Как определить хороших заемщиков в соцсети?

Интернет-журнал FutureBanking, специализирующийся на бизнес-аналитике, в частности мобильном банкинге и маркетинге в социальных сетях, провёл собственное исследование и разработал новый алгоритм, позволяющий снизить уровень просроченной задолженности благодаря изучению поведения потенциальных заемщиков в социальных сетях. 

Ещё в прошлом году разработчиками был замечен повышенный спрос на составление алгоритмов оценивания заёмщиков со стороны МФО, кредитных союзов и других организаций, предоставляющих моментальный заем. Поскольку по-настоящему эффективного метода оценки имеющихся рисков не существовало, компании были вынуждены развивать собственные схемы и технологии.

Чаще всего результатом являлось повышение процентных ставок с целью покрытия невозвращенных займов добросовестными клиентами, что вызывало ещё больший процент невозвратов, так как создание скоринговой карты лишь по социальным и демографическим признакам, не зная кредитной истории, очень сложно.

С изменением законодательства, регулирующего микрофинансовую деятельность, кредитные организации получили новые возможности увеличить качество займов и ускорить их выдачу. Это вызвано тем, что Центробанк России сделал обязательной для МФО передачу данных в бюро кредитных историй (БКИ) о заемщиках, одновременно предоставив компаниям доступ к базе БКИ. Однако, учитывая, что около 11% их клиентов вовсе не имеют кредитных историй, для эффективной работы МФО требовался дополнительный метод анализа.

Специалистами FutureBanking было проведено исследование семантического анализа социальных сетей в период принятия решения о кредитовании, по результатам которого было определено основное правило: чем больше человек общается в соц. сети, тем хуже он возвращает долг.

На основании проведенного исследования был разработан математический алгоритм, позволяющий в онлайн-режиме выносить оптимальное решение о предоставлении займа. Проанализировав полученную информацию о том, что при первом обращении клиента за кредитом предсказать скоринговую модель, основываясь лишь на кредитной истории достаточно трудно, а иногда и совсем невозможно, разработчики нового алгоритма решили рассмотреть в качестве альтернативного источника информации социальные сети, которые с каждым годом накапливают всё больше информации о людях. Потенциальный заемщик охотнее оставляет полную информацию о себе в соц. сетях, чем при заполнении анкеты на кредит.

Анализируя количество записей на странице пользователя, даты публикаций, комментариев, а также временной промежуток между ними, было установлено, что длина сообщения, в частности во время, приближающееся к подаче заявки на кредит, существенно влияет на возвратность. Публикации недобросовестных плательщиков становятся намного объемнее, а сообщения людей, возвращаемых мгновенные займы в срок – наоборот, короче, или совсем перестают появляться. Почти у всех за пару месяцев до подачи заявки на кредит отмечается особый период, по которому можно определить, что человек, не осознавая того сам, начинает «готовиться к займу»: он начинает вести совершенно бессмысленную переписку с другими пользователями на стене своей страницы или в ленте.

Во время проведения исследования был определен набор и частота используемых слов, которые значительно влияют на возвратность. У обеих групп заёмщиков (добросовестные плательщики и неплательщики) преобладают определенные слова в конкретный период времени вплоть до предоставления займа. Например, неплательщики часто используют фразы: «человек», «узнать», «быть», в то время как дисциплинированные заемщики употребляют слова: «красивый», «отправить», «друг».

Помимо этого были определены темы бесед, чаще всего волнующие будущих заемщиков, это: желания, люди, деньги и быт (у ненадежных клиентов) и – красота, друзья, любовь (у людей, возвращающих займы в срок). 

Благодаря использованию данного алгоритма в модели оценивания заемщиков, разработчики получили довольно интересный результат: им удалось снизить количество просроченных займов до 21%, незначительно уменьшив процент одобрений. А, совместив эту методику с использованием кредитных историй, получилось снизить просроченные займы с 27% до 20%, не уменьшая количество одобрений.