Главная  Журналы  Финансы и кредит  11(803) - 2020 ноябрь

Сегментация клиентов розничного банка при моделировании дефолта кредитного требования

Получена: 15.10.2020

Получена в доработанном виде: 29.10.2020

Одобрена: 12.11.2020

Доступна онлайн: 27.11.2020

Рубрика: Банковская деятельность

Коды JEL: G21

Страницы: 2594–2616

https://doi.org/10.24891/fc.26.11.2594

Предмет. Сегментация клиентов розничного банка, способная повысить эффективность аппликативной скоринговой системы. Проблема выбора оптимального эвристического метода сегментации для задачи скоринга.
Цели. Определить оптимальный эвристический метод сегментации.
Методология. Использованы статистический метод исследования, анализ, контент-анализ источников.
Результаты. Сопоставление 33 эвристических методов сегментации клиентов розничного банка показало, что по величине метрики эффективности классификатора (AUROC) оптимальным оказался вариант сегментации по величине выданной ссуды, предложенный авторами. Метод заключается в дискретизации переменной «выданная величина ссуды» методом TreeR. Стоит отметить, что данное разбиение производилось отдельно в рамках каждого кредитного продукта, чтобы было выполнено регуляторное требование о сегментации портфелей ссуд. Для проведения исследования использованы данные по кредитам физическим лицам за 2017 г. (150 тыс. ссуд наличными и 29 тыс. ссуд кредитными картами) из портфеля банка топ-15 по состоянию на 1 октября 2018 г. одной из стран ЕАЭС.
Выводы. Результаты работы могут быть использованы в кредитном скоринге, равно как и в любом статистическом моделировании с использованием логистической регрессии.

Ключевые слова: кредитный скоринг, логистическая регрессия, эвристическая сегментация, ROC-кривые

Список литературы:

1. Siddiqi N. Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring. Hoboken, N.J., Wiley, 2005, 208 p.
2. Aurifeille J.-M. A bio-mimetic approach to marketing segmentation: Principles and comparative analysis. European Journal of Economic and Social Systems, 2000, vol. 14, pp. 93–108. URL: Link
3. Thomas L.C. Consumer Credit Models: Pricing, Profit and Portfolios. Oxford University Press, 2009, 385 p.
4. Бояринцев В.А., Бровкина Н.Е. Современные подходы к сегментации клиентской базы розничного банка // Universum: экономика и юриспруденция. 2016. № 12. С. 12—16. URL: Link
5. Галкина Н.А. Потенциальные сегменты населения для расширения клиентской базы коммерческих банков в условиях старения населения // Вестник Московского университета. Серия 6: Экономика. 2015. № 1. С. 60—86. URL: Link
6. Карпова С.В., Рожков И.В., Воронина В.С. Критерии и признаки сегментации потребителей банковских услуг // Практический маркетинг. 2020. № 6. С. 3—9. URL: Link
7. Bijak K., Thomas L.C. Does segmentation always improve model performance in credit scoring? Expert Systems with Applications, 2012, vol. 39, iss. 3, pp. 2433–2442. URL: Link
8. Hand D.J., Sohn S.Y., Kim Y. Optimal bipartite scorecards. Expert Systems with Applications, 2005, vol. 29, iss. 3, pp. 684–690. URL: Link
9. Hanley J.A., McNeil B.J. The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 1982, vol. 43, no. 1, pp. 29–36. URL: Link
10. Pepe M., Longton G., Janes H. Estimation and Comparison of Receiver Operating Characteristic Curves. Stata Journal, 2009, vol. 9, no. 1, pp. 1–16. URL: Link
11. Robin X. et al. pROC: an open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 2011, vol. 12. URL: Link
12. DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach. Biometrics, 1988, vol. 44, no. 3, pp. 837–845. URL: Link
13. Sun X., Xu W. Fast Implementation of DeLong's Algorithm for Comparing the Areas Under Correlated Receiver Operating Characteristic Curves. IEEE Signal Processing Letters, 2014, vol. 21, iss. 11, pp. 1389–1393. URL: Link
14. Pons O. Bootstrap of means under stratified sampling. Electronic Journal of Statistics, 2007, vol. 1, pp. 381–391. URL: Link
15. Chandler G.G., Ewert D.C. Discrimination on the basis of sex under the equal credit opportunity act. Krannert Graduate School of Management, Purdue University, 1976, 20 p.
16. Banasik J.L., Crook J.N., Thomas L.C. Does scoring a subpopulation make a difference? The International Review of Retail, Distribution and Consumer Research, 1996, vol. 6, iss. 2, pp. 180–195. URL: Link
17. Firdaus U., Utama D.N. Balance as one of the attributes in the customer segmentation analysis method: Systematic literature review. A Bimonthly Peer-Review Journal, 2020, vol. 5, iss. 3, pp. 334–339. URL: Link
18. Lees G., Winchester M., De Silva S. Demographic product segmentation in financial services products in Australia and New Zealand. Journal of Financial Services Marketing, 2016, vol. 21, pp. 240–250. URL: Link
19. Shashidhar H.G., Subramanian V. Customer Segmentation of Bank based on Data Mining – Security Value based Heuristic Approach as a Replacement to k-means Segmentation. International Journal of Computer Applications, 2011, vol. 19, no. 8, pp. 13–18. URL: Link
20. Mays E. Handbook of Credit Scoring. AMACOM, 2001, 370 p.
21. Scitovski S., Sarlija N. Cluster analysis in retail segmentation for credit scoring. Croatian Operational Research Review, 2014, vol. 5, no. 2, pp. 235–245. URL: Link

Посмотреть другие статьи номера »

ISSN 2311-8709 (Online)
ISSN 2071-4688 (Print)

Свежий номер журнала

т. 30, вып. 3, март 2024

Другие номера журнала

---2024 год--- Все материалы 2024 г. 3(843) - 2024 март 2(842) - 2024 февраль 1(841) - 2024 январь

Архив номеров