Один алгоритм, 20 рынков: как Aventus Group строит «скоринг без границ»
От локальной команды в 15 человек до полностью автоматической выдачи — как финтех-группа адаптирует кредитные модели под каждую страну? Андреюс Трофимовас — основатель и CEO Aventus Group, международной финтех-группы, работающей в 20 с лишним странах. Он рассказал, как построить скоринговую модель, которая одновременно работает в Польше, Кении, Вьетнаме и Мексике — и почему это принципиально другая задача, чем скоринг на одном рынке.
Построить скоринговую систему, которая одновременно работает в Польше, Кении, Вьетнаме и Мексике — звучит как задача с принципиально разными входными данными. У каждого рынка своя кредитная культура, своя регуляторная среда, свои поведенческие паттерны заемщиков. Тем не менее Aventus Group делает именно это — и остается прибыльной спустя 17 лет работы. Разбираем, как устроена их технологическая модель.
Как все начиналось: Excel и десяток параметров
В 2009 году, когда Андреюс Трофимовас основал компанию в Вильнюсе, скоринговые модели в онлайн-кредитовании были принципиально проще. Решение о выдаче займа принималось на основе нескольких базовых параметров: демографические данные, история платежей, размер запрашиваемой суммы. Такой подход работал на однородных рынках с предсказуемым поведением заемщиков.
Но при выходе в новые страны он быстро показывал ограничения: то, что хорошо предсказывало дефолт в Литве, не работало в Грузии или Армении. Каждый рынок требовал собственной логики.
«Раньше решение о выдаче займа принималось на основе десятка параметров — примерно на уровне Excel. Сейчас это тысячи переменных. Искусственный интеллект обучается на ошибках и неправильных решениях — и постоянно совершенствуется», — Андреюс Трофимовас, основатель и CEO Aventus Group.
Как устроена модель сегодня
Современная скоринговая система Aventus Group обрабатывает тысячи переменных при каждой заявке. Помимо классических кредитных данных модель анализирует поведенческие паттерны: устройство, с которого подается заявка, время суток, скорость заполнения полей, геолокационные сигналы, данные из открытых источников. На основе этих факторов алгоритм в режиме реального времени рассчитывает индивидуальный балл риска и вероятность возврата займа.
Ключевой принцип — модель учится на каждом решении. Каждый одобренный займ, который был возвращен или не возвращен, становится обучающим примером. Это означает, что точность модели растет со временем: чем дольше компания работает на рынке, тем лучше алгоритм понимает локальную специфику. Данные компании выглядят следующим образом:
- 95% — решений принимается за 1 минуту
- до 99% заявок обрабатывается без участия менеджера (зрелые рынки)
- ~6 месяцев — средний срок обучения модели на новом рынке
- 3–20% — диапазон NPL в зависимости от страны
Проблема локализации: почему единая модель не работает
Один из ключевых технических вызовов при работе в 20+ странах — это не сама модель, а ее адаптация. Алгоритм, обученный на европейских данных, не может напрямую применяться в Юго-Восточной Азии или Африке: разная структура доходов населения, разное отношение к долговым обязательствам, разная доступность верификационных данных.
В Aventus Group нашли баланс: технологическое ядро и инфраструктура остаются едиными для всех стран (что сокращает расходы на ИТ), а вот параметры скоринга адаптируются под каждый рынок отдельно.
При входе на новый рынок компания запускает операции с командой из 10–15 человек. В первые полгода модель работает в «обучающем» режиме: собирает данные, калибрует веса, адаптирует пороговые значения. Только после этого доля автоматических решений начинает расти — с ~70% на старте до 99% на зрелых рынках.
«Зайти на уже сформировавшийся рынок возможно, но максимально сложно. У нас уже накоплены данные, выстроены уникальные экспертизы и — что важнее всего — позади множество уроков и потерь, чтобы эти модели построить», — Андреюс Трофимовас.
NPL как метрика качества модели
Уровень NPL (non-performing loans — доля проблемных займов в портфеле) в Aventus Group варьируется от 3% до 20% в зависимости от страны. На первый взгляд диапазон широкий, но за ним стоит осознанная логика: на зрелых рынках с хорошо откалиброванной моделью NPL держится у нижней границы. На новых рынках или в периоды экономической турбулентности — выше.
Важно, что высокий NPL на одном рынке компенсируется низким на других — именно для этого нужен диверсифицированный географический портфель. Это не просто бизнес-стратегия, это архитектурное решение, встроенное в модель риск-менеджмента: ни один рынок не может потопить всю группу.
Показательна и история с пандемией. Вопреки ожиданиям, дисциплина заемщиков в период COVID-19 оказалась выше, чем до него: банки ужесточили условия кредитования, к онлайн-лендерам пришли более дисциплинированные клиенты, которые раньше предпочитали банковские продукты. Модели, обученные на «плохих» периодах, становятся устойчивее.
Что это означает для рынка
Технологический разрыв между зрелыми финтех-группами и новыми игроками продолжает расти. Aventus Group за 17 лет накопила то, что не воспроизводится за один инвестиционный цикл: данные, откалиброванные модели, локальную экспертизу в 20+ регуляторных средах. Это противоположная модель: рост не через постоянный внешний капитал, а через прибыль, локальные команды и жесткий контроль риска. В апреле 2026 года компания получила премию Most Innovative Credit Provider — Europe от журнала International Investor Magazine.
Для казахстанского рынка, где АРРФР последовательно ужесточает требования к качеству портфелей МФО, этот опыт актуален. Выживут не самые агрессивные игроки, а те, у кого сходятся три вещи: скоринг, стоимость фондирования и прибыльность одного займа. И это конкурентное преимущество Aventus Group имеет уже сейчас.
