» » Цифровой след: как банки анализируют соцсети клиентов при выдаче кредита

Деньги

Цифровой след: как банки анализируют соцсети клиентов при выдаче кредита

Цифровой след: как банки анализируют соцсети клиентов при выдаче кредитаПрофиль в социальной сети может многое рассказать о надежности и платежеспособности клиента. Как именно лайки и френд-лист влияют на взаимоотношения банка и клиента и что можно узнать о заемщике из интернета

Если человек демонстрирует любовь к «тюремным четкам» и «Владимирскому централу» на страницах своих профилей в социальных сетях, то у него могут возникнуть проблемы с одобрением кредита, заявил недавно старший вице-президент Сбербанка Александр Ведяхин в интервью «Интерфаксу».

Топ-менеджер анонсировал внедрение в Сбербанке скоринга (скоринг — система оценки клиентов, в основе которой заложены статистические методы) заемщиков по психометрическим моделям. С 2018 года в банке намереваются проводить проверку платежеспособности и надежности клиента по «цифровому следу»: данным о клиенте из социальных сетей, по мобильному телефону или даже по фотографиям, имеющимся в интернете.

«Соцсети могут очень много рассказать о человеке, его статусе, месте работы. Из соцсетей понятно, сколько раз в год человек ездит отдыхать, какие рестораны посещает, в каком кругу общается и где живет, на какой машине ездит», — объясняет заместитель председателя правления Локо-банка Андрей Люшин.

разбирался, по каким критериям кредиторы могут оценивать «цифровой» портрет заемщика.

Принимая решение о выдаче кредита, банки анализируют большое количество источников информации, в первую очередь данные бюро кредитных историй, рассказывает член правления, директор по управлению рисками Почта Банка Святослав Емельянов. Помимо данных БКИ для проверки надежности и платежеспособности клиента используют базу данных Федеральной службы судебных приставов, внутреннюю статистику (если клиент уже работал с этим банком), а также информацию, которую человек оставляет в заявке на кредит.

Очевидно, что чем больше источников информации, тем более точно работает скоринговая модель, объясняют в пресс-службе Тинькофф Банка. Так что в качестве дополнительного инструмента банки прибегают и к анализу доступных открытых источников, среди которых профили клиентов в социальных сетях. Правда, удельный вес скоринга социальных сетей в общей оценке платежеспособности клиента минимален, уточняет Святослав Емельянов. «Наличие идеального профиля при имеющейся просрочке не сможет дать стопроцентной вероятности одобрения кредитной заявки», — предупреждает эксперт.

«Если говорить упрощенно, то профиль типичного россиянина в социальной сети позволяет проверить, что человек реально существует, не скрывается от закона, имеет средства к существованию, друзей и семью», — объясняет директор по развитию компании Double Data Дмитрий Зубанов. Этой информации, по его словам, достаточно, чтобы отсеять некоторую долю мошенников и ненадежных заемщиков.

Особенно востребованным скоринг социальных сетей становится, когда в банк приходит абсолютно новый клиент, у которого нет ни кредитной истории, ни истории транзакций по счетам. В этих ситуациях традиционные подходы к скорингу плохо работают, а вот данные из открытых источников помогают лучше оценить надежность заемщика и одобрить кредит тем, кто, возможно, в обычных условиях получил бы отказ.

На российском рынке уже есть банки, уделяющие значительное внимание социальным сетям. По словам заместителя директора департамента по инновациям Росевробанка Александра Васильева, сейчас некоторые кредитные организации полностью перешли с классической «анкетной» скоринговой модели на многофакторную поведенческую модель на основе нейросетей. По данным , ранее о запуске скоринга на основе информации из соцсетей сообщали представители Альфа-банка, Тинькофф Банка, ОТП Банка и Хоум Кредит Банка.

Из банков, входящих в топ — 10 по объему выданных кредитов (по данным рейтингового агентства РАЕХ), об интересе к скорингу соцсетей признались только в нескольких кредитных организациях.

В Тинькофф Банке учитывают данные из открытых источников при одобрении кредитных заявок. «При этом информация из соцсетей все-таки остается лишь одним из многих элементов скоринговой модели», — уточнили в пресс-службе банка. Подробности о том, насколько сильно скоринг социальных сетей может повлиять на решение о выдаче кредита и на условия по кредиту (например, ставку), банк не раскрывает. В ОТП Банке возможности использования данных из социальных сетей для целей скоринга изучают в тестовом режиме. «Мы проводим тестирование информации в социальных сетях с целью оценки влияния на платежеспособность потенциальных заемщиков. Серьезной зависимости на текущий момент выявить не удалось. В производство данное решение не запущено, но мы продолжаем исследования в этом направлении», — рассказал заместитель председателя правления ОТП Банка Сергей Капустин.

ВТБ планирует начать работать с информацией из соцсетей в первом полугодии 2018 года. Для этого будут привлекаться компании, которые занимаются сбором подобных данных, сообщили в пресс-службе ВТБ. «В настоящий момент вес в принятии кредитных решений у такой информации небольшой. Но очевидно, что есть сегменты, где данные соцсетей играют большую роль, и их доля будет нарастать. На данный момент это как минимум канал привлечения через интернет и аудитория молодежи», — отметили в банке.

В Почта Банке отслеживают влияние данных социальных сетей на принятие кредитных решений. Тем не менее пока в кредитной организации не видят, чтобы их использование оказывало значительный эффект на разрешительную силу скоринговых карт, сообщил член правления и директор по управлению рисками Почта Банка Святослав Емельянов. То есть учет данных из социальных сетей, по опыту банка, оказывает небольшое влияние на итоговую оценку риск-профиля клиента.

«Тотальный сбор и анализ поведенческих данных в онлайне позволяют банку быстро сформировать уникальный психометрический портрет заемщика с высокоточным определением как его проблемных зон и подозрительных аномалий, так и позитивных факторов, понижающих или повышающих общий скоринговый балл», — объясняет Андрей Лысенко, руководитель службы маркетинга АО «Айкумен ИБС».

Для крупных банков автоматизированный анализ массива клиентских данных означает прежде всего рост качества кредитного портфеля и резкое сокращение материальных и временных затрат на проверку многих тысяч кредитных запросов, говорит Лысенко. Вдобавок знание особенностей каждого конкретного клиента позволяет предложить ему персонализированные банковские продукты. Например, вычислить индивидуальные кредитные условия или определить наиболее интересный финансовый продукт.

«Сейчас один наш клиент (крупный российский банк) делает продажи дебетовых карт по телефону. Мы выбрали для этого продукта целевую аудиторию из числа клиентов банка, проанализировав их социальные сети. И конверсия (доля звонков, превратившихся в продажи. — ) для этого продукта составила 25%, что выше, чем обычно удается достичь банку, почти в десять раз», — рассказывает Дмитрий Зубанов.

Анализ данных позволяет спрогнозировать финансовое поведение клиента. Например, в случае наличия у банка большой клиентской базы с историей платежей организация может сопоставить периоды неплатежеспособности своих клиентов с их поведением в соцсетях. «Затем при помощи машинного обучения выделить общие поведенческие паттерны, сопоставить эту информацию с информацией по текущим клиентам и таким образом предиктивно управлять рисками», — рассказывает Александр Васильев. По сути, это означает, что «кальку» поведения старых клиентов, склонность которых к дефолту по кредиту уже известна, банк может




Похожие новости

Новости других разделов

Присоединяйтесь

Деньги — предельно обобщённая информация о продуктообмене.

Журналисты

Цитата

Заблуждение не перестаёт быть заблуждением оттого, что большинство разделяет его.

Л.Н. Толстой.