Классический кредитный скоринг на базе БКИ теряет эффективность: доля одобрений по традиционным моделям падает, в то время как внедрение ML-алгоритмов снижает уровень NPL (просрочки) на 15–25% за счет анализа неструктурированных данных.
От жестких правил к гибким ML-моделям
Традиционный скоринг работает по принципу логистической регрессии: если доход ниже X или просрочка была более Y дней, заявка отклоняется. Современные градиентные бустинги (XGBoost, LightGBM) анализируют тысячи переменных одновременно, выявляя нелинейные зависимости. Например, заемщик с низкой официальной зарплатой, но стабильными транзакциями в категории «бизнес-услуги» и регулярными оплатами ЖКХ, получает скор-балл на 100-150 пунктов выше, чем в классической модели.
Микро-кейс: переход финтеха на модель Random Forest позволил увеличить конверсию из заявки в выдачу с 22% до 31% при сохранении уровня дефолта на уровне 4.5%. Экспертный вывод: жесткие фильтры сегодня — это потеря прибыли. Переход на ансамбли моделей позволяет монетизировать «серую» зону клиентов, которых традиционный банк счел бы рискованными.
Big Data и альтернативные источники данных
Скоринг смещается в сторону анализа цифрового следа. В расчет берутся данные о модели смартфона (покупка iPhone 15 Pro Max коррелирует с более низкой вероятностью дефолта по микрозаймам), поведенческий анализ на сайте (время заполнения анкеты, частота исправлений в поле «доход») и даже активность в соцсетях. В некоторых сегментах анализ метаданных устройства позволяет с точностью до 80% определить реальный уровень благосостояния клиента, игнорируя цифры в справке 2-НДФЛ.
Важный нюанс: использование данных о покупках через экономика BNPL-сервисов (Buy Now Pay Later) дает банку понимание реальной дисциплины платежей в режиме реального времени, что гораздо ценнее данных БКИ с задержкой в 30 дней. Экспертный вывод: данные о транзакциях (Open Banking) — главный актив. Кто владеет API платежного поведения клиента, тот диктует ставку.
Психометрический скоринг и поведенческий анализ
Когда кредитная история отсутствует (thin-file clients), применяются психометрические тесты. Анализируются когнитивные паттерны: честность, склонность к риску, уровень ответственности. Ответы на 15-20 специализированных вопросов позволяют с точностью до 70% предсказать вероятность дефолта. Это критично для молодежи 18-23 лет, где классический скоринг дает отказ в 60% случаев из-за отсутствия истории.
Пример: заемщик, который тратит 40% дохода на развлечения, но при этом имеет подписки на образовательные курсы, оценивается как более перспективный, чем тот, кто тратит столько же, но не имеет признаков саморазвития. Экспертный вывод: психометрика — это инструмент расширения воронки, но её нельзя использовать как единственный критерий; только в связке с транзакционным анализом.
Риски «черного ящика» и регуляторный прессинг
Главный подводный камень ИИ-скоринга — проблема интерпретируемости (Explainable AI). Когда нейросеть отклоняет кредит, банк часто не может объяснить причину даже самому себе, что ведет к конфликтам с регулятором. Для решения этой проблемы внедряются SHAP-значения (Shapley Additive Explanations), которые раскладывают итоговый балл на конкретные факторы: например, -50 пунктов за частую смену SIM-карт и +30 за стаж работы более 3 лет.
Ошибка многих компаний — слепое доверие модели без регулярного бэктестинга. В периоды волатильности (например, при скачках ставок ЦБ) старые обучающие выборки становятся неактуальными за 2-3 месяца. Экспертный вывод: модель без механизма Explainable AI — это бомба замедленного действия. Требуйте от разработчиков прозрачного веса каждого признака.
Вывод
Классический скоринг мертв для массового сегмента. Чтобы оставаться конкурентоспособным, нужно переходить на гибридную модель: транзакционный анализ (Open Banking) + ML-ансамбли + психометрика для новых клиентов. Избегайте зависимости от одного источника данных (БКИ) и внедряйте SHAP-анализ для контроля за алгоритмами. Начинать стоит с внедрения альтернативных данных в пре-скоринг, чтобы отсекать явный фрод до запуска дорогостоящих проверок.