Методы оценки рисков при анализе портфеля просроченной задолженности
В статье обсуждается минимальный состав информационных реестров для достоверной оценки качества и стоимости долговых портфелей по просроченным потребительским кредитам. Описанные в статье результаты могут быть полезны специалистам подразделений по работе с проблемной задолженностью розничных банков, коллекторских агентств и инвестиционных компаний, заинтересованным в консолидации потребительской задолженности.
При любом способе управления массовым внесудебным взысканием задолженности рано или поздно возникает вопрос оптимизации. Себестоимость мероприятий по взысканию не должна превышать доходности; ограниченность трудовых ресурсов требует приоритезации усилий; возможны также дополнительные ограничения, направленные на сохранение лояльности клиентов, выполнение нормативов регулирующих органов и т.п.
Обычные вопросы, возникающие перед руководителем коллекторского подразделения или аналитиком:
Что выгоднее: начать взыскание немедленно или подождать несколько дней (возможно, клиент внесет платеж без дополнительных напоминаний)?
На какого клиента направить больше усилий по взысканию: частного предпринимателя, который должен банку 500 000 руб., но скрывается, или заемщика по кредитной карте с суммой задолженности 10 000 руб.?
Какого клиента нет смысла убеждать в ходе длительных телефонных переговоров, а необходимо срочно подавать в суд?
Когда следует прекратить усилия по взысканию данной задолженности?
Применение самоорганизующихся нейронных сетей для классификации заёмщиков
Для оценки качества портфелей просроченной задолженности оказалось возможным ограничиться лишь сведениями о сумме и сроке просрочки, оценкой степени риска мошенничества и(или) неплатежеспособности, полученной по косвенным признакам (взаимосвязи между заёмщиками, совпадение дат выдачи кредита и т.п.) и соотношением между ссудной задолженностью и задолженностью по процентам, комиссиям и штрафам.
Было бы интересно проверить прогнозную силу этого набора информационных полей альтернативными математическими средствами, а также обобщить методику такой проверки для задач мониторинга розничного долгового портфеля кредитной организации (не обязательно просроченных кредитов).
В статье описано, как нейронная сеть Кохонена самостоятельно выделила во входных данных класс должников, для которых погашение задолженности наиболее вероятно, что и подтвердилось впоследствии.
