99,9% решений по кредитным продуктам в Home Credit Bank принимаются без участия человека. Банковский скоринг давно перестал быть просто проверкой анкет. Теперь решение принимается за считанные минуты благодаря ML-моделям, антифрод-системам и анализу данных о поведении клиента.
Управляющий директор по управлению модельным анализом и кредитными рисками Олег Болтик рассказал Digital Business, как МL помогает банку принимать решения по заемщикам и бороться с мошенниками, и почему главным ограничением для развития ИИ в финтехе остаются данные, а не технологии.
Кто стоит за одобрением кредита
— Какие задачи стоят перед вашим направлением и как устроена команда?
— Мое направление отвечает за весь цикл принятия кредитных решений и управление кредитными рисками банка. Анализируем качество портфеля, работаем с задолженностью, а также разрабатываем и совершенствуем ML-модели, которые помогают точнее оценивать клиентов и принимать решения по кредитам.
Команда состоит из нескольких блоков с разными задачами.
Операционный блок – это коллекшн-команда. Она занимается урегулированием задолженности: взаимодействует с клиентами, сопровождает процесс взыскания, включая выезды и судебную работу.
Команда риск-менеджмента отвечает за расчет резервов, портфельную отчетность, мониторинг кредитных рисков и настройку внутренних систем.
Отдельное направление сфокусировано на разработке и развитии ML-моделей и инфраструктуры для них.
Также есть аналитический блок, который разрабатывает стратегии работы с задолженностью, анализирует эффективность взыскания и строит модели сегментации клиентов.
Как модели прогнозируют поведение клиентов
— Вы неоднократно упоминали ML – как эти технологии используются в банке сегодня?
— ML-модели в Home Credit Bank работают больше пяти лет. В прошлом году обработали 11 млн заявок и запросили 55 млн внешних отчетов по клиентам. То есть база знаний и данных о пользователях и их поведении колоссальная.
Первая и ключевая область, где применяем МL – сегментация клиентов в зависимости от риск-профиля. Собираем данные о человеке, а модели оценивают, насколько высока вероятность, что возникнут проблемы с выплатой кредита. На основе этого формируется рейтинг клиента:
- если риск низкий – предлагаем лучшие условия, продукты и максимальные лимиты;
- средний риск – средние условия;
- высокий риск – с таким клиентом не работаем.
Благодаря новым данным и применению передовых математических методов риск снизился на 9%.
В 2025 году внедрили модель, которая прогнозирует, какими продуктами человек воспользуется и какой доход может принести банку. С помощью модели понимаем: один откроет депозит, другой возьмет кредит наличными, а третий в ближайшее время останется вне воронки повторных продаж. В итоге эффективность повторных продаж выросла на 13%.
Чем выше потенциальная прибыльность пользователя, тем более привлекательные условия он получит. При этом потенциал клиента оценивается на протяжении всей работы с банком. Например, если человек регулярно пользуется кредитной картой и при этом стабильно погашает задолженность, можем увеличить ему лимит.
— Как ML используется в коллекшене?
— С помощью модели мы понимаем, кто сам погасит задолженность, а кто вообще не планирует это делать. Такая сегментация помогает выбрать верную стратегию взаимодействия – нужно ли общаться с клиентом более мягко, или наоборот, необходимо как можно раньше начинать выезды и выставлять платежные требования.
Использование моделей и инструментов ИИ позволило на 30% сократить расходы на взыскание и увеличить на 28% уровень возврата в сегменте пользователей с высоким риском. Мы регулярно обновляем модели, чтобы сохранять тот же уровень эффективности.
Как банк выявляет жертв мошенников
— Не могу обойти стороной тему фрода — какие инициативы есть в этой области?
— Основная проблема сегодня – социальная инженерия. Человеком манипулируют, оказывают давление, и он фактически не понимает, что делает.
Есть 2 основных сценария:
- Первый – алчность. Человеку говорят: оформим кредит, инвестируем в биткоины, ИИ, акции – и ты станешь богаче. Конечно, это обман.
- Второй – страх. Злоумышленники сообщают, что на клиента оформили кредит или у него есть запрещенные транзакции. Это манипуляция через давление. Человек оформляет кредит, отправляет деньги мошенникам и только потом понимает, что стал жертвой.
— Как боретесь с такими случаями?
— Есть собственные разработки, которые анализируют поведение клиента в момент оформления кредита и помогают определить, может ли человек быть жертвой мошенничества. Если система фиксирует риск, банк может отказать в выдаче кредита или временно «заморозить» перечисление средств. Благодаря использованию ML-моделей в антифрод-системах выявляем около 90% мошенничества с социальной инженерией, предотвращая потери примерно на 1 млрд тенге в месяц.
Также стоит отметить инициативы регулятора: согласно требованиям, банки обязаны внедрять механизмы, ограничивающие работу мобильного приложения при включенных программах удаленного доступа на устройстве. Это помогает предотвратить случаи, когда мошенники под давлением заставляют человека установить такой софт и дистанционно оформить кредит без его непосредственного участия.
В Home Credit Bank эти инструменты внедрены более 5 лет назад, но у кого-то их не было. Сейчас регулятор обязывает иметь их все банки, и это абсолютно правильно.
Второе важное изменение – период охлаждения. Если человек оформляет кредит онлайн на сумму более 150 МРП, у него есть сутки на то, чтобы посоветоваться с близкими и передумать. После внедрения этого инструмента количество случаев онлайн-мошенничества значительно уменьшилось.
— Какие риски люди часто недооценивают?
— Один из самых важных рисков – дропперство. Это когда человеку предлагают использовать его карту для перевода чужих денег: на счет приходит крупная сумма, а дальше ее просят отправить кому-то еще. За это могут обещать вознаграждение – иногда до 10% от суммы.
Фактически человек становится соучастником преступления. Помимо уголовной ответственности, если один из банков определяет человека как дроппера, его счета могут быть заблокированы во всех банках. В таком случае он не сможет пользоваться картами, получать зарплату и проводить финансовые операции, а восстановить доступ к банковским услугам будет крайне сложно.
Именно поэтому финансовая грамотность сегодня особенно важна. Люди должны понимать, какими способами действуют мошенники и какие последствия и ответственность могут наступить за участие в подобных схемах.
Что мешает развивать ИИ в банке
— Насколько сегодня автоматизированы процессы внутри банка?
— 99,9% решений по кредитным продуктам принимаются без участия человека. Это стало возможным благодаря интеграции с государственными сервисами: не нужно проверять вручную прописку, фамилию, фото, документы и другие данные.
Но, конечно, есть куда расти. Основная задача сейчас – работать с поведенческими данными в режиме реального времени и быстро предлагать клиенту актуальные продукты.
— Какие ограничения видите в плане развития технологий?
— Основное внутреннее ограничение связано с качеством данных: они должны быть проверены, правильно организованы, без ошибок и «белых пятен». Гигиена должна быть на высшем уровне, иначе никак. Данные – это фундамент всей ML-инфраструктуры, для поддержки которого нужна ежедневная кропотливая работа.
— А если говорить про внешние ограничения?
— Есть ряд регуляторных требований: например, где находятся серверы для хранения и обработки данных, какие сервисы можно использовать, что можно передавать, а что нельзя.
На сегодняшний день в Казахстане правила игры разумные. К примеру, в странах Европейского Союза требования к использованию ИИ намного жестче. Дальнейшее развитие будет зависеть от последствий, к которым это приведет. Если ИИ в контексте клиентских данных будет применяться неразумно, ограничения станут более строгими.
Для Home Credit Bank развитие ИИ и МL – одна из стратегических инициатив. При этом основной акцент делается не на массовом внедрении технологий, а на качестве их применения. В будущем банки будут конкурировать не только ставками и условиями, а тем, насколько точно смогут понимать потребности клиентов.