Как банки и МФО зарабатывают на нестандартных заемщиках с помощью альтернативного скоринга

Масштаб упущенной выгоды: сколько теряют банки и МФО

Чтобы понять масштаб проблемы, нужно посчитать, сколько потенциальных заемщиков остается за бортом финансовой системы и сколько денег теряют банки и МФО, отказывая им.

Кто такие «нестандартные заемщики»

Термин «нестандартные заемщики» объединяет несколько категорий людей, которых традиционный скоринг не может оценить:

Почему традиционный скоринг не работает для нестандартных заемщиков

Традиционные скоринговые модели (FICO, кредитные баллы БКИ) были разработаны 50-60 лет назад для оценки заемщиков с регулярным доходом и длинной кредитной историей. Они используют ограниченный набор параметров: количество кредитов, историю платежей, долговую нагрузку, длину кредитной истории. Для людей без этой информации модели просто «не видят» заемщика и автоматически отклоняют заявку.

Проблемы традиционного подхода

1. Отсутствие данных — не отсутствие надежности. Если у человека нет кредитной истории, это не значит, что он ненадежен. Это значит, что он не пользовался кредитами. Многие молодые люди, мигранты, самозанятые просто не брали кредиты, но исправно платят за все остальные услуги.
2. Нерегулярный доход — не отсутствие дохода. Фрилансер может зарабатывать 100 000 ₽ в один месяц и 30 000 ₽ в другой. Традиционный скоринг видит «нестабильность» и отказывает. Но если усреднить доход за 6-12 месяцев, он может быть выше, чем у наемного работника с «белой» зарплатой.
3. Косвенные признаки платежеспособности игнорируются. Человек может исправно платить за ЖКХ, мобильную связь, интернет, фитнес-клуб, подписки на стриминговые сервисы. Эти платежи — отличный индикатор финансовой дисциплины, но традиционный скоринг их не учитывает.
4. Дискриминация по формальным признакам. Возраст, регион проживания, тип занятости — все это используется как прокси для оценки риска, хотя напрямую не связано с платежной дисциплиной. Молодой человек из Москвы и молодой человек из небольшого города могут иметь одинаковую надежность, но скоринг оценит их по-разному.

Альтернативные данные: что использует SmartScoringQR

Модуль Alternative Scoring системы SmartScoringQR анализирует более 200 альтернативных параметров, которые позволяют оценить надежность заемщика без традиционной кредитной истории. Эти данные делятся на несколько категорий.

Категории альтернативных данных

Как данные собираются с согласия пользователя

Важно подчеркнуть: все альтернативные данные собираются только с явного согласия заемщика. В процессе заполнения заявки пользователь видит:

• Прозрачный список данных. «Для оценки вашей надежности мы запросим данные о платежах за мобильную связь и ЖКХ. Это повысит шансы на одобрение».
• Гранулярное согласие. Пользователь может выбрать, какие данные предоставить: «Разрешить доступ к истории платежей за мобильную связь», «Разрешить доступ к данным о ЖКХ» и т.д.
• Стимулы за предоставление данных. «Предоставив данные о платежах за ЖКХ, вы увеличите сумму одобренного кредита на 20%».
• Защита данных. «Все данные передаются в зашифрованном виде и используются только для оценки заявки. Мы не передаем их третьим лицам».

ML-модели для альтернативного скоринга: как работает магия

Собрать альтернативные данные — это только половина задачи. Вторая половина — построить ML-модель, которая превратит эти разрозненные данные в точную оценку надежности заемщика. SmartScoringQR использует ансамбль из нескольких моделей, каждая из которых специализируется на своем типе данных.

Архитектура ML-моделей

1. Модель телеком-скоринга. Анализирует историю платежей за мобильную связь: регулярность, суммы, длительность контракта, наличие блокировок. Обучена на данных 5+ миллионов заемщиков с известной кредитной историей. Точность предсказания просрочки 90+ дней — 78%.
2. Модель ЖКХ-скоринга. Анализирует платежи за коммунальные услуги: наличие задолженностей, регулярность, сезонные паттерны. Это один из самых сильных предикторов платежной дисциплины. Точность — 82%.
3. Модель поведенческого скоринга. Анализирует, как пользователь заполняет заявку: скорость, внимательность, чтение условий. Выявляет признаки мошенничества и импульсивного поведения. Точность — 71%.
4. Модель карьерного скоринга. Анализирует образование, место работы, должность, стаж. Оценивает стабильность дохода и профессиональный рост. Точность — 74%.
5. Ансамблевая модель. Объединяет предсказания всех специализированных моделей через градиентный бустинг (XGBoost/LightGBM). Финальная точность предсказания просрочки 90+ дней — 87%, что сопоставимо с традиционным кредитным скорингом (89-91%).

Обучение моделей на исторических данных

Ключевой вызов альтернативного скоринга — отсутствие размеченных данных. Как обучить модель предсказывать дефолт, если у заемщиков нет кредитной истории и неизвестно, кто из них defaulted?

SmartScoringQR решает эту задачу через несколько подходов:

• Transfer Learning (Перенос обучения). Модели сначала обучаются на данных заемщиков с полной кредитной историей (где известен факт дефолта), а затем дообучаются на альтернативных данных. Это позволяет «перенести» знания о паттернах дефолта на новый сегмент.
• Semi-Supervised Learning (Полуобучение). Используется небольшое количество размеченных данных (заемщики, которые позже получили кредитную историю) и большое количество неразмеченных данных (все остальные). Модель учится выявлять паттерны в неразмеченных данных.
• Proxy Labels (Прокси-метки). Вместо факта дефолта используются прокси-переменные: задержки платежей за ЖКХ, блокировки мобильного телефона, жалобы от кредиторов. Эти события коррелируют с кредитным дефолтом и могут служить метками для обучения.
• Пилотные программы. Банк или МФО выдает небольшие кредиты (5 000-15 000 ₽) сегменту нестандартных заемщиков и отслеживает их поведение. Через 6-12 месяцев накапливаются данные для обучения моделей.

Практика внедрения: как банк начинает кредитовать нестандартных заемщиков

Внедрение альтернативного скоринга — это не просто технический проект, это изменение бизнес-модели. Банк или МФО должно пройти несколько этапов, чтобы безопасно выйти на новый сегмент.

Дорожная карта внедрения

Управление рисками на старте

При выходе на новый сегмент важно минимизировать риски. SmartScoringQR предлагает несколько механизмов защиты:

• Постепенное увеличение лимитов. Начать с небольших сумм (5 000-15 000 ₽), постепенно увеличивая лимиты для заемщиков с хорошей историей платежей.
• Повышенные процентные ставки. На старте можно установить ставки на 2-5% выше рыночных для компенсации неопределенности. По мере накопления данных ставки снижаются.
• Ужесточенные пороги одобрения. На старте одобрять только заемщиков с очень высокими альтернативными скоринговыми баллами. Постепенно пороги снижаются.
• Мониторинг в реальном времени. Постоянный отслеживание уровня просрочки, ранние индикаторы проблем (задержки платежей за ЖКХ, блокировки телефона).
• A/B тестирование. Параллельное тестирование разных моделей и порогов на случайных выборках для выявления оптимальной стратегии.

Кейс: Как МФО «ЗаймЛайн» вышло на рынок самозанятых и увеличило портфель на 35%

МФО «ЗаймЛайн» (портфель 2 млрд рублей, 50 000 активных заемщиков) столкнулось с проблемой насыщения рынка. Традиционный сегмент заемщиков с кредитной историей был почти полностью охвачен, рост замедлился до 5-7% в год. При этом компания видела, что конкуренты начинают активно кредитовать самозанятых и молодых людей без кредитной истории.

Руководство приняло решение внедрить модуль Alternative Scoring системы SmartScoringQR и выйти на сегмент самозанятых (12% населения, растущий на 25% в год).

• Подключены API операторов связи (МТС, Билайн, МегаФон) и агрегатора платежей ЖКХ.
• Настроена интеграция с ФНС для проверки статуса самозанятого и истории уплаты налога на профессиональный доход.
• Разработана скоринговая модель на основе телеком-данных, платежей ЖКХ и карьерных данных.
• Запущена пилотная программа на 3 000 самозанятых с лимитом 10 000 ₽.
• После 4 месяцев пилота — полноценный запуск продукта «Займ для самозанятых» с лимитом до 50 000 ₽.

Ключевым фактором успеха стала точность альтернативного скоринга. Модель SmartScoringQR выявила, что самозанятые с регулярными платежами за ЖКХ и мобильную связь, работающие в сферах IT, дизайна и консалтинга, имеют уровень просрочки ниже среднего. МФО смогло предложить им конкурентные условия и забрать значительную долю рынка у традиционных банков, которые отказывали этому сегменту.

Экономика альтернативного скоринга: ROI для банка и МФО

Внедрение альтернативного скоринга требует инвестиций в инфраструктуру данных, ML-модели и пилотные программы. Но экономический эффект многократно превышает затраты.

Расчет ROI для МФО среднего размера

Регуляторные аспекты и этика альтернативного скоринга

Использование альтернативных данных в кредитовании находится в фокусе внимания ЦБ РФ. Важно соблюдать баланс между инновациями и защитой прав потребителей.

Соответствие требованиям регуляторов

• 152-ФЗ «О персональных данных». Все альтернативные данные собираются только с явного согласия пользователя. Данные хранятся на серверах в РФ, шифруются, доступ ограничен.
• Право на объяснение. Заемщик может запросить объяснение решения. Система генерирует понятное объяснение: «Кредит одобрен благодаря вашей истории исправных платежей за ЖКХ и мобильную связь» или «Кредит отклонен из-за нерегулярных платежей за мобильную связь».
• Отсутствие дискриминации. ML-модели регулярно проходят аудит на предмет смещения (bias). AI не использует пол, возраст, национальность, религию как факторы принятия решения.
• Право на отказ. Заемщик может отказаться от предоставления альтернативных данных без негативных последствий. В этом случае заявка оценивается по традиционным критериям (если они доступны).
• Прозрачность. На сайте банка или МФО публикуется информация о том, какие альтернативные данные используются и как они влияют на решение.

Будущее альтернативного скоринга: куда движется индустрия

Альтернативный скоринг — это не временный тренд, а фундаментальное изменение индустрии кредитования. В ближайшие 3-5 лет произойдут следующие изменения:

1. Открытый банкинг (Open Banking). С развитием открытого банкинга в России (по аналогии с Европой и Великобританией) банки получат доступ к транзакционным данным заемщиков с их согласия. Это даст самый мощный источник данных для альтернативного скоринга.
2. AI и большие данные. ML-модели будут становиться точнее по мере накопления данных. Точность альтернативного скоринга приблизится к традиционному (90%+), что сделает его стандартом для всех сегментов.
3. Персонализация условий. Вместо бинарного решения «одобрить/отклонить» банки будут предлагать персонализированные условия: сумма, ставка, срок — все будет рассчитываться индивидуально на основе альтернативных данных.
4. Расширение сегментов. Альтернативный скоринг позволит кредитовать еще более niche сегменты: студенты, люди с инвалидностью, жители очень удаленных регионов, люди с очень низкими доходами, но высокой финансовой дисциплиной.
5. Интеграция с госуслугами. Данные из Госуслуг (налоги, штрафы, социальные выплаты) станут еще одним источником для оценки надежности заемщика.