Совершенствование процессов поддержки принятия решений по кредитованию в системе "Diasoft" для МАСТ-БАНКА

13) Кредитный сотрудник принимает предложенное системой решение, либо воспользовавшись, предложенными инструментами производит повторный поиск прецедентов.

 Ожидаемые результаты применения предлагаемой системы

 В результате внедрения системы по уменьшению кредитного риска ожидается:

1) снижение уровня невозврата кредитов, тем самым уменьшение уровня кредитного риска, за счет:

а) анализа не только количественных, но и качественных показателей заемщика;

б) анализа кредитной ситуации;

в) представления кредитному сотруднику банка результатов принятого решения в подобной ситуации;

г) исключения человеческого фактора при принятии решения. (отсутствие опыта, предвзятость и т.д.);

2) сокращение времени рассмотрения кредитного вопроса, за счет:

а) проведения «экспресс испытания»;

б) автоматизации процесса кредитования;

3) увеличение прибыли банка, за счет:

а) уменьшения времени работы над каждым кредитным делом;

б) увеличение количества клиентов;

в) уменьшение количества сотрудников банка;

2.3 Разработка структуры интеллектуальной системы поддержки принятия решения

Так как решение задач в работе осуществляется в соответствии с методологией Data Mining, в процессе накопления сведений, которые автоматически обобщаются до информации, которая может быть охарактеризована как знания, это можно рассматривать как процесс интеллектуальной поддержки принятия решений Чубукова И. А. Data Mining: учебное пособие / И. А. Чубукова. - М.: Интернет-университет информационных технологий; БИНОМ: Лаборатория знаний, 2006. - 382 с. .

Проектирования систем поддержки принятия решений - направление исследований, возникшее и активно развиваемое в последние годы. Существенными концепциями такого определения являются: компьютерная интерактивная (то есть не обуславливающая обязательного непосредственного использования лица принимающего решения системы поддержки принятия решений) поддержка принятия решений (решение принимает человек) слабоструктурированных и неструктурированных проблем (именно к такими проблемам следует отнести проблемы, связанные с социальными и экономическими системами) .

С точки зрения программной реализации системы принятия решений представляют собой человеко-машинные комплексы, предназначенные для оказания помощи кредитного инспектора, при решении плохо формализуемых и слабоструктурированных задач в различных проблемных областях. То есть это диалоговая автоматизированная система, использующая правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования.

Общая схема системы принятия решений, предлагаемая, включает также: помощь лицу принимающему решения при оценке состояния управляемой системы и воздействий на нее; выявление предпочтений; генерацию возможных решений; оценку возможных альтернатив, исходя из предпочтений кредитного инспектора; анализ последствий принимаемых решений и выбор лучшего с точки зрения кредитного инспектора.

Основные компоненты рассматриваемой технологии, которая определяет структуру разрабатываемой системы представлены на рис.8.

Сбор экспериментальных данных
Систематизация данных
Поиск модели, объясняющей
имеющиеся данные
Проверка полученной модели
практикой		Да
Качество модели	Нет	Достаточно
приемлемое?		имеющихся данных
Да		Нет
Эксплуатация		Добавление/исключение фактов

Добавление новых данных

Рис 8. Основные компоненты информационной технологии

Рис. 9. Структура системы принятия решений (начало)

Рис 9.Структура системы принятия решений (окончание)

В соответствии с представленной технологией была разработана структура cистемы, которая отражает основные особенности поставленной задачи, а именно, принятия решения о возможности выдачи кредита на основе оценки кредитоспособности соискателя, как совокупной оценки рисков, связанных с субъективным кредитным поведением через определение системой соискателя, выраженное вербально через слова-знания-признаки, и рисков, оцененных на основе его платежеспособности

(рис. 9). При разработке структуры системы принятия решений учтены особенности предметной области исследования Геловани В.Л. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природ-ной среды / В.Л. Геловани, А.А. Башлыков, В.Б. Бритков, Е.Д. Вязилов.- М.: Эдиториал УРСС, 2001.- 304 с.

Первоочередной задачей является выявление смысловых ассоциаций или, в терминологии положений семантического эксперимента, слов-значений-признаков, образующих семантический слой субъективного опыта - системы принятия решений, а также генеза смысла в области кредитных монетарных отношений.

Таким образом, предложенная концепция системы оценки рисков розничного кредитования позволяет перейти от оценки рисков на основе платежеспособности соискателя кредита, исходя только из его финансовой состоятельности, к оценке его кредитоспособности, как совокупной оценке платежеспособности и оценки субъективного кредитного поведения, трактуемой как желание, соединенное с возможностью своевременно погасить выданное обязательство.

Разработанная структура системы принятия решений отражает основные особенности поставленной задачи принятия решения о выдаче кредита на основании оценки кредитоспособности соискателя через определение системой соискателя, выраженное вербально через слова-значения-признаки, и рисков, оцененных на основании платежеспособности соискателя. Это позволяет повысить эффективность процесса оценки соискателя кредита как основного в поддержке принятия решений.

Основные выводы по главе 2

Во второй главе предложена новая концепция системы оценки рисков розничного кредитования, которая подтверждена анализом работ, посвященных вопросам кредитно-монетарных отношений, обоснован выбранный подход выделения семантического (ментального, смыслового) пространства признаков для определения существенного влияния собственных убеждений кредитного заемщика на его кредитное поведение, разработана структура системы, которая поддерживает предложенную концепцию, выбран и осуществлен метод определения структуры типологии на основании статистического анализа результатов ас-социативного эксперимента. Разработан алгоритм извлечения и структурирования знаний с целью автоматизированного формирования анкеты кредитного заемщика.

В основе оценки субъективного кредитного поведения кредитного заемщика лежат положения исследования наличия регуляторов деятельности субъекта (А.Н. Леонтьев, В.Ф. Петренко, Е.Ю. Артемьева). В общем психологическом контексте следы деятельности, зафиксированные в виде отношений, образуют семантический слой. Именно этот слой, иначе называемый «смысловое поле», несет основную нагрузку при принятии решения субъектом. По сути, для классификации и упорядочения по степени возможного невозврата кредита необходимо выявить «личностные смыслы» - «значения», как совокупность признаков, некоторую систему атрибутивных отношений в данной предметной области - семантическое пространство «хорошего» кредитного заемщика и выявить отличительные признаки «плохого».



3. Разработка модуля программного обеспечения интеллектуальной системы поддержки принятия решения для АБС «Diasoft»

3.1 Характеристика АБС «Diasoft»

Платформа Diasoft 5NT - это система автоматизации банковской деятельности, развившаяся до комплексного, удовлетворяющего всем современным требованиям банков, продукта из модулей "дилинг" и "фондовый рынок". Решение создано на основе богатого опыта работы в этих областях, что дает огромное конкурентное преимущество банкам, которые занимаются оптовой деятельностью, с большим объемом валютных операций, активно работают на межбанковском и фондовом рынках.

Решение позволяет перевести на один программный продукт все подразделения банка, занимающиеся расчетно-кассовым обслуживанием, кредитными, депозитными операциями, операциями с ценными бумагами, операциями на денежных рынках, операциями с пластиковыми картами и другими видами операций. Максимальная прозрачность технологических процессов, полная интеграция бухгалтерского и управленческого учета дают организациям возможность решать управленческие, аналитические и другие задачи, находящихся на стыке различных видов деятельности.

В 5NT поддерживаются все основные инструменты, необходимые для работы как на российском, так и на зарубежном рынках. В состав системы входят средства интеграции с основными торговыми системами (ММВБ, РТС, МФБ, Reuters и другими), обеспечивается электронное взаимодействие с крупнейшими российскими и международными расчетными организациями (ДКК, НДЦ, ВТБ, Cedel, EuroClear). Решение 5NT поддерживает форматы сообщений S.W.I.F.T. и Telex.

5NT - это решение, доказавшее свою высокую эффективность, которое воплотило в себе многолетний опыт сотрудничества с российскими и зарубежными клиентами и партнерами. Гибкие средства автоматизации финансового документооборота дают возможность модификации стандартных технологических цепочек по индивидуальной схеме заказчика.

Система 5NT является классическим приложением, реализованным в архитектуре клиент-сервер. Современная технологическая платформа, все преимущества использования промышленных СУБД Sybase ASE и MS SQL Server дают организациям надежную опору для их бизнеса, возможность предоставлять своим клиентам сервис наилучшего качества.

 Новое решение компании «Диасофт» реализовано в архитектуре SOA (Service Oriented Architecture) и включает следующие части:

Фронт-офис Diasoft FA -- разработан на основе новой технологической платформы, обеспечивающей поддержку быстрого масштабирования объемов бизнеса клиентов, прежде всего, -- числа одновременно работающих с системой пользователей в сети географически распределенных учреждений клиента, а также объемов ежедневно вводимых и обрабатываемых на местах первичных данных; построен на основе платформы J2EE.

Бэк-офис Diasoft FA -- это хорошо известные на рынке программные комплексы 5NT и Master. В рамках продуктовой стратегии компании «Диасофт» каждая из них получает необходимый ей импульс для своего функционального и архитектурного развития. 

Система формирования отчетности Diasoft построена на базе корпоративного Хранилища данных Datagy, основанного на промышленных технологиях и компонентах от ведущих мировых поставщиков, а также наборе собственных витрин данных, связанных с управленческой, обязательной и международной видами отчетности.

Интеграционная платформа Diasoft решает задачи настройки и управления бизнес-процессами и маршрутизации электронных документов между пользователями всей информационной системы, служит платформой для интеграции в единое информационное пространство как собственных программных продуктов банка, так и систем партнеров. 

 C точки зрения функциональности такая структура Diasoft позволяет:

Быстро организовывать и легко администрировать работу большого числа новых рабочих мест конечных пользователей системы, используя современные информационные технологии с «тонкими» каналами связи и многоуровневой обработкой данных.

Разгрузить бэк-офисную часть системы от интерактивной нагрузки большого числа ее пользователей, связанной с вводом первичных данных в момент обслуживания клиентов, и направить ее вычислительные возможности на управление банковскими продуктами, совершенствование их набора и учет операций.

Раздельно планировать развитие инфраструктуры и масштабировать платформы фронт- и бэк-офисной частей системы, добиваясь наиболее адекватного соответствия IT-стратегии банка стратегии развития его бизнеса. 

3.2 Описание состава разрабатываемого модуля интеллектуальной системы поддержки принятия решения

В соответствии с предложенной структурой интеллектуальной системы принятия решений (глава 2), разработаны алгоритмы программной реализации, обеспечивающие работу системы.

Для более полного представления работы системы на рис. 13 изображена функциональная схема системы принятия решений о возможности выдачи кредита на основе оценки кредитоспособности.

Следует также учесть характерные особенности предметной области:

­ требования банковских структур хранить базу данных со всеми таблицами на центральном сервере банка (хранение в виде снимков фрагментов базы данных на сервере торговых компаний или филиалов банков, через которые выполняется оформление кредита, неприемлемо);

при разработке клиентской части учитывать разграничение прав доступа категорий пользователей системы: аналитики, кредитные инспекторы;

процедуры оценки соискателя должны быть защищены, следовательно, с торговой точки возможен только запуск алгоритмов оценки; время на принятие решения ограничено (для заполнения данных достаточно не более 10-15 минут); кредитная история заемщика на основании психодиагностических данных анонимна и сохраняется.

В соответствии с представленной функциональной схемой системы принятия решений о возможности выдачи кредита на основе оценки кредитоспособности (см. рис. 10) рассмотрим алгоритмы ее программной реализации, разделяя их поэтапно, в соответствии с функциями блоков системы.

Блок извлечения и структурирования знаний, отражающих субъективного кредитное поведение заемщика предназначен для осуществления процесса приобретения и структурирования знаний на основе типологического анализа данных, полученных вследствие ассоциативного эксперимента для дальнейшего построения системой с целью автоматизированного формирования анкеты заемщика.

На основе принятой структуры типологии реализованы основные подходы кластерного анализа. Алгоритм подготовки описания групп для работы алгоритма по выявлению семантического пространства признаков, ориентированный на тот факт, что может меняться типология групп и набор с градациями социально-демографических признаков.

Перед запуском процесса формирования семантического пространства признаков необходимо выполнить предварительную проверку достижимости результата со-гласно заданному плану лицу принимающему решение, то есть выполнить алгоритм с обратным логическим выводом.

В случае недостижимости результатов дается управляющий сигнал на ужесточение/смягчение критерия/критериев, которые приводят противоречиям. Далее запускается алгоритм с прямым логическим выводом для формирования семантического пространства признаков.

Рис. 10. Функциональная схема системы принятия решений о возможности выдачи кредита на основе оценки кредитоспособности (начало)

В соответствии с описанными особенностями была разработана диаграмма развертывания программного комплекса в торговой сети

Разработка и хранение БП выполнено с учетом реализации интеллектуальной системы средствами систем управления базами данных (СУБД). Выбор средства реализации разрабатываемой интеллектуальной системы обусловлен областью ее применения и наличием встроенных средств оптимизации обработки данных и управления ими.

используемой в данной работе СУБД MS SQL Server 2005 реализован встроенный планировщик и оптимизатор запросов, то есть при первом запуске запроса с учетом логики операторов определяется сохраняется план выполнения запроса с минимальной стоимостью. При последующем выполнении запросов происходит обращение к готовому плану и выполняется программа. Аналогичными функциональными преимуществами обладает СУБД Oracle, соответственно все решения и алгоритмы могут быть перенесены и реализованы в Oracle Database 9i или более поздние версии Абричкина Г.Б. Программа "Инструментальная система скоринг-анализа и минимизации кредитных рисков" / Г.Б. Абричкина, О.Я. Кравец, А.Н. Деркачев // ФАП ВНТИЦ. Рег. № 50200300586 от 10.07.2003..

База данных содержит данные для анализа, а также полученные в результате анализа: таблица баз данных ассоциаций респондентов, справочник респондентов, справочник ассоциаций (все полученные в ходе ассоциативного эксперимента ассоциации), справочник групп.

База данных средств управления, база знаний решенных задач по принятию решений, в соответствии с назначением блока извлечения и структурирования знаний, содержит в себе разработанную базу правил, отвечающую разработанному алгоритму анализа данных: правила, деревья правил, правила аналитика (правила, отвечающие плану активного воздействия аналитика), наборы правил аналитика, группы правил.

Блок приобретения знаний и построения модели знаний направлен на формирование обучающей выборки, определение характеристик обучающей выборки, актуализацию обучающей выборки. Работа этого блока предполагает не только создание единожды модели знаний, в основе которой лежат методы логико-вероятного-моделирования, но и ее актуализацию после оценки свершившегося факта - «вернул»/«не вернул» кредит заемщик.

Процесс заполнения шаблона-маски представлен серией алгоритмов: алгоритм генерации групп, алгоритм генерации структуры шаблона-маски, алгоритм заполнения шаблона-маски данными о словах-значениях-признаках (их коды и градации), алгоритм заполнения шаблона-маски частотами встречаемости.

Так как при первичной установке системы поддержки принятия решения необходимо подготовить шаблон-маску частот встречаемости и нужно гарантировать соответствие описания групп по их характеристикам в системе, то заполнение таблицы выполняется автоматически путем запуска алгоритма «Генерация социально-демографических групп», который берет за основу полученную типологию заемщика по результатам работы блока из-влечения и структурирования знаний.

Далее запускается процесс генерации структуры шаблона-маски. Структура данного шаблона зависит от того, каким образом сформировались социально-демографические группы. Поэтому в интеллектуальной системе поддержки принятия решения он генерируется в процессе начального формирования обучающей выборки, а при установке системы отсутствует.

Следующим этапом является процесс предварительного заполнения шаблона-маски кодами слова-значения-признаки и весами. Порядок заполнения зависит от того, какими словами-признаками заполнена таблица «Справочник СЗП». Так как все они должны быть представлены в шаблоне, то после установки системы и заполнения справочников должны быть выполнены процедуры, алгоритмы. В процессе работы системы при проведении дополнительных исследований могут появиться новые слова-признаки и, соответственно, новые варианты анкет для соискателей. Чтобы учесть эту особенность в системе к таблице «Справочник СЗП» привязан триггер на добавление записи, который проверяет, уникален ли вновь добавляемое значение, если да, то он сохраняется в таблице и автоматически в таблицу «Шаблон-маска частот встречаемости» добавляется семь новых записей с кодом добавляемого значения и вариантами значений его веса (значимости). Если значение не прошло проверку на уникальность, то автоматически происходит откат добавленной записи в таблице «Справочник СЗП».

Последним в серии алгоритмов будет алгоритм заполнения шаблона-маски самими частотами встречаемости значениями.

На основе обучающей выборки определяются суммарные показатели выбора каждой градации каждого значения представителями групп кредитного заемщика. При актуализации данных запускается аналогичный алгоритм, который отличается тем, что исключается обход по всем группам заемщиков, на вход алгоритма подается список тех заемщиков, информация о которых переносится в обучающую выборку.

Алгоритм определения оценок каждого заемщика по векторам отличий реализован на основе описанной в пятой главе методики обучения модели с использованием.

Алгоритм определения статистических характеристик, а именно, выборочного среднего и стандартного отклонения выборочного среднего для каждой группы.

В соответствии с функциональной схемой интеллектуальной системы принятия решения база данных имеет структуру, представленную в приложение №2.

Рассматриваемый блок служит для хранения модели знаний, и соответственно взаимодействуют с базой данных, содержащей таблицы, которые отражают социально-демографические признаки, структуру анкет, результаты анкетирования, вектора отличий и статистические характеристики групп заемщиков (справочник соискателей, кредитный договор результаты анкетирования справочник социально-демографических групп, справочник слов-значений-признаков, шаблон-маска, структуры анкет, справочник виды анкет).

Базы данных для формирования обучающей выборки, определения характеристик обучающей выборки, актуализации обучающей выборки, а также для организации хранения модели знаний и правил поддержки принятия решений. (см. приложение№2)

Основной задачей данной системы является принятие решения о выдаче/отказе кредита соискателю, в зависимости от процесса обхода дерева в программном коде реализовано несколько вариантов алгоритма, т.к. при интервальной оценке соискателя в дереве решений выбирается одно из неравенств.

Поддержка принятия решения осуществляется в соответствии с разработанной продукционной моделью правил, которая имеет древовидную иерархическую структуру. При этом система обращается к базе данных средств управления, база знаний решенных задач по принятию решений, которая содержит в себе разработанную базу правил: правила, деревья правил.

Далее, в соответствии с выявленными в ходе работы функциями и ограничениями кредитного инспектора, была разработана схема отражения функций и прав доступа кредитного инспектора в программном обеспечении (рис. 12), аналогично разработана схема отражения функций аналитика в программном обеспечении (рис.13). Следует заметить, что одинаковыми правами обладают аналитик - эксперт, принимающий решение при формировании анкеты кредитный заемщик и аналитик - риск-менеджер, принимающий управляющее решение системой розничного кредитования в кредитной организации, так как должностные обязанности этих лиц чаще всего совмещены.

Рис. 12 Схема отражения функций и прав кредитного инспектора.

Рис 13. Схема отражения функций аналитика в программном обеспечении (начало).

Рис 13. Схема отражения функций аналитика в программном обеспечении (окончание).

Визуальные формы разработанного модуля интеллектуальной системы поддержки принятия решений представлены в приложении№3.

3.3 Анализ эффективности разработанного модуля

Анализ эффективности был произведен на основании анализа наиболее существенных критериев эффективности для решения аналогичных задач, исходя из ранее изложенного анализа программного обеспечения, анкет и методов оценки рисков розничного кредитования, а так же подхода к оценке эффективности.

Так как в свете предложенной концепции повышения эффективности системы розничного кредитования новым является оценка рис-ков, связанных с субъективным кредитным поведением, для оценки эффективности разработанного метода и алгоритмов, реализующих его, принято условие оценки правильности принятия решений только на ее основании.

Выполнено несколько экспериментов по оценке соискателей - их классификации (по качественному признаку - «хороший» или «плохой») и правильности принятия решений о возможности выдачи кредита. Для этого общую базу данных кредитного заемщика разделили на две выборки: обучающая выборка для формирования шаблона-маски, на основании которого принимается решение о возможности выдачи кредита, и экспериментальная выборка, данные которой при формировании шаблона не участвовали, т.е. экспериментальная выборка играет роль соискателей. Принятие решений осуществлено двумя рассмотренными ранее методами.

В результате реализации метода на основе расчета рангового коэффициента корреляции Спирмена между типовым профилем m-ной группы и индивидуальным профилем s-го соискателя получили результаты, представленные в табл. 4-5. Следует учесть, что результаты получены при уровне статистической значимости p=0,05 и p=0,01. Правильность прогнозов составила 82 %. Это позволяет использовать данный метод при принятии решений о выдачи кредита соискателю.

Результаты эксперимента, реализующего метод принятия решения на основании интервальной оценки, представлены в табл. 3-4. Следует учесть, что результаты получены при значениях риска невозврата 5 % и 10 % (вернет кредит при R=0,05 и R=0,1 соответственно), а также при значениях риска невозврата 90 % и 95 % (не вернет кредит при R=0,1 и R=0,05 соответственно). Правильность прогнозов составила 78 %. Что позволяет использовать данный метод при принятии решений о выдачи кредита соискателю.

Таблица 3

Результаты оценки качества модели на основе расчета рангового коэффициента корреляции Спирмена (в графе «Проверка правильности решения» ставится «+», если решение принято верно, «-» - если решение принято неверно)

		Проверка	Проверка правильно
Количество		правильности	принятых решений,
соискателей	Решение	решения	%
3	Решение не принято	-	6
2	Нет данных по группе	-	4
4	Скорее плохой (р=0,05)	-	8
2	Скорее плохой (р=0,05)	+	4
5	Скорее хороший (р=0,05)	+	10
34	Скорее хороший (р=0,01)	+	68

Таблица 4

Результаты оценки качества модели методом ПР на основании интервальной оценки риска (в графе «Проверка правильности решения» ставится «+», если решение принято верно,

«-» - если решение принято неверно)

		Проверка	Проверка правильно
Количество		правильности	принятых решений,
соискателей	Решение	решения	%
7	Решение не принято	-	14
2	Нет данных по группе	-	4
2	Не вернет кредит при	-	4
	R=0,05
	Не вернет кредит при
2	R=0,05	+	4
4	Вернет кредит при R=0,1	+	8
33	Вернет кредит при R=0,05	+	66

Первый метод позволяет принимать решения на малых объемах выборки, его следует использовать на период накопления статистических данных на этапе тестирования, ввода в эксплуатацию интеллектуальной системы поддержки принятия решения -, а также на периоды накопления статистических данных на этапе пополнения анкет новыми словами-значениями-признаками. Данный метод принятия решений имеет ограничения по количеству исследуемых признаков - n 40 , и следует учитывать, что при осуществлении классификации соискателя критерий рангового коэффициента корреляции Спирмена является более грубым - принятие решений осуществляется по признаку «скорее хороший»/«скорее плохой». Второй предложенный метод следует использовать при накоплении статистических данных, при более «жесткой» политике банка, по мере накопления статистических данных правильность прогноза увеличивается, также данный метод позволяет варьировать уровень риска и дает возможность использовать большое количество исследуемых признаков.

По результатам экспериментальной проверки разработанного метода и алгоритмов принимается решение о возможности их практического использования.

Основные выводы по главе 3

Практически доказана возможность сокращения количества данных, требующих документального подтверждения финансовой состоятельности. Использование системы дает возможность повысить эффективность процесса классификации соискателя кредита, сократить долю участия кредитного инспектора в процессе оценки риска, выявлять с большой долей вероятности случаи мошенничества на основании психодиагностических данных. Система поддержки принятия решения интегрируется с принятой системой на основе оценки платежеспособности соискателя, структура поддерживает адаптацию и модернизацию системы оценки рисков с учетом кредитной политики.



Заключение

В ходе диссертационной работы получены следующие результаты и выводы:

Была предложена концепция системы оценки рисков розничного кредитования, которая позволяет перейти от оценки рисков на основе платежеспособности соискателя кредита, исходя только из его финансовой состоятельности, к оценке его кредитоспособности, как совокупной оценке платежеспособности и оценки субъективного кредитного поведения, трактуемой как желание, соединенное с возможностью своевременно погасить выданное обязательство.

Разработан алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков, реализующий предложенную концепцию. Разработана база прецедентов для принятия решения, которая обеспечивает уход от переборов ситуаций в случае наличия противоречий в системе, которые обусловлены участием таких оценок соискателя, как платежеспособность и кредитоспособность согласно плану активного вмешательства ЛПР или, плану, принятому по умолчанию. Алгоритм направлен на поддержание системы в актуальном состоянии и позволяет изменять ключевые критерии оценки субъективного кредитного поведения заемщика.

Разработана структура системы поддержки принятия решения, которая отражает основные особенности поставленной задачи принятия решения о выдаче кредита на основании оценки кредитоспособности соискателя через определение соискателя, и рисков, оцененных на основании платежеспособности соискателя. Это позволяет повысить эффективность процесса оценки соискателя кредита как основного в поддержке принятия решений.

Анализ представленного модуля дает право предположить, что оценка рисков розничного кредитования происходит на основании оценки платежеспособности соискателя и достаточно трудно сделать достоверные выводы о применении скоринга с учетом социальных и психологических аспектов, несмотря на заявление наличия таких модулей у разработчиков скоринговых карт. Как правило, анкеты заявленных банков содержат лишь классический набор вопросов и не содержат вопросов, отражающих аспекты социальной психологии.

Таким образом, вопрос разработки интеллектуальной системы по принципу оценки рисков на основе оценки кредитоспособности соискателя остается актуальным. При этом необходимо использовать более прозрачные для аналитиков и кредитных инспекторов методы оценки рисков, необходимо предоставлять возможность адаптации и модернизации скоринговых моделей силами самого банка с учетом его кредитной политики.



Библиографический список

Абричкина Г.Б. Инструментальные методы управления кредитными рисками регионального банка.: дис.канд. физ.-мат. наук / ВГТУ.- Воронеж, 2004.- 136 с.

Абричкина Г.Б. Программа "Инструментальная система скоринг-анализа и минимизации кредитных рисков" / Г.Б. Абричкина, О.Я. Кравец, А.Н. Деркачев // ФАП ВНТИЦ. Рег. № 50200300586 от 10.07.2003.

Аврамова У.М. Сберегательные установки россиян / У.М. Аврамова // Общественные науки и современность.- 1998.- №1. - С. 37.

Автономов В.С. Модель человека в экономической науке/ В.С. Автономов.- СПб.: Экон. шк., 1998.- 229 с.

Айвазян С.А. Прикладная статистика: Классификация и снижение размерности / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин.- М.: Финансы и статистика, 1989.- 608 с.

Алексахин С.В. Прикладной статистический анализ: учебное пособие для вузов / С.В. Алексахин и др.- М.: Изд-во «ПРИОР», 2001.- 224 с.

Альгин А. П. Грани экономического риска / А. П. Альгин.- М.: Знание, 1991.- 63 с.

Андиева Е.Ю. Способ построения психологического профиля заемщика для оценки рисков в сфере потребительского кредитования / Е.Ю. Андиева, И.И. Семенова // Управление риском.- 2008. - №1.- С. 56-63.

Банковское дело / под ред. Г.Н. Белоглазова, Л.П. Кроливецкая.- СПб.: Издательство «Питер», 2004.- 384 c.

Банковское дело: стратегическое руководство / рук. проекта У. Гулд.- М.: Консалт-банкир, 2001.- 184 с.

Баргсян А.А. Методы и модели анализа данных OLAP и Data Mining / А.А. Баргсян, М.С. Куприянов, В.В. Степаненко, И.И. Холод.- СПб.: БХВ-Петербург, 2004.- 336 с.

Башмаков А.И. Интеллектуальные информационные технологии: учеб. пособие / А.И. Башмаков, И.А. Башмаков.- М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.- 304 с.

. Верховин В.И. Структура и функции монетарного поведения / В.И. Верховин // Социологические исследования.- 1993.- № 10.- С. 67-73.

Википедия - свободная энциклопедия: Банковские риски [Электрон-ный ресурс]. - Режим доступа: ttp//ru.wikipedia.org/wiki/Банковские_риски, свободный. - Загл. с экрана (дата обращения к ресурсу: 20.04.2009).

Геловани В.Л. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природ-ной среды / В.Л. Геловани, А.А. Башлыков, В.Б. Бритков, Е.Д. Вязилов.- М.: Эдиториал УРСС, 2001.- 304 с

Катулев А.Н. Математические методы в системах поддержки принятия решений: учеб. пособие / А.Н. Катулев, Н.А. Северцев. - М.: Высш. шк., 2005. - 311 с.

Методы и техники практической психологии / под ред. Л.М. Попова, С.В. Петрушина. - СПб.: ООО «Речь», 2007. - 224 с.

Остринская Л.И. Теория и практика работы с современными базами и банками данных: учебное пособие / Л.И. Остринская, И.И. Семенова, Т.А. Дороболюк. - Омск: Изд-во СибАДИ, 2005. - 250 с.

Спасенников В.В. Экономическая психология: учеб. пособие / В.В. Спасенников. - М.: ПЕР СЭ, 2003. - 448 с.

. Спешнев О. История в кредит / О. Спешнев // Учет, налоги, право. - 2005. - № 9. - С. 13.

. Спрысков Д. Управление рисками розничного кредитования путем построения скоринговых моделей / Д. Спрысков // Банковские услуги. - 2006. - № 2.- С. 26-27.

Трахтенгерц Э.А. Компьютерная поддержка принятия решений. Научно-практическое издание. Серия «Информатизация России на пороге XXI века» / Э.А. Трахтенгерц. - М.: СИНТЕГ, 1998. - 376 с.

Черноруцкий И.Т. Методы оптимизации и принятия решений: учебное пособие / И.Т. Черноруцкий. - СПб.: Издательство «Лань», 2001.384с.

Чубукова И. А. Data Mining: учебное пособие / И. А. Чубукова. - М.: Интернет-университет информационных технологий; БИНОМ: Лаборатория знаний, 2006. - 382 с.

Шевченко И.В. Совершенствование качества обслуживания клиентов кредитными организациями путем внедрения новейших банковских технологий / И.В. Шевченко, О.А. Левицкая // Финансы и кредит. - 2004. - № 22(160). - С. 3-7.

Шибзухов З.М. Логико-вероятностные и полиноминальные методы синтеза и оптимизации баз знаний для экспертных систем управления и распознавания: дис. канд. физ.-мат. наук / СПИИРАН. - СПб., 1996. - 145 с.



Приложение №1

Вес показателей синдромного портрета заемщика.

Приложение № 2

Структура данных для определения семантического пространства признаков

Схема базы данных для формирования обучающей выборки, определения характеристик обучающей выборки, актуализации обучающей выборки, а также для организации хранения модели знаний и правил поддержки принятия решений.



Приложение №3

Визуальные формы разработанного модуля интеллектуальной системы поддержки принятия решений



Размещено на Allbest.ru