Jak banky rozhodují o poskytnutí úvěru?

Jak oddělit zrno od plev

Bankovnictví patří mezi lukrativní, ale zároveň dosti rizikové obory podnikání. Identifikace, měření a řízení finančních rizik je pro každou banku doslova otázkou bytí a nebytí. Selhání v této oblasti by totiž mohlo skončit správním řízením o odnětí bankovní licence, v horším případě krachem banky. Orgány státního dozoru si dobře uvědomují, že podcenění rizik a přehnaná úvěrová expanze amerických hypotečních bank doprovázená nízkými požadavky na bonitu klientů patřily k  prvotním příčinám celosvětové finanční krize.

Spíše než na věštění z křišťálové koule banky spoléhají na analýzu rizik a statistické metody. V množství již realizovaných úvěrových obchodů se snaží nalézt charakteristiky a vzorce chování typické pro určité skupiny klientů. S nimi pak pracují skóringové modely zařazující žadatele o úvěr do rizikových skupin. Cílem je předpovědět pravděpodobné budoucí chování klienta a vytvořit rozhodovací pravidla pro přijetí či zamítnutí žádosti o úvěr, resp. pro stanovení rizikové přirážky a dalších podmínek úvěrové smlouvy.

Individuální přístup je drahý

Prakticky všechny banky tvrdí, že právě u nich mohou lidé počítat s individuálním posouzením žádosti o hypoteční úvěr.  Skutečnost je ale často úplně jiná. Osobní přístup k posuzování bonity žadatele o úvěr a snaha vyhovět jeho specifickým požadavkům bývá luxusem vyhrazeným jen pro významné klienty, na jejichž získání či udržení má banka eminentní zájem. Běžný klient se obvykle musí spokojit se standardizovanými postupy, které jsou pro banku méně nákladné.

Zvláště velké banky, které zpracovávají velké množství žádostí o úvěr, z velké části nahradily individuální přístup pevně nastavenými rozhodovacími procesy s automatizovanými algoritmy. Hodnocení bonity žadatelů o úvěr se tím především zrychlilo a zároveň byla do značné míry eliminována subjektivita rozhodování úvěrových pracovníků. Nepříjemným důsledkem je ovšem to, že při jednání v některých bankách si klient připadá spíše jen jako statistická položka.

Skóringové modely používané jednotlivými bankami se vzájemně liší. Přesto mají mnoho společného. Podrobnosti o tom, jaká kritéria a nakolik jsou pro přidělení určitého skóre důležitá, však banky tají. Celý proces tak trochu připomíná výpočet kondiciogramů v české filmové komedii Jáchyme, hoď ho do stroje. Pracovník zadá požadované údaje do počítače, který je zpracuje a vyplivne výsledek. Klient ani pracovník přitom zpravidla nevědí, jak počítač k onomu výsledku došel.

Data mining čili dolování dat

O schválení či neschválení žádosti o úvěr, výši úrokové sazby a dalších podmínkách úvěrové smlouvy rozhodují často i netušené údaje. Kromě výše příjmů a výdajů může jít o vzdělání a pracovní zařazení žadatele, dobu trvání posledního pracovního poměru, rodinný stav a dokonce i místo jeho bydliště. Podle serveru iDnes Česká spořitelna jako novinku  zavádí kritérium úvěrové rizikovosti adresy trvalého bydliště klientů. Žadateli o úvěr tedy mohou při skóringu ubrat body i problémy jeho souseda se splácením hypotéky.

Profilování a segmentace klientů s využitím stále sofistikovanějších data miningových metod přináší bankám nebývalé možnosti, a to nejen v oblasti risk managementu. Mohou ale také vést až k absurditám. Kdyby nějaká banka disponovala informacemi o výšce a barvě vlasů klientů a její analytici by nalezli významnou korelaci těchto údajů s úvěrovou delikvencí, mohl by třeba vysoký blonďák nakonec získat úvěr výhodněji, než jeho méně urostlý černovlasý kolega.

Výpočet kreditního skóre předpokládá relevantnost a neměnnost kritérií a parametrů použitých při výpočtu. Otázkou tedy například je, nakolik je v případě hypotečního úvěru s 30letou splatností relevantní bankami standardně vyžadovaná informace o výši příjmu žadatele za uplynulých 6 nebo 12 měsíců, a to zvláště v současné, ekonomicky značně neklidné době. Banky se sice snaží své skóringové modely průběžně aktualizovat, ale svůj přístup k hodnocení bonity klientů příliš nemění.