Создание автоматизированной информационной системы поддержки принятия решения в банковской сфере

Отличительной чертой системы поддержки принятия решений является то, что помогает решить две главные цели:

• уменьшение трудозатрат на прием и систематизацию информации. Вместо 6 специалистов кредитного комитета (секретарь кредитного комитета, начальник экономического отдела, начальник юридического отдела, начальник безопасности, начальник бухгалтерского учета, управляющий отделением кредитования) достаточно двух-трех специалистов (кредитных инспекторов), которые будут принимать информацию и обновлять базы данных СППР за счет поступившей информации;
• уменьшение времени обработки запроса кредитования с 10 дней до 1 дня за счет автоматизации процесса проверки кредитоспособности заемщика, а также за счет автоматизации поиска данных по запросу в базах данных.

Данная СППР предназначена для автоматизации деятельности ОАО «Сбербанк России», связанной с приемом, обработкой, хранением и предоставлением информации по кредитованию. Система призвана автоматизировать работу кредитного отдела и выполнять следующие функции:

• выбор необходимого кредита;
• сбор, хранение и выдача по запросам информации о заемщиках банка;
• анализ данных заемщика для выдачи кредита.

Задачи проектирования данной системы поддержки принятия решений:

• разработка БД для кредитного инспектора;
• разработка СППР для кредитного инспектора;
• разработка скоринговой модели.

 

 

1.4 Обзор и анализ  существующих программных разработок

1.4.1 СППР "Эксперт"

Система поддержки принятия решений "Эксперт" - это инструмент для формализации и решения слабоструктурированных и неструктурированных задач планирования, прогнозирования и управления.

Особенности системы:

1. поддержка как числовых значений, так и субъективных вербальных предпочтений пользователя;
2. возможность анализа данных на предмет согласованности и достоверности, исправление несогласованности;
3. удобный графический интерфейс, инструменты для формализации проблемы, анализа результатов;
4. возможность обработки любых внешних данных;
5. обработка совместных суждений, достижение консенсуса;
6. подробные печатные отчеты;
7. наличие библиотеки решений типовых задач в области финансов, экономики, управлении персоналом, предприятием и т.п.;
8. низкие системные требования.

Наличие библиотеки типовых иерархий и заданных парных сравнений для решения задач управления, прогнозирования и управления из различных сфер деятельности.

1.4.2 СППР «Выбор»

Система поддержки принятия решений (СППР) "Выбор" - аналитическая система, основанная на методе анализа иерархий (МАИ), является простым и удобным средством, которое поможет:

• структурировать проблему;
• построить набор альтернатив;
• выделить характеризующие их факторы;
• задать значимость этих факторов;
• оценить альтернативы по каждому из факторов;
• найти неточности и противоречия в суждениях лица принимающего решение (ЛПР)/эксперта;
• проранжировать альтернативы;
• провести анализ решения и обосновать полученные результаты.

СППР "Выбор" на основе МАИ может использоваться при решении следующих типовых задач:

• оценка качества организационных, проектных и конструкторских решений;
• определение политики инвестиций в различных областях; задачи размещения (выбор места расположения вредных и опасных производств, пунктов обслуживания);
• распределение ресурсов;
• проведение анализа проблемы по методу "стоимость-эффективность";
• стратегическое планирование;
• проектирование и выбор оборудования, товаров;
• выбор профессии, места работы, подбор кадров.

1.4.3 СППР «Советник»

Система Поддержки Принятия Решений «Советник» - универсальная программа оценки решений, предназначенная для многокритериальной оценки вариантов принимаемых решений посредством расчета рейтингов.

Позволяет составить список критериев, которым должно удовлетворять решение проблемы, определить весовую, рейтинговую значимость каждого критерия. Далее, составить список альтернатив и указать вес каждой альтернативы по каждому критерию. В итоге, применяя известный из теории принятия решений метод среднеарифметических рангов, рассчитывается результирующий рейтинг каждой альтернативы. При этом решения, достойные к принятию, будут иметь наибольший рейтинг.

То есть, программа позволяет через расчет рейтинга отбросить худшие решения и принимать те решения, которые наилучшим образом удовлетворяют задаваемым критериям.

Сравнение по основным характеристикам рассмотренных СППР находятся в таблице 2.

 

Таблица 2 – Основные характеристики рассмотренных СППР

	СППР «Эксперт»	СППР «Выбор»	СППР «Советник»
Решение структурированных задач
Прогнозирование в сфере кредитования
Анализ данных
Связь с базой данных

 

1.5 Выбор и обоснование стратегии автоматизации и способы приобретения ИС. Обоснования выбора технологии проектирования

Для создания СППР в банковской сфере подойдет скоринговая модель.

Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

В банковской системе, когда человек обращается за кредитом, банк может располагать следующей информацией для анализа:

• анкета, которую заполняет заемщик;
• информация на данного заемщика из кредитного бюро - организации, в которой хранится кредитная история всего взрослого населения страны;
• данные движений по счетам, если речь идет об уже действующем клиенте банка.

Кредитные аналитики оперируют следующими понятиями: «характеристики» клиентов (в математической терминологии - переменные, факторы) и «признаки» - значения, которые принимает переменная. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками - ответы на эти вопросы.

В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель, чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

Интегральный показатель каждого клиента сравнивается с неким числовым порогом, или линией раздела, которая, по существу, является линией безубыточности и рассчитывается из отношения, сколько в среднем нужно клиентов, которые платят в срок, для того, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии - нет.

Аналитические технологии DataMining содержат эффективные средства построения скоринговых моделей. Нейронные сети и деревья решений позволяют определять оптимальные скоринговые баллы, с помощью логистической регрессии осуществляется разработка скоринговых карт и т.д.

DataMining - обнаружение в "сырых" данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Информация, найденная в процессе применения методов Data Mining, должна быть нетривиальной и ранее неизвестной.

Data Mining – это не один, а совокупность большого числа различных методов обнаружения знаний. Все задачи, решаемые методами Data Mining, можно условно разбить на пять классов: классификация, регрессия, кластеризация, ассоциация и последовательные шаблоны.

Для данной работы нам лучше всего подходит метод классификации.

Классификация является наиболее простой и одновременно наиболее часто решаемой задачей Data Mining. В результате решения задачи классификации обнаруживаются признаки, которые характеризуют группы объектов исследуемого набора данных - классы; по этим признакам новый объект можно отнести к тому или иному классу.

Для решения задачи классификации могут использоваться методы: ближайшего соседа; k-ближайшего соседа; байесовские сети; индукция деревьев решений; нейронные сети.

Разрабатываемая система должна пройти испытания на исправность, надежность и соответствие цели создания системы.

При выполнении ряда работ по вводу в эксплуатацию данной СППР необходимо выделить два основных периода:

• организационно – подготовительный;
• опытную эксплуатацию.

В организационно – подготовительный период необходимо:

• обеспечить подготовку помещений;
• провести монтаж, наладку и испытание системы непосредственно на рабочих местах;
• провести обучение персонала работе с СППР в соответствии с должностными и технологическими инструкциями, особенно обратив внимание на их действия в случаях сбойных ситуаций и выхода из них.

Обучение будет происходить одной группой. Заданное обучение будет происходить в таком виде т.к. на данном предприятии небольшое количество сотрудников (кредитных инспекторов) будут непосредственно работать с создаваемой программой.

Целью опытной эксплуатации является обработка действий всех служб, участвующих в эксплуатации системы.

По окончании работ разработчик предъявляет заказчику документы, подтверждающие создание системы, а также документацию на саму систему.

2 Проектная часть

2.1 Техническое проектирование

Программное обеспечение

 

Программное обеспечение должно быть выполнено на языке Delphi. Данное программное обеспечение должно иметь следующие функции:

• простота и удобство заполнения данных о новых заемщиках и видах кредитов;
• возможность редактирования и удаления данных о кредитах, заемщиках и видах кредитов;

 

Математическое обеспечение

В качестве математического обеспечения используются метод классификации (Data Mining) и скоринговая модель.

Скоринговая модель

Скоринговая модель - модель, с помощью которой кредитная организация пытается определить кредитоспособность потенциального заемщика. На ее вход подаются определенные характеристики клиента (возраст, доход, стаж работы и т.д.), а на выходе формируется интегрированный показатель (score), который определяет вероятность возврата или невозврата кредита.

Скоринговая модель связывает параметры клиента с суммой, которую можно выдать ему, или степенью кредитного риска в конкретных условиях через систему скоринговых баллов. Очевидно, что для различных условий рынка могут потребоваться различные скоринговые модели. Например, модель, хорошо зарекомендовавшая себя в условиях экономической стабильности, может оказаться совершенно несостоятельной в условиях кризиса, когда вероятность потери работы или снижения дохода клиентов возрастает, а риск дефолта по кредиту соответственно увеличивается.

Метод классификации (Data Mining)

Задача разбиения множества объектов или наблюдений на априорно заданные группы, называемые классами, внутри каждой из которых они предполагаются похожими друг на друга, имеющими примерно одинаковые свойства и признаки. При этом решение получается на основе анализа значений атрибутов (признаков).

Классификация является одной из важнейших задач Data Mining. Если аналитику известны свойства объектов каждого класса, то когда новое наблюдение относится к определенному классу, данные свойства автоматически распространяются и на него.

Если число классов ограничено двумя, то имеет место бинарная классификация, к которой могут быть сведены многие более сложные задачи. Например, вместо определения таких степеней кредитного риска, как «Высокий», «Средний» или «Низкий», можно использовать всего две - «Выдать» или «Отказать».