Колонки

Как fraud-скоринг увеличит выдачи кредитов на 50%

Колонки
Ирина Хорошко
Ирина Хорошко

Главный риск-менеджер MoneyMan

Вероника Елкина

В 2017 году команда дата-сайентистов ID Finance запустила для кредитного сервиса MoneyMan уникальную модель fraud-скоринга, которая позволяет определить риск мошенничества на первом этапе обработки кредитной заявки. Главный риск-менеджер MoneyMan Ирина Хорошко рассказала о ее потенциале и принципах работы.

Как fraud-скоринг увеличит выдачи кредитов на 50%
Присоединиться

Идентификация фрода в стандартной модели принятия решений

Классическая модель принятия решений относительно выдачи займа, как правило, включает в себя только application-скоринг, задача которого заключается в том, чтобы оценить вероятность дефолта по клиенту и принять решение по заявке на заем. Fraud-скоринг же помогает определить вероятность того, что клиент является мошенником.

Стандартная схема скоринга основывается на отказах по кредитным историям, информации из различных внешних и внутренних источников данных, механизме application-скоринга, а также на результатах проверки заявок службой кредитных инспекторов. Если несколько упростить, то сначала отсекаются потенциальные «дефолтники», далее исключаются вероятные мошенники и принимается итоговое решение о выдаче займа.

Фото: ShutterStock

На данный момент fraud идентифицируется с помощью определенных правил и стоп-факторов. Например, одним из таких факторов является недействительный паспорт. Сюда же относятся случаи, когда данные из анкеты одного заемщика пересекаются с информацией из анкеты другого клиента. Поэтому для проверки привлекаются и дополнительные источники, например, данные банковской карты.

На практике чаще всего мошенники выявляются имеено стоп-факторами или обнаруживаются на этапе верификации, когда заявку обрабатывает специалист. Кстати, иногда мошенники используют специального человека,  который подтверждает личность вымышленного лица по указанному в заявке рабочем телефону.

Как работает fraud-скоринг

На создание fraud-скоринга мы потратили около 5 месяцев.  Для разработки использовали нетипичные данные, отличные от тех, что используются в application-скоринге, потому что нашей задачей было не определить платежеспособность клиента, а убедиться, что заявки отправляет реальный добросовестный пользователь.

Для того чтобы построить эффективную модель fraud-скоринга, пришлось проделать масштабную работу, в первую очередь со службой безопасности компании, ведь именно она в основном занимается идентификация фрода. Для этого потребовалось вручную проанализировать историю всех случаев, которые были признаны мошенническими. Это было очень важно, поскольку от качества такого анализа зависит и эффективность работы fraud-скоринга.

c

Фото: cutimes.com

Fraud-скоринг включает намного больше факторов, чем application-скоринг. При этом они больше заточены на нестыковки в заявке. Например, рабочий телефон клиента обычно стационарный, и если при проверке окажется, что его код не соответствует региону проживания клиента, то значит высока вероятность мошенничества.

Эффективно работает отслеживание поведения клиента на сайте. В среднем человеку для написания ФИО требуется 7-10 секунд, но если пользователь справляется с этим за 40 и более секунд, то это расценивается как нетипичное поведение. Конечно, человека могли отвлечь, но в большинстве случаев мы видим стандартные 10 секунд, так что слишком долгое заполнение этих строк — еще один фактор, который помогает распознать мошенника.

Первые результаты и потенциал fraud-скоринга

Сейчас мы тестируем новую схему проверки клиента, которая начинает свою работу с fraud-скоринга. Благодаря ему уже первом этапе можно убедиться в том, что заявку оформляет реальный клиент. Таким образом сразу отсекаются мошенники, а оставшиеся пользователи проходят дальнейшую проверку платежеспособности. Эта схема дает несколько преимуществ.

Например, так мы снижаем нагрузку на верификацию. После отсеивания на начальном этапе заявка не проходит дальнейший цикл кредитного конвейера, а значит исчезает необходимость запрашивать дополнительные данные, что тоже сокращает издержки. В целом, нам удалось снизить стоимость выданного займа для компании на 25%. (Стоимость = Payroll на верификацию плюс цена запросов в источники информации).

Сегодня данная схема работает в пилотном режиме — по ветке с fraud-скорингом идет только часть потока клиентов. По нашим расчетам, потенциал этой ветки позволит сократить расходы в 2 раза и увеличить уровень одобрения заявок.

Как действуют мошенники

При построении fraud-скоринга необходимо учитывать, что фродстеры — грамотные люди, которые понимают принципы работы скоринга. Поэтому заявки от мошенников часто выглядят слишком идеальными.

Перед тем как атаковать сервис, мошенники подробно его изучают: например, подают несколько заявок с разными параметрами, чтобы понять, как устроена система. Они используют данные людей с хорошей кредитной историей, подходящим возрастом и зарплатой. По application-скорингу такие клиенты набирают хороший балл, и у большинства компаний подобные заявки перейдут к автоматическому одобрению, пропустив верификацию.

f

Фото: actionfraud.police.uk

Поэтому fraud-скоринг должен оценивать такие заявки по-другому и обратить внимание на иные нюансы, которые не учитывались во время application-скоринга. На данный момент для этого система проверяет 15 источников данных.

Роль верификации в новых условиях

Таким образом, сначала мы решаем, кому вообще можем выдать заем. Fraud-скоринг определяет, что заявку подал клиент сам за себя, и уже после этого application-скоринг помогает разобраться, потянет ли он долговую нагрузку.

Схема кредитного конвейера заключается в том, что верификаторы обрабатывают только «серый» сегмент, когда машина не справляется с принятием решения. Внедрение fraud-скоринга позволяет сузить «серую» зону в несколько раз.

Очевидно, что с введением fraud-скоринга верификаторы будут обрабатывать лишь малую часть потока в тех случаях, когда с заявкой не сможет справиться вся скоринговая цепочка. Мы хотим кредитовать законопослушных граждан, а значит до верификации будут доходить только те заявки, которые трудно обработать с помощью скоринговой модели.

Новые модели и традиции кредитных конвейеров

Внедрение fraud-скоринга обладает значительным потенциалом, потому что отрасль кредитования привыкла к «правилам хорошего тона» в кредитном конвейере. Канонов, на которых основаны выдачи микрозаймов в России, достаточно много, но экономика меняется, и заемщики тоже. Сейчас появляется все больше разных источников данных, и это самый подходящий момент, чтобы выйти за границы существующих правил.  

Фото: Getty

Стоит уйти от сложившихся стереотипов и посмотреть на ситуацию с другой стороны. Именно это и позволяет fraud-скоринг — алгоритм не отсекает автоматически людей с просрочкой, например, в 100 дней. Конечно, в 80% случаев клиент окажется неплатежеспособным, но, возможно в 20% все обернется иначе — а, как-никак, это клиенты.

Fraud-скоринг помогает изучать лучше кредитный портфель. Распознавая добросовестных клиентов, мы можем управлять их кредитной нагрузкой через анализ их финансового состояния на момент обращения в компанию, например, с помощью альтернативного предложения.

Перед нами стоит задача — понять, какую сумму можно дать человеку, учитывая информацию о его доходе и текущей кредитной нагрузке. Это широкие возможности для кредитования, которые в будущем позволят поднять уровень одобрения заявок для новых клиентов до 50%.

Подробнее про уникальный для рынка микрофинансирования fraud-скоринг я расскажу на форуме Scoring Case Forum 2017, который состоится 5 июля в Москве.


Материалы по теме:

Как технологии помогают коллекторам собирать долги

Может ли Facebook помешать получить кредит?

«Билайн» и МТС занялись скорингом для банков

Запущен сервис для оценки кредитоспособности человека по одному фото

 

Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

Материалы по теме

  1. 1 Эволюция ML-сервисов в микрофинансовых организациях и советы по внедрению
  2. 2 Цифровые двойники: как работают, зачем нужны и как смоделировать своего
  3. 3 С какими сложностями может столкнуться компания при внесении данных в IT-системы и как упростить этот процесс
  4. 4 Помощь агробизнесу. Как Big data улучшает работу сельхозпредприятий
  5. 5 Как использовать Big Data & AI для увеличения потока клиентов: кейс с крупным банком