С одной стороны, банку важно минимизировать риски, а, с другой - не допустить ошибку, которая может привести к тому, что хороший клиент получит отказ и обратится в другой банк

В 2018 году, по нашим ожиданиям, должен произойти прорыв в области перевода принятия решений о выдаче потребительских кредитов на самообучающиеся модели, основанные на алгоритмах машинного обучения. Дело в том, что традиционные методы построения скоринговых карт исчерпали свои возможности и не позволяют улучшить качество принятия решений, особенно когда речь идет о массовом розничном кредитовании, где используется так называемый кредитный конвейер. Скорость и качество оценки платежеспособности клиента сегодня выходит на первый план, поскольку конкуренция между банками за хороших заемщиков крайне высока. С одной стороны, банку важно минимизировать риски, а, с другой - не допустить ошибку, которая может привести к тому, что хороший клиент получит отказ и обратится в другой банк.  

При большом потоке информации в ближайшем будущем нельзя будет обойтись без продвинутых алгоритмов.  Здесь уместно привести такие термины, как градиентный бустинг и нейронные сети. С их помощью можно гораздо эффективнее агрегировать внутреннюю информацию из систем банков, данные внешних источников, сегментировать входящий поток заявок. Машинное обучение позволяет с высокой точностью как производить автоодобрение заявок, так и делать автоотказы. Но не нужно думать, что процесс решения превращается в бездушный механизм. Продвинутые методы оценки, во-первых, сами по себе более точны и эффективны. Во-вторых, если машина сомневается, то заявка попадает в "серую зону" - и здесь уже сотрудники банка проводят точечную ручную верификацию. Другими словами, человек подключается к вопросу только тогда, когда это действительно необходимо.  

Есть целый ряд специфических факторов, увеличивающих или уменьшающих риск, которые андеррайтеру приходится анализировать самостоятельно и принимать решение о возможности выдачи кредита. Количество этих факторов достигает нескольких сотен. Кроме того, по своему смыслу и структуре их набор сильно отличается от переменных, которые входят в скоринговые карты, работающие перед данным этапом. Машинное обучение позволяет систематизировать этот процесс. Встраивание сложных моделей машинного обучения в онлайн-оценку клиента производится с помощью специальных утилит-коннекторов сервера расчетов и фронт-систем. 

Различные модели можно объединять в ансамбли, обрабатывающие одновременно данные кредитных бюро, интернет-агрегаторов, массивы голосовой и визуальной информации, связи аккаунта заемщика в соцсетях, психометрическую аналитику и транзакционную активность. Другими словами, модель включает в себя максимальный набор возможных характеристик (измеряется сотнями), тогда как классические скоринговые карты содержат всего 10-15 переменных. Одновременно в разы снижается объем рутинного ручного труда, а коэффициент Gini (универсальная метрика для оценки качества) увеличивается в 1,5 раза по сравнению с показателями классических методов. 

Точность принятия решений, основанных на применении машинного обучения, может превышать 90%

Безусловным достоинством таких моделей является возможность самообучения, учитывается накопленный опыт. В результате точность принятия решений, основанных на применении машинного обучения, может превышать 90%. При этом максимальное время, необходимое для обработки заявок на кредит, сокращается втрое.  

Машинное обучение также логично применять и для определения реакции клиента на предложение кредита. Тем самым банк сокращает расходы на установление контактов и предлагает продукты только тем клиентам, которые в них нуждаются.

В целом для предоставления оптимального набора банковских продуктов и услуг необходимо обладать максимально полной информацией о клиенте. Эффективное использование данных позволяет анализировать траекторию всего жизненного цикла клиента, своевременно реагируя на изменение предпочтений и паттернов поведения. Такая концепция называется 360° Customer View, и сегодня ее применение в области потребительского кредитования в условиях жесткой конкуренции неминуемо: банк ведет клиента с момента заведения кредитной заявки.  

Очевидно, что банк в данном случае снижает риски и издержки, повышает эффективность кросс-продаж. А что получает клиент? Первое - скорость: типовые заявки рассматриваются в режиме реального времени, нестандартные - максимум день (при стандартном подходе - до трех дней). Второе - точная оценка максимального лимита и наиболее подходящих продуктов. К примеру, в рамках общего лимита заемщику могут быть предложены и кредит наличными, и кредитная карта. Третий момент - долгосрочные отношения, позволяющие клиенту получать интересные ему предложения еще до того момента, как он решит обратиться в банк (скажем, предодобренный кредит).