Как многие из Вас знают, инструменты Big Data существенно помогают в выявлении кластеров «хороших» и «плохих» заемщиков — тому примеры данных социальных сетей или платежных агрегаторов.

В данном исследовании речь пойдет об использовании системы бесшовной идентификации для выявления «хороших» клиентов или «спасения клиентов от безжалостного кредитного-конвейера».  

Зачастую многие компании сталкиваются с отсутствием данных о доходе пользователя, однако этот фактор не должен являться причиной отказа.

Использование альтернативных данных может существенно помочь в данном случае. В рамках нашего исследования мы выявили несколько паттернов «хороших» клиентов — эти пример могут помочь увеличить уровень одобрения на 2-5% в зависимости от продукта и текущей ситуации со сбором альтернативных данных:

  • История кредитного поведения по устройству — наличие предыдущего одобренного и вовремя возвращенного кредита или займа. Данный пример объясняется тем, что помимо основного заемщика или пользователя в семье могут быть дополнительные пользователи, прямой доход которых отсутствует или незначителен, при этом чистый семейный доход позволяет увеличить кредитную линию. Иногда в данную категорию попадают случаи с обычными ошибками при заполнении данных на повторное заявление;
  • Данные по стоимости устройства — на основе данных бренда и производственных характеристик экрана, видео-карты, оперативной памяти и жесткого диска устройства и других компонент. Проведенный анализ показал, что доход обычных пользователей на 75%+ коррелирует со стоимостью их устройства. Стоимость устройства в свою очередь определяется на основе бренда производителя и характеристик основного оборудования;
  • Проверка занятости онлайн — данные по коммерческому вэб домэйну, времени заполнения заявки и возрасту ip могут помочь с верификацией занятости пользователя;
  • Постоянство контактных данных — в рамках анализа, мы заметили, что если пользователь не меняет свои основные контактные данные на протяжении 6+ месяцев, то уровень списания снижается на 30-45% и наоборот, если пользователь постоянно меняет контактные данные — то уровень списания экспоненциально возрастает;
  • Поведение клиента на сайте — ряд поведенческих маркеров пользователя сильно влияют на качество его кредитного поведения — например, детальность прочтения информации на сайте, скорость ввода данных, отсутствие исправлений при вводе данных и т.д.

Надеемся, наш обзор был Вам полезен. В дальнейшем мы планируем проводить аналогичные исследования и предоставлять их участникам рынка. Напишите нам, какие вопросы и темы являются наиболее актуальными для развития вашего бизнеса.