2. Content
• Concepts
• Traditional credit scoring
• Idea
• Implementation
• Experiment
• Potential consumers
• Methods of implementation
• Benefits and limitations
• Action plan
• Developers and contacts
13.09.2017Страница 2
3. Concepts
• Credit scoring is a method for classifying borrowers into
different groups when the necessary characteristic is not known
(will the loan return), however, other characteristics are known
which are in some way related to the interest
• Psychosemantics is an area of psychology that studies an
individual system of values that affects the processes of
thinking, memory, decision making, etc.
13.09.2017Страница 3
4. Scoring in microfinance organizations
• According to the passport
• According to the work book
• according to relatives
• Visual evaluation
13.09.2017Страница 4
5. Idea
At bona fide and unscrupulous borrowers a different
attitude to the loan / loan
This difference can be revealed by psychosemantic
methods according to individual systems of meanings
we conducted an experiment
and confirmed our assumption
13.09.2017Страница 5
6. Implementation
When making a loan, the
borrower fills out a
psychosemantic questionnaire
The data is immediately
processed on-line
Result: an assessment of the
borrower "+" or "-"
13.09.2017Страница 6
Filling out a
questionnaire
Assessment of
the borrower
Decision to grant
/ refuse a loan
9. Description of the application
13.09.2017Страница 9
• from 30 to 50 points
• filling time - 3-10 minutes
• points vary for different socio-
demographic groups
• in the questionnaire there is a system of
protection against "key selection"
11. Reasons for the non-repayment of a loan
• Planned non-return
• Unforeseen non-return
The proposed psychosemantic system can
recognize only the first type, i.e. Fraud-
scoring
13.09.2017Страница 11
12. Solutions
Evaluation Solution
"Good" borrower We give out the credit
"Bad" borrower We do not issue a loan
"Unclear"* We do not issue a loan
13.09.2017Страница 12
* - the "not clear" estimate arises in cases when there is not enough
data for a certain subgroup of borrowers or when the profile of the
borrower can not be attributed to a positive or negative
14. Data collection for the model
947 borrowers on receipt of commodity loans in two
cities of Russia in the stores of household appliances
passed the traditional procedure of credit scoring and
additionally filled the psychosemantic questionnaire
After 6 months we received information from the bank
about how borrowers pay out loans: 880 paid on time,
and 67 borrowers did not pay on the loan
13.09.2017Страница 14
15. Experiment
From the data on 947 borrowers we:
• randomly selected from 20 to 200 profiles
• made an assessment of these borrowers on the model
based on the psychosemantic method
• offered a loan decision
• compared our decision with the real behavior of the
borrower
• evaluated the correctness of our decision (guessed /
not guessed)
13.09.2017Страница 15
16. Verification 1. N = 20
13.09.2017Страница 16
When checking on a random sample: N = 20 people out of 947
A 70% loan was given to those who applied, 30% refused.
Returned - 65%.
Not returned - 5%.
17. Verification 2. N = 50
13.09.2017p. 17
When checking on a random sample N = 50 people out of 947
The loan was given to 84% of those who applied, 16%
Returned - 80%
Not returned - 4%
18. Verification 3. N = 99
13.09.2017Страница 18
When checking on a random sample N = 99 people out of 947
The loan was granted to 76% of applicants, 24%
refused.
Returned - 75%.
Not returned - 1%.
19. Verification 4. N = 200
13.09.2017Страница 19
When checking for a random sample, N = 200 people out of 947
A 70% loan was given to those who applied, 30%
refused.
Returned - 69.5%.
Did not return - 0,5%.
20. Conclusions on the experiment
• The addition of psychosemantic scoring increases the
accuracy of conventional credit scoring to 98.7%
• The number of issued loans is reduced by 25%
• With the increase in the number of loans granted and
the accumulation of data for the model, i.e. as self-
training, the accuracy of the forecast increases and
the share of loans extended
• The possibilities of evaluation only in the
psychosemantic way require a separate verification
13.09.2017Страница 20
21. START UP
Possibility of commercial realization of the idea of psychosemantic
online scoring in the system of retail lending and microfinance
13.09.2017Страница 21
22. Potential consumers
• Microfinance organizations
• Organizations that provide loans on-line
• Banks engaged in retail lending
• Trading networks selling goods with payment by
installments
• Mutual lending systems
• Online Stores
13.09.2017Страница 22
23. Traditional retail loan
13.09.2017Страница 23
planned non-repayment of retail loans -
11%
The volume of retail lending in Russia in 2012 amounted to about 6000
billion rubles
Annual growth from 2010 - about 40% *
* According to Euromonitor International
The share of overdue loans in retail lending in 2011 (% in the loan
portfolio) is 5.7% *
24. Loans in microfinance organizations
13.09.2017Страница 24
In Russia in 2012, about 2-3 million microloans were issued for the
amount (according to various estimates) from 15 to 50 billion
rubles *
average growth of about 50-100% per year *
1183 MFOs as of January 1, 2012 according to the register of the
FSFM **
as of July 1, 2011, there were only 192, for six months the growth was
5 times
Non-return:
small cities - up to 20%
large cities - up to 50%
* Российская газета, http://www.rg.ru/2013/01/29/mikrozaymi.html
** http://www.eg-online.ru/news/164555/
25. Competitive assessment technologies
1) Assessment of online credit history: expensive!
• 200 rubles - check of 1 borrower
• 9000 rubles - installation of 1 interface
2) Assessment according to bailiffs: there are no "newcomers" and are in
the process
3) Evaluation of social activity on the Internet: fraud!
13.09.2017Страница 25
26. What is the value?
Risk reduction:
the accuracy of the loan repayment estimate to
98.7%
the "human factor" is excluded (to give "one's own")
by automating the interaction between the borrower
and the lending institution
Special protection against "key selection" and "good
questionnaire"
13.09.2017Страница 26
27. What is the value?
Save time:
1-3 minutes for decision making
Save money:
• does not need an office, the evaluation takes place
on-line
• no special trained personnel required
• Reduces the cost of working with arrears
• Cheaper evaluation on credit history
13.09.2017Страница 27
28. Interest rates
34% - express loan in the store
180% pawnshop
260-1000% - loans in a microfinance organization
13.09.2017Страница 28
Reducing the risk of non-return
is the possibility of lowering
the% rate and increasing profit
29. Methods of implementing the system
• As an element of a unique
Internet product - on-line
micro-credit systems
• As a remote service for
assessing the good faith of the
borrower for any credit
institution (SaaS)
13.09.2017Страница 29
30. What is the investment appeal?
• Term of sale up to 6 months
• Payback period from 1 year
• Scalability
• Ability to use in in other countries
• Initial investment of about $ 50,000
13.09.2017Страница 30
31. What is the investment appeal?
• A certain range of consumers
– Microfinance institutions
– Credit institutions, supported loans on-line
– Banks engaged in retail lending
– Trading networks selling goods with payment by
installments
– Mutual lending systems
• Clear promotion system
– Personal sales
13.09.2017Страница 31
32. Complexities of implementation
• It is required to form the
initial database for 1000 loans
issued
• Inertness of credit institutions
to introduce innovations
13.09.2017Страница 32
33. Security Risks
• "Drain" the database from the provider
• Conscious damage to the database from the provider
• Introduction of a virus program for automatic key selection
• Multiple entry of data from one IP address to select a key
• Leak of the program code for decryption and obtaining
calculation algorithms
• Mass distribution through the Internet of questionnaires that
received a positive decision
• Loss of communication during the filling of the questionnaire
13.09.2017Страница 33
34. Risks of implementation
• There are not enough associations
• Few data on groups of
unscrupulous borrowers
• It may be necessary to adapt the
semantics for each group of
borrowers
• Resistance from borrowers:
unusual deters
13.09.2017Страница 34
35. What is to be done?
• Designing and implementing a friendly interface for
the client
• Design and implementation of the database and
security system
• Questioning of real clients (about 1000 people) and
building a model
• Checking the model
13.09.2017Страница 35
36. 2 test options
1) a check on the old borrower model, which we did in 2008 for
short-term loans (3-6 months) at points of sale.
The MFO / bank launches 100 questionnaires when issuing a loan,
we process them on the old model and give the answer: "good
borrower", "bad borrower", "not clear." We compare our
assessment with the real behavior of the borrower and obtain
an estimate of the accuracy of the forecast
A possible source of error is the old borrower model.
13.09.2017Страница 36
37. 2 test options
2) check on the new model of the borrower.
The MFO / bank launches 1,200 questionnaires when issuing a
loan. Then we are given 1000 questionnaires and the results of
the borrowers' behavior (returned-not returned). We are making
a new borrower model for the MFI / bank.
Then we process 200 questionnaires on a new model, for which we
have no information, and we give the answer: "a good
borrower," "a bad borrower," "it's not clear." The MFI / bank
compares our assessment with the actual behavior of the last
200 borrowers and obtains an estimate of the accuracy of the
forecast.
13.09.2017Страница 37
38. Publications
Semenov M.Yu., Semenova I.I. Possibilities of psychological means
for assessing the integrity of the lending borrower in retail trade //
The Omsk scientific bulletin .- 2010. -No 5 (91). - P. 134-136.
Semenova II, Andieva E.Yu. On the construction of the
psychological profile of the borrower for risk assessment in the
sphere of consumer lending // Risk Management.-2008.- №1 (45)
.- P.56-63.
and etc.
13.09.2017Страница 38
39. Developers and contacts
Semenov Mikhail
PhD (psychology, candidate of sciences) expert in the field of economic
psychology and psychology of money
mymoney.pro mob. + 7-919-009-77-37 musemenov@gmail.com
Semenova Irina
PhD (candidate of technical sciences), expert in the field of system
analysis and databases
semenova.pro mob. + 7-919-000-11-74 pro.semenova@gmail.com
Andieva Elena
PhD (candidate of technical sciences), expert-analyst
13.09.2017Страница 39
Hinweis der Redaktion
Оценка добросовестности заемщика в розничном кредитовании (fraud-scoring)на основе психосемантических методов
Понятия
Традиционный кредитный скоринг
Идея
Реализация
Эксперимент
Потенциальные потребители
Способы реализации
Выгоды и ограничения
План действий
Основные понятияКредитный скоринг - метод классификации заемщиков на различные группы, когда необходимая характеристика не известна (вернет ли кредит), однако, известны другие характеристики, которые каким-либо образом связаны с интересующей
Психосемантика - область психологии, изучающая индивидуальную систему значений, которая влияет на процессы мышления, памяти, принятия решений и т. д.
Скоринг в микрофинансовых организацияхПо паспорту
По трудовой книжке
По родственникам
Визуальная оценка
Идея
У добросовестных и недобросовестных заемщиков разное отношение к кредиту/займу
Это различие можно выявить психосемантическими методами по индивидуальным системам значений
мы провели эксперимент
и подтвердили наше предположение
Реализация
При оформлении кредита заемщик заполняет психосемантическую анкету
Данные тут же обрабатываются on-line
Результат: оценка заемщика «+» или «-»
Заполнение анкеты
Оценка заемщика
Решение о выдаче / отказе в кредите
Пример интерфейса
Описание анкеты
от 30 до 50 пунктов
время заполнения – 3-10 минут
пункты меняются для разных социально-демографических групп
в анкете заложена система защиты против «подбора ключа»
Принятие решения
На основе анкетных данных профиль заемщика сравнивается с эталонной моделью добросовестного и недобросовестного заемщика
Причины невозврата
Планируемый невозврат
Непредвиденный невозврат
Предложенная психосемантическая
система может
распознавать только первый тип,
т.е. Fraud-scoring
Варианты решений
Оценка
Решение
«Хороший» заемщик
Выдаем кредит
«Плохой» заемщик
Не выдаем кредит
«Не понятно»*
Не выдаем кредит
* - оценка «не понятно» возникает в случаях, когда не достаточно данных по определенной подгруппе заемщиков или когда профиль заемщика нельзя отнести к положительному или отрицательному
Проверка точности психосемантического скоринга
в системе розничного кредитования
эксперимент
Сбор данных для модели
947 заемщиков при получении товарного кредита в двух городах России в магазинах бытовой техники проходили традиционную процедуру кредитного скоринга и дополнительно заполняли психосемантическую анкету
Спустя 6 месяцев мы получили от банка информацию о том, как заемщики выплачивают кредит: 880 выплачивали вовремя, а 67 заемщиков не платили по кредиту
Из данных по 947 заемщикам мы:
случайным образом выбирали от 20 до 200 анкет
делали оценку этих заемщиков по модели на основе психосемантического метода
предлагали решение о выдаче кредита
сравнивали наше решение с реальным поведением заемщика
оценивали правильность нашего решения (угадали/не угадали)
Проверка 1. N=20 человек
При проверке на случайной выборке: N=20 человек из 947
Дали кредит 70% обратившимся, отказали 30%.
Вернули – 65%.
Не вернули – 5%.
Проверка 2. N=50 человек
При проверке на случайной выборке N=50 человек из 947
Дали кредит 84% обратившимся, отказали 16%
Вернули – 80%
Не вернули – 4%
Проверка 3. N=99 человек
При проверке на случайной выборке N=99 человек из 947
Дали кредит 76% обратившимся, отказали 24%.
Вернули – 75%.
Не вернули – 1%.
Проверка 4. N=200 человек
При проверке на случайной выборке N=200 человек из 947
Дали кредит 70% обратившимся, отказали 30%.
Вернули – 69,5%.
Не вернули – 0,5%.
Выводы по эксперименту
Добавление психосемантического скоринга увеличивает точность обычного кредитного скоринга до 98,7%
Уменьшается число выданных кредитов на 25%
С увеличением числа выданных кредитов и накоплением данных для модели, т.е. по мере самообучения, растет точность прогноза и увеличивается доля выданных кредитов
Возможности оценки только психосемантическим способом требуют отдельной проверки
Возможность коммерческой реализации идеи психосемантического он-лайн скоринга в системе розничного кредитования и микрофинансирования
Start up
Потенциальные потребители
Организации микрофинансирования
Организации, предоставляющие займы on-line
Банки, занимающиеся розничным кредитованием
Торговые сети, продающие товар с рассрочкой платежа
Системы взаимного кредитования
Интернет-магазины
Традиционный розничный кредит
Объем розничного кредитования в России 2012 г. составил около 6000 млрд рублей
Ежегодный рост с 2010 года - около 40%*
планируемый невозврат розничных кредитов – 11%
Доля просроченной задолженности в розничном кредитовании в 2011 г. (% в портфеле ссудной задолженности) - 5,7% *
* По данным Euromonitor International
Займы в микрофинансовых организациях
В России в 2012 г. выдано порядка 2-3 млн микрозаймов на сумму (по разным оценкам) от 15 до 50 млрд рублей *
рост в среднем около 50-100% в год *
1183 МФО на 1 января 2012 г. по реестру ФСФР **
на 1 июля 2011 года насчитывалось всего 192, за полгода рост в 5 раз
Невозврат:
малые города – до 20%
крупные города – до 50%
* Российская газета, http://www.rg.ru/2013/01/29/mikrozaymi.html
** http://www.eg-online.ru/news/164555/
Конкурентные технолог
1) Оценка он-лайн по кредитной истории: дорого!
200 рублей – проверка 1 заемщика
9000 рублей – установка 1 интерфейса
2) Оценка по данным судебных приставов: нет «новичков» и находящихся в процессе
3) Оценка по социальной активности в интернете: мошенничество!
ии оценки
В чем ценность?
Снижение рисков:
точность оценки возврата кредита до 98,7%
исключается «человеческий фактор» (давать «своим») за счет автоматизации взаимодействия заемщика и кредитной организации
специальная защита от «подбора ключа» и «хорошей анкеты»
Экономия времени:
1-3 минуты для принятия решения
Экономия денег:
не требуется офис, оценка происходит on-line
не требуется специально обученный персонал
снижаются затраты на работу с просроченной задолженностью
дешевле оценки по кредитной истории
Процентные ставки
34% - экспресс-кредит в магазине
180% - ломбард
260-1000% - займы в микрофинансовой организации
Снижение риска невозврата –
это возможность снижения % ставки
и рост прибыли
Способы реализации системы
Как элемент уникального интернет-продукта – системы on-line микрокредитования
Как дистанционная услуга по оценке добросовестности заемщика для любых кредитных организаций (SaaS)
В чем инвестиционная привлекательность?
Срок реализации до 6 месяцев
Срок окупаемости от 1 года
Масштабируемость
Возможность использования в странах Европы
Начальные инвестиции порядка $50.000
Сложности внедрения
Требуется формирование исходной базы данных на 1000 выданных кредитов
Инертность кредитных организаций на внедрение инноваций
Риски безопасности
«Слив» базы данных у провайдера
Сознательная порча базы данных у провайдера
Внедрение программы-вируса для автоматического подбора ключа
Многократный ввод данных с одного IP-адреса для подбора ключа
Утечка кода программы для дешифровки и получение алгоритмов расчета
Массовое распространение через интернет анкет, получивших положительное решение
Разрыв связи во время заполнения анкеты
Риски реализации
Недостаточно ассоциаций
Мало данных по группам о недобросовестных заемщиках
Возможно придется адаптировать семантику под каждую группу заемщиков
Сопротивление со стороны заемщиков: необычное отпугивает
Что предстоит сделать?
Проектирование и реализация дружелюбного интерфейса для клиента
Проектирование и реализация базы данных и системы обеспечения безопасности
Анкетирование реальных клиентов (около 1000 чел.) и построение модели
Проверка модели
2 варианта тестирования
1) проверка на старой модели заемщика, которую мы делали в 2008 году для краткосрочных кредитов (3-6 месяцев) в местах продаж.
МФО/банк запускает 100 анкет при выдаче кредита, мы на старой модели их обрабатываем и даем ответ: "хороший заемщик", "плохой заемщик", "не понятно". Сравниваем нашу оценку с реальным поведением заемщика и получаем оценку точности прогноза
Возможный источник ошибки - старая модель заемщика.
2 варианта тестирования
2) проверка на новой модели заемщика.
МФО/банк запускает 1200 анкет при выдаче кредита. Затем нам передает 1000 анкет и результаты поведения заемщиков (вернул-не вернул). Мы делаем новую модель заемщика для МФО/банка.
Затем мы на новой модели обрабатываем 200 анкет, по которым у нас нет сведений, и даем ответ: "хороший заемщик", "плохой заемщик", "не понятно". МФО/банк сравнивает нашу оценку с реальным поведением последних 200 заемщиков и получаете оценку точности прогноза.
Публикации
Семенов М.Ю., Семенова И.И. Возможности психологических средств оценки добросовестности кредитозаемщика в розничной торговле // Омский научный вестник (The Omsk scientific bulletin).—2010. —№ 5(91). — С. 134-136.
Семенова И.И., Андиева Е.Ю. О построении психологического профиля заемщика для оценки рисков в сфере потребительского кредитования // Управление риском.–2008.– №1(45).– С.56-63.
и др.
Разработчики системы
Семенов Михаил Юрьевич, кандидат психологических наук, эксперт в области экономической психологии и психологии денег
mymoney.pro mob.+7-919-009-77-37
Семенова Ирина Ивановна, кандидат технических наук, эксперт в области системного анализа и баз данных
semenova.pro mob.+7-919-000-11-74
Андиева Елена Юрьевна, кандидат технических наук, эксперт-аналитик