В России вместе с ростом объемов предоставленных потребительских кредитов, растут объемы просроченной кредиторской задолженности. Аналитики отмечают, что если такие темпы роста сохранятся, то Россию может накрыть очередной банковский кризис. О том, как отечественные банки вычисляют заемщиков-мошенников корреспонденту ИА «Клерк.ру» Алексею Титову рассказала Наталья Катилова, ведущий специалист департамента розничного кредитования «Росбанка».
Наталья, поясните, пожалуйста, какие сегменты рынка кредитования физических лиц вы относите к наиболее рискованным? В чем причины высокого риска?
Мошенничество старо, как мир, и поистине неисчерпаемо в своем многообразии. Однако в последние годы в связи с развитием технологий появилось много новых способов незаконных финансовых операций. Традиционные формы мошенничества, такие как отмывание денег и кража кредитных карт, обогатились современными более изощренными формами, в том числе нелегальными покупками через Интернет и компьютерным хакерством.
В практике кредитования физических лиц банки сталкиваются с многочисленными способами махинаций с пластиковыми картами, наряду с классическими формами, такими как: воровство, подделка и получение карты на другое лицо, появились виртуальные махинации, не требующие личного присутствия владельца банковской карты. Так, например, для осуществления операции по телефону или Интернету требуется лишь информация о самой кредиту данной карте, что породило новую волну мошенничеств. По оценкам международных банковских экспертов потери, вызванные махинациями с кредитными карточками, оцениваются в 1 млрд. долл. за год.
При детальном исследовании мошеннических действий с кредитными карточками выявились следующие закономерности: во-первых, счета, ставшие неожиданно очень активными; во-вторых, «тестовая» покупка на небольшую сумму, после которой производится основная покупка на большую сумму; и, в-третьих, попытки превысить разрешенный картой лимит.
Классические махинации с картами довольно очевидны в своем проявлении. Так по украденной карте мошенником расходуется максимальное количество денег за короткий промежуток времени. Примерно то же наблюдается с поддельными картами. При получении кредитной карты на другое лицо указываются заведомо ложные сведения в анкете заемщика. Здесь при выявлении мошенничества могут помочь данные из кредитного бюро. Мошенники часто используют многочисленные комбинации имен / адресов / телефонов, очень похожих, однако, редко совпадающих. Так вот наличие подобных записей указывает на высокий уровень потенциального мошенничества у данного лица.
Виртуальные махинации с помощью современных средств связи, не требующие личного присутствия владельца карты и его подписи, приобрели в наше время особую «популярность». Способов добычи информации о кредитных картах также известно не мало. При этом покупки, совершаемые дистанционно, это чаще всего: ноутбуки, мобильные телефоны и ювелирные украшения, т.е. дорогостоящие предметы, легко сбываемые на «черном» рынке.
Какой процент в потребительском кредитовании занимают мошеннические кредиты? Какая часть подобных кредитов обнаруживается до того момента, как кредит предоставлен?
Важно отметить, что основной нашей целью является, прежде всего, не просто выявление, а именно предотвращение мошенничества. Даже если из 100 миллионов транзакций махинации составляют 0,1% и каждая из них приносит потерю, скажем, 10 долларов, то общая потеря составит уже 1 миллион долларов в год. Для применения статистических и аналитических методов нам необходимо иметь достаточное количество реальных случаев мошенничества. В этом-то и заключается основная трудность, с которой сталкиваются банки: где взять достаточное количество статистики по мошенническим кредитам?
Эта асимметричность (хороших данных значительно больше, чем махинаций) является характерной особенностью задачи выявления мошенничества. Поэтому нам следует применять специально масштабируемую выборку для обеспечения правдоподобности. Обладая знаниями о прошлом и перенося их на будущих клиентов, появляется возможность выявить только мошеннические действия, имевшие место ранее, но при этом, к сожалению, не предоставляется возможности выявить новые (еще не существующие) махинации.
По мере появления работающих прогнозов, можно провести оценку информации, уже накопленной в базах данных, на предмет выявления мошеннических транзакций, которые остались не выявленными. Кроме того, функция прогноза может использоваться в режиме реального времени для обнаружения мошеннической транзакции в момент ее проведения. Во многих случаях это помогает предугадать мошенничество и предпринять необходимые меры для его пресечения. Качество и надежность инструментов прогнозирования, используемых при выведении коэффициентов, вероятнее всего, со временем будут повышаться. Таким образом, есть основания рассчитывать, что оперативность выявления мошенничества будет повышаться синхронно с ростом объемов данных. Достоинство этого метода состоит в том, что его надежность можно оценить и проверить статистическими методами. Если надежность высока, анализ будет указывать в подавляющем большинстве на действительные случаи мошенничества, а не выдавать набор подозрительных данных, с одинаковой вероятностью как указывающих, так и не указывающих на мошенничество.
Как вы оцениваете уровень скоринговых систем, используемых отечественными банками?
Отечественные банки, имеющие в своем распоряжении достаточно надежные программные средства для реализации кредитного скоринга, могут позволить себе такую роскошь, как поведенческий и мошеннический скоринг. По аналогии с оценкой заемщиков здесь также применим скоринг, всем новым клиентам присваивается «балл подозрительности»: чем более необычная запись, тем выше балл и соответственно подозрительнее запись. В вопросе, что считать подозрительным, существует много разных определений и поэтому возможно применение самых различных сценариев и соответствующих скоринговых карт с «баллами подозрительности». Нечто похожее можно проводить в рамках сбора долгов, когда мы оцениваем вероятность возврата задолженности по кредиту.
Что, как правило, служит характерным признаком мошеннического кредита?
Профиль мошенника многообразен. Если говорить о махинациях, связанных с получением кредита, то в зависимости от типа продукта / срока / обеспечения этот профиль варьируется и имеет свои ярко выраженные черты (определенное сочетание пола и возраста, профессии и семейного положения и т.п.). Интересно заметить, что в махинациях с автокредитами участвует даже цвет и модель приобретаемого автомобиля.
Общий признак у мошенника, однако, тоже есть: он максимально старается выглядеть, как среднестатистический заемщик. Самые «прожженные» мошенники – это серые мышки со средним доходом, без недвижимости и автомобиля, запрашивающие максимальную сумму кредита.
Какие методы по выявлению мошенничества вы считаете наиболее эффективными?
Если вы точно определились с целью анализа, то вы можете использовать, так называемые, контролируемые методы выявления мошенничества, а именно традиционные статистические методы, типа линейного дискриминантного анализа, логистической регрессии или нейронных сетей. Возможно также применение методов на основе определенных правил: Если (условие), то (результат). Здесь отлично работает так называемое «Дерево решений». Полезной также может оказаться комбинация моделей.
Однако, бывают ситуации, когда аналитик сам не знает, чего ищет… В подобных случаях применяются «неконтролируемые» статистические методы: из общей массы данных (не разделенной на добропорядочных клиентов и мошенников) выявляются счета, клиенты, транзакции, заметно отличающиеся от нормы. Полезным здесь считается применение проверки на качество данных, а наиболее общий метод – это исследование выбросов, т.к. данные, содержащие необычное значение, которое встречается только однажды, проще всего выявлять путем анализа выбросов. Применение количественных статистических инструментов, таких как определение среднего значения или стандартного отклонения, а также представление данных в виде различных графиков и диаграмм, может оказаться эффективным для выявления необычных значений для непрерывно изменяющихся переменных.
Не менее эффективен анализ взаимосвязей (Link analysis), выявляющий существующие (зачастую скрытые) связи между мошенником и другой записью в клиентской базе. В мобильной связи такое выявление более очевидно: как только номер абонента отключается по причине его мошенничества, то довольно часто появляется новый номер, с которого мошенник звонит по тем же самым телефонным номерам, что и прежде.
Хотелось бы также отметить, что мошенники не только хорошо осведомлены о способах выявления и мерах предотвращения несанкционированных действий, но и быстро адаптируются к новым условиям, шагая в ногу со временем. В результате с течением времени прогнозная модель может начать давать ложные сигналы, что ни в коем случае не следует допускать, производя регулярный мониторинг данных и коррекцию моделей.
Начать дискуссию