Системный анализ методов принятия решений по выдаче кредита. Дипломная (ВКР). Банковское дело.
⚡ 👉🏻👉🏻👉🏻 ИНФОРМАЦИЯ ДОСТУПНА ЗДЕСЬ ЖМИТЕ 👈🏻👈🏻👈🏻
Вы можете узнать стоимость помощи в написании студенческой работы.
Помощь в написании работы, которую точно примут!
Похожие работы на - Системный анализ методов принятия решений по выдаче кредита
Скачать Скачать документ
Информация о работе Информация о работе
Скачать Скачать документ
Информация о работе Информация о работе
Скачать Скачать документ
Информация о работе Информация о работе
Скачать Скачать документ
Информация о работе Информация о работе
Нужна качественная работа без плагиата?
Не нашел материал для своей работы?
Поможем написать качественную работу Без плагиата!
.1 Интерпретация полученных результатов
Кредитование в банках - это соблюдение определенных практикой
правил, которые включают следующие основные этапы:
· Собеседование с заемщиком,
· Изучение кредитоспособности
· Подготовка и заключение кредитного
договора.
Кредитные риски допускают вероятность убытков в связи с
несвоевременным погашением долга и неуплатой процентов. Поэтому в последнее
время производится тщательный отбор заемщиков. Критерии, по которым
производится оценка кредитора, индивидуальны для каждого банка и основываются
на его практике.
Оценка кредитного риска представляет собой творческий
процесс, требует от работников банков знаний, аналитического мышления, умения
определять и оценивать тенденции в хозяйственной деятельности и финансовом
положении заемщиков, их возможность соблюдать принципы кредитования,
прогнозировать будущее состояние дел заемщика, способности возврата кредита.
Возврат банковских ссуд означает своевременное и полное погашение заемщиками
выданных им ссуд и соответствующих сумм процентов за пользование заемными средствами.
Обеспечение возврата кредита - это сложная целенаправленная
деятельность банка, включающая систему организованных экономических и правовых
мер, составляющих особый механизм, определяющий способы выдачи ссуд, источники,
сроки и способы их погашения, документацию, обеспечивающую возврат ссуд.
Данная работа изучает существующие методы на которых основана
оценка клиентов банка, каким образом банки взвешивают кредитные риски и какие
параметры влияют на положительное решение банка.
В данной области существует ряд проблем, которые не имеют
универсального решения. Они существуют как на стороне банка, которому в
условиях неопределенности, текущей экономической ситуации и снижающихся доходах
населения необходимо сохранять, а в наилучшем варианте и наращивать
прибыльность своего кредитного портфеля, так и на стороне клиентов, для которых
получение заёмных средств стало более затруднительным.
В банковском бизнесе одной из самых доходных статей являются
кредитные операции. За их счет формируется большая часть чистой прибыли банка.
Одним из главных условий, способствующих развитию российской экономики,
считается создание возможностей для наиболее широкого доступа населения страны
к финансово-кредитным ресурсам. Рынок кредитования граждан страны это
неотъемлемая составляющая стабильности экономики, важный фактор по ускорению ее
роста, обеспечению увеличивающегося спроса на банковские услуги высокого
качества. Развитие экономики страны, расширение производства дает возможность
для роста объема востребованных товаров. Вот почему данная проблема актуальна.
Цель выпускной квалификационной работы - с помощью
разработанного подхода повысить надежность метода оценки клиентов для снижения
рисков при выдаче кредита, путем определения ключевых параметров, влияющих на
принятие решения, а также построение методов автоматизации с целью сокращения
времени на принятия решений.
В ходе выполнения работы были поставлены следующие задачи:
· Провести анализ факторов и существующих
методов для принятия решений в предметной области;
· Определить функциональные зависимости, возможную избыточность
и достаточные условия применимости используемых параметров;
· Сравнить эффективность работы алгоритмов (в т.ч.
скоринговых), выявляющих ключевые параметры для оценки кредитоспособности
клиента:
· Построить классификацию зависимостей ключевых параметров
клиента на основе сравнения работы алгоритмов построения ассоциативных правил.
Новизна работы состоит в предложенном варианте сокращения
времени на принятие окончательного решения по выдаче заемных средств с помощью
применения разработанных алгоритмов по сравнению с уже существующими.
В процессе выполнения поставленных задач были выделены
следующие этапы:
. Формулировка математической модели системы,
. Численная и программная реализация,
. Определение параметров модели
. Проведение экспериментов на реальных данных.
Общей проблемой дипломной работы является отсутствие единого
типового клиента, для которого была бы применима единая оценка
кредитоспособности, поэтому актуально применение методов сегментации клиентов
на начальном этапе.
Частная проблема исследования - это выявление ключевых
параметров клиента, влияющих на его способность погасить заем.
Предмет исследования потребительское кредитование в
российской федерации. Объект исследования - автоматизация процесса принятия
решения.
В практике российских и зарубежных банков применяются
различные подходы к определению кредитного риска физических лиц, начиная с
субъективных оценок кредитными экспертами коммерческих банков и заканчивая
автоматизированными системами оценки риска. Большинство зарубежных банков в
своей практике используют два метода оценки кредитоспособности заемщиков.
Оценка осуществляется человеком на основе личных качеств потенциального
заемщика, его финансового состояния, кредитной истории потенциальных заемщиков.
Недостатками данного метода является:
· Трудность объективности и прозрачности принятия решений;
· Снижение скорости принятия решений при больших объемах
информации;
· Высокие затраты на высококвалифицированных экспертов.
В связи с этим банки проявляют повышенный интерес к таким системам оценки
риска, которые позволили бы минимизировать участие экспертов и влияние
человеческого фактора на принятие решений
Балльные системы оценки кредитоспособности клиентов - это методы, которые
используют накопленную базу данных заемщиков для установления критериального
уровеня оценки заемщика.
Методы балльной оценки обладают рядом свойств, которые позволяют
проанализировать большой объем кредитных заявок, сократив, операционные
расходы, время на обработку и финальное решение. Такой метод называется
скорингом.
Скоринг представляет собой математическую или статистическую модель, с
помощью которой на основе кредитных историй других клиентов банк пытается
определить, насколько велика вероятность того, что конкретный потенциальный
заемщик вернет кредит в срок.
Скоринговая оценка основывается на различных характеристиках клиентов, к
примеру: доход, возраст, профессия, семейное положение и т.д. В результате
анализа факторов рассчитывается интегрированный показатель, дающий
представление о степени кредитоспособности заемщика, исходя из набранных в ходе
анализа баллов. В зависимости от балльной оценки принимается решение о выдаче
кредита и его параметрах, либо об отказе в предоставлении кредита.
Оценка кредитоспособности заёмщика по уровню доходов осуществляется на
основе данных о доходе физического лица и вероятности потери этого дохода.
Доход определяется исходя из справок о заработной плате или налоговой
декларации, после чего корректируется с учетом обязательных платежей и
коэффициентов риска банка. Кредитная история представляет собой сведения о
получении и погашении потенциальным кредитополучателем кредитов в прошлом. С
целью формирования кредитных историй в странах создаются и функционируют
кредитные бюро.
В системах скоринга обычно применяют дискриминантные модели или
аналогичный по сути метод логистической регрессии. В данных моделях
используются несколько переменных, дающих в сумме цифровой балл каждого
потенциального заемщика.
Таким образом, скоринг не отвечает на вопрос, почему заёмщик не платит.
Он выделяет те характеристики, которые наиболее тесно связаны с ненадежностью
или, наоборот, надежностью клиентов определенного возраста, определенной
профессии, образования, таким же числом иждивенцев и т.д. В этом заключается
дискриминационный характер скоринга: человек, по формальным признакам близкий к
группе с плохой кредитной историей, скорее всего, получить кредит не сможет.
Статья Клейнер Г.Б., Коробов Д.С. История современного кредитного
скоринга. Выпуск 17. Проблемы региональной экономики обобщает информацию по
различным видам скоринга.
Основными видами скоринга в современной российской банковской практике
являются следующие:скоринг(Оценка заявки на кредит)
Данный вид скоринга используется при выдаче займа или при выпуске
кредитной карты. Заключение о предоставлении кредита может выдаваться
автоматически.
Для принятия системой того или иного решения клиенту предлагается
заполнить анкету. Ответы оцениваются в баллах и складываются. В результате
полученная сумма сравнивается с минимальным необходимым значением. Если
потенциальный заемщик набрал баллов больше определенного уровня, то он получает
одобрение займа, если меньше - то отказ. В спорных или пограничных случаях
решение, как правило, принимается индивидуально.
В разных системах тест на кредитоспособность может существенно
различаться. Каждый банк оценивает своих клиентов по-своему, исходя из опыта
работы с разными категориями заемщиков. Тем не менее есть и общие для
большинства из них моменты. Так, наличие работы и дохода, постоянная
регистрация, отсутствие судимостей - условия чаще всего обязательные.
Наряду с анкетными данными скоринговые модели банков часто учитывают
также ответы на вопросы относительно заявителя самих банковских сотрудников. В
этом случае может быть учтен ряд дополнительных факторов, таких как
адекватность клиента, его внешний вид и пр.
Идеальной схемы "правильных ответов" и линии поведения
потенциального заемщика не существует. Во-первых, представления об идеальном
клиенте у всех банков разные. А во-вторых, системы оценки постоянно
совершенствуются и учитывают опыт возврата кредитов, выдаваемых разным
категориям.
Системы оценки кредитоспособности клиентов могут не только давать
положительный или отрицательный ответ, но также рекомендовать сроки
кредитования и индивидуальные ставки исходя из показателей надежности.
· Проверка информации по "черным" и "серым"
спискам
Выбранные поля анкеты заемщика проверяются на совпадение/схожесть с
данными в черных/серых списках мошеннических сделок/организаций и т.п.
· Проверка информации на "внутреннюю"
непротиворечивость
По имеющимся в анкете полям со связанной информацией (дата рождения -
ИНН, наличие недвижимости - коммунальные платежи, аренда недвижимости -
арендная плата и т.п.) проверяется внутренняя непротиворечивость анкеты.
· Проверка информации на "внешнюю" непротиворечивость
и соответствие бизнес-правилам.
Имеющиеся в анкете данные анализируются с помощью экспертных
бизнес-правил (например, дата выдачи паспорта - не выходной день, указание
дополнительных доходов - минимальный учитываемый доход), а также сверяются с
имеющейся информацией в базе заявок или информационных базах банка (валидность
адресов, предприятий, анализ предыдущих анкет и/или заявок)
· Проверка информации на наличие "общих" выбросов
Сравнение показателей из анкеты с общим распределением по портфелю -
"штрафные" баллы за попадание в "критический" хвост
распределения или статистически мелкую категорию.
· Проверка информации на наличие выбросов в рамках выделенной
области "клиентов"
Сравнение показателей из анкеты с данными, отобранными по критерию.
Например, проверка на "выброс" зарплаты в сравнении с данными по
предприятию, по отрасли, по региону и т.п.
· Скоринг на потенциально мошенническое действие
Использование классифицирующей модели, которая на основе анкетных данных,
а также результатов проверки правил определяет вероятность мошеннических
сделок.
· Скоринг на близость к "идеальному" заемщику
Использование моделей "схожести" (k-NN, SOM etc.), которые на основе
анкетных данных и результатов срабатывания правил определяет степень схожести
клиента с идеальным.скоринг представляет собой совокупность многочисленных
процедур, которые позволяют отсечь мошенников.скоринг
С ростом клиентской базы и объемов оказываемых услуг, кредитные
организации рано или поздно сталкиваются с необходимостью сбора просроченной
задолженности. Долги могут появляться как на счетах клиентов, так и у
контрагентов, поставщиков, партнеров. Эффективность бизнес-процессов по
управлению дебиторской задолженностью во многом влияет на финансовую
стабильности компании, а также на уровень текущих и возможных рисков.
Чтобы не допустить лавинообразного роста просроченных долгов, компаниям
необходимо решить сложную задачу - выработать и последовательно выполнять такую
стратегию работы с должниками, которая позволит, с одной стороны, сохранить
лояльность прибыльных и перспективных клиентов, а с другой - максимизировать
объем собранной просрочки, при жестком ограничении затрат на мероприятия по сбору.скоринг
определяет приоритетные направления работы с неблагополучными заемщиками. По
сути это работа с просроченной задолженностью. В случае задержки выплат по
кредиту банк начинает работать с заемщиком, напоминая о необходимости погашения
долга. Чем дольше задержка, тем настойчивее ведет себя банк. Так продолжается
до тех пор, пока дело не попадает в коллекторское агентство или суд.
Вероятность возврата долга зависит от многих факторов, часть из которых
известна и может быть оценена статистически. Накопленная информация,
разнообразные методы Data Mining и планирование экспериментов (DOE) позволяют
создать эффективные математические (скоринговые) модели для оценки вероятности
взыскания задолженности, прогноза размера возврата и определения наилучшего
способа взыскания.scoring модели учитывают, как минимум, следующие факторы:
· Демографические данные дебитора
· Предполагаемый или достоверно известный уровень доходов и
расходов, имущественное положение
· Наличие надежных контактных и идентификационных данных (ФИО,
паспортные данные и др.)
· История взаимодействия с дебитором, например, примененные
ранее коллекторские воздействия
· История поведения, использования услуг, начислений, штрафов и
т.д.
· Планируемое коллекторское воздействие
В отличие от экспертных оценок, статистический скоринг объективно
оценивает всю совокупность факторов риска, легко масштабируется и помогает
выстроить оптимальную стратегию работы с должниками на любом уровне.
Средства углубленной аналитики позволяют оценить экономический эффект от
проведения коллекторской компании до ее непосредственного запуска.
Экономический эффект зависит от объема долга, прогноза сроков и размера
возврата задолженности, а также от затрат на соответствующие мероприятия. Банки
применяя скоринговые модели к прошлым кредитам, могут оценить величину потерь,
которых удалось бы избежать за счет повышенной точности анализа кредитных
заявок.scoring (поведенческий скоринг)
Поведенческий скоринг - это динамическая оценка состояния
кредитоспособности существующего заемщика, основанная на данных об истории
операций по его счетам (график погашения задолженности, запросы новых кредитов,
оборот по текущим счетам, и т.п.).
Результатом поведенческого скоринга обычно является предложение банка
воспользоваться иными банковскими услугами: кредитная карта, кредит наличными
по сниженной процентной ставке, автокредитование и др. Одобрение последующих
кредитов в банке для заемщика - это также результат успешного преодоления
поведенческого скоринга
На рис. 2.1 хорошо показана взаимосвязь элементов скоринга на различных
этапах жизненного цикла заемщика:
Рис. 2.1 Использование банком скоринговых моделей на различных этапах
оценки клиентов
Согласно аналитическому анализу портала kreditovich.ru на финальное
решение банка влияют следующие факторы
Схема 2.1. Факторы влияющие на положительный ответ кредитного скоринга
Существующие методы оценки кредитоспособности клиента не идеальны. В
скоринговой модели оценки можно выделить следующие недостатки:
· Децентрализованность системы оценки;
· Сложность осуществления быстрых решений департамента риска
кредитной организации - смена или корректировка методики оценки превращается в
длительную процедуру для большого количества точек обслуживания;
· Невозможность построения сложной стратегии принятия решения;
· Скоринговые модели основаны на экспертных знаниях кредитных
аналитиков банка, что ограничивает качество моделей и опосредованно сокращает
клиентскую базу;
· Возможность обмануть методику оценки - любой человек, имеющий
определенные навыки, может "взломать" методику оценки и в дальнейшем
"подстроиться" под "хорошего" заемщика. Это касается не
только рисков мошенничества, но и "помощи" заемщикам со стороны
кредитных инспекторов (нельзя забывать, что эти по большей части
низкооплачиваемые сотрудники стремятся к максимальному объему привлеченных
кредитов, никак не отвечая за их возврат).
· Мониторинг - Скоринговые модели создаются на основе исторических
данных, но со временем могут терять точность, из-за постоянно меняющихся
внешних и внутренних условий (экономическая ситуация в мире, на уровне
государства, отдельных отраслей, новые схемы мошенничества итд). Для того чтобы
статистический скоринг стабильно выдавал достаточно точные и устойчивые
прогнозы, необходим постоянный мониторинг и оценка качества работы моделей, а
также их обновление при необходимости.
Систематизированное сравнение подходов к оценке клиента представлено в
Таблице.
Таблица 2.1. Сравнение экспертной и бальной оценки кредитоспособности
клиента
Первичная обработка кредитной заявки
Основывается на экспертных знаниях кредитного специалиста
Основывается на объективной информации из различных
источников
Рассмотрение каждой заявки зависит от конкретного
кредитного специалиста и субъективных факторов
Идентичные заявки проходят идентичную процедуру оценки
"Уже используется", результаты ожидаемы
Необходимы культурные перемены, готовность сотрудников к
нововведениям
Длительное обучение и тренировка каждого кредитного
специалиста. Наработка опыта и интуиции
Не требует длительного обучения сотрудников. При внедрении
необходим контроль со стороны кредитных специалистов высшего звена
Возможность ошибок, злоупотреблений и мошенничества
Ошибки возможны в силу человеческого фактора.
Злоупотребления и мошенничество возможны и распространены
Злоупотребления возможны только на уровне высшего звена
кредитных специалистов. Ошибки могут быть связаны с некачественными
скоринговыми моделями. Мошенничество возможно, однако его вероятность заметно
снижается
При внедрении нового кредитного продукта необходима
разработка новых инструкций и обучение персонала. Процесс длительный и мало
поддающийся контролю
При внедрении нового кредитного продукта необходимо
создание новых скоринговых моделей и стратегий (или внесение изменений в уже
имеющиеся). Процесс полностью контролируемый. Качество вновь созданных
моделей (стратегий) может быть проверено без запуска в работу. Дополнительное
обучение персонала не требуется
Поставленная задача должна решить следующие проблемы:
· Повысить надежность существующей кредитной политики банка и
снизить кредитный риск.
· Сократить время на принятия решения банком
· Автоматизировать процесс принятия решения по клиенту
· Сравнить методы интеллектуального анализа данных
Анализ будет состоять из двух частей. Первая часть заключается в анализе
базы данных клиентов банка, у которых имеется кредит. Скоринговая модель будет
относится к типу поведенческого скоринга. Ключевым показателем является
показатель списания клиента за первый год владения кредитным продуктом.
Показатель в базе данных "Ever W/O @12 MOB" является показателем булевого типа. Результатом
первого этапа будет набор параметром, полученный на обучающей выборке клиентов,
которым банк выдал кредит в 2012 году. Второй этап это применение алгоритма к
тестовой выборке за 2013 год. Третий этап заключается в применении полученных
знаний и использования их для предложенного метода автоматизации принятия
решения.
Можно выделить следующие основные этапы анализа данных:
Проведена нормализация данных: приведение параметров к булевому типу,
числовому и текстовому, характеризующих данную область данных о клиенте. После
выбора параметров, данные представляют собой прямоугольную таблицу, где каждая
запись представляет клиента с набором характеристик, свойств и показателей.
· Из массива данных удалены данные, которые являются
неинформативными, либо дублируют ключевой показатель.
Кроме того, сокращение количества полей позволяет сократить время
обработки данных. Это позволяет избавиться от избыточности данных. База данных
очищена от ошибок, дефектов и полей без значений.
· Применение методов поиска ассоциативных правил: алгоритм apriori, DHP, предикативный анализ.
· Верификация и проверка получившихся результатов.
· Использование полученной информации и применение ее в работе
банка.
Модель алгоритма априори, его математическая составляющая описана в
источниках [1-2]. Краткое обоснование используемых терминов и понятий дано
ниже.
Правило X->Y имеет поддержку s (support), если s клиентов из D,
содержат пересечение множеств X и Y. Достоверность правила показывает какова
вероятность того, что из X следует Y. Правило X->Y справедливо с
достоверностью c (confidence), если c транзакций из D, содержащих X, также
содержат Y, conf(X-> Y) = supp(X->Y)/supp(X ).
Рассмотрим принятую формальную постановку задачи поиска ассоциативных
связей, введем базовые термины и опишем формализмы, используемые в существующей
литературе по этой проблематике. Пусть -база данных клиентов банка, - произвольный клиент, -множество всех свойств и
характеристик клиентов, которые используются для обозначения объектов в базе
данных клиентов множества , -подмножество свойств и признаков из множества X, и - подмножество множества данных
клиентов из множества , каждая из которых содержит множество признаков в качестве подмножества. Для
характеристики статистических свойств подмножества A в базе данных обычно используют отношение мощности
множества к мощности всего множества клиентов . Эту величину принято называть
поддержкой (support) подмножества во множестве клиентов :
Порогом уверенности = и порогом поддержки = ( , - ассоциативное правило)
существуют, если справедливы следующие неравенства
где - количество клиентов во множестве , которые содержат
объединение множества символов подмножеств и . Модель ассоциативного
правила вида (2), принято называть моделью типа поддержка-уверенность.
Подмножество элементов принято называть посылкой правила , а подмножество - его следствием. Иногда
эти подмножества называют паттернами (patterns). В задачах ассоциативной классификации
заключение правила может содержать только однолитерный паттерн, например, метку
одного из классов. Однолитерным может быть также и паттерн . Те
же обозначения и термины используются и при поиске ассоциативно или причинно
связанных атрибутов. Задача поиска ассоциативных правил является здесь
центральной задачей.
Кроме того, стоит отметить свойство антимонотонности.
Поддержка любого набора элементов не может превышать минимальной поддержки
любого из его подмножеств. Данное свойство служит для снижения размерности пространства поиска. Не имей мы в наличии такого свойства,
нахождение многоэлементных наборов было бы практически невыполнимой задачей в
связи с экспоненциальным ростом вычислений.
В качестве исходных данных имеется массив (компакт в метрическом
пространстве) значений случайных величин - параметров системы , представленных в
приложении в таблице 1. В таблице 17 столбцов (полей, соответствующих указанным
показателям ,…, ) и примерно 37000
записей. В терминах предметной области эти величины обозначают характеристики
клиента:
- сегмент, программа по которой был привлечен клиент
- способ подтверждения дохода клиентом
- код рекламной компании, по который был привлечен клиент в
банк
- группа риска клиента, которая присваивается на основе его
поведенческого и оценочного скоринга
Х 8 - профайл в бюро кредитных историй
Х 11 - показатель, что клиент списался
Х 17 - показатель является ли клиент сотрудником
банка
Входные данные описывают "перформанс" - поведение
клиента в рамках выданного кредитного продукта. Значения в столбцах представляют
собой характеристические показатели клиента. Каждая строка представляет собой
всех клиентов, которым был выдан кредит за взятый промежуток времени.
orig_segment - Сегмент, Программа, по которой был привлечен клиент
Корпоративный сегмент. Клиенты находятся на
зарплатном проекте банка
Зарплатный сегмент. Клиенты подтверждают доход
Суррогатный сегмент. Клиент вменяется доход на
основе предоставленных документов
Сегмент перекредитования. Клиенты, у которых
есть открытый кредит берут дополнительные средства
Сегмент Перекрестных продаж на кредитные карты.
_subsegment - Сегментация на уровень глубже.
Клиенты, компания работодатель которых не находится на
зарплатом проекте в банке, но клиент находится на индивидуальном зарплатном
обслуживании
Клиенты, компания работодатель которых находится на
зарплатом проекте в банке
Клиенты, компания работодатель которых находится на
зарплатом проекте в банке, но клиент испольуют другой банк для зарплатного
обслуживания
Клиенты, подтверждающие доход справкой 2-ндфл
Клиенты, принявшие условия программы перекрестных продаж на
кредитную карту
Клиенты, предоставившие в качестве подтверждения дохода
документы о владении автомобилем
Клиенты, подтвердившие свой доход заграничным паспортом с
поездками за последние полгода
Клиенты, принявшие условия программы перекрестных продаж на
балансовые счета
Клиенты, взявшие дополнительные средства у бьнка
Клиенты, взявшие дополнительные средства у бьнка
Клиенты, взявшие дополнительные средства у бьнка, но
закрывшие свой кредит
Клиенты, принявшие условия программы перекрестных продаж на
кредитную карту, с момента открытия которой прошло 6 месяцев
Клиенты, у которых открыта кредитная карта и пожелавшие
взять кредит
INCOME_PROOF - Способ подтверждения дохода клиентом.
Доход определяется на основании следующих документов /
следующими способами:
· Чистый месячный/годовой доход клиента,
указанный им в заявлении, сверяется со стандартной формой № 2-НДФЛ, выдаваемой
и подписываемой работодателем, а также скрепленной его печатью. В форме №
2-НДФЛ должен быть указан доход минимум за 3 последних месяца.
· Доход заявителей из компаний категории
"S", привлеченных через Отдел корпоративных продаж, проверяется по
разделу заявки, содержащему данные о ежемесячной зарплате, заверенные
уполномоченным представителем компании и печатью компании или на основании
списков работников от компании (категории "А", "S"), с
указанием стажа работы, типа трудового договора и размера месячного заработка,
также заверенные уполномоченным представителем компании и печатью компании.
· Доход клиента также может косвенно определяться
по наличию заграничной поездки в последние полгода или фактом владения
иностранной машиной, которая не старше 8ми лет.
Заграничный паспорт со штампами вьезда и выезда из страны
_PROFILE - Имеет значение флага. Попадает ли клиент под образ мошенника.
В положительном случае ему назначается дополнительная проверка данных._CODE -
Код рекламной компании, по который был привлечен клиент в банк._LEVEL - Группа
риска клиента, которая присваивается на основе его поведенческого и оценочного
скоринга_OIGINATION - Канал привлечения клиента_CATEGORY - Категория компании
работодателя
THICK_THIN - Профайл в бюро кредитных историй
Credit_Line_Range - Диапазон кредитной линии_FLAG - Флаг, что клиент
является сотрудником
Drop_flag_orig_a-
Флаг, что данный тип клиента больше не подходит под текущую политику банка
DBR_RANGE - Диапазон долгового бремени
· Крупные стабильные Российские
юридические лица - годовой оборот более 500 млн. руб.; · Компании, входящие в
список FORBES-2000; · Компании - члены Американской
торгово-промышленной палаты и/или Ассоциации Европейского бизнеса; · Посольства иностранных
государств; · Компании, находящиеся на зарплатном
обслуживании в банке; · Первые75 банков согласно годовому рейтингу РБК
(Классификация по активам); · Первые 25 страховых компаний согласно годовому
рейтингу РБК (Классификация по поступлениям); · Дочерние (доля 50% + 1
акция) компании компаний А категорий; · Компании, находящиеся
на корпоративном обслуживании в банке; · Компании, находящиеся
на рассчетно-кассовом обслуживании при условии годового оборота более 100
млн. руб. · Компании, акции которых торгуются на биржах ММВБ/РТС
Категория "S"* (максимум 15000
компаний)
Отдельные компании для целевого поиска клиентов
· Средние/Мелкие
стабильные Российские юридические лица - годовой оборот от 250 до 500 млн.
руб.; · Государственные бюджетные учреждения; · Дочерние (доля 50% + 1
акция) компании компаний S категорий; · 30 крупнейших
стабильных компаний (показатель оборота не важен) - в каждом регионе
присутствия банка
Остальные российские юридические лица,
регистрация которых в ЕГРЮЛ подтверждена.
Остальные российские юридические лица,
регистрация которых в ЕГРЮЛ не подтверждена.
Суммарный стаж на двух последних местах работы
должен составлять не менее года и минимум 3 месяца на текущем месте работы. 3
месяца для клиентов, получающих зарплату на с
Дипломная (ВКР). Банковское дело.
Спотлайт 5 Класс Контрольные Работы Аудио
Реферат: Политика "ликвидации кулачества как класса". Скачать бесплатно и без регистрации
Курсовая работа по теме Аудит формирования уставного капитала на предприятии ООО 'Лаб-Сервис'
Реферат по теме История рыцарских турниров
Курсовая работа: Производство электродвигателей. Скачать бесплатно и без регистрации
Контрольная работа по теме Воспитание. Методы воспитания
Дипломная работа: Методика расследования преступлений связанных с незаконным оборотом драгоценных металлов и драгоценных камней. Скачать бесплатно и без регистрации
Реферат: Body Image Essay Research Paper It is
Реферат: Курсовик по FoxPro
Аргумент К Сочинению Драгоценные Книги
Контрольная Работа По География 2022 Огэ
Реферат Формы И Системы Оплаты На Мясокомбинате
Реферат по теме Расчет закрытой косозубой нереверсивной турбины
Реферат На Тему Стойка На Лопатках
Реферат: Доктрины. Скачать бесплатно и без регистрации
Список Источников Отчет По Практике
Реферат: Дифтерия 4
Как Писать Итоговое Сочинение Допуск К Егэ
Сочинение: Каким я вижу мир вчера, сегодня, завтра
Реферат Приватизация И Ее Особенности
Реферат: Социально-психологические особенности личности серийного преступника
Статья: Инвестиционные и управленческие возможности ценных бумаг
Учебное пособие: Моделирование рисковых ситуации в экономике и бизнесе