5 Результаты

Схема 5.1

База данных состоит из 72848 записей. Ключевым заданным параметром стал “EVER_WO_12MOB”, обозначающий списание клиента в течении 12 месяцев. Обучающая база данных состояла из 28411 клиентов, 28110 которых имеют значение «0» в ключевом поле, что составляет 98, 94% процента от всех клиентов в базе данных. По алгоритму поиска ассоциативных правил было построено дерево возможных решений, внутри которого в зависимости от глубины поиска с разными уровнями поддержки были предложены наборы данных. Таким образом, по алгоритму поиска ассоциативных правил был предложен следующий набор данных при уровне поддержки 99%(клиент полностью выплачивает кредит).

Первая ключевая характеристика при списывании клиента – это способ подтверждение дохода. При оценке результатов работы алгоритма рассмотрено влияние характеристики как со стороны уменьшение количества списанных клиентов, так и стороны бизнеса: скольких денег не досчитается банк, если откажет в кредите всем клиентам с данной характеристикой.

Клиенты, подтверждающие свой доход с помощью справки 2-ндфл составляют 22,4% от кредитного портфеля. Среди 6320 клиентов, находится 30,56 % от списанных клиентов, что составляет 92 клиента.

Второй параметр - сумма доходов. При том же уровне поддержки в 99%, «плохими клиентами» являются с низким уровенем дохода, а именно ниже 35000 рублей. Суммарно данная группа составляет 7,64 % клиентов среди списавшихся и 12,04 % от портфеля, учитывая клиентов выплачивающих кредит.

Третьим по глубине фактором является категорий компании. Клиенты, работающие в небольших компаниях или на ИП чаще списывались в просрочку. Около 4% от всех списавшихся клиентов. Однако среди всего портфеля эта цифра занимает совсем маленькую долю- около 1,91%. Из этого следует, что дальнейшее погружение в дерево, не будет давать нам необходимого уровня поддержки.

На последнем шаге уровень достоверности того, что клиент спишется если приходит в банк со справкой 2-НДФЛ, его доход составляет менее 35 000 рублей, и он работает в компании категории О или В, составляет 49 %.

Наиболее высокий уровень поддержки был выявлен для следующего набора характеристик: если клиент подтверждает свой доход с помощью загранпаспорта, либо владением автомобилем, то из этого следует, что в случае когда клиенту будет присвоен уровень риска – высокий, то он спишется с уровнем поддержки 80%. Однако, во всей используемой базе данных количество таких клиентов ровно 5, что составляет 0,02 %.

Сформулируем окончательный набор данных, который говорит нам по результатам выборки о ключевых параметрах, на которые стоит обратить внимание банку при принятии решения:

Таблица 5.2 Предложенные алгоритмом наборы характеристик

{Способ подтверждения дохода, Уровень дохода, Возраст}

{2-НДФЛ, <35000, O,B}

Небольшое присутствие данной группы в кредитном портфеле, говорит о грамотно проводимой политики банка по привлечению клиентов, верной диверсификации рисков. .

Полностью отказаться банку от проблемных групп нельзя ввиду того, что прибыль, которую приносят клиенты с теми же характеристиками, превышает расходы от списаний проблемных клиентов.

Согласно исследованию, наиболее благоприятной группой являются клиенты, подтвердившие свой доход, зарплатой которой перечисляется на счет в банк, выдавший кредит. Для данной группы клиентов, которая является наименее рисковой с точки зрения банка, создана процедура автоматизации принятия решения.

С полностью построенным деревом решений можно ознакомиться в приложении.