Презентация Владимира Шикина с конференции «BIG DATA: банки, финансовые компании, e-commerce, телекомы. Практические кейсы от лидеров индустрии»

1. Использование открытых данных для управления
рисками и повышения эффективности скоринга
Примеры из практики

2. Идеальный кредитный конвейер
Кредитная история, в том числе по связанным субъектам
•Определение способностей субъекта обслуживать долги. Его ответственности
•Оценка текущих обязательств
Оперативный мониторинг финансового поведения Сигнал
•Предотвращение дефолта. Возвращение в график обслуживания долга
•Маркетинг кросс продаж
Анализ долговой нагрузки
•Определение возможностей обслуживать долги
•Оценка текущей долговой нагрузки и зависимости от заемных средств
Скоринг бюро
•Эффективная сегментация по вероятности дефолта
Big Data – социальные сети
•Дополнительные уникальные характеристики заемщика, его окружения и
стиля жизни

3. Социальные сети используют более 60% заемщиков в
России во всех регионах страны
Hit rate, %
35% - Республика Тыва

4. 59%
62%
63%
64%
65%
67%
54%
56%
58%
60%
62%
64%
66%
68%
Менее 20
тыс
20 - 100
тыс
100 - 500
тыс
500 тыс -
1 млн
Более 1
млн
Москва и
СПб
0%
10%
20%
30%
40%
50%
60%
70%
80%
18-24 года 25-34 года 35-44 года 45-54 года 55-64 года
Вконтакте Одноклассники Мой Мир Facebook
80%
75%
61%
46%
32%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
18-24 года 25-34 года 35-44 года 45-54 года 55-64 года
Уровень хита по типу населенного
пункта
Уровень хита по возрастам
заемщиков
Использование социальных сетей заемщиками в
зависимости от возраста и типа населенного пункта
Уровень хита по различным соц. сетям

5. Хорошие заемщики и должники в независимости от
используемого кредитного продукта есть в соц. сетях
53%
60% 59%
63%
68%
58%
62%
57%
60%
67%
00%
10%
20%
30%
40%
50%
60%
70%
80%
Хорошие
заемщики
Плохие
заемщики

6. Double Data очищает и агрегирует данные открытых источников таким образом, чтобы они
максимально просто интегрировались в существующие скоринговые модели Кредитора. При
использовании продукта Social Attributes Кредитор получает интерпретируемые и наиболее
эффективные переменные, построенные на данных социальных сетей.
Social Attributes – данные из соц. сетей подготовленные для
использования в probability of default (PD) моделях Кредитора
•Применение Social Attributes добавляет к предсказательной силе PD моделей
Кредитора от 10 до 15%* (вне зависимости от исходного качества модели).
Информация из соц. сетей дают заемщику уникальную характеристику – корреляция
с данными БКИ и Кредитора - 0.13
Повышение
эффективности PD
моделей Банка
•Social Attributes передаются Кредитору в составе кредитного отчета бюро НБКИ и не
требуют затрат на ИТ-интеграцию
Простота интеграции в
процесс оценки риска
•Мы активно инвестируем в аналитические компетенции, эти инвестиции приводят к
постоянному повышению ценности данных. В решение Social Attributes исходно
заложена возможность добавления переменных, разрабатываемых аналитическим
подразделением Double Data
Постоянное улучшение
продукта
•Social Attributes применимы не только для оценки кредитного риска. Double Data
подтверждена эффективность использования Social Attributes также для определения
стратегии работы с должниками в коллекшн, а также для уточнения сегментации и
определения склонности клиентов к тем или иным продуктам
Оценка кредитного риска
и не только.

7. Переменные из социальных сетей и возможность их
использования для оценки заемщика
Группа
переменных
Описание Пример
Основные
анкетные
данные
Места учебы, работы,
мировоззрение, отношение
к алкоголю, курению, etc.
Переменная «Образование». Принимает значение от 1 (школа) до 13
(государственный университет). Чем ниже значение этой
переменной, тем выше риск.
Статистическа
я информация
Дата регистрации, частота
входов, количество друзей,
подписок, фотографий,
постов, etc.
Переменная «Добавление друзей» - среднее количество друзей,
которых добавляет пользователь в день. Аномально высокие
значения могут свидетельствовать о том, что рассматриваемый
субъект ведет бизнес в соцсетях (MLM и т.п.). Риски по таким
заемщикам выше.
Мобильные
платформы
Информация о том, как
часто и с каких мобильных
платформ владелец заходит
в аккаунт
Заходы в соцсети с использованием iPad, например, говорят о более
высоком доходе пользователя.
Профиль
интересов
Сводная информация о
тематиках групп или
пабликов, на которые
подписан владелец аккаунта
Переменная «Интересы». Показывает участие в различных типах
групп. Активное участие в негативных группах (MLM, антиколлектор и
т.п.) – выше риск, в активных (путешествия, финансы и т.п.) – ниже.
Переменные
по окружению
Статистические показатели,
рассчитанные по списку
аккаунтов-друзей
рассматриваемого аккаунта
Переменная «Работающие друзья». Вычисляется как доля аккаунтов
в окружении пользователя, для которых указано хотя бы одно место
работы, среди всех акаунтов, которые когда либо были в друзьях.
Выше значение – ниже риск.

8. Переменные Social attributes, подходящие для policy rules
97,4%
2,2% 0,4%
7,4%
14,2%
19,9%
0%
5%
10%
15%
20%
25%
0%
20%
40%
60%
80%
100%
120%
0
негативных
групп
1
негативная
группа
2+
негативных
групп
Количество людей Уровень дефолта
Факт подписки на
негативные группы
быстрые кредиты,
анти-коллектор,
MLM, etc.
Информация о
путешествиях
по названиям фотоальбомов
97,2%
2,8%
7,64%
3,55%
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
0%
20%
40%
60%
80%
100%
120%
Не путешествовали Путешествовали
Количество людей Уровень дефолта

9. Результаты, которые позволяют достигать решение
standalone-модель
на основе данных
из соц.сетей
45-50
Gini модель на основе
уникальных
данных из
соц.сетей (без соц-
дем параметров)
35-40
Gini
к действующим
моделям банка
+ 5-7
Gini

10. Практический кейс
https://www.facebook.com/nbki.ru/videos/969979946428960/

11. Спасибо за Ваше время!
Владимир Шикин
тел. +7 (495) 221 78 37, доб. 159
e-mail: VShikin@nbki.ru