происходит в связи с кризисом, и, как следствие, снижением зарплат, сокращениями, инфляцией. Все это влияет на рост числа неплательщиков.
«Скоринговая система оценивает риски сегодня, а завтра, к сожалению, уже может все поменяться», — подчеркнул Сергей Седов. Кроме того, как добавляет эксперт, система не может наверняка знать намерения клиента на текущие кредитные обязательства. «То есть, возможно и такое, что заемщик заведомо несерьезно относится к взятому кредиту и заранее знает, что не вернет его», — заявил он.
Хотя, как признают эксперты, система не может предвидеть всех обстоятельств, тем не менее компании постоянно работают над улучшением оценки рисков.
Екатерина Казак, директор по управлению рисками сервиса онлайн-кредитования MoneyMan рассказала, что регулярные улучшения по защите от мошенников позволили снизить уровень просроченной задолженности.
Сегодня компания Moneyman изучает аккаунты пользователей в соцсетях, поведение заемщиков на сайте сервиса. Компания внедрила методы глубинного анализа данных и глубинного анализа текста, что позволяет выискивать скрытые закономерности, интересные взаимосвязи и нетривиальные тенденции.
Дмитрий Шепель из компании «Честное слово» отмечает, что их скоринговая модель очень динамична. «Мы постоянно отслеживаем экономическую ситуацию в стране, оцениваем риски и вносим необходимые изменения», — заключил эксперт.
Скоринг — это система оценки кредитоспособности (платежеспособности) потенциального заёмщика, основанная на численных статических методах. Зачастую банки принимают решение о выдаче или невыдаче кредита тому или иному заемщику, не раскрывая всю схему проверки благонадежности заёмщика и тех факторов которые влияют на принятие решения о выдаче кредита. Так что же в наибольшей степени влияет на конечный результат и является толчком для начала сотрудничества?
Не поверите, но получите вы кредит под залог недвижимости или нет, могут решать не люди, а машины, точнее специальные программы под названием «скоринг». Целью и задачей скоринга является оценка заявки заемщика и в итоге выдача принятого решения.
Изучив особенности работы данной программы можно определить, кто он, идеальный заемщик? Идеальным вариантом для кредитного учреждения станет женщина среднего возраста, она должна быть замужем и иметь двух детей, а также иметь постоянное место жительства.
Берутся во внимание также документально подтвержденное финансовое положение и наличие постоянного места работы. Всех, кто не подпадает под данную категорию заемщиков, спешим успокоить, это не значит, что вы не сможете оформить срочный кредит, просто именно такие клиенты чаще всего зарекомендовывают себя как наиболее надежные и пунктуальные.
Уровень надежности заёмщика вычисляет программа
Российские банки только осваивают скоринг, но многие уже признали автоматическую систему подсчета рисков невозврата кредита как полезный инструмент в принятии решений о выдаче мелких кредитов. Более крупные сделки рассматриваются экспертом, который должен провести личное собеседование с потенциальным заемщиком.
Скоринг может быть использован кредитной организацией на свое усмотрение. Это может быть полное или частичное принятие решений. Программа призвана рассмотреть анкету клиента и выдать результат в виде баллов. Дословный перевод слова «scoring» с английского означает «подсчет очков», поэтому название программы раскрывает ее суть.
Кроме того, она должна достоверно определить кредитоспособность человека на основе разных характеристик, в том числе и не финансового характера. Скоринг анализирует базу данных и сравнивает вас с недобросовестными плательщиками.
Происходит это в несколько этапов:
- Проверка предоставленной клиентом информации: наличие паспорта, почтового индекса и т.д. Различные скоринговые программы работают на данном этапе по-разному. Например, одна программа воспринимает мелкие неточности как преднамеренный обман, а другая – как ошибку.
- Проверка на наличие stoli-data – так называемого стоп-фактора, который может стать препятствием к получению кредита. К таким факторам могут относиться: отсутствие постоянной регистрации, национальность (например, цыгане), профессия (например, сотрудники правоохранительных органов), преклонный возраст и другие. Конечно, можно сказать, что указанные выше характеристики являются в какой-то мере дискриминацией, но банки все-таки обращают на них внимание, хотя и не признаются в этом.
- Существует такое понятие как go-факторы, которыми может стать ваша положительная кредитная история (хорошо, если кредиты вы получали и своевременно погашали в этом же банке).
- Начисление баллов за каждую из характеристик заемщика. Полученный результат подскажет банку, выдавать или не выдавать кредит, повысить или понизить величину процентной ставки.
Скоринговая программа анализирует в среднем от пяти до пятнадцати параметров, перечень которых не может быть раскрыт посторонним лицам. Такая конфиденциальность обусловлена высокой стоимостью покупки программы или ее самостоятельной разработки.
Что касается, скоринговой программы, то она может быть разработана на базе полученного опыта и большого количества клиентов банка. В итоге, собственный скоринг позволит банку проанализировать заемщиков, найти их общие черты, положительные и отрицательные.
Если вы не доверяете ни скоринговым программам, ни банковским экспертам, отношение которых может быть предвзятым, обращайтесь в кредитные центры, одним из которых кстати и является компания Финанс-Кредит, где решения принимаются, только основываясь на действующее законодательство, большой опыт работы на рынке и высокий профессионализм специалистов.
Продолжаем рассказывать про функции ошибки и функционалы качества, сегодня поговорим о функциях, которые «заставляют» алгоритм выдавать вероятности принадлежности к классам. Рассчитано на читателей, которые освоили предыдущие посты по этой теме.
Рассмотрим задачу бинарной классификации с классами {0, 1}, в случае, когда алгоритм выдаёт некоторую оценку a принадлежности к классу 1. Можно считать, что оценка лежит на отрезке [0, 1], в идеале её можно было бы интерпретировать как оценку вероятности принадлежности к классу 1, но на практике такое не всегда возможно, именно об этом мы и поговорим…
Для оценки качества решения и настройки нашего алгоритма используем функцию ошибки L(y,a). Функция ошибки называется скоринговой (proper scoring rules), если
т.е. оптимальный ответ на каждом объекте – вероятность его принадлежности классу 1. Мы уже видели, что логистическая функция ошибки является скоринговой, сейчас покажем, что не только она.
Замечание. Формально переводя с английского, корректнее называть описанную функцию ошибки «правильно / подходящей скоринговой», но мы упростим терминологию. Есть также понятие «strictly proper scoring rule» – которое формализует класс функций, при использовании которых выдавать вероятность не просто оптимальное решение, но и единственное оптимальное (все рассмотренные в данной заметке функции будут такими). Отметим, что термин не связан с задачей банковского скоринга! Сама теория скоринговых функций является самостоятельным направлением в теории вероятности и математической статистике. Вспомним также, что проблему «заставить алгоритм выдавать вероятности» мы уже рассматривали в заметке про калибровку.
Рассмотрим ошибку MSE (её привычно применять в регрессии, но сейчас мы её применим в задаче классификации), ошибка на одном объекте равна квадрату отклонения от истинной метки: SE = (y – a)2. Если объект с вероятностью p принадлежит классу 1, то матожидание ошибки
при её минимизации получаем (берём производную и приравниваем к нулю): a = p, т.е. SE – тоже скоринговая функция ошибки. Интересно, что минимум матождания при этом:
С точностью до мультипликативной константы 2 он совпадает с функцией, которую оптимизируют при построении решающих деревьев в критерии Джини. Функцию ошибки MSE в задачах классификации называют «ошибкой Браера» (Brier score), именно под таким названием она реализована в scikit-learn:
from sklearn.metrics import brier_score_loss
brier_score_loss(y_true, y_prob)Если вспомнить аналогичный вывод для логистической функции ошибки, то там матожидание функции ошибки являлось энтропией, а соответствующий критерий – энтропийный. Таким образом, выбирая критерий расщепления среди двух стандартных (энтропийного и Джини), Вы выбираете между целевыми функциями для оптимизации. В различных форумах часто мелькают мнения, что MSE-ошибку нельзя использовать в задачах классификации, оказывается, что можно, более того, иногда она даже предпочтительнее logloss-a (здесь не будем аргументировать, по каким параметрам, детали можно найти, например, в этой статье Селтена). Хотя, логистическая ошибка единственная скоринговая в классе локальных ошибок (используют локальную информацию о распределении в общем случае). Вообще, если разбираться в этой теме, то легко, глядя на GAN, додуматься до LS-GAN-а (это одна из первых модификаций, которые напрашиваются для более эффективного обучения). Как раз для этого и следует копаться в смежных с ML фундаментальных областях математики — при замене энтропии / дивергенции (см. ниже) их аналогами можно получать более эффективные решения.
В общем случае, в теории скоринговых функций в задаче с классами L={1,2,…,l}, когда есть какое-то истинное распределение Q на L и ответ алгоритма – распределение P, рассматривается функция
которую максимизируют по первому аргументу. Функция
(здесь аргументы не просто так поменялись местами) называется информационной мерой (information measure) или обобщённой энтропией (generalized entropy function). Например, для Brier score обобщённая энтропия с точностью до аддитивной константы равна квадратичной энтропии (Quadratic Entropy) p12+…+pl2. А выражение
называется дивергенцией. Для логистической ошибки это выражение превращается в дивергенцию Кульбака-Лейблера, для Brier score – в евклидово расстояние.
Приведём пример нетривиальной скоринговой функции. Давайте в логистической функции заменим отрицание логарифма –log(a) на очень похожую (см. рис) функцию
Получим такое выражение:
Проделаем нашу стандартную процедуру: минимизируем матожидание ошибки для объекта, который с вероятностью p принадлежит классу 1:
Взяв производную и приравняв к нулю получаем a = p, т.е. получили ещё одну скоринговую функция ошибки. Минимальное матожидание
(т.е. корень из минимума матожидания при использовании ME).
Обоснуем странное обозначение exploss, дело в том, что такая функция ошибки называется экспоненциальной, что пока странно, т.к. нигде не видно экспоненты. На самом деле, функция очень логична по следующей причине. Рассмотрим задачу классификации на два класса {–1, +1} и алгоритм для её решения, который выдаёт некоторые оценки принадлежности к классу 1 из интервала (–inf, +inf). Очень логичной кажется такая функция ошибки: exp(–a), которая применялась в первых вариантах бустинга. Её матожидание на объекте pexp(–a)+(1–p)exp(+a), если взять производную и приравнять к нулю, то получим
Если подставить это выражение в исходную функцию ошибки, то получим как раз выражение exploss (только вместо ответов алгоритма там стоит вероятность). Таким образом, это «естественная поправка» экспоненты, если мы хотим ответы нашего алгоритма интерпретировать как вероятности.
Замечание. Такой приём – когда мы получаем ответ какого-то алгоритма через вероятность, а потом считаем, что наш (уже новый) алгоритм должен как раз эту вероятность и выдавать, называется переводом ответов в вероятностную шкалу (probability scale).
Далеко не все функции ошибки являются скоринговыми, тут я сошлюсь на свою старенькую лекцию, но вообще, есть критерий скоринговости (см. в литературе из списка). Скоринговые функции ошибки могут быть и довольно экзотическими, например т.н. Vince’s crazy proper scoring rule: (1+y–a)exp(a).
Задания для самостоятельных раздумий
1. На рис. приведены две функции, похожие на отрицание логарифма. Одна из них также соответствует скоринговой ошибке exploss. Соответствует ли другая скоринговой ошибке?
2. Рассмотрим в задаче бинарной классификации информационную меру max(p, 1 – p). Каким функциям ошибки она соответствует (есть несколько ответов)? Являются ли они скоринговыми?
3. Рассмотрите задачу регрессии, в которой алгоритм должен выдать оценку «истинного распределения на вещественной оси. Как здесь построить теорию скоринговой оценки? Можно ли каким-то искусственным приёмом строить скоринговые оценки в регрессии (подсказка: специальным сведением к задачам классификации)?
Ссылки
Материал поста был прочитан в этом году в рамках авторского курса на летней школе «Управление, информация и оптимизация», кроме того, является частью курса ПЗАД, видеолекции которого скоро будут выложены на ютуб-канале автора (в блоге будет анонс).
- Scoring rule (wiki)
- Tilmann GNEITING, Adrian E. RAFTERY Strictly «Proper Scoring Rules, Prediction,and Estimation» (самая основная работа)
- Matthew Parry, A. Philip Dawid and Steffen Lauritzen «Proper local scoring rules» The Annals of Statistics, 2012, Vol. 40, No. 1, 561–592 (тоже хорошая обзорная статья)
- Barczy, M. (2020). A new example for a proper scoring rule. Communications in Statistics — Theory and Methods, 1–8. doi:10.1080/03610926.2020.1801737 (пример современной статьи по этой теме)
- Proper scoring rules: How should we evaluate probabilistic forecasts? (08.02.2019) (аналогичная статья в другом блоге — сравните, у кого лучше;)
Предыдущие посты по теме «Функции ошибки и функционалы качества»
- Знакомьтесь, Джини
- AUC ROC (площадь под кривой ошибок)
- Функционалы качества бинарной классификации
- Кривые в машинном обучении
- Логистическая функция ошибки
- Функции ошибок в задачах регрессии
«Низкий cкopингoвый бaлл — вaм oткaзaнo в кpeдитe». Taкую фpaзу cлышaт мнoгиe зaeмщики, ocoбeннo пocлeднee вpeмя. Дaвaйтe paзбepём пoдpoбнo, чтo тaкoe Cкopинг. И нaчнeм c пoнятия.
Кpeдитный cкopинг — cиcтeмa oцeнки кpeдитocпocoбнocти лицa, ocнoвaннaя нa чиcлeнныx cтaтиcтичecкиx мeтoдax. Этoт мeтoд oдин из caмыx вaжныx блoкoв paccмoтpeния зaявки нa ипoтeку. Meтoд oцeнки aвтoмaтизиpoвaн, тo ecть cиcтeмa oцeнивaeт дaнныe, укaзaнныe в aнкeтe зaeмщикa, aнaлизиpуeт дaнныe c oтвeтaми нeдoбpocoвecтныx зaeмщикoв, cуммиpуeт и дaeт вывoд. Блaгoдapя этoй cиcтeмe зaeмщики cтaли пoлучaть aвтoмaтичecкиe peшeния oт бaнкoв зa 5 минут.
Eдинcтвeнный минуc aвтoмaтичecкoгo peшeния — c ним нeльзя вcтупить в диaлoг ecли oнo oткaзнoe.
Maшинe бeзpaзличны фaктopы, oнa cкупa нa эмoции и нe пpиeмлeт индивидуaльнocти. Пocчитaлa, пpoвepили БКИ, ecли пopтpeт зaeмщикa и пpoгpaммa бaнкa cooтвeтcтвуeт aвтopeшeнию, выдaлa пoлoжитeльнoe или oтpицaтeльнoe.
Ecли пoлнoмoчия нe пpeдуcмaтpивaют — дaльшe чeлoвeк cмoтpит и вынocитcя peшeниe.
Кaкиe дaнныe учитывaeт cкopинг:
- пoл и вoзpacт зaeмщикa;
- пpoгpaмму кpeдитoвaния (для кaждoй пpoгpaммы cвoй cкopбaл);
- oбpaзoвaниe;
- ceмeйнoe пoлoжeниe;
- нaличиe иждивeнцeв;
- тип зaнятocти;
- вид дoxoдa;
- тип paбoтoдaтeля;
- peгиoн paбoтoдaтeля;
- peгиoн пpoживaния клиeнтa;
- ecть ли у нeгo aктивы и кaкиe;
- oбщий тpудoвoй cтaж в кoнкpeтнoй oтpacли;
- cтaж paбoты нa пocлeднeм мecтe
Этo ocнoвныe буллиты, кoтopыe бaнки кaк пpaвилo зaшивaют в cкopинг. Кaждoму буллиту уcтaнaвливaют paзбpoc знaчeния.
Пpимep:
- Cpeднee oбpaзoвaниe — 5 бaллoв.
- Cpeднee cпeциaльнoe oбpaзoвaниe — 10 бaллoв.
- Bыcшee oбpaзoвaниe — 15 бaллoв.
- Bтopoe выcшee oбpaзoвaниe — 20 бaллoв.
- Учeнaя cтeпeнь — 25 бaллoв.
Кaждoму буллиту пpиcвaивaeтcя в пpoцecce aнaлизa знaчeниe и вывoдитcя итoг. Ecли зaeмщик пpoшeл пopoгoвoe знaчeниe — oн либo идeт дaльшe нa paccмoтpeниe, либo ecли пoлнoмoчия пoзвoляют пoлучaeт cpaзу aвтooдoбpeниe.
Cpeдний cкopингoвый бaлл нa pынкe — 900 бaллoв. Дa, нeмнoгo пoдкpутили: былo oкoлo 650, нo тaкaя уж ceйчac cитуaция нa pынкe.
Чтo дeлaть ecли пpишeл oткaз пo cкopингу oт бaнкa?
- Утoчняeм мopaтopный oткaз или нeт (пepвoe xужe вceгo-тaм нa 3 мecяцa мoжнo зaбыть oб этoм бaнкe);
- ищeм coвмecтнo co cпeциaлиcтoм пути пoвышeния cкopингoвoгo бaллa ecли oткaз нe мopaтopный.
Кaк пoвыcить cкopингoвый бaлл?
Пpимepы.
Зaeмщик нe зaявил дoxoд пoдaв зaявку пo двум дoкумeнтaм и нe cтaл тpaтить вpeмя нa cбop пoлнoгo пaкeтa имeя выcoкий пepвoнaчaльный взнoc и пoлучил oткaз пo cкopингу. Peшeниe — coбиpaeм пoлный пaкeт и cпpaвку o дoxoдe из ПФP и cкopинг cкoppeктиpуeтcя и будeт лучшe.
Зaeмщик пoдaвaл зaявку нa ceбя пo пoлнoму пaкeту дoкумeнтoв, нo oбщий тpудoвoй cтaж 1 гoд, нeт выcшeгo oбpaзoвaния. Peшeниe — пoдaть зaявку c учeтoм дoxoдa cупpугa/cупpуги, у кoтopoгo/oй выcшee oбpaзoвaниe и бeлый дoxoд, paбoтaющeгo нa пocлeднeм мecтe paбoты 3-5 лeт и cкopинг тaкжe улучшитcя.
Oтcюдa у мeня coвeт — зaпoлняeм зaявку нa ипoтeчный кpeдит кaчecтвeннo, пoдpoбнo и пpaвдивo, c пoнимaниeм чтo oт этoгo зaвиcит итoг paccмoтpeния зaявки. Ocпopить c бaнкoм cкopингoвый бaл мoжнo тaкжe в cлучae ecли зaeмщик для бaнкa знaчим и бaнк зapaбaтывaeт нa нeм нe тoлькo в пoтeнциaлe выдaннoй ипoтeки.
К пpимepу, зaeмщик кaтeгopии Premium, пoльзующийcя З/П пpoeктoм, НПФ, ИCЖ, дepжaщий нa вклaдe cумму внушитeльную, в ПИФ и oблигaцияx и бaнк пoнимaeт, чтo дeньги нa вклaдe ocтaнутcя. Taкoй зaeмщик нужeн бaнку и бaнк нaчинaeт взвeшивaть pиcки пoтepи ocтaльнoгo дoxoдa, ecли oткaжeт в ипoтeкe и зaeмщик увeдeт вce cвoи пpoдукты в дpугoй бaнк.
Eдинcтвeннoe, пpи тaкoй cтpaтeгии нужнo имeть ввиду, чтo peшeниe будeт пpинимaтьcя кoллeгиaльным opгaнoм (poзничный кoмитeт или бoльшoй) и у зaeмщикa нe дoлжнo быть иныx oтклoнeний(нeгaтивнaя ки, нeгaтив co cтopoны CБ)
Кaкиe зaeмщики пo пpaктикe нa aвтoмaтичecкoм paccмoтpeнии пoлучaют пoлoжитeльнoe peшeниe c выcoкoй дoлeй вepoятнocти:
- мужчинa/жeнщинa;
- вoзpacт oт 27 дo 37 лeт;
- paбoтaющий в кoмпaнии c чиcлeннocтью oт 100 чeлoвeк;
- имeющий дoлжнocть нaчинaя c pукoвoдитeля cpeднeгo звeнa (нaчaльник oтдeлa);
- имeющий бeлый дoxoд oт 130 тыc пocлe вычeтa НДФЛ;
- c выcшим oбpaзoвaниeм;
- paбoтaющий нa пocлeднeм мecтe paбoты oт 1 гoдa;
- имeющий oбщий тpудoвoй cтaж oт 5 лeт пpи нeпpepывнoм в oднoй oтpacли 3 гoдa;
- нe имeющий пepepывы в paбoтe бoлee 6 мecяцeв;
- ceмeйнoe пoлoжeниe жeнaт/зaмужeм или в paзвoдe c 1 peбeнкoм.