Когда ИИ — не главный. Как финтех учится совмещать алгоритмы и людей: опыт краудплатформы

В последние годы автоматизированные модели скоринга активно используются в финтехе. Но по мере масштабирования платформ и усложнения бизнес-среды становится понятно: ИИ не всегда может справиться без поддержки человека. Один из подходов, который все чаще используется в этой отрасли — совместная работа машинного обучения и андеррайтеров. Как она реализована на краудплатформе и почему оказалось недостаточно только ML — разберем на примере.

Что такое скоринг

Скоринг — это автоматизированная система оценки заемщика. На основе массы параметров (кредитная история, обороты, данные о владельцах и др.) системе необходимо принять решение: выдать заем или нет, и с каким уровнем риска.

Подход JetLend — не единственный на рынке: банки традиционно опираются на классический андеррайтинг, в то время как некоторые зарубежные peer-to-peer платформы делают ставку исключительно на автоматические модели. У каждого подхода — свои сильные и слабые стороны, и выбор зависит от специфики рынка и аудитории. В случае JetLend ставка сделана на гибрид: ИИ + человек.

Почему одного ИИ оказалось недостаточно

ML-модель принимала решения после анализа транзакционной активности компании, а также ритмичности и объемов поступлений. По мере масштабирования стало очевидно, что такой подход имеет серьёзные ограничения именно в работе с российским малым и средним бизнесом.

При работе только с автоматическим скорингом компания столкнулась с рядом системных ошибок:

• Использование номинальных владельцев и запутанных структур владения усложняло верификацию конечных бенефициаров.
• Отсутствие сквозного анализа хозяйственной деятельности приводило к расхождению между транзакционной активностью и реальным бизнесом.
• Управленческая отчетность часто существенно отличалась от бухгалтерской, снижая достоверность выводов.
• Отсутствие физической верификации бизнеса мешало понять, ведётся ли фактическая операционная деятельность.
• Рассмотрение компаний в отрыве от группы приводило к недооценке долговой нагрузки и взаимосвязей, из-за чего риски оказывались заниженными.

В результате доля дефолтов начала расти. Поэтому с 2024 года ML-модель используется совместно с андеррайтерами. В рамках реформы риск-модели было внедрено более 40 структурных изменений.

Как работает совместная модель

С 2024 года JetLend внедрил обновленную систему: теперь скоринг проводится одновременно ИИ-моделью и командой андеррайтеров. Это объединило скорость и масштаб ML с экспертной оценкой факторов, на которые автоматика пока не способна.

ML-модель (логистическая регрессия, деревья решений) оценивает вероятность дефолта, выдает рейтинг от 1 до 18. Основная метрика — коэффициент Gini, показывающий точность ранжирования.

ML-модель анализирует риски параллельно с андеррайтерам. Авто-скоринг делает первичную оценку по открытым данным. Риск-специалисты выявляют стоп-факторы, уточняют для ML-модели актуальные объемы бизнеса (по выпискам, бухгалтерско-финансовой отчетности, ответам заемщика с запрошенных внешних источников, долга по данным Бюро кредитных историй), проводят выездные проверки бизнеса и корректируют рейтинг. После этого данные проходят повторный скоринг.

Что потребовалось для реализации

Чтобы повысить качество отбора и снизить уровень дефолтов, мы провели глубокий анализ проблемных кейсов. Каждая просроченная сделка была разобрана вручную: от финансовых показателей заемщика до поведенческих признаков. Это позволило выявить устойчивые факторы риска и внести точечные изменения в процесс принятия решений.

Техническая архитектура скоринговой модели осталась без изменений — мы не переписывали сам алгоритм. Вместо этого усилили контроль на уровне андеррайтинга: теперь все заявки проходят многоступенчатую проверку. Первая оценка — от модели, но финальное решение всегда остается за андеррайтером. Более того, каждая сделка проверяется как минимум двумя людьми: сначала её оценивает андеррайтер, затем — руководитель. При любых сомнениях заявка выносится на кредитный комитет.

Фактически мы перешли от автоматического скоринга к системе, в которой человек принимает решение, опираясь на рекомендации модели. Это обеспечило качественный сдвиг в управлении рисками.

Что изменилось после внедрения совместного подхода

С момента внедрения новой системы, в которой сочетается анализ рисков с помощью ML-модели и андеррайтинга, потребовалось улучшить такие метрики:

• Расширен список стоп-факторов: падение выручки в разные периоды времени, наличие реструктуризированных внешних займов, минимальный размер прибыли и  еще свыше 50 новых риск-факторов.
• Автоматический отзыв рейтинга при просроченной задолженности по займу, блокировка траншей при расхождении отчетности и реальных показателей бизнеса.
• На регулярной основе проводится мониторинг по актуальной отчетности Заемщиков для актуализации текущего рейтинга.

Эффект оказался значительным: уровень дефолтов снизился в 2 раза ко II кварталу 2024 года, а к IV кварталу — до 0,25%. Как итог:

• Рейтинги обновлены для всех активных займов, неподходящие — исключены.
• По некоторым займам доходность может быть выше, чем по гособлигациям, но с соответствующим уровнем риска.
• Фактический XIRR по портфелю вырос, доходность по новым займам — от 30% годовых.
• Запущена программа выкупа потерь, позволяющая инвесторам очистить портфель от «токсичных» активов.

И хоть скоринг снижает долю дефолтов, такие системы чувствительны к качеству входных данных и могут давать сбои при недостаточной верификации.

Вывод

Опыт JetLend показывает: в нестабильной среде и при работе с малым бизнесом машинное обучение должно идти рука об руку с человеком. Это не вопрос моды, а устойчивости и точности скоринга. А финтех-инфраструктура будущего — это не только про алгоритмы, но и про здравый смысл. Но открытым остается вопрос — насколько устойчивой окажется эта модель в случае резкой смены макроэкономической конъюнктуры.