2.1.2.3 Collection-скоринг
С ростом клиентской базы и объемов оказываемых услуг, кредитные организации рано или поздно сталкиваются с необходимостью сбора просроченной задолженности. Долги могут появляться как на счетах клиентов, так и у контрагентов, поставщиков, партнеров. Эффективность бизнес-процессов по управлению дебиторской задолженностью во многом влияет на финансовую стабильности компании, а также на уровень текущих и возможных рисков.
Чтобы не допустить лавинообразного роста просроченных долгов, компаниям необходимо решить сложную задачу - выработать и последовательно выполнять такую стратегию работы с должниками, которая позволит, с одной стороны, сохранить лояльность прибыльных и перспективных клиентов, а с другой – максимизировать объем собранной просрочки, при жестком ограничении затрат на мероприятия по сбору.
Collection-скоринг определяет приоритетные направления работы с неблагополучными заемщиками. По сути это работа с просроченной задолженностью. В случае задержки выплат по кредиту банк начинает работать с заемщиком, напоминая о необходимости погашения долга. Чем дольше задержка, тем настойчивее ведет себя банк. Так продолжается до тех пор, пока дело не попадает в коллекторское агентство или суд.
Вероятность возврата долга зависит от многих факторов, часть из которых известна и может быть оценена статистически. Накопленная информация, разнообразные методы Data Mining и планирование экспериментов (DOE) позволяют создать эффективные математические (скоринговые) модели для оценки вероятности взыскания задолженности, прогноза размера возврата и определения наилучшего способа взыскания.
Collection scoring модели учитывают, как минимум, следующие факторы:
Демографические данные дебитора
Предполагаемый или достоверно известный уровень доходов и расходов, имущественное положение
Наличие надежных контактных и идентификационных данных (ФИО, паспортные данные и др.)
История взаимодействия с дебитором, например, примененные ранее коллекторские воздействия
История поведения, использования услуг, начислений, штрафов и т.д.
Планируемое коллекторское воздействие
В отличие от экспертных оценок, статистический скоринг объективно оценивает всю совокупность факторов риска, легко масштабируется и помогает выстроить оптимальную стратегию работы с должниками на любом уровне.
Средства углубленной аналитики позволяют оценить экономический эффект от проведения коллекторской компании до ее непосредственного запуска. Экономический эффект зависит от объема долга, прогноза сроков и размера возврата задолженности, а также от затрат на соответствующие мероприятия. Банки применяя скоринговые модели к прошлым кредитам, могут оценить величину потерь, которых удалось бы избежать за счет повышенной точности анализа кредитных заявок.
- Министерство образования и науки Российской Федерации
- 1 Постановка задачи
- 2 Обзор источников
- 2.1 Существующие методы
- 2.1.1 Экспертные системы оценки
- 2.1.2 Балльные системы оценки кредитоспособности клиентов
- 2.1.2.1 Application-скоринг(Оценка заявки на кредит)
- 2.1.2.2 Fraud-скоринг
- 2.1.2.3 Collection-скоринг
- 2.1.2.4 Behavioral-scoring (поведенческий скоринг)
- 2.2. Проблема существующих методов
- 3 Методика решения задачи
- 3.1 Общая структура модели
- 3.2 Основные этапы анализа данных
- 4 Формулировка задачи
- 4.1 Математическая формулировка
- 4.2. Исходные данные
- 4.2 Алгоритм расчета
- 4.2.1. Алгоритм apriori
- 5 Результаты
- 6 Анализ результатов
- 6.1. Интерпретация полученных результатов
- 6.2 Основные результаты
- Заключение
- Список использованной литературы
- Приложение а.