|
|
Методы оценки рисков при анализе портфеля просроченной задолженности
|
| В статье обсуждается минимальный состав информационных реестров для достоверной оценки качества и стоимости долговых портфелей по просроченным потребительским кредитам. Описанные в статье результаты могут быть полезны специалистам подразделений по работе с проблемной задолженностью розничных банков, коллекторских агентств и инвестиционных компаний, заинтересованным в консолидации потребительской задолженности.
|
Оптимизация выбора стратегии взыскания просроченной задолженности
|
При любом способе управления массовым внесудебным взысканием задолженности рано или поздно возникает вопрос оптимизации. Себестоимость мероприятий по взысканию не должна превышать доходности; ограниченность трудовых ресурсов требует приоритезации усилий; возможны также дополнительные ограничения, направленные на сохранение лояльности клиентов, выполнение нормативов регулирующих органов и т.п.
Обычные вопросы, возникающие перед руководителем коллекторского подразделения или аналитиком:
-
Что выгоднее: начать взыскание немедленно или подождать несколько дней (возможно, клиент внесет платеж без дополнительных напоминаний)?
-
На какого клиента направить больше усилий по взысканию: частного предпринимателя, который должен банку 500 000 руб., но скрывается, или заемщика по кредитной карте с суммой задолженности 10 000 руб.?
-
Какого клиента нет смысла убеждать в ходе длительных телефонных переговоров, а необходимо срочно подавать в суд?
-
Когда следует прекратить усилия по взысканию данной задолженности?
|
Применение самоорганизующихся нейронных сетей для классификации заёмщиков
|
Для оценки качества портфелей просроченной задолженности оказалось возможным ограничиться лишь сведениями о сумме и сроке просрочки, оценкой степени риска мошенничества и(или) неплатежеспособности, полученной по косвенным признакам (взаимосвязи между заёмщиками, совпадение дат выдачи кредита и т.п.) и соотношением между ссудной задолженностью и задолженностью по процентам, комиссиям и штрафам.
Было бы интересно проверить прогнозную силу этого набора информационных полей альтернативными математическими средствами, а также обобщить методику такой проверки для задач мониторинга розничного долгового портфеля кредитной организации (не обязательно просроченных кредитов).
В статье описано, как нейронная сеть Кохонена самостоятельно выделила во входных данных класс должников, для которых погашение задолженности наиболее вероятно, что и подтвердилось впоследствии.
|
|
|
 |
|
Закажите выездную презентацию
наших программных продуктов
В ВАШЕМ ОФИСЕ
по телефону (495) 913-84-42
|
|
|
|
Представляем новый продукт
"Portfolio Advantage":
хранилище данных,
OLAP-отчеты,
скоринг, антифрод
для мониторинга портфеля
потребительских кредитов
|
|
|
|
Создание коллекторского подразделения «под ключ».
Предлагаем региональным банкам консалтинг в области создания подразделения по взысканию просроченной задолженности по потребительских кредитов.
Предлагаем предпринимателям, юридическим компаниям и охранным агентствам в кратчайшие сроки освоить новый динамично развивающийся вид бизнеса.
Подробнее...
|
|
|
|
География посетителей сайта
|
|
|
 |
|
|
