Скорость принятия решения в МФО сократилась с 20 минут до 45-120 секунд благодаря переходу на скоринговые системы на базе ML. Сегодня автоматизация — это не просто удобство, а единственный способ удерживать уровень просрочки (NPL) в рамках 15-25% при огромном потоке заявок.
Технологический стек современного скоринга
Основа автоматизации — многоуровневый фильтр. Сначала идет жесткий «стоп-лист» (черные списки, проверка по паспорту), затем анализ БКИ, где система оценивает долговую нагрузку (ПДН). Если ПДН превышает 50%, вероятность автоматического отказа возрастает до 80%, так как риск дефолта становится критическим.
Для сегмента «без справок» используются альтернативные данные: анализ поведения пользователя на сайте, версия ОС, модель смартфона и даже скорость заполнения анкеты. Если заемщик вводит данные слишком быстро (копипаст), система помечает заявку как подозрительную (фрод), что увеличивает вероятность ручной проверки или отказа.
Экспертный вывод: Опора только на БКИ сегодня убыточна. Побеждают компании, интегрировавшие поведенческий анализ и данные сотовых операторов.
Борьба с фродом и верификация личности
Основная проблема автоматизации — кража персональных данных. Для защиты МФО внедряют Liveness-проверку (селфи с паспортом в реальном времени) и сверку с государственными реестрами. Стоимость одной такой проверки варьируется от 10 до 45 рублей, но она снижает уровень мошенничества на 30-40%.
Практический кейс: Компания X внедрила проверку соответствия номера телефона и владельца паспорта через API оператора. Это позволило отсечь до 12% заявок-пустышек, которые проходили по формальным критериям БКИ, но были созданы ботами или мошенниками.
Экспертный вывод: Инвестиции в антифрод-системы окупаются за 2-3 месяца за счет снижения объема безнадежных долгов.
Оптимизация воронки и выдача средств
Цель автоматизации — максимально сократить путь от клика до получения денег. Когда клиент оформляет заем на карту, система в фоновом режиме проверяет карту на активность и принадлежность владельцу (через микросписание 1-10 рублей или запрос в платежную систему). Это исключает ошибки перевода и попытки использовать чужие реквизиты.
Оптимизация интерфейса (UX) влияет на конверсию напрямую: сокращение количества полей в анкете с 20 до 12 увеличивает долю дошедших до заявки пользователей на 15-20%. Однако чрезмерное упрощение ведет к росту процента отказов на финальном этапе из-за нехватки данных для скоринга.
Экспертный вывод: Баланс между краткостью анкеты и полнотой данных — главная точка роста конверсии в 2024 году.
Риски автоматического одобрения и фильтры
Главный риск — «перекредитованность» клиента. Автоматика может одобрить займ, если БКИ чистое, но не увидеть, что за последние 48 часов пользователь подал 10 заявок в разные МФО. Именно поэтому сейчас работают жесткие риски и фильтры при оформлении займа без справок, которые блокируют выдачу при избыточной активности заемщика.
Пример: При ПДН 30-40% система может предложить сниженный лимит (например, 5 000 вместо 15 000 руб.) и повышенную ставку, если это предусмотрено тарифным планом. Это позволяет диверсифицировать риски портфеля.
Экспертный вывод: Гибкие лимиты эффективнее полного отказа. Лучше выдать малую сумму и проверить платежную дисциплину, чем потерять клиента навсегда.
Экономика автоматизации для кредитора
Переход на полностью автоматический скоринг снижает операционные расходы (OPEX) на обработку одной заявки с 150-300 рублей (при ручном разборе) до 15-40 рублей. При объеме 10 000 заявок в месяц экономия составляет от 1 млн рублей.
Однако стоимость ошибки при автоматическом одобрении «токсичного» заемщика равна сумме займа плюс проценты. Поэтому МФО используют A/B тесты: 90% заявок идут по алгоритму, 10% — на ручную проверку для калибровки модели и поиска новых паттернов дефолта.
Экспертный вывод: Полная автоматизация без контрольной группы «ручного» анализа ведет к деградации скоринговой модели через 6-12 месяцев.
Вывод
Автоматизация проверки заемщика — это борьба за секунды конверсии при жестком контроле рисков. Рекомендую внедрять гибридную модель: автоматический скоринг на базе ML + Liveness-верификация + обязательный анализ ПДН. Избегайте упрощения анкет до минимума, так как это убивает точность скоринга. Начинать стоит с интеграции API операторов связи и обновления антифрод-фильтров, так как именно здесь сейчас сосредоточены основные потери капитала.
Хороший разбор связанной темы — заем на карту — подробнее.