Финансовые инновации в банковском деле

Из новшеств в сфере транзакционного бизнеса стоит рассмотреть продукт, который предлагает компания Revolut. Основной продукт компании - дебетовые мультивалютные карты, стоимость которых для клиента начинается от 0 фунтов в год за обслуживание за простую карту и счет в европейском банке https://www.revolut.com. Главной особенностью карты является обмен валюты по биржевому курсу. Если в традиционных банках присутствует некий спред между биржевым курсов и тем, за сколько обменивается валюта для клиента (причем обычно этот курс отличается на 1-2%), то в Revolut данные спред отсутствует. Компания за дополнительную плату предоставляет страхование в путешествии, доступ в программу лояльности и доступ в бизнес залы аэропортов, а также увеличенный лимит на снятие денег через банкомат без комиссии.

Также инновационным можно назвать набирающий популярность продукт компании Greenlight. Компания предоставляет дебетовые карты для детей. Суть продукта заключается в том, что ребенку предоставляется дебетовая карта, подконтрольная родителям. Они выделяют ему определенный лимит, могут настроить систему автоматических поощрений. Родители видят какой объем денег тратит их ребенок и на что конкретно. Также продукт помогает развивать в детях навыки финансовой грамотности благодаря встроенным урокам, помогающим в игровой форме объяснить базовые принципы финансовой грамотности, а также различным фитчам, как например автоматическое откладывание денег на какую-то большую цель. Подобным образом дети учатся тратить не все сразу, а откладывать, понимать ценность денег.

Инвестиционно-сберегательный бизнес для физических лиц

Сегмент инвестиций и сбережений также претерпевает значительные изменения. Рассмотрим новые продукты в сегменте инвестиций. На данный момент в российских банках присутствует широкая линейка инвестиционных продуктов, такие как ИСЖ, НСЖ, структурные продукты, классическое брокерское обслуживание (в виде ИИС и обычного счета), паевые фонды и многое другое. Инвестиционные продукты занимают важное место в банковском бизнесе, поскольку нередко являются достаточно маржинальными, однако большинство из них имеют либо низкую прозрачность и не возможность влиять на доходность после покупки (паевые фонды, ИСЖ, НСЖ и большинство структурных продуктов), либо большой порог для входа как по части компетенций, так и по части начального капитала. Например, чтобы купить одну акцию компании Amazon необходимо внести на счет около 2000 долларов + брокерская комиссия. Такие возможности есть не у всех и им приходится идти в более консервативные средства сбережений в виде депозитов. Однако, учитывая сильное снижение ключевой ставки в России, привлекательность депозитов существенно падает, что снижает вероятность выбора данного продукта. Сейчас появляются новые технологии и бизнес модели, способные изменить рынок инвестиций и сбережений радикальным способом и убрать существующие барьеры. Одной из самых заметных финтех компаний на рынке инвестиций является Robinhood. Компания использует уникальную стратегию монетизации своих услуг. Они предлагают клиентам брокерское обслуживание с 0 комиссией. Монетизация заключается в продаже заявок клиентов крупным фондам, которые с помощью этого занимаются маркет-мейкингом. Также чтобы значительно снизить порог входа на фондовый рынок компания предлагает покупать части акций. Таким образом вход на рынок начинается от 1 доллара. Компания имеет более 10 млн клиентов и уже сейчас существенно меняет привычную картину брокерского рынка в США. Так крупнейшие брокеры TD Ameriatrade и Charles Schwab уже объявили, что переходят на 0 комиссии за брокерское обслуживание https://www.cnbc.com/2019/11/21/schwabs-zero-fee-trading-kicked-off-a-price-war-and-could-pay-off-with-the-deal-of-a-lifetime.html. Еще один пример компании, меняющей рынок сбережений - Acorns. Компания предлагает следующую механику. Каждая покупка, совершенная картой округляется до целых. Полученная «сдача» записывается на сберегательный счет, который автоматически инвестирует в ETF. Компания не берет процент за транзакции, а просит всего от 1 до 3 долларов за обслуживание в месяц в зависимости от пакета услуг. Бизнес модель компании достаточно успешна и на данный момент у компании более 4.5 млн клиентов в США https://www.acorns.com. Российские банки также начинают использовать данную инициативу. Так Альфа-банк запустил сервис «Копилка для сдачи». Согласно условиям программ, установленный процент с каждой траты будет поступать на сберегательный счет, клиент будет получать доход в размере 5.5% https://alfabank.ru/make-money/service-for-saving/moneybox/.

Транзакционный бизнес для МСБ

Финансовые инновации также затронули продуктовые предложения для малого и среднего бизнеса. Продукты для малого и среднего бизнеса делятся на следующие категории: РКО (расчетно-кассовое обслуживание, интернет эквайринг), кредитные продукты (кредиты на развитие бизнеса, факторинг и тд), различного рода гарантии (предоставление тендерных гарантий, аккредитивы и тд). Рассмотрим последние продуктовые инновации в розничном бизнесе в каждой из категорий продуктов.

Учитывая, что большая часть МСБ сейчас так или иначе реализует свои услуги через интернет, то образовалось большое количество решения для онлайн эквайринга. Таким является Stripe, Paypal, Square и многие другие. Компании прошли путь от простого приема платежей через интернет, до создания экосистемы. Теперь это продукты по приему платежей и лично, например в ресторанах, а также средства для формирования расчетных листов, переводов за рубеж. В России лидерами данного направления является Сбербанк, Тинькофф и Альфа банк, Яндекс. Однако такого широкого функционала как их зарубежные коллеги они не представляют.

Рассмотрим инновации в части офлайн РКО. В части расчетно-кассового обслуживания представлен продукт от компании Точка. Компания предлагает открыть счет полностью дистанционно. Также для начинающих предпринимателей они предоставляют услугу бесплатного открытия ИП или ООО. Компания перенимает лучшие черты розничного банкинга, которых не было до этого в сфере МСБ такие как: карты с кэшбэком, программы лояльности, открытие счета без волокиты с документами. Учитывая, что компания на рынке достаточно давно, многие компании перенимают черты основного продукта данной компании. Например, банк Тинькофф делает аналогичный продукт на базе своего банка. На рынке услуг МСБ в российском банкинге присутствует тренд на снижение количества документов при открытии счета. Случилось так благодаря данному банку, который послужил катализатором изменений в данной сфере.



Кредитный бизнес для МСБ

Также рассмотрим кредитные инновации в МСБ. Здесь наблюдается тренд, схожий с продуктами для физических лиц, а именно p2b кредитование. МСБ всегда нуждается в деньгах, однако банки, особенно российские не стремятся брать на себя риск финансирования большинства бизнесов. За рубежом p2b кредитованием занимаются площадки Peerform, LendingClub, Upstart, Prosper, Funding Circle https://www.investopedia.com/articles/investing/092315/7-best-peertopeer-lending-websites.asp. Они различаются первоначальными требованиями, сроками кредита и ставками. Российский финтех не стоит на месте, у нас в стране есть большое множество подобных площадок. В России крупнейшими площадками являются Penenza, Поток, StartTrack, Город Денег [vc.ru]. Стоит отметить, что в России из банков первый шаг на встречу p2b кредитованию сделал Сбербанк с его площадкой СберКредо. Сбербанк обещает, что все процессы будут проводиться исключительно онлайн, сам банк занимается скорингом проектов по более чем 100 критериям оценки, а также работает с просроченной задолженостью самостоятельно. Также на сайте указано, что Сбербанк самостоятельно инвестирует в каждый проект на ряду с обычными физическими лицами.

Инновации во взаимодействии с клиентами

За последнее время поменялся не только подход к операциям внутри банка, организационное устройство и бизнес-модели продуктов. Также существенно изменилось взаимодействие банк и клиента. Рассмотрим два типа изменений: мобильные банки и оказание услуг в отделениях.

Одной из самых значимых инноваций последнего десятилетия стал фокус банков на мобильный банкинг. Все большее количество операций люди стараются проводить не в отделениях банков, а с собственных смартфонов. Так, выделяются две концепции мобильного банкинга: daily banking и digital office http://markswebb.ru/blog/digital-office-kak-orientir-tsifrovogo-bankinga/. Daily banking - концепция по которой в приложении клиент проводит рутинные операции, такие как переводы по счетам, оплата ЖКХ, услуг и тд. Digital office - концепция при которой посещение отделений не требуется в принципе. Все операции стараются перевести в онлайн, тем самым улучшая пользовательский опыт и снижая расходы на поддержку отделений.

Один из способов коммуникации клиентов и банка это отделения. На данный момент присутствуют следующие тренды по следующим направлениям касательно отделений:

Динамическая расстановка отделений в зависимости от изменений внешних факторов (геомаркетинг)

Полный отказ от отделений

Безбумажное взаимодействие и ускоренная идентификация без паспорта

Интерактивизация отделений

Уклон в сторону самообслуживания

Рассмотрим каждый из трендов по подробнее

Динамическая расстановка отделений

На данный момент все больше банков тестируют технологии геомаркетинга для пересмотра расположения отделений и открытия новых. Технология помогает проанализировать множество локаций в городе и предложить оптимальную. Рассматривается средний достаток людей в районе, места для парковки, объем трафика, арендная ставка и наличие рядом отделений банков конкурентов, либо самого банка чтобы не допустить канибализации. Допустим если место достаточно проходимое, но уровень достатка людей, проходящих мимо низкий, то банку система предложить открыть отделение без vip обслуживания, и наоборот, в случае с потенциально большим количеством клиентов сегмента affluent, система порекомендует сделать стойки для привилегированных клиентов. Также, анализируя арендные ставки, банку может быть предложен переезд в соседнее помещение для снижения себестоимости обслуживания. На основе этого банк может потребовать от арендодателя снижения ставок за аренду.

Отказ от отделений

Если рассматривать инновации, которые привели к радикальной смене привычек многих людей, то стоит упомянуть банк Тинькофф. Компания начала предлагать кредитный карты в России, не имея собственных отделений. Работая дистанционно, компания сократила издержки на обслуживание клиентов в отделениях, а развив большую сеть по доставке карт, смогла обслуживать клиентов даже в населенных пунктах, где имеется не более 200 жителей. Однако не стоит думать, что бизнес модель без отделений имеет только преимущества. Подобная схема накладывает существенные ограничения на спектр продуктов, которые может предоставлять компания. К тому же отделения выполняют не только функцию по обслуживанию, но и по генерации новых клиентов. В случае если отделение находится на месте с обширным трафиком, то оно выполняет помимо обслуживания клиентов следующие функции. Отделение, находясь на глазах у большого количества людей повышает узнаваемость бренда. Также, когда отделение находится в области концентрации большого количества людей, то есть вероятность, что человек не обслуживающийся до этого в данном банке выберет его, среди других т.к не хочет идти куда-то далеко.

Безбумажное взаимодействие и ускоренная идентификация без паспорта

Банки сегодня стремятся как можно сильнее снизить количество документации, с которой приходится взаимодействовать. Во-первых, это снижает себестоимость обслуживания за счет уменьшения затрат на транспортировку, хранение и обработку документации. Во-вторых, это улучшает клиентский опыт, поскольку время обслуживания сокращается. В-третьих, это может повысить безопасность. Например, в случае с идентификации по биометрии или с помощью двойной аутентификации через смс, снижается риск подмены документов, что является плюсом. Также в данном случае снижается нагрузка на службу безопасности, что в перспективе может снизить издержки банка. Хотелось бы упомянуть два кейса из России по данному тренду. Первый это ВТБ, второй - Альфа-Банк.

В ВТБ на данный момент проходит пилот в 54 отделениях по подписанию документов через СМС сообщение на телефон. В банке считают, что если пилот пройдет успешно, то данную инновацию масштабируют на всю сеть. В таком случае по мнению представителей банка это существенно повысит безопасность, снизит документооборот, что позволит сократить негативное влияние на экологию из-за вырубки лесов в том числе.

Альфа-Банк пошел более технологичным путем. В 20% отделений тестируется следующий подход - при походе в банк клиента идентифицируют еще на стадии захода в отделение с помощью камеры. Благодаря предиктивной системе аналитики, при обращении к клиентскому менеджеру, он уже будет знать какие услуги будут интересовать клиента больше всего. Идентификация для работы с продуктами проходит через биометрию в приложении банка. Когда нужно подписать документ или идентифицировать клиента для действий, посылается уведомление в приложение и клиент должен на него ответить. Для этого нужно либо прислонить палец к сканеру отпечатка пальцев на телефоне (touch id), либо использовать распознавание лица (face id).

Увеличение доступности отделений и уклон в сторону самообслуживания

Клиенты банков привыкли к доступности финансовых услуг через интернет 7/24 и отделения должны к этому подстраиваться. Так, например, существует концепция «умных отделений». Согласно ей, для увеличения доступности финансовых услуг, отделения делятся на 4 категории:

Коробочное отделение - размер менее 10 квадратных метров. Размещается один продвинутый банкомат, способный реализовывать большой спектр самых популярных операций. В таком отделении не должно быть персонала, одновременно в нем может обслуживаться 1-2 человека. Доступность 24/7. Функции кассира полностью заменят банкомат.

Стандартное отделение - размер до 140 квадратных метров. Доступность 24/7 для самообслуживания, для общения с сотрудником - стандартные часы работы. 3-4 сотрудника и большой спектр продвинутых банкоматов для самообслуживания. Таких отделений согласно концепции должно быть большинство. Функции кассира полностью заменят банкомат. Присутствуют различные интерактивные панели и экраны, где клиент может самостоятельно ознакомиться с банковскими продуктами.

Сегментное отделение - от 140 до 250 метров площади. Упор сделан на человеческое общение, преимущественно в affluent сегменте. Однако такие отделения также не должны быть лишены продвинутых устройств самообслуживания. Доступность 24/7 для самообслуживания, для общения с сотрудником - стандартные часы работы. Численность персонала до 7 человек. Функции кассира полностью заменят банкомат. Присутствуют различные интерактивные панели и экраны, где клиент может самостоятельно ознакомиться с банковскими продуктами. Выделены специальные комнаты для видео звонков в случае, если требуется видеоконференция для удаленного обслуживания клиента. Комнаты оборудованы звукоизоляцией, канал доступа в интернет защищен для обеспечения максимального уровня конфиденциальности.

Флагманское отделение - более 250 метров. Более 8 человек в штате. Реализует широкий спектр, включает самые редкие операции. В качестве исключения присутствует 1 кассир. Доступность 24/7 для самообслуживания, для общения с сотрудником - стандартные часы работы. Присутствуют различные интерактивные панели и экраны, где клиент может самостоятельно ознакомиться с банковскими продуктами.



Глава 2. Новые скоринговые модели и их сравнение с классическими способами проверки клиентов

План работы

Цель данной главы проверить следующие гипотезы:

Современные методы машинного обучения, демонстрируют лучшие показатели, чем классический факторный анализ в виде линейной регрессии

Нефинансовые данные в кредитном скоринге способы улучшить точность модели

Для того, чтобы проверить данные гипотезы будет построена модель кредитного скоринга на базе датасета банка Home Credit, в котором представлены обезличенные пользовательские данные заемщиков и их данные по кредитным выплатам. Показатели по пользователям в датасете будут поделены на 2 группы: финансовые, информация в которых непосредственно связанна с займом, его условиями и целями, а также нефинансовые показатели, которые связанны прежде всего с поведением заемщика, а именно насколько полную информацию он представил о себе, состоит ли в браке и тд.

Построение модели будет проходить по следующему плану:

Изучение датасета.

Визуальный анализ. Будут графически рассмотрены распределения внутри переменных, а также различные взаимосвязи между переменными для первичного выявление данных, которые потенциально могут дать предсказательную силу.

Математический анализ. Будет применен корреляционный и F-score анализ для выявления переменных, обладающих наибольшей предсказательной силой

Подготовка данных.

Разделение выборки на обучающую и тестовую в соотношении 80 на 20.

Ресемплинг данных для балансирования обучающей выборки

Исключение переменных с низкой предсказательной силой и большим количеством шумов

Выбор способа определения качества моделей

Обучение модели

Обучение с использованием классического алгоритма - логистической регрессии

Обучение с использованием современных алгоритмов, таких как XGboost, классификатор Random Forest, градиентный бустинг

Обучение с исключенными нефинансовыми переменными.

Подведение результатов относительно переменных

Изучение датасета

Рассмотрим датасет и что он содержит в себе.

Таблица 1. Переменные, описание переменных и тип переменных в датасете

Столбец	Описание	Тип
AMT_ANNUITY	Годовой платеж	Финансовый
AMT_CREDIT	Размер кредита	Финансовый
AMT_GOODS_PRICE	Если кредит потребительский, то сколько стоит товар	Финансовый
AMT_INCOME_TOTAL	Доход клиента	Финансовый
CNT_CHILDREN	Число детей у заемщика	Нефинансовый
CNT_FAM_MEMBERS	Сколько членов семьи у клиента	Нефинансовый
DAYS_BIRTH	Возраст клиента на момент подачи заявки	Нефинансовый
DAYS_EMPLOYED	Стаж на момент подачи заявки	Финансовый
DAYS_ID_PUBLISH	Как долго текущие документы у клиента	Нефинансовый
DAYS_LAST_PHONE_CHANGE	Сколько раз клиент менял телефон	Нефинансовый
DAYS_REGISTRATION	Сколько времени на последнем месте регистрации	Нефинансовый
DEF_30_CNT_SOCIAL_CIRCLE	Исследуемый круг общения в течение 30 дней	Нефинансовый
DEF_60_CNT_SOCIAL_CIRCLE	Исследуемый круг общения в течение 60 дней	Нефинансовый
FLAG_CONT_MOBILE	Был ли доступен мобильный телефон	Нефинансовый
FLAG_DOCUMENT_10	Был ли предоставлен документ 10	Финансовый
FLAG_DOCUMENT_11	Был ли предоставлен документ 11	Финансовый
FLAG_DOCUMENT_12	Был ли предоставлен документ 12	Финансовый
FLAG_DOCUMENT_13	Был ли предоставлен документ 13	Финансовый
FLAG_DOCUMENT_14	Был ли предоставлен документ 14	Финансовый
FLAG_DOCUMENT_15	Был ли предоставлен документ 15	Финансовый
FLAG_DOCUMENT_16	Был ли предоставлен документ 16	Финансовый
FLAG_DOCUMENT_17	Был ли предоставлен документ 17	Финансовый
FLAG_DOCUMENT_18	Был ли предоставлен документ 18	Финансовый
FLAG_DOCUMENT_19	Был ли предоставлен документ 19	Финансовый
FLAG_DOCUMENT_2	Был ли предоставлен документ 2	Финансовый
FLAG_DOCUMENT_20	Был ли предоставлен документ 20	Финансовый
FLAG_DOCUMENT_21	Был ли предоставлен документ 21	Финансовый
FLAG_DOCUMENT_3	Был ли предоставлен документ 3	Финансовый
FLAG_DOCUMENT_4	Был ли предоставлен документ 4	Финансовый
FLAG_DOCUMENT_5	Был ли предоставлен документ 5	Финансовый
FLAG_DOCUMENT_6	Был ли предоставлен документ 6	Финансовый
FLAG_DOCUMENT_7	Был ли предоставлен документ 7	Финансовый
FLAG_DOCUMENT_8	Был ли предоставлен документ 8	Финансовый
FLAG_DOCUMENT_9	Был ли предоставлен документ 9	Финансовый
NAME_CONTRACT_TYPE	Займ выдан наличными или револьверным способом	Финансовый
NAME_TYPE_SUITE	Кто был поручителем	Финансовый
SK_DPD_DEF	Предыдущие просрочки	Финансовый
SK_ID_PREV	ID предыдущего кредита	Финансовый
TARGET	Проблемный ли кредит (1-да, 0 нет)	Финансовый

В модели зависимой будет выступать переменная TARGET, а объясняющими переменными все остальные. Не все переменные в датасете будут полезны для построения модели. Для того, чтобы понять какие переменные теоретически способны давать пользу, проведем два типа исследования переменных: визуальный и аналитический. В визуальном будут построены различные графики для понимания взаимосвязи между переменной TARGET и различными показателями, в аналитической будет применен корреляционный анализ и анализ F-score. Переменные, которые дадут наибольшую объясняющую силу, будут включены в модель.

Анализ датасета

Визуальный анализ

Рассмотрим значения переменных ближе, для понимания взаимосвязи между переменными. Для начала рассмотрим количество проблемных и непроблемных заемщиков в датасете.

График 1. Распределение заемщиков по выплате кредита

В данном датасете 92% заемщиков выплачивают кредит и 8% не выплачивают. Потенциально это может быть большой проблемой при обучении модели, т.к выборка сильно смещена в сторону непроблемных кредитов. Для этого необходимо будет применить технологию ресемплинга, либо даунсемплинга. В первом случае будет искусственное увеличение менее представленной категории, во второму случае уменьшится количество значений большей группы. Подробнее об этом будет написано в разделе с обучением модели. Рассмотрим на что берут кредит заемщики

График 2. Процент подтверждения кредитов в зависимости от цели покупки

Как мы видим из данного графика, довольно много подтвержденных кредитов с не указанной целью, значение XAP и XNA. Для повышения точности модели необходимо будет это учесть и исключить данные значения из обучающей выборки. До 50% кредитов с целью покупки электронники, каждодневных расходов, образования, передачи денег третьему лицу и оплаты мед услуг подтверждаются. Меньше всего подтвержденных кредитов выдается на покупку авто, жилья, а также в займах, где отказываются назвать цель кредита.

Рассмотрим статистику по отказам



График 3. Процент отказа в выдаче кредита в зависимости от цели покупки

Как видно из данного графика наибольшее число отказов по цели кредита, связанной с оплатой других долгов, отказа в названии цели займа и покупке жилья/авто.

И для того, чтобы понимать полную картину займов, рассмотрим количество заявок, отмененных самими заемщиками.



График 4. Процент отмены заявки клиентом по выдаче кредита в зависимости от цели покупки

Наибольший процент отмен с пропущенными данными, что лишний раз указывает на то, что перед обучением модели необходимо убрать данные строки как шум. Наиболее часто отменяют заявки с кредитами на гараж, жилье, авто и бизнес. Однако в целом это не такое часто явление. Отмененные заявки не будут использовать в обучении модели, так как целью модели будет скоринг заявок, где действительно есть нужда в кредите, в случае отмененных заявок может получиться искаженная картина. Также видно, что по 3 показателям имеется довольно большое количество шума, для повышения точности модели необходимо его устранить.

Рассмотрим распределение по числу кредитов у заемщиков.

График 5. Распределение числа кредитов среди клиентов банка.

Из данного графика видно, что наибольший процент заемщиков имеет до 4-5 кредитов. Максимальное число предыдущих кредитов у 1 заемщика равняется 80.

Рассмотрим, как меняется это соотношение в зависимости от того является ли клиент проблемным или платил по кредиту вовремя

График 6. Распределение числа кредитов среди непроблемных клиентов банка.



График 7. Распределение числа кредитов среди проблемных клиентов банка

Как видно из графика, число кредитов у проблемных клиентов существенно выше, что может говорить о положительной взаимосвязи между числом предыдущих кредитов и вероятностью дефолта.

Рассмотрим также влияние других показателей на проблемность и непроблемность при выплате кредита.

График 8. Соотношение проблемных и непроблемных займов по типу выдачи

Из данного графика видно, что в револьверный тип выдачи кредита незначительно преобладает в данной выборке, что может говорить о том, что данный тип кредита для банка будет менее рискованным.

График 9. Соотношение проблемных и непроблемных займов в зависимости от пола клиента.

В данной выборке женщины платят кредиты исправнее мужчин

Рассмотрим влияние образования на исправность выплаты по кредиту.



График 10. Распределение образования среди непроблемных клиентов

График 11. Распределение образования среди проблемных клиентов

Как видно из данных графиков, люди со среднеспециальным образованием чаще не выплачивают кредиты, чем люди с высшим образованием и прочим образованием.

Рассмотрим также тип занятости

График 12. Распределение типа занятости среди проблемных и непроблемных клиентов

К сожалению, в датасете нет более глубокой детализации по профессии, однако даже здесь видно, что торговые партнеры, пенсионеры и гос служащие реже оказываются в числе неплательщиков, чем другие типы занятости.

Математический анализ

Для понимания датасете с позиции статистических методов, рассмотри матрицу корреляции между переменными. Корреляционная матрица указана в приложении 1 т.к имеет слишком большой размер. Согласно анализу, наибольшим образом между собой коррелируют переменные типа занятости и времени работы, размера семьи и количество предоставленных документов, а также данных о себе, размер кредита и наличием у клиента имущества в виде жилья и авто. Однако учитывая довольно разнородные данные, делать выводы о значимости переменных на основе только данного анализа не стоит. Рассмотрим также F-score анализ.

График 13. Результаты значимости переменных на основе F-score анализа.

Данный анализ применим именно к машинному обучению и показывает насколько часто переменная фигурирует при различных сценариях в дереве решения. Согласно данному анализу наиболее значимые переменные связаны с размером кредита, сроком занятости на текущем месте работы, возрастом, возрастом документов, постоянством последнего номера телефона а также размером годовой выплаты по кредиту. Переменные связанные с днем отправки заявки, типом дома, семейным статусом согласно данному анализу обладают достаточно слабой объясняющей силой. По итогу анализа из обучающей выборки были исключены переменные, связанные с наличием документ 13 и 18, предоставленным имейлом, днем подачи заявки. Убран шум из данных, например строки, где цель кредита записана как XNA. Переменная TARGET используется в качестве зависимой.

Подготовка данных

На основе проведенных анализов были убраны колонки с недостаточной предсказательной силой и убраны строки, где было представлено большое количество шума. Для обучения модели датасет будет поделен на обучающий и тестовый. На 20% данных модель будет тестироваться. На 80% данных модель будет обучаться.

Поскольку при анализе было выявлено сильное смещение в сторону непроблемных клиентов, для увеличения предсказательной способности будет проведен ресемплинг по технике SMOTE. Каждый новый образец для балансировки данных генерировался искусственно с использованием этого уравнения.

Где - сгенерированный новый образец, X - любой выбранный образец в меньшинстве. U - случайно сгенерированное число от 0 до 1. X ^ n - ближайший сосед, который был идентифицирован с наименьшим евклидовым расстоянием для числовых признаков и метрикой значения расстояния для данного образца (Luo, Cuicui, 2019).

Качество модели будет измеряться по 5 показателям:

Precision - точность, доля объектов, которые алгоритм правильно отнес в нужную категорию. Рассчитывается по формуле:

Recall - полнота, доля найденных классификатором документов принадлежащих классу относительно всех документов этого класса в тестовой выборке. Рассчитывается по формуле:

F_score - гармоническое среднее между Precision и Recall:

Roc auc - площадь под кривой, которая отображает долю правильно классифицированных объектов. Чем ближе к 1, тем сильнее предсказательная сила алгоритма.

Accuracy - число верно определенных объектов к общему числу объектов

Сравнение алгоритмов

Для того, чтобы сравнить новые алгоритмы кредитного скоринга, такие как машинное обучение и классические методы факторного анализа обучение будет проведено для классического алгоритма в виде лог регрессии, затем будут проведены процедуры ресемплинга и обучение модели с использованием современных алгоритмов, таких как градиентный бустинг, Xgboost, дерево решений, Random Forest.

Классический алгоритм - лог регрессия

Начнем с лог регрессии. Она считается классическим алгоритмом для классификации и совершения факторного анализа и в данной работе будет выполнять роль бенчмарка классического метода кредитного скоринга. Логистическая регрессия - это алгоритм классификации и част используется для пронозирования бинарного результата (1/0, Да / Нет, Истина / Ложь). Учитывая, что переменная таргет как раз является либо 0, либо 1, алгоритм подходит.

По итогам обучения и тестирования получились следующие результаты:



Таблица 2. Результаты обучения модели логистической регрессии.

Accuracy	0.62
Recall	0.43
Precision	0.59
F1-score	0.32
Roc-auc	0.6

График 14. Roc кривая и ее площадь: лог регрессия

Как видно из результатов, алгоритм имеет слабую предсказательную силу с точки зрения основных метрик, однако roc_auc метрика достаточно хорошая. Учитывая довольно противоречивые показатели, если бы банк использовал данный алгоритм, то ему пришлось бы держать большой штат из кредитных инспекторов, которые могли бы дополнительно проверять заемщика, что накладывает как дополнительные расходы, так и возможные ошибки, связанные с человеческим фактором. Согласно бенчмарку (Baesens B. [и др.], 2003), регрессии в основном дают точность около 80%, что можно также принять во внимание.

Random Forest

Перейдем к более современным алгоритмам. Первый - Random Forest. Алгоритм работает следующим образом:

Датасет делится на подвыборки, на каждой подвыборке строится дерево.

Каждое дерево представляет собой набор последовательных выборов, которые в конечном итоге формируют набор правил для классификации объектов либо задач регрессии

Для тестирование выбирается либо дерево с наибольшей точностью по выбранным параметрам.

Алгоритм внутренне оптимизируется по двум параметрам: индекс Gini и значению энтропии https://medium.com/capital-one-tech/random-forest-algorithm-for-machine-learning-c4b2c8cc9feb.

Индекс Gini рассчитывается следующим образом:

Где С - это число классов переменны, Pi - частота класса в датасете

Энтропия рассчитывается следующим образом:

Где С - это число классов переменны, Pi - частота класса в датасете

Алгоритм старается максимизировать индекс Gini при минимизации Энтропии.

Рассмотрим результаты обучения алгоритма Random Forest.



Таблица 3. Результаты обучения модели Random Forest

Accuracy	0.91
Recall	0.92
Precision	0.95
F1-score	0.96
Roc-auc	0.574

График 15. Roc кривая и ее площадь: Random Forest

Из результатов тестирования видно, что данный алгоритм существенно точнее предсказывает вероятность платежеспособности, однако roc-auc немного меньше, чем у лог регрессии, что говорит о том, что данный алгоритм недостаточно хорошо подходит для существующей выборки.

Дерево решений

Данный алгоритм является предшественником Random Forest и отличается от него тем, что в данном случае используется не случайное подмножество признаков, где лучший признак из подмножества используется для разделения, а все функции используются для обучения. Алгоритм также оптимизируется с помощью расчета энтропии для того, чтобы данные внутри одно «листа» были как можно более однородными.

Рассмотрим результаты обучения и тестирования алгоритма дерево решений.



Таблица 4. Результаты обучения модели Дерево решений.

Accuracy	0.85
Recall	0.85
Precision	0.84
F1-score	0.84
Roc-auc	0.518

График 16. Roc кривая и ее площадь: дерево решений

Данный алгоритм сработал хуже, чем random forest. Учитывая показатели Roc-auc, алгоритм обладает слабой предсказательной силой. Он также недостаточно подходит для использования в модели.

Градиентный бустинг

Градиентный бустинг это достаточно современный алгоритм, часто используемый в машинном обучении.

Обучение происходит по следующей формуле https://towardsdatascience.com/boosting-algorithm-gbm-97737c63daa3:

Где x - параметр объясняющей переменной, y - зависимая переменная, m - число категорий, комбинирующий в себе деревья решений и регрессии. Используется как для задач классификации, так и для регрессионных задач.

Функция потерь рассчитывается следующим образом:

Таблица 5. Результаты обучения модели градиентного бустинга.

Accuracy	0.89
Recall	0.88
Precision	0.88
F1-score	0.92
Roc-auc	0.68



График 17. Roc кривая и ее площадь: градиентный бустинг

Алгоритм градиентного бустинга в данном случае показал себя значительно лучше своих предшественников по всем перечисленным метрикам, что позволяет сказать, что он справляет с данной задачей сильно лучше классического алгоритма.

Xgboost

Рассмотрим алгоритм XGboost. Данный алгоритм пользуется большой популярностью при использовании машинного обучения. Он является некой смесью из градиентного бустинга и деревьев решений. Строятся деревья, в рамках которых решается задача градиентного бустинга, итеративно происходит обучение и выбирается дерево, параметры которого наилучшим образом решили задачу градиентного бустинга.

Xgboost минимизируется функцию потерь, которая выглядит следующим образом https://towardsdatascience.com/boosting-algorithm-xgboost-4d9ec0207d

Где, gm - градиент, gm - функция Гаусса, xi - параметры обучающей выборки, w - вес параметра

Рассмотрим результаты обучения модели.

Таблица 6. Результаты обучения модели Xgboost

Accuracy	0.92
Recall	0.92
Precision	0.98
F1-score	0.96
Roc-auc	0.68

График 18. Roc кривая и ее площадь: Xgboost



Данный алгоритм справился значительно лучше как более старшего предшественника, так и своих современных аналогов. Высокая точность и значение roc-auc 0.68 делает его достаточно точным для использования в кредитном скоринге. Алгоритм справился незначительно точнее, чем градиентный бустинг, поэтому для обучения на данной выборке можно использовать оба данных алгоритма.

Рассмотрим гипотезу о том, что нефинансовые данные увеличивают точность предсказания модели. Для этого уберем из текущего датасета колонки с нефинансовой информацией и попробуем заново обучить модели и протестировать результаты.

Проверка гипотезы о необходимости нефинансовых данных.

Для проверки данной гипотезы, уберем из тестовой выборки все колонки, которые обозначены как нефинансовые. Используем алгоритмы, которые наилучшим образом показали себя в полной выборке и сравним результаты.

Xgboost

Таблица 7. Результаты обучения модели Xgboost без нефинансовых показателей

Accuracy	0.79
Recall	0.92
Precision	0.94
F1-score	0.93
Roc-auc	0.59



График 19. Roc кривая и ее площадь: Xgboost без нефинансовых показателей

По результатам тестирования видно, что модель в целом работает хуже, чем с полным набором данных. Что говорит о том, что применительно к Xgboost нефинансовые данные дают определенный прирост в точности. Особенно сильно отказ на нефинансовых данных сказался на метрике Accuracy и Roc Auc.

Градиентный бустинг

Таблица 8. Результаты обучения модели градиентным бустингом без нефинансовых показателей

Accuracy	0.77
Recall	0.92
Precision	0.94
F1-score	0.93
Roc-auc	0.64

График 20. Roc кривая и ее площадь: градиентный бустинг без нефинансовых показателей

По результатам тестирования видно, что как в случае с Xgboost, модель в целом работает хуже, чем с полным набором данных. Что говорит о том, что применительно к градиентному бустингу нефинансовые данные дают определенный прирост в точности. Как в случае и с Xgboost, отказ от нефинансовых данных сильно сказался на accuracy и Roc Auc кривой, однако в отличие от Xgboost, падение в точности Roc Auc не оказалось столько значительным.

Результаты моделирования

В данной главе были проверены две гипотезы. Первая - о том, что современный алгоритмы машинного обучения обладают большей предсказательной силой, чем классическая лог регрессия. Вторая - о том, что нефинансовые показатели в обучающей выборке делают модель точнее. По результатам проверки первая гипотеза была подтверждена, современные алгоритмы машинного обучения в лице Xgboost и градиентного бустинга справились лучше, чем лог регрессия. Вторая гипотеза также подтвердилась, нефинансовые данные дали прирост в моделях по метрике accuracy и roc-auc.



Заключение

Портрет инновационного банка и результат проверки гипотезы о точности модели

В данном исследовании был проведен анализ последних трендов в банковском деле относительно продуктов, процессов и моделей обслуживания. Также была проверена гипотеза о превосходстве современных методов кредитного скоринга над классическими алгоритмами и значимости нефинансовых данных при обучении моделей кредитного скоринга.

Основываясь на результатах данного исследования, можно сформировать портрет инновационного банка со стороны продуктов, процессов и модели обслуживания.

Продукты инновационного банка

Рассмотрим продукты со стороны бизнес для физических лиц и МСБ. Начнем с продуктов для физических лиц. Продукты для физических лиц рассмотрим со стороны кредитного бизнеса, транзакционного и инвестиционно-сберегательного. МСБ со стороны кредитного и транзакционного бизнеса

В кредитном бизнесе банку будущего необходимо предоставить продукты, связанные с P2P и P2B кредитованием. Учитывая большой успех финтех компаний в данном направлении, выпуская такой продукт банк сможет использовать доступную ему финансовую информацию, что увеличит точность скоринга и как следствие, банк сможет предлагать более конкурентные ставки с меньшим уровнем риска, чем его конкуренты стартапы. Выдавая кредиты с привлечением средств частных лиц, банк сможет снизить риск своего текущего кредитного портфеля. Также необходимо рассматривать новые способы получения заявок на ипотечные кредиты. Создание маркетплейса с онлайн выдачей ипотеки по типу продукта Сбербанка «Домклик» также может отлично встроиться в бизнес модель банка будущего.

В транзакционном бизнесе банку будущего следует включить следующие продукты. Привлекать клиентов и формировать позитивную имидж банка следует с самого детства, путем введения специальных продуктов для детей, которые выполняют не только функцию расчета, но и обучения финансовой грамотности в игровом формате. Популярность таких сервисов как Revolut показала две вещи: во-первых - потребителю сейчас важно получать прозрачные условия обслуживания, куда традиционный банковский спред укладывается не охотно, во-вторых, продукты для путешественников довольно перспективное направление и банкам стоит также рассмотреть продукты в данном направлении. Банку также следует брать в расчет развитие мобильных платежных систем и адаптировать свои продукты под данную тенденцию. Согласно изученным исследованиям, switching cost будет сведен к нулю из-за того, что пользователь мобильной платежной системы сможет открывать карту прямо в кошельке и заменять ее очень легко. Поэтому банкам придется монетизировать свои транзакции другим путем, таким как кобрендинговые карты и продажа обезличенных данных транзакций. В СМБ банкам следует делать упор на онлайн-эквайринг и подключение к РКО дистанционным путем.

В инвестиционно-сберегательном бизнесе присутствует яркий тренд на снижение комиссии за брокерское обслуживание до нуля, а также покупки дробных частей акции. Для более консервативных инвесторов присутствую сервисы, позволяющие инвестировать сдачу от покупок в ETF. Банк будущего, предоставляющие брокерские услуги обязательно должен взять данные тренды к себе в портфель.

Процессы инновационного банка

Инновационный банк должен быстро отвечать запросам рынка и для эффективного и быстрого выпуска продуктов на рынке организационная структура такого банка должна строиться по принципу Agile. Банк также должен применять инструменты продвинутой аналитики, такие как машинное и глубокое обучение для персонализации клиентского опыта, кредитного скоринга и выявлении подозрительных транзакций. Для оптимизации внутренних процессов, банк будущего должен использовать технологии искусственного интеллекта, RPA для максимальной автоматизации рутинных, простых и повторяющихся процессов.

Модель обслуживания инновационного банка

Инновационный банк должен в первую очередь полагаться на самообслуживание клиентов, а значит развивать мобильный банкинг в сторону концепции digital office. Отказываться от отделений не стоит, поскольку они выполняют имиджевую функцию. Отделения должны быть также сфокусированы на самообслуживании, а значит включать в себя минимальное количество сотрудников, в особенности кассиров. Также отделения должны быть расстановлены с использованием модели продвинутой аналитики, позволяющей с помощью геомарктинга максимально эффективно проводить расстановку офисов.

Результат проверки гипотез

Гипотеза о более высокой точности алгоритмов, связанных с машинным и глубоким обучением в сравнении с классическими методами кредитного скоринга подтвердилась. В модели лучше всего показал себя алгоритмы градиентного бустинга и Xgboost. Эффективность алгоритма проверялась на основе нескольких метрик: accuracy, precission, recall, F1-score, roc-auc. По результатам исследования, данные алгоритмы опередили классический метод обучение - лог регрессию по accuracy на 30% и средний бенчмарк на 15%, по метрикам precision, recall и f1 score тенденция схожа. По метрике Roc-auc был прирост на 0.08. Обучение моделей проводилось с использованием ресемплинга по методу SMOTE.



Список литературы

1. Alt R., Puschmann T. The rise of customer-oriented banking - Electronic markets are paving the way for change in the financial industry // Electronic Markets. 2012. № 4 (22). C. 203-215.

2. Baesens B. [и др.]. Benchmarking state-of-the-art classification algorithms for credit scoring // Journal of the Operational Research Society. 2003. № 6 (54). C. 627-635.

3. Balyuk T. Financial Innovation and Borrowers: Evidence from Peer-to-Peer Lending // SSRN Electronic Journal. 2016.

4. Beck T. [и др.]. Financial innovation: The bright and the dark sides // Journal of Banking and Finance. 2016. (72). C. 28-51.

5. Bofondi M., Lotti F. Innovation in the retail banking industry: The diffusion of credit scoring // Review of Industrial Organization. 2006. № 4 (28). C. 343-358.

6. Chai B.B.-H., Tan P.S., Goh T.S. Banking Services that Influence the Bank Performance // Procedia - Social and Behavioral Sciences. 2016. № August 2015 (224). C. 401-407.

7. Chen Z. [и др.]. The transition from traditional banking to mobile internet finance: an organizational innovation perspective - a comparative study of Citibank and ICBC // Financial Innovation. 2017. № 1 (3).

8. Chia, Alvin; Lee J.-J. Banking Ouside-In: How Design Thinking is Changing The Banking Industry? // The Bloomsbury Encyclopedia of Design. 2017.

9. Chipeta C., Muthinja M.M. Financial innovations and bank performance in Kenya: Evidence from branchless banking models // South African Journal of Economic and Management Sciences. 2018. № 1 (21). C. 1-11.

10. Cohan P. Mastercard, AmEx And Envestnet Profit From $400M Business Of Selling Transaction Data [Электронный ресурс]. URL: https://www.forbes.com/sites/petercohan/2018/07/22/mastercard-amex-and-envestnet-profit-from-400m-business-of-selling-transaction-data/#379b644d7722.

11. Cornaggia J. [и др.]. Does banking competition affect innovation? // Journal of Financial Economics. 2015. № 1 (115). C. 189-209.

12. Flцgel F., Beckamp M. Will FinTech make regional banks superfluous for small firm finance? Observations from soft information?based lending in Germany // Economic Notes. 2019.

13. Gartner How AI Will Reinvent Program and Portfolio Management. 2018.

14. Gopalakrishnan S., Damanpour F. Impact of organizational context on innovation adoption in commercial banks // HPAC Heating, Piping, Air Conditioning. 2000. № 2 (72). C. 14-25.

15. Hazzan O., Dubinsky Y. The Agile Manifesto 2014. 9-14 с.

16. International Monetary Fund Fintech, Inclusive Growth and Cyber Risks: A Focus on the MENAP and CCA Regions 2018.

17. Jaksic M., Marinc M. Relationship Banking and Information Technology: The Role of Artificial Intelligence and Fintech // SSRN Electronic Journal. 2019.

18. Jones M.A., Mothersbaugh D.L., Beatty S.E. Why customers stay: Measuring the underlying dimensions of services switching costs and managing their differential strategic outcomes // Journal of Business Research. 2002. № 6 (55). C. 441-450.

19. Juniper Chatbots Retail, eCommerce, Banking & Healthcare 2017-2022. 2018.

20. Kurmanova D.A. Financial Technologies in the Retail Banking Market // Bulletin USPTU. Science, education, economy. Series economy. 2019. № 1 (1). C. 60.

21. Luo C. A comprehensive decision support approach for credit scoring // Industrial Management & Data Systems. 2019. № 2 (120). C. 280-290.

22. Mager C. Innovation in transaction banking: What can emerging technologies deliver? // Journal of Payments Strategy & Systems. 2019. № 1 (13). C. 66-71.

23. MarksWebb DIGITAL OFFICE КАК ОРИЕНТИР ЦИФРОВОГО БАНКИНГА.

24. Mary L., Willcocks L., Andrew C. Robotic Process Automation: Mature Capabilities in the Energy Sector // The outsourcing unit. 2015.

25. McKinsey&Company McKinsey on Payments Special Edition on Advanced Analytics in Banking. 2018.

26. McKinsey&Company A bank branch for the digital age. 2018.

27. Michele Black Best peer-to-peer lending [Электронный ресурс]. URL: https://www.investopedia.com/articles/investing/092315/7-best-peertopeer-lending-websites.asp.

28. Omarini A.E. Fintech and the Future of the Payment Landscape: The Mobile Wallet Ecosystem - A Challenge for Retail Banks? // International Journal of Financial Research. 2018. № 4 (9). C. 97.

29. Pollari I., Ruddenklau The Pulse of Fintech 2018 // Kpmg. 2018. № February. C. 1-75.

30. Profile S.E.E. Financial Innovations and Their Role in the Modern Financial System - Identification and Systematization of the Problem // e-Finanse. 2011. № 3 (7). C. 13-26.

31. Relano F., Paulet E. A demand-driven innovation insight in the banking industry // Journal of Innovation Economics. 2016. № 2 (20). C. 179.

32. Romanova I., Kudinska M. Banking and fintech: A challenge or opportunity? // Contemporary Studies in Economic and Financial Analysis. 2016. (98). C. 21-35.

33. TATA Why Banks Must Bank on RPA. 2017.

34. Vershinina A., Zdanova O. Peer-to-Peer Lending in the Economic and Financial System of Russia // Ekonomika. 2017. № 4. C. 6-8.

35. Votintseva L. [и др.]. Digital transformation of Russian banking institutions: Assessments and prospects // IOP Conference Series: Materials Science and Engineering. 2019. № 1 (497).

36. Wonglimpiyarat J. FinTech banking industry: a systemic approach // Foresight. 2017. № 6 (19). C. 590-603.

37. Yin W., Matthews K. The determinants and profitability of switching costs in Chinese banking // Applied Economics. 2016. № 43 (48). C. 4156-4166.

38. Yip A.W.H., Bocken N.M.P. Sustainable business model archetypes for the banking industry // Journal of Cleaner Production. 2018. № October (174). C. 150-169.

39. Zeng J. [и др.]. The impact of organizational context on hard and soft quality management and innovation performance // International Journal of Production Economics. 2017. (185). C. 240-251.

40. Zhu H.B., Zou Y. Analysis of E-bank innovation in China using a hypercube model // Proceedings - 7th IEEE/ACIS International Conference on Computer and Information Science, IEEE/ACIS ICIS 2008, In conjunction with 2nd IEEE/ACIS Int. Workshop on e-Activity, IEEE/ACIS IWEA 2008. 2008. C. 678-683.

41. Безверхий К. Сбербанк идет на рынок краудлендинга. Что будет теперь [Электронный ресурс]. URL: https://vc.ru/finance/55846-sberbank-idet-na-rynok-kraudlendinga-chto-teper-budet.

42. Вершинина А.., Жданова О.. Peer-to-peer кредитование в финансово-экономической системе России // Transport Businesss in Russia. 2017. № 7 (4). C. 6-8.

43. Казаченок О.. ВЗАИМНОЕ (P2P) КРЕДИТОВАНИЕ КАК СОВРЕМЕННЫЙ ИНСТРУМЕНТ АЛЬТЕРНАТИВНОГО ФИНАНСИРОВАНИЯ // Courier of the Kutafin Moscow State Law University. 2018. C. 147-155.

44. Карминский А.., Жданова О.. Современные тенденции банковских инновации? // Маркетинг и менеджмент инновации?. 2015. (2). C. 106-118.

45. Федотов М. Вирусная трансформация: как небольшим банкам получить доступ к финтеху [Электронный ресурс]. URL: https://pro.rbc.ru/news/5e8b19639a7947712f45a763?from=related_materials.

46. Чернышова Е. Почему Альфа-банк не будет требовать у клиента паспорт [Электронный ресурс]. URL: https://pro.rbc.ru/news/5d1249229a7947e8cc26d5c5?from=center.

47. Чернышова Е. Что такое phygital и как на этом будет зарабатывать Альфа-банк [Электронный ресурс]. URL: https://pro.rbc.ru/news/5da5f0219a7947cf3fc1af52.

48. Услуга по накоплению «Копилка для сдачи» [Электронный ресурс]. URL: https://alfabank.ru/make-money/service-for-saving/moneybox/.

49. Robinhood - сайт компании [Электронный ресурс]. URL: https://robinhood.com/us/en/.

50. Greenlight сайт компании [Электронный ресурс]. URL: https://www.greenlightcard.com.

51. Revolut - сайт компании [Электронный ресурс]. URL: https://www.revolut.com.

52. PayPass: хроники войны с наличными [Электронный ресурс]. URL: https://plusworld.ru/journal/2006/section_139899/art140175/.

53. ДомКлик от Сбербанка запустил уникальный сервис для выбора подходящей квартиры [Электронный ресурс]. URL: https://www.sberbank.ru/ru/press_center/all/article?newsID=dc497006-2fde-4326-b483-80a0f6ed5f73&blockID=1303&regionID=77&lang=ru&type=NEWS.



Приложение

инновация банковский самообслуживание

Корреляционная матрица переменных.

Размещено на Allbest.ru

...