Скачать презентацию
Идет загрузка презентации. Пожалуйста, подождите
Презентация была опубликована 5 лет назад пользователемМария иванова
1 Модели скоринга заемщика
2 Классификация методик оценки кредитоспособности заемщика Классификационный подход Подход качественного анализа CAMPARI, PARTS, правило "шести Си", "пяти Си", CAMEL, PARSER, COPF, методика АРБ Скоринговые модели Модели прогнозирования банкротств
3 Возможные источники сбора данных заемщиком Внешние Внутренние Опросный лист (оценка заявления для принятия решения о предоставлении кредита) Поведенческие модели (поведенческая оценка - только для оценки уже выпущенного портфеля) Бюро кредитных историй (Анализ кредитной истории заемщика) Остальная информация (Провайдеры) 30-40% одобрение* 93-95% доходность* Процентная маржа до 10%* Комиссия маржи до 7% * Актуально для Райффайзенбанка
4 Примеры моделей скоринга Используются : математическое программирование, нейронные сети, генетические алгоритмы, экспертные системы, дискриминантный анализ, линейная регрессия, логистическая регрессия и дерево решений. западные модели История платежей: чрезвычайно влиятельный фактор Возраст и тип кредита: очень влиятельный Процент использованного кредитного лимита: очень влиятельный Общий остаток и задолженность: умеренно влиятельный Недавнее кредитное поведение и запросы: менее влиятельные Доступный кредит: менее влиятельный VantageScore История платежей: 35% Задолженность: 30% Продолжительность кредитной истории: 15% Новый кредит: 10% Кредитный портфель: 10% FICO Базовый диапазон: от 300 до 850 Отраслевой диапазон: от 250 до 900 Базовый диапазон: от 300 до 850 Другие зарубежные системы: SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS)
5 Примеры моделей скоринга Используются : математическое программирование, нейронные сети, генетические алгоритмы, экспертные системы, дискриминантный анализ, линейная регрессия, логистическая регрессия и дерево решений. отечественные модели Другие российские системы: BNS, Basegroup Labs итд Scorto Кредитный продукт (сумма, срок, цель кредита); Финансовые характеристики (активы, обязательства, ежемесячный доход, ежемесячные расходы); Кредитная история (история платежей, длина кредитной истории, объем погашенных и текущих кредитов); Социальные характеристики (опыт работы, время проживания по текущему адресу, семейное положение). Определяет соотношение привлекательности кредита для банка и его вероятности дефолта Потенциальный клиент Категория 200:1 считается надежным и имеет высокий шанс получить кредит. Категорию 4:1, несут слишком высокий риск для банка и низкий шанс получения кредита.
6 Тип источника данных Что используется?Кто это использует? Электронные кошелькиPayPal, Magento, Skrill, Shopify, Sage PayIwoca, Funding Circle, Bintbond Интернет-магазины eBay, Amazon, Facebook business, AliExpress, Flipkart Kabbage, Ant Finance, Lendingkart, Bintbond Сервисы геолокацииFoursquare, YelpKabbage, Funding Circle Службы доставкиUPS, Amazon, eBay, SmartShiftKabbage Статистические веб-сервисы AppStore, GooglePlay, Flurry, Localytics, MixPanel, AppsFigures, Google Analytics Aprenita Новые источники данных и новые подходы к интерпретации старых источников. Машинное обучение в скоринге Автоматизация и упрощение использования общедоступных данных. Учет региональной специфики Использование данных сторонних служб и компаний, с которыми заемщики взаимодействуют Психометрическая оценка Анализ поведения заемщика в сети Использование транзакционных данных Глобальные тренды и альтернативные источники данных для скоринга
Еще похожие презентации в нашем архиве:
© 2024 MyShared Inc.
All rights reserved.