Как сделать скоринг в экселе

Обновлено: 06.07.2024

Сейчас все очень много говорят про искусственный интеллект и его применение во всех сферах работы компании. Однако есть некоторые области, где еще с давних времён главенствует один вид модели, так называемый «белый ящик» — логистическая регрессия. Одна из таких областей – банковский кредитный скоринг.

Для этого есть несколько причин:

Коэффициенты регрессии можно легко объяснить в отличие от «черных ящиков» вроде бустинга, куда может входить более 500 переменных
Машинное обучение всё еще не вызывает доверия у менеджмента из-за сложности в интерпретации моделей
Существуют неписанные требования регулятора к интепретируемости моделей: в любой момент, например, Центробанк может попросить объяснения — почему было отказано в кредите заемщику
Компании используют внешние data mining программы (например, rapid miner, SAS Enterprise Miner, STATISTICA или любой другой пакет), которые позволяют быстро научиться строить модели, даже не имея навыков программирования

В этом посте мы расскажем о том, как при построении скоринга мы отказались от внешних data mining пакетов в пользу open source решения в виде Python, увеличили скорость разработки в несколько раз, а также улучшили качество всех моделей.

Процесс построения скоринга

Классический процесс построения скоринговых моделей на регрессии выглядит так:

Он может меняться от компании к компании, но главные этапы остаются постоянными. Нам всегда необходимо производить биннинг переменных (в отличие от парадигмы машинного обучения, где в большинстве случаев нужно лишь категориальное кодирование), их отсев по Information Value (IV), и ручную выгрузку всех коэффициентов и бинов для последующей интеграции в DSL.
Такой подход к построению скоринговых карт отлично работал в 90-е, однако технологии классических data mining пакетов сильно устарели и не позволяют использовать новые методики, такие как, например, L2-регуляризация в регрессии, которые позволяют значительно улучшить качество моделей.

В один момент в качестве исследования мы решили воспроизвести все этапы, которые аналитики делают при построении скоринга, дополнить их знаниями Data Scientist’ов, а также максимально автоматизировать весь процесс.

Улучшение в Python

В качестве инструмента для разработки мы выбрали Python за его простоту и хорошие библиотеки, и начали воспроизводить все этапы по порядку.

Первым делом необходим сбор данных и генерация переменных – этот этап составляет значительную часть работы аналитиков.

В Python загрузить из базы собранные данные можно с помощью pymysql.

Далее мы заменяем редкие и пропущенные значения отдельной категорией для предотвращения ovefitting’а, выбираем целевую, удаляем лишние колонки, а также делим на трейн и тест.

Теперь начинается самой важный этап в скоринге для регресии – необходимо написать WOE-binning для числовых и категориальных переменных. В открытом доступе мы не нашли хороших и подходящих для нас вариантов и решили написать сами. За основу числового биннинга взяли эту статью 2017 года, а также эту, категориальный написали сами с нуля. Результаты получились впечатляющими (Gini на тесте поднимался на 3-5 по сравнению с алгоритмами биннинга внешних data mining программ).

После этого можно посмотреть на графиках или таблицах (которые мы потом запишем в excel), как переменные разбились по группам и проверить монотонность:

Отдельно была написана функция для ручного биннинга, которая полезна, например, в случае с переменной «версия ОС», где все телефоны на Android и iOS были сгруппированы вручную.

Следующим этапом идёт отбор переменных по Information Value. Стандартным значением является кат офф 0.1 (все переменные ниже не имеют хорошей предсказательной силы).

После осуществлялась проверка на корреляцию. Из двух коррелирующих переменных нужно удалить ту, у которой IV меньше. Кат офф по удалению был взят 0.75.

Помимо отбора по IV мы добавили рекурсивный поиск оптимального количества переменных методом RFE из sklearn.
Как мы видим на графике – после 13 переменных качество не изменяется, а значит лишние можно удалить. Для регрессии более 15 переменных в скоринге считается плохим тоном, что в большинстве случаев исправляется с помощью RFE.

Далее строилась регрессия и оценивались её метрики на кросс-валидации и тестовой выборке. Обычно все смотрят на коэффициент Gini (хорошая статья про него тут).

Когда мы удостоверились в том, что качество модели нас устраивает, необходимо записать все результаты (коэффициенты регрессии, группы бинов, графики стабильности Gini и переменных и т.д.) в excel. Для этого удобно использовать xlsxwriter, который может работать как с данными, так и с картинками.

Примеры листов экселя:

Итоговый excel в конце еще раз смотрится менеджментом, после чего отдаётся в IT для встраивания модели в продакшен.

Как мы увидели, почти все этапы скоринга можно автоматизировать так, чтобы аналитикам не нужны были навыки программирования для построения моделей. В нашем случае, после создания данного фреймворка от аналитика требуется лишь собрать данные и указать несколько параметров (указать целевую переменную, какие колонки удалить, минимальное количество бинов, коэффициент отсечения для корреляции переменных и т.д), после чего можно запустить скрипт на python, который построит модель и выдаст excel с нужными результатами.
Конечно же, иногда приходится исправлять код под нужды конкретного проекта, и одной кнопкой запуска скрипта при моделировании не обойдешься, однако даже сейчас мы видим качество лучше, чем у применяемых на рынке data mining пакетов благодаря таким техникам как оптимальный и монотонный биннинг, проверка на корреляцию, RFE, регуляризированная версия регрессии и т.д.

Таким образом, благодаря использованию Python мы значительно сократили время разработки скоринговых карт, а также уменьшили затраты труда аналитиков.

Научитесь использовать инструменты анализа данных, включая языки программирования и средства визуализации.

Кредитный скоринг – одна из наиболее распространенных задач среди множества проблем, решаемых финансовыми аналитиками. В данной статье мы разберемся с ключевыми шагами для написания собственной скоринговой модели на Python. Если вы только начали изучение Python, то рекомендуем записаться на наш открытый онлайн-курс «Первый код на Python».

Два наиболее важных вопроса кредитования:

Насколько рискованно поступает заемщик, беря кредит?
Учитывая известный риск заемщика, должны ли мы его кредитовать?

Определить рискованность действий заемщика можно опираясь на данные об экономическом поведении как его самого, так и результаты кредитования предыдущих заемщиков.

Для чего нужна скоринговая модель?

В реальной жизни при построении данных моделей мы сталкиваемся с неполными данными, поэтому в данной статье мы сфокусируемся на двух моментах:

Что делать, если часть данных отсутствует?
Как строить классификаторы для несбалансированных выборок?

В качестве библиотек и функций импортируем следующие:

Знакомство с данными

Для начала ознакомимся с признаками, соответствующими столбцам датасета:

Для начала определим тип данных каждого признака:

В результате можно видеть, что единственным категориальным признаком является признак purpose:

Определим число пустых ячеек в каждом столбце:

В таблице имеется небольшое число пропусков для шести признаков:

Рассмотрим как сбалансирована выборка относительно оплаченных кредитов:

Полученная диаграмма показывает, что выборка не сбалансирована относительно целевой переменной not_fully_paid.

Начальные соображения и предобработка данных

Для моделирования будем применять алгоритмические композиции, представляющие собой объединения моделей в более сложную для уменьшения ошибок обобщения. Такой подход полагается на предположение, что каждая модель рассматривает различные аспекты данных, захватывая часть общей истинной картины. Сочетая независимо обученные модели, можно достичь лучших результатов, чем при использовании их одиночных экземпляров. Это приводит к более точным предсказаниям и меньшим ошибкам обобщения.

Производительность алгоритмических композиций почти всегда возрастает с ростом числа используемых моделей. Объединение максимально различных моделей уменьшает корреляцию между ними и повышает производительность композиции — коррелирующие между собой модели дают производительность идентичную или даже худшую, чем одиночная модель.

Кратко рассмотрим наиболее распространенные подходы к построению алгоритмических композиций:

Смешивание (blending, блендинг): усреднение прогнозов группы моделей.
Бэггинг (баггинг, bagging, bootstrap aggregating): независимое построение моделей на различных наборах данных с последующим выбором предсказания по результатам голосования моделей.
Бустинг (boosting): последовательное построение моделей, при котором каждая модель учится с учетом результатов предыдущей модели. Чтобы избежать ошибок переобучения, каждая новая модель учится на результатах всех предыдущих моделей.
Стекинг (stacking): построение k моделей базовых учеников с дальнейшей подгонкой модели под метаклассификатор.

В нашей модели мы будем использовать бэггинговую модель случайного леса (Random Forest). Обратим внимание, что далее в коде мы проведем предварительную обработку данных:

Создадим переменные признака purpose вместо используемых категориальных значений.
Разобьем данные на обучающую (80%) и тестовую (20%) выборки.
Чтобы выбросы в данных оказывали меньшее влияние на обучение, стандартизируем выборку при помощи метода RobustScaler.

Этот метод центрует данные вокруг медианы и масштабирует их с использованием межквартильного диапазона.

Стратегии работы с пропущенными значениями

В реальных выборках встречаются пропуски данных. Это может быть вызвано тем, что клиенты не заполнили часть банковских форм, изменились сами формы и т. д.

Одна из хороших практик учета отсутствующих данных — генерация бинарных функций. Такие функции принимают значение 0 или 1, указывающие на то, присутствует ли в записи значение признака или оно пропущено.

Другими распространенными практиками являются следующие подходы:

Удаление записей с отсутствующими значениями. Обычно так делается, если число недостающих значений очень мало в сравнении со всей выборкой, при этом сам факт пропуска значения имеет случайный характер. Недостатком такой стратегии является возникновение ошибок в случаях идентичных пропусков в тестовых данных.
Подстановка среднего, медианного или наиболее распространенного значения данного признака.
Использование различных предсказательных моделей для прогнозирования пропущенного значения при помощи остальных данных датасета.

Начнем с создания бинарных функций для отсутствующих значений, а затем вычислим показатель AUC для различных моделей на обучающей выборке:

Выделим в качестве целевой переменной признак not_fully_paid и разобьем данные на обучающую и тестовую выборки:

В результате получаем:

Рассмотрим в нашем примере самый простой вариант – выкинем из выборки записи с пропусками:

В результате запуска увидим:

Построим классификатор случайного леса и определим показатель AUC для данной модели:

Запуск кода дает:

Проверим, улучшают ли бинарные функции качество нашей модели:

Вы можете попробовать и более сложные стратегии, однако для такого малого числа потерь данных при использовании различных подходов обработки пропусков обычно наблюдаются сопоставимые результаты. Рассматривая полученную диаграмму, можно заметить, что добавление двоичных функций в этом конкретном случае не приводит к приросту производительности модели. Таким образом для нашей выборки их можно удалить:

Стратегии работы с несбалансированными выборками

Лучшими метриками для несбалансированных наборов данных считаются AUC (площадь под ROC-кривой) и f1-score. Но одних метрик недостаточно — классовый дисбаланс влияет на процесс обучения модели, делая ее предвзятой. В этом случае используются следующие подходы:

Удалить часть экземпляров мажоритарного класса так, чтобы сравнять число положительных и отрицательных примеров (недостаток: существенная потеря данных.
Дополнить повторами миноритарные представители класса, чтобы сравнять число положительных и отрицательных примеров (недостаток: возможное переобучение на повторяющихся примерах).
Избирательно настроить классификатор на объекты мажоритарного/миноритарного классов.
Создать синтетические объекты миноритарного класса.

В большинстве приложений неправильная классификация меньшинства (ложноотрицательная классификация) стоит намного дороже ложноположительной. В контексте кредитования потеря денег из-за незаслуживающего доверия заемщика обходится существенно выше, чем отсутствие возможности кредитования надежного заемщика. Поэтому мы можем назначать этим классам различные веса и отсечки.
В качестве примера сравним результат прошлой модели случайного леса с теми, где мы либо сбалансируем выборку, удалив часть мажоритарных записей (under-sample подход), либо воспользуемся синтетическим подходом:

Результат работы скрипта:

Можно видеть, что в случае рассматриваемой выборки простое исключение экземпляров мажоритарного класса не приводит к улучшению качества предсказания модели. В то же время применение синтетического подхода, например, EasyEnsemble, позволяют сбалансировать выборку и улучшить предсказательные возможности модели.

Такие сбалансированные классификаторы можно обучать и делать на них предсказания аналогично традиционным:

Для улучшения предсказания скоринговых моделей существует гораздо больше сложных концепций, чем мы можем изложить в рамках одной публикации. С некоторыми из них в продолжение работы с этой статьей на примере того же датасета вы можете ознакомиться здесь.

DATA SCIENCE ACADEMY

Что такое скоринг и почему раньше обмануть банк было проще

Само слово скоринг произошло от английского «score» — подсчет очков. В ситуации с банками кредитные учреждения ведут «подсчет очков», оценивая платежеспособность клиентов. Пару десятков лет назад процесс занимал до нескольких суток, сегодня даже одобрение ипотечного займа можно получить в течение пяти минут. Причина проста — из процесса оценки платежеспособности заемщика почти исключен человек. Именно поэтому ситуации, когда можно попросить одноклассника, работающего в банке, замолвить словечко, чтобы получить кредит, сегодня практически исключены. Решение принимает машина, причем сами сотрудники банка в основной своей массе имеют лишь приблизительное понятие, какие данные оценивает система.

Сегодня наличие эффективного скоринга — в прямом смысле вопрос выживания для банков. О том, что несколько десятков самых слабых организаций могут покинуть рынок уже в этом году, говорят многие эксперты. Совершенствование скоринга — это фактор, который напрямую будет влиять на прибыльность банка. Собственно, скоринг и был придуман для того, чтобы сократить число дефолтов и распознать платежеспособных клиентов среди тех, кто на первый взгляд кажется проблемным.

Как банк «считает очки»

Основную информацию о потенциальном заемщике, с которым банк никогда не имел дела, он получит из анкеты. Ее предлагают заполнить как в бумажной форме, так и в электронном виде на сайте банка.

Чем больше сумма кредита, тем больше сведений захочет знать о вас банк. Если для оформления потребкредита банку достаточно минимальных данных, то анкета для ипотечного займа включает вопросы о наличии высшего образования, количестве детей, а иногда и о наличии судимости.

Но это далеко не вся информация, которой будет оперировать банк.

Начисляя баллы, скоринговая система запросит информацию в кредитном бюро, сверится с базами должников, а в некоторых случаях обратит внимание и на профиль в соцсетях. К примеру, в США банки в том числе оценивают, насколько часто человек выкладывает в соцсетях фото в нетрезвом виде.

По словам Анастасии Усковой, гендиректора финтех-платформы «Фаст Ривер», технологии скоринга у нас и за рубежом существенно не отличаются. Разница только в массиве данных, которые попадают в прицел скоринговых программ из открытых источников и предоставляются самим клиентом. И в России, и в Европе, и в Китае в скоринг могут попадать не только данные из соцсетей потенциальных клиентов, но даже история поисковых запросов, если те не скрыты настройками приватности. «Но на европейском континенте существуют законы, ограничивающие и регламентирующие сбор данных — например требования обезличивать данные, хранить в зашифрованном виде или уведомлять клиентов о том, какая личная информация о них анализируется банком», — уточняет Ускова.

В Китае скоринг настолько популярен, что муниципальные и частные платформы, среди которых есть мессенджеры, маркетплейсы, платежные системы, и даже приложения для знакомств и заказа такси, знают о вас все и обязаны передавать государству имеющиеся у них данные. На их основе составляется социальный рейтинг граждан, который определяет их благонадежность и ложится в том числе в основу банковского скоринга.

Все современные технологии так или иначе помогают банкам совершенствовать скоринговые системы. Так, почти у всех есть гаджеты с привязанными к ним аккаунтами в социальных сетях, мессенджерах и почтовых сервисах, а также приложения, которые позволяют ставить геолокацию и отмечать другую информацию. К слову, банки получают и информацию о том, сколько и как регулярно вы платите за связь и прочие сервисы.

Отдельно Алексей Перепелкин, руководитель отдела аналитики «BMS Law Firm» отмечает мобильные банки, приобретающие все большую популярность. Их анализ также помогает оценить модель поведения потенциальных заемщиков. Для российских банков существенным прорывом в построении скоринговых моделей стал доступ к данным об официальных доходах россиян от ПФР, отмечает Сергей Григорян, специалист по банковскому сектору, партнер аналитической компании «ЕваБета Россия». Сейчас финансовые организации анализируют клиентов более чем по нескольким сотням параметрам. Вся информация буквально от рождения до смерти уже практически доступна банкам, которые стали гораздо более тщательно выбирать клиентов.

Как совершенствуются скоринговые модели?

Представители банков утверждают, что уделяют большое внимание совершенствованию скоринговых моделей и скоринговых систем. При этом в пресс-службе банка «Хоум Кредит» РБК Трендам уточнили, что в основном ведут работу в двух направлениях:

Совершенствование качества моделей. Речь идет об активном использовании сложных моделей машинного обучения, дающих лучший результат по предсказанию дефолта клиента.
Скорость разработки и реализации. «Здесь мы говорим, например, о внедрении и использовании таких платформ, как MLflow, Predictor Engine. Они необходимы для сокращения времени разработки модели, уменьшения влияния человеческого фактора (неизбежного с ручными запусками), увеличения скорости успешного внедрения моделей», — уточнили в «Хоум Кредит».

Банки явно не экономят на внедрении более эффективного скоринга, и этому есть простое объяснение. В беседе с РБК Трендами Николай Переславский, сотрудник департамента экономических и финансовых исследований CMS Institute, заверил, что вложения в систему проверки заемщиков будут окупаться достаточно быстро, особенно с учетом текущего положения вещей в стране.

Речь идет о том, что на фоне падения реальных доходов до уровня 2009 года общая долговая нагрузка россиян (отношение суммы платежей по кредиту к доходам заемщика) составила почти 12% по состоянию на конец первого квартала 2021 года. При зарплатах в регионах не выше ₽30 тыс. средняя сумма потребительского кредита превысила ₽300 тыс., а ипотечного — ₽3 млн. На этом фоне вычислить потенциально проблемного заемщика — задача непростая, но Переславский утверждает, что система стала определять неблагонадежность доходов заемщика лучше, прогнозируя возможные риски заранее. По данным, которыми оперирует эксперт, по ипотечному кредитованию процент отказов в текущем году приблизился к 50%, а по потребительским кредитам показатель достиг 75%.

А нужен ли человек?

Прогнозируя будущее скоринговых систем, некоторые эксперты высказывали смелую гипотезу о том, что в будущем возможно будет полностью исключить участие человека из этого процесса. Рассуждая на эту тему с РБК Трендами, Сергей Григорян, специалист по банковскому сектору, партнер аналитической компании «ЕваБета Россия», тоже допустил такую возможность с учетом того, что сегодня в большинстве случаев алгоритмы работы программного обеспечения создаются человеком. Уже потом на их основе делается ПО, которое самостоятельно собирает определенные данные и делает вывод о платежеспособности того или иного клиента.

«В данный момент мы еще не дошли до того уровня развития технологий, когда можно совсем обойтись без участия человека в создании самих моделей/алгоритмов. Но в перспективе ближайших десяти лет вполне возможно появление скоринговых моделей, созданных искусственным интеллектом», — допускает Григорян.

Представители банков в своих прогнозах о полной роботизации скорингового процесса более сдержаны. С одной стороны, в пресс-службе Московского кредитного банка заверили, что в ряде клиентских сегментов и продуктов уже применяется процесс принятия кредитных решений без участия человека. С другой же, пока нет алгоритмов, способных оценивать субъективные факторы, в отличии от человека. Для некоторых видов ссуд (например кредиты для бизнеса), непредвзятость системы может, напротив, привести к упущенной выгоде для банка.

По заверениям Переславского из CMS Institute, у скоринговых систем есть некоторая предвзятость к фрилансерам и владельцам МСБ, из-за чего они периодически выдают ошибочные решения в пользу или не в пользу одобрения займов некоторым людям. При этом ни для кого не секрет, что искусственный интеллект способен быть предвзятым из-за заложенных в него данных даже со способностью алгоритма к самообучению. Процентное соотношение одобренных кредитов у мужчин и женщин разнится примерно на 15% в пользу мужчин. За рубежом можно встретить примеры не только гендерной, но и расовой дискриминации.

На текущем этапе алгоритмы и технологии должны облегчить сотрудникам принятие финального решения, но полностью заменить риск-менеджеров они не смогут. Даже самую автоматизированную систему необходимо постоянно поддерживать и дорабатывать. Так что пока банки не готовы полностью отдать вопросы скоринга на откуп машинам.

Как обманывали банк раньше и можно ли это сделать сейчас

Как правило, необходимость «обмануть» банк возникает, если вы хотите получить кредит, имея статус неблагонадежного заемщика, или размер кредита заметно превышает сумму, на которую вас готов кредитовать банк.

Самый ходовой способ, который чаще всего использовали для обмана банка раньше, — иметь в банке «своего» человека, который мог закрыть глаза на «липовую» справку о доходах, содействовать завышению лимита или «не заметить», что у заемщика, который является единственным кормильцем в семье, пятеро иждивенцев.

Сегодня, когда человеческий фактор во многих скоринговых процессах сведен до минимума, лучше даже не пытаться «обмануть» скоринг в банке, так как там есть отдельные антифрод-алгоритмы, и любое нетипичное поведение может показаться системе подозрительным. В реальности большинство банков ограничивают число возможных корректировок со стороны клиента. Более того, большое количество попыток получения кредита в одном и том же банке приводит к ухудшению кредитной истории.

А вот попытаться улучшить свой имидж в банке, зная немного о том, как работает скоринг, можно. Для этого есть вполне легальные способы.

«Помните, что основной информацией для скоринговых систем являются данные о получаемых доходах и расходах, о кредитной истории. Доход должен быть официально подтвержден, а в разрезе трат не должно быть ничего подозрительного — избегайте крупных импульсивных покупок», — советует Ускова из «Фаст Ривер». Эксперты департамента риск-менеджемента ОТП Банка рецепт сформулировали еще проще: «Исправьтесь и верните все долги, а также помогите банку понять, что вы можете оплачивать свой новый займ».

Как улучшить свой кредитный рейтинг

Среди рекомендаций, которые дает ОТП банк, — совет подтвердить зарплату, которая позволяет вам потянуть кредит или предложить в качестве залога квартиру или машину — это гораздо упрощает выдачу кредита. Антон Рогачевский, начальник отдела онлайн-продаж «Морского банка», советует не забывать, что скоринговая система слепа к человеку. С ней вы не сможете обсудить, почему тот или пункт некорректен. Тут все очень просто: небольшое отклонение от программы срабатывает как стоп-фактор, и автоматически выносится отказ. Именно поэтому, заполняя анкету для банка, так важно правильно внести данные, которые система сможет сверить с имеющимися в ее доступе базами. Ошиблись с годом рождения или неверно указали возраст ребенка — система может решить, что вы намеренно вводите ее в заблуждение. Кстати, это одна из причин, по которой нельзя исключать человеческое звено из цепочки принятия решений.

В разных банках используются разные скоринговые модели, которые банкиры хранят в строжайшем секрете, поскольку от них напрямую зависит эффективность бизнеса. Поэтому иногда, но редко, самый простой способ обойти систему — обратиться в другой банк. Бывает, что один единственный фактор — к примеру, наличие нескольких несовершеннолетних детей — может стать стоп-фактором для одного банка и совсем не смутить другой.

Если кредитная история имеется, и у вас есть основания полагать, что она подпорчена, для начала нужно понять, насколько велики ваши шансы. Запросить кредитную историю и кредитный рейтинг можно бесплатно дважды в течение календарного года. Сделать это проще всего с помощью портала Госуслуги, где можно выбрать кредитное бюро из предложенного списка.

Из присланных данных можно будет понять, есть ли отметки, которые необходимо закрыть или оспорить для улучшения рейтинга. Для этого нужно будет подать заявление о внесении изменений или дополнений в бюро кредитных историй, где хранится его история.

Первое, с чего советуют начать клиенту улучшение кредитной истории в пресс-службе Московского кредитного банка, — реструктуризировать все текущие просроченные суммы платежей и далее вовремя осуществлять погашение по действующим кредитам в соответствии с графиком. Чем дольше заемщик будет демонстрировать своевременное погашение действующих займов, тем лучше будет формироваться его кредитная история.

Получить ее достаточно легко: как правило, банки не проводят глобальных проверок, особенно если лимит небольшой. То же касается всевозможных карт рассрочки и так далее. «Получить их может практически каждый, даже в ТЦ или магазине. При этом, если вы активно пользуетесь такими картами и своевременно вносите по ним платежи, ваша кредитная история (КИ) улучшается», — советует Григорян из «ЕваБета Россия».

Помимо просрочек по займам, в вашей кредитной истории отображаются все остальные долги: неоплаченные штрафы, ЖКХ, алименты и тому подобное.

Открыть депозит в банке, в котором вы хотите взять кредит

Этот вариант подойдет не тем, у кого кредитная история испорчена окончательно, а скорее тем, кто хочет, чтобы ему одобрили большую сумму займа. Банк видит деньги на счету клиента, и его рейтинг в глазах финансовой организации повышается.

Какой бы из способов исправления испорченной кредитной истории вы ни выбрали, нужно настроиться на то, что в среднем на это уйдет от 15 до 30 месяцев.

А вот если вам предлагают обмануть банк за деньги — перед вами мошенники.

Зачем нужен хороший кредитный рейтинг?

Чем более надежным заемщиком вы выглядите в глазах банка, а именно его скоринговой системы, тем лучшие условия по займу вам предложат и тем больше денег согласятся дать в кредит. «По оценке НБКИ, для автокредита с хорошей процентной ставкой кредитный рейтинг заемщика должен быть не менее 500 баллов из 800, а с показателем в 400 баллов можно рассчитывать только на микрозаймы», — приводит пример Переславский. Как правило, кредиты под залог имущества одобряются даже с низким кредитным рейтингом, но регулярный платеж по ним может быть на 2–4 процентных пункта выше рынка, что может фактически сделать такой кредит неподъемным. Поэтому в идеале лучше потратить полгода-год на восстановление кредитного рейтинга, чем серьезно переплачивать по процентам при низких показателях оценки банком, советует эксперт.

Портал Банки.ру запустил новый проект «Мастер подбора кредитов», где вы сможете подобрать необходимые банковские продукты и узнать вероятность одобрения по каждому предложению. Оцените свою кредитоспособность без детального анализа кредитной истории и заполнения бесконечных анкет.

«Узнайте ваш кредитный рейтинг»

Новый год — пора долгожданных подарков, новых свершений и начинаний. Некоторые хотят начать жизнь с чистого листа, посетить экзотическую страну, купить машину, сделать ремонт дома или вообще купить новую квартиру. Чтобы облегчить себе задачу, можно взять кредит в банке, но все упирается в большую стопку документов, которую нужно собрать и отнести в несколько кредитных организаций. И неизвестно, какое в итоге будет принято решение, а подарок себе хочется сделать здесь и сейчас.

Мы редко предлагаем своим читателям то, что не испробовали на себе. Поэтому журналист портала Банки.ру ввел свои личные данные для получения 100 тыс. рублей сроком на три года. Кредитный рейтинг оказался довольно высокий, поэтому журналист получил возможность взять кредит или кредитные карты в десяти банках.

«При разработке сервиса мы использовали лучшие примеры мировых практик, — рассказывает директор по развитию бизнеса холдинга «Банки.ру» Роман Халанский. — Постарались учесть все нюансы, чтобы обеспечить максимальное удобство для наших пользователей. Можно сказать, что «Мастер подбора кредитов» стал единой площадкой, маркетплейсом кредитных предложений от ведущих банков».

Подбор осуществляется с помощью расчета индивидуального кредитного рейтинга клиента, который производится бесплатно. На основании рассчитанного кредитного рейтинга сервис определяет вероятность одобрения кредита и подбирает наиболее подходящие для клиента предложения с учетом требований банков.

Для заполнения анкеты не потребуется много времени и усилий, так как параметры, необходимые для оформления кредита, составлены очень кратко и лаконично. Сначала вы должны указать желаемую сумму, которая зависит от цели кредита. Например, если вы хотите взять средства на личные расходы, то заходите в раздел «Просто деньги».

Далее следует выбор ежемесячного платежа. Его размер зависит от временных рамок, которые будут комфортны для клиента. Например, 500 тыс. вы можете выбрать минимум на один год, и тогда сумма ежемесячного платежа составит 46 тыс. в месяц, или на пять лет, и тогда сумма будет всего 13 тыс. рублей в месяц.

Также в ходе заполнения анкеты пользователь должен заполнить несколько пунктов с личной информацией, которую портал Банки.ру, по согласию клиента, потом передаст в выбранный банк. Никуда больше данные переданы не будут.

Помимо этого, необходимо указать уровень заработной платы. И в ваших интересах не обманывать скоринг, так как банк все равно будет перепроверять указанную вами информацию. Поэтому лучше не терять время ни свое, ни банка и заполнять все по-честному.

Также вы должны указать, сколько денег в месяц вы тратите на обслуживание кредитов. Конечно, есть счастливцы, у которых нет обязательств перед финансовыми организациями, но так везет далеко не всем. Нужно выбрать графу среди вариантов: «нет кредитов», «от 2,5 до 7,5 тысяч рублей в месяц» «менее 2,5 тысяч рублей в месяц» и «более 7,5 тысяч рублей в месяц».

Дополнительной характеристикой, которая будет учитываться при оценке вашей кредитоспособности, является уровень образования — начальное, неполное или высшее. И далее вы уже перейдете на страницу с контактными данными, где должны будете вписать фамилию, имя, отчество, дату рождения, мобильный телефон и электронную почту. Напомним, что эти данные не будут переданы ни в какие сторонние организации, кроме банка, который вы выберете сами. Если по каким-либо причинам вы отвлечетесь от заполнения анкеты и закроете ссылку, то ваши данные автоматически сохранятся и при повторном входе вам не придется вбивать их заново.

В качестве заключительного этапа нужно будет ввести свой адрес проживания и указать город получения кредита. Далее на ваш номер мобильного телефона придет код, введя который вы подтвердите свое согласие с офертой и докажете, что вы реальный человек.

И все, после выполнения ряда нехитрых операций вы получаете ваш личный кредитный рейтинг. У каждого он будет свой, как и набор банков, в которых вам с высокой долей вероятности одобрят кредит.

«Избавься от лишних кредитов»

Сервис предлагает и такую функцию, как рефинансирование кредита. Рефинансирование может происходить как в прежнем банке-кредиторе, так и в каком-либо другом. Перекредитование кредита дает возможность снизить процентную ставку по займу, увеличить его сроки и изменить суммы ежемесячных выплат, поменять валюту кредита, а также, если у заемщика оформлено несколько кредитов в разных банках, заменить их на один.

При рефинансировании кредита платежеспособность заемщика оценивается скорингом, как и при обычном кредитовании.

Клиентам, не планирующим в ближайшее время брать кредит, сервис также будет полезен, поскольку он позволяет определить персональный кредитный рейтинг. Это один из главных показателей, используемых банками для принятия решения о выдаче кредита. Поэтому мы рекомендуем периодически актуализировать информацию о нем для того, чтобы трезво оценивать свои кредитные возможности.

Читайте также: