Летом 2014 года в результате поправок в 218-ФЗ «О кредитных историях» страховые компании получили возможность получать кредитные истории своих клиентов. Как и для кредиторов, для страховых компаний максимальный интерес кредитные истории представляют с точки зрения возможности оценки риска. В кредитовании оценка риска необходима для прогноза дефолта, в страховании – для прогноза убыточности по полису. Таким образом, перед страховой индустрией и Национальным бюро кредитных историй (НБКИ), местом, где хранятся кредитные истории 72 млн россиян, встал вопрос построения математической модели, предсказывающей убыточность на основе данных из кредитных историй, – страхового скоринга.

В работе по созданию страхового скоринга на основе кредитных историй принимали участие крупные российские страховые компании, НБКИ и международный лидер в области предиктивной аналитики – компания FICO. Опыт работы FICO на американских и европейских страховых рынках был взят за основу исследовательской работы и во многом обеспечил получение быстрого и сильного с математической точки зрения результата. Именно благодаря международному опыту мы сразу стали ориентироваться на моторное страхование. Эта отрасль во всем мире показывает сильную корреляцию между убыточностью по страховым полисам и персональной ответственностью клиента.

Для начала исследовательских упражнений была сформирована гипотеза о наиболее сильных прогнозных переменных из кредитной истории. На этом этапе был использован опыт построения кредитного скоринга, предсказывающего дефолт заемщика по кредитным обязательствам. Как и в страховании, в кредитном процессе кредитор оценивает ответственность клиента – его персональную характеристику, выстраиваемую на основе истории выполнения ранее взятых обязательств. Каждая переменная проходила тщательный анализ на сформированной базе исторических страховых полисов, в результате были выбраны наиболее сильные и стабильные переменные.

Среди наиболее сильных переменных, конечно, данные о нарушении обязательств. Количество и глубина просроченных платежей оказывают понижающее влияние на скоринговый балл. С другой стороны, приветствуется опыт пользования длинными кредитами: положительный опыт ипотеки и автокредитования оказывает повышающее влияние на результат. Одним из наиболее сложных вопросов для построения скоринговой модели стал учет региональной специфики. В результате в итоговую модель вошли несколько переменных, основанных на данных о регионе.

К неосновным, но тем не менее оказывающим влияние на скоринговый балл переменным можно отнести данные о членах семьи клиента. Эта информация включена в скоринговую модель для того, чтобы учесть ситуацию, при которой, например, один из супругов берет на себя все вопросы взаимодействия с кредиторами, хотя экономика у семьи общая. То есть, условно говоря, идеальная кредитная история женщины вовсе не означает, что у нее не будет проблем, если у ее мужа – сплошные нарушения по обязательствам.

Валидация переменных и скоринговой модели в целом – сложнейшая задача. Ее успешное решение во многом зависит от репрезентативности и объема данных, доступных для ретротестирования. В этой связи необходимо отдать должное лидерам российского рынка автострахования. Все они включились в работу по созданию и валидации модели буквально с первых дней. Цифры говорят сами за себя: общее количество участвовавших в анализе полисов каско – более 6,5 млн. Историческая ретроспектива полисов – более шести лет. Это позволило создать модель отдельно для Москвы и регионов, убедиться в ее стабильности – замеры осуществлялись по пяти реперным периодам с интервалом в один год. Была не только изучена корреляция скорингового балла с общей убыточностью по полисам, но и построена зависимость от отдельных видов – например, по убыточности от угона.

В результате полученная скоринговая модель показала: убыточность по полисам в низшем скоринговом диапазоне до 600 баллов (шкала страхового скоринга приведена к большинству популярных скорингов FICO: от 350 до 850 баллов, при этом меньшие значения балла означают больший риск) в среднем на 20% выше, чем в диапазоне от 700 баллов для Москвы и на 30% – для регионов.

Интересные результаты дало изучение корреляции скорингового балла с убыточностью по отдельным видам возмещений. Например, при изучении зависимости выплат по угонам автомобиля от скоринговых баллов выявлена аномалия – резкий рост убыточности (в 4–5 раз) в диапазоне ниже 550 баллов. Консультации с коллегами позволили дать объяснение этому явлению: граждане с низкой платежной дисциплиной и чрезмерной долговой нагрузкой уже не могут получить заемные средства у кредиторов, так как им отказывают, и пытаются решать свои материальные проблемы за счет страховых компаний. То есть фактически речь идет о страховом мошенничестве. Как выяснилось, страховой скоринг на базе кредитных историй позволяет эффективно противостоять и этой угрозе.

Полученные результаты открывают перспективы использования страхового скоринга на базе кредитных историй в моторном страховании в краткосрочной перспективе. Во-первых, страховые компании уже сейчас могут использовать скоринг НБКИ для ценообразования по каско и принятия решения о продаже полиса конкретным клиентам. Например, применяя повышающие коэффициенты для высокорисковых сегментов. Во-вторых, страховой скоринг применим для прогноза убыточности по портфелю – архиважная задача, с которой регулярно сталкиваются актуарии и от точности решения которой во многом зависит финансовый результат всей компании.

И наконец, успех создания скоринговой модели в автостраховании позволяет надеяться, что и в других видах страхования применимы аналогичные технологии. По оценкам НБКИ и крупных страховых компаний, поиск и валидация зависимостей между ответственностью человека и его поведением по большинству страховых продуктов – дело ближайшего будущего.

Опубликовано: 12 / 07 / 2015

С 1 июля 2014 г. российский закон «О кредитных историях» действует с учетом поправок, которые открыли страховым компаниям доступ к кредитным историям клиентов. Таким образом, Россия, хоть и с запозданием, присоединилась к мировой практике скоринга на основе кредитных историй, который должен стать позитивным фактором роста прибыльности отечественных страховых компаний.

Модель классификации клиентской базы, получившая название «скоринг» (английское scoring это игровой термин, означающий подсчет очков) - это модель разделения клиентов на различные группы по некоторой характеристике, которая неизвестна, но связана с другими известными факторами, которые и берутся за основу.

Ощая философия скоринга не требует поиска объяснений: анализируя, к примеру, статистику невозврата кредитов, нет необходимости понимать, почему не вернул выданные деньги тот или иной клиент, но важно выделить характеристики, наиболее тесно связанные с ненадежностью клиентов. В мировой банковской практике при оценке нового клиента автоматизированные системы скоринга уже более полувека используются наравне с субъективным заключением кредитных инспекторов.

В кредитовании риск связан с возможным дефолтом заемщика; целевая переменная риска в страховании связана с соотношением страховых выплат и собранной премии. Что же общего между банковскими рисками и рисками страховщиков? Оказывается, и дефолт по кредиту, и убыточность по страховому полису имеют общую основу – неаккуратность субъекта и его пренебрежительное отношение к своим обязательствам.

Скоринговые системы исходят из предположения о сходстве поведения людей со сходными социальными показателями. И, как показывает практика, именно те субъекты, у которых возникают трудности с возвратом заемных средств, оказываются наиболее убыточными страхователями. Эта зависимость обнаружена уже достаточно давно и активно используется страховыми компаниями разных стран.

В России до недавнего времени преградой оставался упомянутый выше закон, после изменения которого работы по формализации зависимости между кредитными историями и убыточностью (безубыточностью) страховых полисов начались практически сразу. Помимо экспертов НБКИ и представителей крупнейших отечественных страховых компаний, в создании модели принимают участие специалисты FICO, которому принадлежит разработка самого эффективного в мире страхового скоринга.

В результате проведенной работы (а к маю текущего года было проанализировано свыше пяти миллионов страховых полисов в сегменте автострахования) установлено примерно 80%-ое совпадение с базой кредитных историй (скоринг учитывает типы кредитов, историю пользования заемных средств, качество обслуживания обязательств), так что россияне в этом аспекте мало отличаются от западных соседей.

Сохранили у нас и традиционную шкалу скоринговой банковской модели – от 350 (высокий риск убыточности полиса) до 850 баллов (низкий риск). После разработки модели было проведено ее тестирование на реальных полисах, подтвердившее эффективность инструмента: полисы каско, получившие согласно расчета с использованием скоринговой модели баллы менее 625, по сравнению с получившими скоринговый балл 725 и выше продемонстрировали и более высокую (на 20%) убыточность. Причем результат получил подтверждение и в Москве, и в регионах.

Более того, полученная модель оказалась потенциальным помощником в деле предотвращения страхового мошенничества: при анализе убыточности полисов по ущербу от угона автомобилей выяснилось, что убыточность полисов для носителей низких скоринговых баллов в целых пять раз выше!

Такое серьезное количественное расхождение дает основания предполагать, что скоринговая модель для страхования позволила обозначить категорию граждан, которые из-за плохой кредитной истории уже не пытаются получить заемные средства в банках и надеются решать финансовые проблемы с помощью получения незаконных страховых выплат. Не удивительно, что именно в сегменте автострахования страховой скоринг НБКИ начал использоваться в первую очередь!

Теперь на очереди – страхование недвижимости и страхование жизни. Есть все основания полагать, что и в этих страховых сегментах процент совпадения с кредитными историями будет высок: как подтверждает мировой опыт, добросовестный человек демонстрирует ответственность как по отношению к своим обязательствам, так и по отношению к своему имуществу, здоровью и семье.

Посвященная возможностям скоринга в финансовой сфере. Банкиры и МФО делились успешными кейсами, а ИТ-компании и сотовые операторы рассказывали про новые возможности. К сожалению, на конференции среди спикеров не было ни одного представителя страховой отрасли.

Неужели скоринг, как инструмент анализа, не интересен страховому сообществу? Скорее наоборот. Но если банки уже давно освоили эту технологию анализа клиентской базы и повсеместно используют ее при кредитовании, то страховой рынок еще не так избалован этим методом селекции клиентов. Тем не менее, в той или иной степени страховые компании все же обращаются к этому инструменту для формирования более адекватного андеррайтинга.

Если лет пять назад страховщики вообще не применяли инструменты скоринга. Три года назад они стали робко пробовать использовать кредитный скоринг в привязке к «мотору». Сегодня кредитный скоринг уже может служить одной из ключевых метрик в андерайтинге автострахования и постепенно использоваться в работе с другими видами страхования.

Мы абсолютно так же, как и банки, хотим знать своих клиентов «в лицо». Чтобы правильно сформировать резерв и назначить тариф, очень важно понимать, что за человек перед тобой, чего от него можно ожидать, насколько может быть убыточен тот или иной клиент. Многочисленные исследования, проводимые на рынке финансовых институтов, уже доказали, что если человек недисциплинирован в какой-то одной сфере жизни, то он с большой долей вероятности будет недисциплинирован и в других областях. Финансовая дисциплина, поведенческие модели и привычки – вот что уже давно интересует банки, а теперь вполне заслуженно должно интересовать и страховщиков.

Источников данных для сбора информации очень много: от бюро кредитных историй до соцсетей, которые могут рассказать о клиенте очень многое. Выбор этих источников определяется конкретными потребностями компании, бюджетом и функционалом ИТ-систем.

Но самый важный вопрос не в том, какие данные анализировать (сейчас действительно множество вариантов и источников), а в том, как это делать. Именно правильная интерпретация данных, расстановка акцентов и весов позволяет выстроить работающую систему скоринг-оценки, которая не только поможет понять потенциальную убыточность конкретного клиента, но и позволит выявлять мошенников, которые могут привести компанию к серьезным финансовым потерям.

По данным FICO и НБКИ, которые активно завоевывают нишу страхового скоринга, основанного на данных кредитных историй, клиенты с полисом каско с низким скоринг-баллом показывают убыточность на несколько десятков процентов выше, чем обладатели высокого скоринг-балла. Имея такие данные, на сколько страховая компания сможет снизить убыточность портфеля? Дать однозначный ответ на это сложно.

Данный показатель во многом зависит от сегмента страхования и особенно от того, как именно использовать результат скоринга (отказывать в страховании совсем, предлагать повышающий коэффициент или что-то другое). В маржинальных видах он может достигать нескольких процентов, и если в компании портфель исчисляется миллиардами рублей, то выгода может составить несколько десятков миллионов.

Вторая сложность – это стоимость. Несмотря на то, что за последние несколько лет цена анализа одного клиента снизилась практически втрое (у разных операторов данных разные цены), скоринг пока применяется в основном лишь в автостраховании. Благодаря высокой маржинальности именно здесь оправдываются дополнительные затраты на анализ клиентской базы. Для других видов (страхование имущества или от несчастных случаев) скоринг пока применяется скорее в рамках экспериментов, а не для реальной экономии.

Оправданность затрат на скоринг также связана с объемом анализируемого портфеля. У нас в стране довольно высокий уровень закредитованности населения, объемы займов продолжают расти, даже несмотря на падение реальных доходов. В то же время проникновение страховых услуг крайне низкое. Только в этом году мы стали постепенно увеличивать долю проникновения в страховании имущества граждан и в страховании жизни. Но этого, конечно, недостаточно.

Если рынку удастся преодолеть хотя бы одно из этих препятствий, то скоринг в страховании, скорее всего, перестанет быть почти фантастикой, став действенным этапом качественного андеррайтинга. Ведь потенциал у этого инструмента действительно очень высокий.

Скоринговые технологии популярны в разных сферах. Впервые их использовали в банковском деле для оценки благонадежности заемщика, позже скоринг распространился на многие сферы деятельности. В переводе данный термин означает «получение очков».

Страховые компании с помощью системы баллов определяют степень риска при заключении договора с конкретным покупателем, но и потенциальному клиенту такой подход сулит немало преимуществ.

Как страховщики изучают потребителей: анализ кредитной истории и телематические программы

Банковские учреждения давно взвешивают все «за» и «против» перед тем, как выдавать кредит: анализируют активность человека в интернете (сайты поиска вакансий, посты в соцсетях), принимают во внимание наличие образования и т. д.

Страховые компании лишь несколько лет назад получили доступ к кредитной истории граждан, информация используется с целью создания различных скоринговых систем.
Основные факторы, интересующие разработчиков программ моделирования рисков - количество просроченных платежей, частота нарушений, оформление ипотеки, автокредита. Среди дополнительных - сведения о составе семье. На основании полученных данных формируется «портрет» каждого покупателя. Чем выше оценки, тем ниже будет страховой тариф.

Инновационные технологии позволяют составить общее представление о поведении водителя на дороге благодаря телематическим устройствам. Оборудование отслеживает и передает оператору огромный массив информации:

• среднюю скорость движения;
• склонность к резкому торможению и опасным маневрам;
• количество поездок;
• дорожные инциденты.

По итогам тестового периода автомобилисту насчитывают баллы. Позитивная оценка дает право на неплохую скидку.

Как страховщики привлекают «безаварийных» водителей

Скоринг в страховом деле появился совсем недавно, раньше для развития подобных технологий не было ни источников информации для анализа, ни оборудования.

Общероссийской базы страхователей нет и вряд ли она появится в обозримом будущем. Найти данные о количестве аварий с участием автомобилиста можно в базе РСА. Осторожных водителей ценят все страховщики, они готовы предложить им скидки в случае перехода от своих конкурентов.

Ведущие компании каждому покупателю выставляют скоринговые баллы, от которых зависит конечная стоимость продукта. Статистика подтверждает выводы экспертов: полисы КАСКО, выданные страхователям с более низкими баллами, оказываются на 20 % убыточнее договоров, обладатели которых - водители с высокими оценками.

Деление клиентов на категории по степени риска - прогрессивная модель, повышающая рентабельность деятельности страховщика. Убедившись в том, что водитель бережет свою машину и предпочитает не нарушать ПДД, компания вознаграждает его скидкой. Такое сотрудничество выгодно обеим сторонам.

Скоринг: проблемные моменты

Компании разрабатывают разные скоринговые системы, основываясь на доступных им данных, в связи с чем результаты иногда кардинально отличаются. Найти источники информации о клиенте законным путем довольно сложно, ведь персональные данные граждан защищены.

Разработать качественную систему - дорогое удовольствие, не каждая СК имеет достаточно средств, чтобы нанять профессионального подрядчика.

Похожие статьи