Как показывает мировая практика, значительная часть дохода банков формируется в результате кредитных операций - от 40 % до 65 %. Однако именно данные операции сопряжены и со значительным риском - на них же приходится от 50 % до 85 % потерь банков. Кредитный риск можно определить как вероятность возникновения убытков вследствие неисполнения, несвоевременного либо неполного исполнения должником финансовых обязательств в соответствии с условиями договора.

Оценка кредитоспособности заемщика предполагает анализ банком заемщика с точки зрения возможности и целесообразности предоставления ему ссуд, определения вероятности их своевременного возврата в соответствии с кредитным договором. Она осуществляется на основе выявления объективных результатов и тенденций в финансовом состоянии заемщика.

Целью оценки кредитоспособности индивидуальных заемщиков является определение риска, связанного с кредитованием частных заемщиков. Банк должен в каждом случае определить степень риска, который он готов взять на себя, и размер кредита, который может быть предоставлен в данных обстоятельствах.

Большинство потребительских кредитов относительно невелики по размерам, в то время как себестоимость операций по потребительским ссудам относительно высока. Это говорит о том, что банки должны поддерживать эффект масштаба в целях достижения прибыльности, т.е. должны увеличивать количество предоставляемых кредитов для снижения собственных издержек.

Существующие подходы к оценке кредитоспособности можно сгруппировать по двум направлениям - качественный и количественный.

Качественный подход основан на методе экспертных оценок, предполагающем анализ данных о материально-имущественном и финансовом положении заемщика, и составление прогноза его дальнейшей деятельности.

В настоящее время в рамках данного метода, особенно за рубежом, активно задействована система кредитных бюро, осуществляющих анализ кредитных историй потенциальных заемщиков.

Для более надежной оценки экспертный метод может быть дополнен количественным подходом, в основе которого лежит метод финансово-экономических коэффициентов. Он предполагает оценку клиента на основе финансовых показателей платежеспособности, характеризующих текущее материально-имущественное положение, а также финансовые возможности в части погашения будущего кредита.

Одним из распространенных методов оценки кредитоспособности за рубежом, но в адаптированном виде применяемый и в нашей стране, является метод балльной оценки качества потребительского кредита (кредитного скоринга).

При всем многообразии методик каждая из них не является совершенной, банк «Авангард» при выборе подхода должен ориентироваться на реализуемую кредитную политику, особенности своей филиальной сети, учитывать специфику кредитования и адаптировать етодику к своим стандартам.

Определение кредитоспособности физического лица для банка «Авангард» связано с рядом проблем. В частности, затрудняет оценку отсутствие системы эффективного функционирования кредитных бюро. Это влечет за собой отсутствие кредитных историй, что дает возможность недобросовестным заемщикам получать одновременно несколько кредитов в различных банках без какой-либо проверки их предыдущих кредитных дел.

Применение количественного подхода сопровождается проблемами информационного характера. Большинство показателей кредитоспособности, используемые в практике банка «Авангард», ориентированы на прошлое, так как рассчитываются по данным за прошедший период. Более того, обычно применяются данные об остатках на определенную дату (запас), а не более точные и информативные данные об оборотах за период (поток). К примеру, справка 2-НДФЛ или по форме банка, обязательная к предоставлению, содержит информацию, по которой рассчитывается среднемесячный чистый доход клиента за прошедший период.

Оценить перспективы изменений многочисленных факторов и обстоятельств, которые будут определять кредитоспособность заемщика в будущем весьма затруднительно. Банк же заинтересован в оценке способности погасить кредит с точки зрения будущего периода, ему важно получение обоснованного прогноза поведения заемщика. Таким образом, это говорит о том, что многие показатели кредитоспособности имеют ограниченное ретроспективное значение.

В рамках качественного подхода к оценке кредитоспособности используются факторы, которые не подлежат количественной оценке. Это касается в первую очередь моральных ценностей, репутации, кредитной истории заемщика. Выводы по данным критериям являются субъективными, относительными. Зачастую это даже более трудная оценка, нежели оценка финансовой состоятельности заемщика.

Проблема специфики оценки физического лица заключается в трудности получения объективной информации об их кредитоспособности. Физическим лицам проще скрыть существенную информацию относительно погашения потребительского кредита, например, о состоянии собственного здоровья, перспективах своей занятости, размере получаемой заработной платы, выполнении взятых на себя долговых обязательств, нежели большинству деловых предприятий, оценка которых базируется на анализе финансовой отчетности, заверенной аудиторами. Но даже без учета вероятности сокрытия информации объективность информации ниже, поскольку не всегда оцениваемые параметры, например, величина дохода, зависит от самого физического лица.

Таким образом, на наш взгляд, весьма затруднительно сформировать интегральную оценку кредитоспособности заемщика банка «Авангард», задействовав и обобщив цифровые и нецифровые данные. В данном случае помимо цифрового анализа необходима экспертная оценка квалифицированных аналитиков.

Для получения эффективной и надежной оценки кредитоспособности клиентов банку «Авангард» необходимо применять современную автоматизированную технологию, позволяющую сформировать статистическую базу данных. Информация должна периодически пополняться данными из всех филиалов банка. Такое хранилище будет исполнять функцию кредитного бюро.

Наличие кредитных историй по заемщикам позволит банку снизить затраты по оценке кредитоспособности заемщика, уменьшить долю проблемных кредитов, а, следовательно, сократить ресурсы на создание резервов; выдавать надежным заемщикам кредиты с более высоким показателем соотношения размера кредита и стоимости предмета залога; наличие кредитной истории будет стимулировать заемщика к погашению кредита, так как в противном случае он рискует в будущем не получить кредит в другой кредитной организации.

Необходимо осуществлять тщательный отбор финансовых показателей и критериев, описывающих деятельность заемщика и его перспектив для того, чтобы наиболее полно охарактеризовать его положение. Кроме того, важно обоснование пороговых значений показателей.

На данный момент банк «Авангард» в той или иной степени имеет некоторые собственные наработки в части оценки кредитоспособности клиента, но методики, заложенные в их основе, либо слишком инертны, чтобы адекватно реагировать на динамику рынка, либо слишком дороги (стоимость предлагаемых зарубежных методик сопоставима с доходами от потребительского кредитования).

Стоит заметить, что практика массового применения, например, скоринг-методик в российских условиях может привести к резкому росту невозвратов кредитов. Положительный опыт их успешного использования в экономически развитых странах был сформирован совершенно в иной экономической среде. В России в условиях отсутствия деятельности кредитных бюро, низкой кредитной культуры населения, единого информационного пространства в финансовой сфере массовое применение зарубежных скоринг-технологий без сомнения усилит кредитные риски розничного банковского бизнеса.

В завершении еще раз подчеркнем, что, как показывает практика, использование только математических методов или только методов качественного анализа зачастую является недостаточным и низкоэффективным, лишь комплексное применение методов позволяет банкам получить объективную, полную и достоверную информацию о потенциальном заемщике, тем самым верно оценить кредитные риски, связанные с определенным заемщиком.

Можно предположить, что в условиях кризиса, когда банки сокращают кредитные операции, оценка кредитоспособности заемщика - физического лица теряет актуальность.

Учитывая конечность кризисной фазы текущий период времени скорее дает возможность доработать существующие методики оценки, выявить дополнительные факторы, влияющие на параметры выдаваемых розничных кредитов.

3.2 Совершенствование методики оценки заемщиков - физических лиц банка «Авангард»

Рассмотрим возможность применения одного из методов оценки риска при кредитовании физических лиц банком «Авангард», основанного на применении технологии интеллектуального анализа данных (Data Mining).

Можно привести давно всем известную цепочку связанных событий:

· чем меньше рискует банк при предоставлении кредита, тем меньше процентная ставка, предлагаемая этим банком;

· чем меньше процентная ставка, тем больше клиентов обратиться в именно этот банк;

· чем больше клиентов обратиться в банк, тем большую прибыль получит банк, а это одна из основных целей коммерческой деятельности.

Риск, связанный с невозвратом суммы основного долга и процентов можно значительно снизить, оценивая вероятность возврата заемщиком кредита. Данная статья посвящена одному из ключевых моментов в кредитовании физических лиц - определению кредитоспособности потенциального заемщика.

При кредитовании физических лиц характерны небольшие размеры ссуд, что порождает большой объем работы по их оформлению и достаточно дорогостоящая процедура оценки кредитоспособности относительно получаемой в результате прибыли.

Для оценки кредитоспособности физических лиц банку «Авангард» необходимо оценить как финансовое положение заемщика, так и личные качества заемщика. При этом кредитный риск складывается из риска невозврата основной суммы долга и процентов по этой сумме.

Сейчас для оценки риска кредитования заемщика используется скоринг кредитование. Сущность этой методики состоит в том, что каждый фактор, характеризующий заемщика, имеет свою количественную оценку.

Суммируя полученные баллы, можно получить оценку кредитоспособности физического лица. Каждый параметр имеет максимально возможный порог, который выше для важных вопросов и ниже для второстепенных. На сегодняшний день известно достаточно много методик кредитного скоринга.

Одной из самых известных является модель Дюрана. Дюран определил группы факторов, позволяющих максимально определить степень кредитного риска. Также он определил коэффициенты для различных факторов, характеризующих кредитоспособность физического лица:

Пол: женский (0.40), мужской (0)

Возраст: 0.1 балл за каждый год свыше 20 лет, но не больше чем 0.30

Срок проживания в данной местности: 0.042 за каждый год, но не больше чем 0.42

Профессия: 0.55 - за профессию с низким риском; 0 - за профессию с высоким риском; 0.16 - другие профессии

Финансовые показатели: наличие банковского счета - 0.45; наличие недвижимости - 0.35; наличие полиса по страхованию - 0.19

Работа: 0.21 - предприятия в общественной отрасли, 0 - другие

Занятость: 0.059 - за каждый год работы на данном предприятии

Также он определил порог, перейдя который, человек считался кредитоспособным. Этот порог равен 1.25. Т.е. если набранная сумма баллов больше или равна 1.25, то потенциальному заемщику выдается испрашиваемая им сумма.

Основным недостатком скоринговой системы оценки кредитоспособности физических лиц является то, что она очень плохо адаптируема. А используемая для оценки кредитоспособности система, должна отвечать настоящему положению дел.

Например, в США считается плюсом, если человек поменял много мест работы, что говорило о том, что он востребован. В России наоборот - данное обстоятельство говорило о том, что человек либо не может ужиться с коллективом, либо это малоценный специалист, а соответственно повышается вероятность просрочки в платежах.

Другим примером различия весовых коэффициентов может служить то, что если в России наличие личного автомобиля говорило о хорошем финансовом положении заемщика, то сейчас это наличие практически ни о чем не говорит. Таким образом адаптировать модель просто крайне необходимо, как для разных периодов времени, так и для разных стран и даже для разных регионов страны.

Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисту необходимо проделывать путь, подобный тому, что проделал Дюран. Т.е. специалисты, которые будут заниматься такой адаптацией должны быть высоко квалифицированными, а значит и очень высокооплачиваемые. Это должны такие люди, чтобы они были в состоянии оценить текущую ситуацию на рынке. Результатом такого рода проделанной работы будет набор факторов с весовыми коэффициентами плюс некий порог (значение), преодолев который человек, обратившийся за кредитом, считается способным погасить испрашиваемую ссуду плюс проценты.

Полученные результаты являются по большей части субъективным мнением и, как правило, плохо подкрепленные статистикой (статистически необоснованные). Как следствие всего этого, полученная модель не в полной мере отвечает текущей действительности.

Финансовым результатом такого подхода будет то, что в процентной ставке кредитования предлагаемой банком большую долю будет занимать часть, покрывающая риск неплатежей.

Итак, основные недостатки скоринговой системы оценки кредитоспособности физических лиц это:

- Высокая стоимость адаптации используемой модели под текущее положение дел;

- Большая вероятность ошибки модели при определении кредитоспособности потенциального заемщика, обусловленная субъективным мнением специалиста.

Одним из вариантов решения вышепоставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации - это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining - при помощи деревьев решений.

Деревья решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Пример дерева приведен на рис. 3.1.

Рис. 3.1 Пример дерева решений

Сущность этого метода заключается в следующем. На основе данных, за прошлые периоды строится дерево. При этом класс каждой из ситуаций, на основе которых строится дерево, заранее известен. В нашем случае должно быть известно, была ли возвращена основная сумма долга и проценты, и не было ли просрочек в платежах. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются по узлам, которые в свою очередь также могут быть разбиты на дочерние узлы.

Критерий разбиения - это различные значения какого-либо входного фактора.

Для определения поля, по которому будет происходить разбиение, используется показатель, называемый энтропия - мера неопределенности. Выбирается то поле, при разбиении по которому устраняется больше неопределенности. Неопределенность тем выше, чем больше примесей (объектов, относящихся к различным классам) находятся в одном узле. Энтропия равна нулю, если в узле будут находиться объекты, относящиеся к одному классу.

Полученную модель используют при определении класса (Давать/Не давать кредит) вновь возникших ситуаций (поступила заявка на получение кредита).

При существенном изменении текущей ситуации на рынке, дерево можно перестроить, т.е. адаптировать к существующей обстановке.

Для демонстрации подобной технологии будет использоваться программа Tree Analyzer из пакета Deductor ver.3.

В качестве исходных данных была взята выборка, состоящая из 1000 записей. Где каждая запись - это описание характеристик заемщика плюс параметр, описывающий его поведение во время погашения ссуды.

При обучении дерева использовались следующие факторы, определяющие заемщика: 'N Паспорта'; 'ФИО'; 'Адрес'; 'Размер ссуды'; 'Срок ссуды'; 'Цель ссуды'; 'Среднемесячный доход'; 'Среднемесячный расход'; 'Основное направление расходов'; 'Наличие недвижимости'; 'Наличие автотранспорта'; 'Наличие банковского счета'; 'Наличие страховки'; 'Название организации'; 'Отраслевая принадлежность предприятия'; 'Срок работы на данном предприятии'; 'Направление деятельности заемщика'; 'Срок работы на данном направлении'; 'Пол'; 'Семейное положение'; 'Количество лет'; 'Количество иждивенцев'; 'Срок проживания в данной местности'; 'Обеспеченность займа'; 'Давать кредит'.

При этом поля: 'N Паспорта', 'ФИО', 'Адрес', 'Название организации' алгоритм уже до начала построения дерева решений определил как непригодные (рис. 3.2) по причине практической уникальности каждого из значений.

Рис. 3.2 Настройка определяющих и целевых факторов

Целевым полем является поле 'Давать кредит', принимающий значения 'Да'(True) и 'Нет'(False). Эти значения можно интерпретировать следующим образом: 'Нет' - плательщик либо сильно просрочил с платежами, либо не вернул часть денег, 'Да' - противоположность 'Нет'.

После процесса построения дерева решений при помощи программы Tree Analyzer получаем следующую модель оценки кредитоспособности физических лиц, описывающую ситуацию, относящуюся к определенному банку. Эта модель представлена в виде иерархической структуры правил - дерева решений (рис. 3.3).

Рис. 3.3 Дерево решений - модель определения кредитоспособности физических лиц

Анализируя полученное дерево решений (см. рис. 3) можно сказать следующее:

При помощи дерева решений можно проводить анализ значащих факторов. Такое возможно благодаря тому, что при определении параметра на каждом уровне иерархии, по которому происходит разделение на дочерние узлы, используется критерий наибольшего устранения неопределенности.

Таким образом, более значимые факторы, по которым проводится классификация, находятся на более близком расстоянии (глубине) от корня дерева, чем менее значимые.

Например, фактор 'Обеспеченность займа' более значим, чем фактор 'Срок проживания в данной местности'. А фактор 'Основное направление расходов' значим только в сочетании с другими факторами.

Еще одним интересным примером значимости различных факторов служит отсутствие в построенном дереве параметра 'Наличие автотранспорта', что говорит о том, что на сегодняшний день это наличие не является определяющим при оценке кредитоспособности физического лица.

Можно заметить, что такие показатели как 'Размер ссуды', 'Срок ссуды', 'Среднемесячный доход' и 'Среднемесячный расход' вообще отсутствуют в полученном дереве. Данный факт можно объяснить тем, что в исходных данных присутствует такой показатель как 'Обеспеченность займа', и т.к. этот фактор является точным обобщением 4 вышеописанных показателей, алгоритм построения дерева решений выбрал именно его.

Очень важной особенностью построенной модели является то, что правила, по которым определяется принадлежность заемщика к той или иной группе записаны на естественном языке.

Например, на основе построенной модели получаются следующие правила:

ЕСЛИ Обеспеченность займа = Да И Срок проживания в данной местности, лет > 5.5 И Количество лет > 19.5 И Наличие недвижимости = Да И Наличие банковского счета = Да ТО Давать кредит = Да (Достоверно на 98%)

ЕСЛИ Обеспеченность займа = Да И Срок проживания в данной местности, лет > 5.5 И Наличие недвижимости = Да И Количество лет > 21.5 И Срок работы на данном направлении, лет <= 5.5 И Пол = Муж И Наличие банковского счета = Нет И Основное направление расходов = Одежда, продукты питания и т.п. ТО Давать кредит = Нет (Достоверно на 88%)

Правильно построенное на данных прошлых периодов дерево решения обладает одной еще очень важной особенностью. Эта особенность называется 'способность к обобщению'. Т.е. если возникает новая ситуация (обратился потенциальный заемщик), то, скорее всего, такие ситуации уже были и достаточно много.

Вследствие чего можно с большой долей уверенности сказать, что вновь обратившийся заемщик поведет себя так же, как и те заемщики, характеристики которых очень похожи на характеристики вновь обратившегося.

На основе построенной модели можно определять принадлежность потенциального заемщика к одному из классов. Для этого необходимо воспользоваться диалоговым окном 'Эксперимент' программы Tree Analyzer (рис. 3.4), в котором, последовательно отвечая на вопросы, можно получить ответ на вопрос: 'Давать ли кредит'.

Рис. 3.4 Окно 'Эксперимент'

Вопросы: Обеспеченность займа: Да > Наличие недвижимости: Да > Пол: Муж > Наличие банковского счета: Нет > Основное направление расходов: Покупка товаров длительного пользования.

Ответ: Кредит давать: Да (достоверно на 96 %)

Используя такой подход можно устранить сразу оба вышеописанных недостатка скоринговой системы оценки кредитоспособности.

Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально)

Качество результата достаточно велико за счет того, что алгоритм выбирает наиболее значимые факторы для определения конечного ответа. Плюс ко всему полученный результат является статистически обоснованным.

Приведенный выше пример - это достаточно грубый вариант того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц в банке «Авангард». Хотя и при таком первом приближении наблюдаются положительные результаты.

Дальнейшие усовершенствования могут затрагивать такие моменты как:

· более точный подбор определяющих заемщика факторов;

· изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/Не вернул/Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя;

· в данной статье ни слова не говориться об очистке данных, хотя, как показывает практика, использование предобработки исходных данных позволяет значительно улучшить качество результата и является важным этапом при комплексном подходе к решению любой задачи анализа данных.

В третьем разделе работы было рассмотрено совершенствование методов оценки кредитоспособности заемщиков физических лиц в банке «Авангард». Одним из вариантов решения вышепоставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации - это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining - при помощи деревьев решений. Деревья решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Используя такой подход можно устранить сразу оба вышеописанных недостатка скоринговой системы оценки кредитоспособности.

Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально)

Качество результата достаточно велико за счет того, что алгоритм выбирает наиболее значимые факторы для определения конечного ответа. Плюс ко всему полученный результат является статистически обоснованным.

Данный вариант - пример того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц в банке «Авангард». Хотя и при таком первом приближении наблюдаются положительные результаты. Дальнейшие усовершенствования могут затрагивать такие моменты как: более точный подбор определяющих заемщика факторов; изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/Не вернул/Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя; в данной статье ни слова не говориться об очистке данных, хотя, как показывает практика, использование предобработки исходных данных позволяет значительно улучшить качество результата и является важным этапом при комплексном подходе к решению любой задачи анализа данных.

ЗАКЛЮЧЕНИЕ

В современных условиях финансового кризиса от методов оценки кредитоспособности предприятий зависит не только стабильность того или иного банка, но и стабильность экономической ситуации в стране.

При формировании методики, на наш взгляд, должны быть учтены все «подводные камни» клиента предвидеть возможное изменение ситуации, предусмотреть достаточный запас прочности кредитного договора, чтобы при наихудшем стечении обстоятельств банк имел возможность вернуть сумму кредита и проценты по нему.

Это вызывает необходимость рассмотрения проблемы критериев оценки кредитоспособности при формировании методики ее оценки, чем и обусловлена актуальность темы данной работы.

Определение кредитоспособности потенциального заемщика является неотъемлемой частью работы коммерческого банка по целесообразности предоставления кредитных ресурсов.

Под анализом кредитоспособности заемщика понимается оценка кредитной организацией клиента с точки зрения возможности и целесообразности предоставления ему ссудного капитала, определения вероятности его своевременного возврата в соответствии с установленными кредитной документацией первоначальными параметрами. Анализ кредитоспособности клиента позволяет коммерческому банку, своевременно вмешавшись в деятельность должника, уберечь его от банкротства, а при невозможности этого - оперативно прекратить кредитование такого проблемного заемщика.

Оценка кредитоспособности заемщика проводится в кредитующем подразделении коммерческого банка на основе информации, характеризующей способность клиента получать доход, достаточный для своевременного погашения обязательств, наличие денежных или имущественных активов, которые при необходимости могут служить обеспечением выданной ссуды и т.д.

Кроме того, кредитный специалист обязан анализировать рыночную конъюнктуру, тенденции ее изменения, риски, которые испытывают кредитная организация и ее клиент, а также экономические, социальные, структурные, конъюнктурные и иные факторы.

При анализе кредитоспособности заемщика коммерческий банк учитывает множество факторов, из которых складывается репутация отдельно взятого потенциального клиента. По принципу принадлежности к определенной сфере деятельности человека все факторы распадаются на: социальные, профессиональные, имущественные, специальные банковские и другие.

В современных подходах к анализу кредитоспособности потенциального заемщика коммерческими банками анализируются не только доходы, но и расходы клиента. Доходы, как правило, определяются по трем направлениям: доходы от основной трудовой деятельности в виде заработной платы, от сбережений и капитальных вложений, прочие доходы.

К основным статьям расходов заемщика относятся: выплата подоходного и других налогов, алименты, ежемесячные или квартальные платежи по ранее полученным ссудам, выплаты по страхованию жизни и имущества, коммунальные платежи и т.д. Вопросы подтверждения размеров доходов и расходов возлагаются на клиента, который предъявляет необходимые документы.

В целях снижения уровня кредитного риска анализ платежеспособности проводится как по заемщику, так и по всем поручителям. При этом методы анализа и документация идентичны.

Исследование проводилось на базе банка «Авангард».

Акционерный Коммерческий банк «АВАНГАРД» - открытое акционерное общество является универсальным российским банком. Банк стабильно на протяжении последних 10 лет входит в число 60 крупнейших банков России как по размеру капитала, так и по величине активов, ежегодно укрепляя свои позиции на российском и международном финансовых рынках. Банк активно сотрудничает с международными финансовыми институтами, развивает свою сеть, постоянно расширяет объемы операций с корпоративными клиентами и населением. С ноября 2004 года Банк является участником системы страхования вкладов.

Приоритетными направлениями деятельности Банка являются:

- корпоративный банковский бизнес;

- розничный банковский бизнес;

- международные операции;

- лизинг.

В 2010 году произошел значительный рост объемных показателей розничного бизнеса Банка «АВАНГАРД».

Его важнейшим направлением, как и ранее, был выпуск и обслуживание банковских карт, а также предоставление услуг их держателям. В течение отчетного года объем эмиссии карт увеличился на 40% - до 860 тыс., при этом 80% карт, выпущенных Банком, были кредитными. Ключевой показатель - оборот по операциям оплаты товаров и услуг - вырос более чем на 40%, до 12,4 млрд. рублей. Объем портфеля кредитов по картам увеличился на 16%, до 2,7 млрд. рублей.

В работе была рассмотрена методика оценки кредитоспособности заемщика - физического лица банка «Авангард». Методика базируется на количественной (оценка доходов и расходов) и качественной (учет факторов риска) оценке. Однако, несмотря на тщательную оценку кредитоспособности в Банке «Авангард» существуют проблемы невозврата кредитов, что свидетельствует о недостаточной точности используемой методки оценки кредитоспособности заемщиков.

Одним из вариантов решения вышепоставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации - это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining - при помощи деревьев решений. Деревья решений - один из методов автоматического анализа данных. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Используя такой подход можно устранить сразу оба вышеописанных недостатка скоринговой системы оценки кредитоспособности.

Стоимость адаптации сводится практически к минимуму за счет того, что алгоритмы построения модели классификации (дерево решений) - это самоадаптируемые модели (вмешательство человека минимально)

Качество результата достаточно велико за счет того, что алгоритм выбирает наиболее значимые факторы для определения конечного ответа. Плюс ко всему полученный результат является статистически обоснованным.

Данный вариант - пример того, как можно использовать методы интеллектуального анализа данных, в частности, деревья решений, для достижения поставленной задачи: уменьшения риска при операциях кредитования физических лиц в банке «Авангард». Хотя и при таком первом приближении наблюдаются положительные результаты. Дальнейшие усовершенствования могут затрагивать такие моменты как: более точный подбор определяющих заемщика факторов; изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/Не вернул/Не вовремя), или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя; в данной статье ни слова не говориться об очистке данных, хотя, как показывает практика, использование предобработки исходных данных позволяет значительно улучшить качество результата и является важным этапом при комплексном подходе к решению любой задачи анализа данных.