Autor: Mirosław Ciesielski

Wykładowca akademicki, opisuje rynki finansowe, zmiany na rynku fintechów i startupów

Alternatywne modele scoringowe nadal nie tak wiarygodne jak tradycyjne

Jedna trzecia ludzkości nie ma dostępu do kredytu, nie występuje w biurach informacji kredytowej i nie ma historii kredytowej. To się szybko zmienia. Nowi gracze za pomocą technologii wykorzystują nowe źródła danych do oceny ryzyka kredytowego. Nie zastąpi to jednak tradycyjnych modeli scoringowych.
Alternatywne modele scoringowe nadal nie tak wiarygodne jak tradycyjne

Przynajmniej dwa i pół miliarda ludzi na świecie i kilkaset milionów małych firm wciąż nie ma dostępu do oficjalnych usług finansowych. Dotyczy to przede wszystkim rynków wschodzących. W Afryce 80 proc. z 1,2-miliardowej populacji nie ma kontaktu z bankiem, bo nie otrzymuje stałych dochodów, nie ma potwierdzonych oszczędności ani majątku mogącego stanowić pożądane zabezpieczenie. W Chinach pół miliarda mieszkańców nie ma żadnej historii kredytowej, a z 340 milionów pozostałych dorosłych, które ją ma, jedynie 20 proc. posiadało w 2014 roku zdolność kredytową.

Od USA po Chiny

Problem ten jednak nie dotyczy tylko krajów rozwijających się. Amerykańskie Consumer Financial Protection Bureau udostępniło w roku 2015 studium, w którym szacuje, że 26 mln Amerykanów nie znajduje się w rejestrach biur kredytowych, a dane 19 mln są przestarzałe i wykluczają ich ze starania o kredyt. Co więcej, 66 proc. millenialsów określono jako subprime, czyli z wątpliwą zdolnością kredytową. Nieubankowionych lub słabo ubankowionych Amerykanów wraz z emigrantami jest łącznie około 64 milionów, jednak spora cześć z nich – nawet 40 proc. – to właściciele domów, przedsiębiorcy i emeryci, którzy osiągają dochody kwalifikujące ich do pozytywnego ratingu kredytowego według wymogów FICO, czyli największego amerykańskiego biura kredytowego. Dlatego wiele firm finansujących konsumentów do budowy modeli oceny ryzyka klientów już używa nowych źródeł danych lub je testuje. Należy do nich agencja scoringowa TransUnion, która ocenia, że dzięki nowemu podejściu wskaźnik pozytywnej weryfikacji kredytowej może wzrosnąć nawet o 20 proc. FICO już zresztą używa danych z sieci telekomunikacyjnych i telewizji kablowych do budowy nowych modeli wyceny klienta.

Jeśli chodzi o budowę powszechnej bazy ratingowej najdalej wydają się iść Chińczycy. Co prawda działanie prywatnych firm gromadzących dane o wiarygodności finansowej klienta dopuszczono tam dopiero w 2013 roku, ale gigant e-commerce Alibaba poprzez spółkę Sesame Credit zbudował już potężną komercyjną bazę danych zawierającą informacje m.in. o płatnościach w internecie, kupowanych towarach (namiętni nabywcy gier video mogą mieć niższy rating), rozliczeniach podatkowych i nieuregulowanych mandatach drogowych.

Chiński rząd ma jeszcze dalej idące iście orwellowskie zamiary – chce w ciągu kilku lat stworzyć bazę danych umożliwiającą identyfikację reputacji społecznej obywateli. Słaby rating będzie miał konsekwencje nie tylko kredytowe czy – szerzej – finansowe (na przykład w postaci konieczności pozostawienia depozytu przy wypożyczeniu samochodu czy roweru), może nawet dyskwalifikować przy obejmowaniu funkcji publicznych i stanowisk menedżerskich, otrzymywaniu świadczeń społecznych, a nawet uniemożliwić rezerwację miejsca sypialnego w pociągu.

Dane do budowy algorytmów

Wykorzystywanie przez firmy technologiczne różnych źródeł do budowy algorytmów kredytowych trwa już kilka lat. Jednak jak stwierdził w czasie marcowego kongresu Fintech w Warszawie wiceprezes BIK S.A. Sławomir Grzelczak, ciągle najwyższą wartość predyktywną mają historyczne dane kredytowe, następnie transakcyjne, a potem społecznościowe. Tymi ostatnimi zresztą najłatwiej manipulować nieuczciwym klientom tworzącym fałszywą tożsamość.

Dlatego jak mówi Patrick Koeck, dyrektor operacyjny Creamfinance, firmy kredytującej małe i średnie firmy, chodzi o znalezienie odpowiedniego mixu tzw. smart data odzwierciedlającego jak najdokładniej doświadczenie klienta (UX) i uwzględnienie ich w odpowiednich algorytmach. Idzie więc o identyfikację obiecujących źródeł danych, zapewnienie do nich dostępu i ich konwersję w wartości scoringowe.

Dane takie pochodzić mogą z bardzo wielu źródeł. Oczywiste są informacje o zachowaniach płatniczych – tu istotne są płatności za media, czynsz, najem, podatki, a nawet kary za nieterminowy zwrot książek do biblioteki oraz czesne na uczelni. Jeden z azjatyckich pożyczkodawców przekonał się, że predykcja spłaty kredytów oparta o płatności za rachunki telefoniczne nie była dużo gorsza niż wykorzystująca historię kredytową. Dobrym lustrem finansowym klienta są rozliczenia za zakupy w sieci i ich forma. Za jego zgodą firmy sięgają też po dane transakcyjne z innych instytucji finansowych (zmienność wysokości środków na rachunku bankowym i oszczędnościowym, korzystanie z debetu, itp.), na podstawie których powstają modele finansowych zachowań klientów – to w swoich scoringach uwzględnia amerykańska firma SoFi. Dla innych znaczenie mają dane od pracodawców ukazujące stabilność i historię zatrudnienia.

Osobna i ciekawa grupa danych związana jest ze sposobem używania telefonu. Liczyć się może relacja liczby rozmów wychodzących do przychodzących (te pierwsze mają wyższą wycenę kredytową). Ważny może być czas trwania rozmów i pora dnia, w których są one prowadzone (te w godzinach pracy są wartościowane negatywnie). Niewielka sieć kontaktów telefonicznych też nie przysparza klientom dodatnich punktów kredytowych.

Nieocenioną skarbnicą wiedzy, głównie na rynkach wschodzących jest smartfon, a właściwie sposób, w jaki jest używany, bo właśnie to generuje dane psychometryczne. Służy do tego odpowiednia aplikacja umieszczona u występującego o pożyczkę klienta. Bardziej uporządkowani klienci, posiadający w książce telefonicznej pełną nazwę abonenta (imię, nazwisko), są bardziej wiarygodni, a ci otrzymujący esemesy od firm hazardowych niekoniecznie. Osoby szybko wyczerpujące baterię w telefonie i rzadko się przemieszczające również mogą otrzymać w funkcjonującym algorytmie punkty ujemne. Istotne jest też, na jakie strony wchodzi klient przed rozpoczęciem aplikacji o kredyt, czy analizuje inne opcje, jak dużo czasu im poświęca, bo to weryfikuje racjonalność jego decyzji.

Firmy wykorzystujące podobne dane przy budowie algorytmów analizują nawet 10 tys. sygnałów na abonenta – należy do nich Tala budująca modele scoringowe dla konsumentów w Afryce wschodniej i południowo-wschodniej Azji. Tu ważny jest też wskaźnik stopnia analfabetyzmu potencjalnych kredytobiorców dokonywany przez ocenę ich umiejętności gramatycznych demonstrowanych w wysyłanych esemesach. Uwzględniająca m.in. wymienione cyfrowe ślady w swoich algorytmach, a pochodząca z Singapuru firma Lenddo osiągnęła tak zadawalające rezultaty na Filipinach w 2011 roku, że w ciągu następnych lat rozszerzyła biznes na 20 państw Azji i Ameryki Południowej, oferując także raporty scoringowe innym graczom technologicznym i bankom.

Nowe cyfrowe modele biznesowe firm pożyczkowych wykorzystujące smart data dobrze uzupełniają działalność tradycyjnych graczy oferujących tradycyjne i drogie pożyczki consumer finance cechujące się wysokim ryzykiem i mikropożyczki, szczególnie adresowane do kobiet przedsiębiorców i uwzględniające w ocenie ich więzi społeczne. Ubocznym pozytywnym skutkiem wdrożenia modeli cyfrowych na nieubankowionych rynkach jest edukacja społeczności – beneficjentów kredytu. Osoby nabywające leki i środki odkażające mają większą szansę na pożyczkę, tak samo jak rolnicy, którzy sprawdzają na swoich monitorowanych przez pożyczkodawcę smartfonach prognozę pogody, dzięki czemu mogą zebrać plony, zanim zdewastuje je natura. Znajomość takich zależności utrwala i rozpowszechnia pozytywne postawy.

Uwaga na portale społecznościowe

Dane pozyskane z sieci społecznościowych z reguły mają charakter uzupełniający, a nie podstawowy w trakcie mobilnej procedury pożyczkowej. Można też zweryfikować, czy oświadczenia klienta w aplikacji są zgodne z danymi w odpowiednich portalach. Liczyć się może sposób (np. stosowanie dużych i małych liter) i czas wypełniania formularza aplikacji. Współpracujący z bankami amerykański fintech TrustingSocial z siedzibą w Singapurze stworzył scoring kredytowy na podstawie trzech głównych grup parametrów:

  • autentyczności – czyli weryfikacji cyfrowej tożsamości i wiarygodności klienta;
  • jakości sieci kontaktów klienta (intensywność i zakres);
  • wiarygodności finansowej opartej na historii edukacji i zatrudnienia pożyczkobiorcy.

Rene Griemens, dyrektor finansowy działającego również w Polsce hamburskiego Kreditechu, twierdzi, że dobra historia kredytowa wcale nie musi przesądzać o przyszłych zachowaniach kredytowych klienta. Dlatego firmie zależy na ustaleniu aktualnej finansowej osobowości klienta i czynników, które ją kształtują.

Odmowa udostępnienia swojego profilu społecznościowego i historii surfowania w sieci nie musi dyskwalifikować klienta, choć obniża jego wynik scoringowy. W Polsce dane z portali społecznościowych również mogą mieć na niego wpływ – uwzględnia je m.in. oferujący pożyczki P2P Kokos.pl.

Korzystanie z informacji o klientach w sieciach społecznościowych, nawet za ich przyzwoleniem, może jednak napotykać problemy. W zeszłym roku Facebook poważnie ograniczył technologicznym pożyczkodawcom dostęp do danych o klientach. Amerykańska Federalna Komisja ds. Handlu zasygnalizowała, że media społecznościowe udostępniające dane dla celów pożyczkowych mogą być traktowane jako agencje dysponujące danymi konsumentów, a to może zmienić ich status regulacyjny, co może oznaczać znacznie więcej obowiązków i kosztów. Same firmy pożyczkowe muszą już dostosować się do wielu wymogów prawnych – np. ustawy o równości kredytowej konsumentów.

Do konieczności przestrzegania zasad niedyskryminacji odniósł się też gubernator Rezerwy Federalnej Lael Brainard. Problem polega na braku transparentności procesu posługiwania się danymi klientów przez nowych graczy rynkowych, a sami klienci nie mają możliwości weryfikacji tych danych. Nie wiadomo też, w jaki sposób prywatność informacji podlega ochronie. W związku z tym w lutym Consumer Financial Protection Bureau rozpoczęło w USA publiczną debatę dotyczącą korzyści i zagrożeń ze stosowania alternatywnych modeli scoringowych.

Eksperymentowanie z nowymi metodami oceny zdolności pożyczkowej trwa ledwie kilka lat. To za mało, aby dowiodły one swojej wiarygodności i efektywności. Scoring FICO to ponad 60 lat doświadczeń, polskiego BIK-u dwadzieścia. Nowe modele wyceny ryzyka będą się jednak rozwijać i doskonalić – takie możliwości daje technologia, w tym uczenie maszynowe, tego wymagają nowi mobilni konsumenci. Prawdziwym jednak sprawdzianem, twierdzi Olivia Berdak z Forrester Research, będzie kryzys, który kiedyś się pojawi i zweryfikuje rzeczywistą wartość pożyczek udzielonych na bazie niestandardowych danych.

 

Otwarta licencja


Tagi