Павлова Е.В.кандидат экономических наук, доцент, экономический факультет, МГУ им. М.В. Ломоносова, Москва, Российская Федерация lena.pavlova@gmail.com ORCID id: отсутствует SPIN-код: отсутствует
Роскошенко В.В.аспирант, магистр экономики, экономический факультет, МГУ им. М.В. Ломоносова, Москва, Российская Федерация roskoshenkoeco@mail.ru ORCID id: отсутствует SPIN-код: отсутствует
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.
Siddiqi N. Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring. Hoboken, N.J., Wiley, 2005, 208 p.
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
Thomas L.C. Consumer Credit Models: Pricing, Profit and Portfolios. Oxford University Press, 2009, 385 p.
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
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
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
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
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
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
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
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
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
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
Pons O. Bootstrap of means under stratified sampling. Electronic Journal of Statistics, 2007, vol. 1, pp. 381–391. URL: Link
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.
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
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
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
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
Mays E. Handbook of Credit Scoring. AMACOM, 2001, 370 p.
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
