UK: В умовах фінансово-економічної кризи, яка характеризується збільшенням кількості неплатоспроможних суб'єктів господарювання на кредитному ринку, спостерігається збільшення частки сумнівних позик у кредитних портфелях банків та питання вивчення оцінки кредитоспроможність позичальників комерційного банку стає особливо актуальною. У статті розглянуто різні підходи до інтерпретації сутності кредитоспроможності позичальників та різні методи оцінки кредитоспроможності потенційних клієнтів банків, такі як регресійні моделі, нейронні мережі, дерево класифікації, генетичні алгоритми, скорингові картки, основні інструменти для видобутку даних. Зверніть увагу, що різні моделі можуть застосовуватися на різних етапах оцінки кредитного ризику банку. Аналіз оцінки кредитоспроможності позичальників банками дав підставу запропонувати кредитно-скорингову модель. Модель представлена у вигляді скорингової картки, яка базується на результатах оцінки логістичної регресії. Карти підрахунку побудовані з припущенням, що «минуле відображає майбутнє». Відповідно, на основі даних про раніше відкриті позики та аналізу наявної інформації можна передбачити результат (поведінку) майбутніх позичальників. Для створення скорингової картки було розглянуто такий бізнес-процес: менеджер магазину-партнера банку заповнює персональні дані клієнта, після чого форма надсилається на розгляд кільком банкам. Банки розглядають заявку, отримують інформацію із зовнішніх джерел та приймають рішення. Банк, у свою чергу, повинен швидко та ефективно оцінити клієнта та негайно вказати погоджений кредит. Модель оцінки у вигляді скорингової картки базується на результатах оцінки логістичної регресії в програмному пакеті R-Studio. Якість досліджуваної моделі перевіряли за площею під ROC-кривою та індексом GINI. За результатами дослідження можна зробити висновок, що цю модель можна включити в автоматичний процес прийняття рішень щодо видачі позик, що дозволить банкам 1) скоротити час прийняття банком рішення про видачу позики; 2) будьте впевнені, що позику поверне позичальник; 3) зменшити кредитні ризики банку.
EN: In the financial and economic crisis context, which is characterized by an increase in the number of insolvent business entities of the credit market, there are an increase in the share of doubtful loans in loan portfolios of the banks and the issue of studying the assessment of the creditworthiness of borrowers of a commercial bank becomes especially relevant.The article considered various approaches to the interpretation of the essence of the creditworthiness of borrowers and vari-ous methods for assessing the creditworthiness of potential customers of banks, such as regression models, neural networks, a classification tree, genetic algorithms, scoring cards, which are the main tools for data mining. Note that the different models can be applied at various stages of assessing a bank's credit risk.The analysis of the assessment of the creditworthiness of borrowers by banks gave grounds to propose a credit-scoring model. The model is presented in the form of a scoring card, which is based on the results of evaluating the logistic regression. Scoring maps are constructed on the assumption that «the past reflects the future». Accordingly, based on data on previously opened loans and analyzing the available information, it is possible to predict the result (behavior) of future borrowers.To create a scoring card, the following business process was considered: the manager of a partner store of the bank fills in the client's personal data, after which the form is sent to several banks for consideration. Banks review the application, obtain information from external sources, and make decisions. The bank, in turn, must quickly and efficiently assess the client and im-mediately indicate the agreed loan.The scoring model in the form of a scoring card is based on the results of evaluating the logistic regression in the R-Studio software package. The quality of the investigated model was checked by the area under the ROC-curve and the GINI index. Ac-cording to the results of the study, we can conclude that this model can be included in the automatic decision-making process on the issuance of loans, which will allow banks to 1) reduce the time for a bank to decide to issue a loan; 2) be sure that the loan will be repaid by the borrower; 3) reduce the bank's credit risk.
