Переход на полностью автоматический скоринг в кредитах для МСБ часто приводит к росту NPL на 1.5–3% из-за неспособности алгоритмов распознать специфические бизнес-риски. Модель Human-in-the-loop (HITL) позволяет удерживать уровень дефолта в рамках нормы, делегируя автоматике 70–80% простых заявок и оставляя экспертам сложные кейсы с высоким чеком.
Точки сегментации потока заявок
Эффективный HITL строится на жестком разделении трафика по уровням риска и сумме кредита. В практике цифрового кредитования оптимальным считается порог автоматического одобрения (STP — Straight-Through Processing) до 5–10 млн рублей для компаний с оборотом до 500 млн рублей в год. Все, что выше или имеет отклонения в скоринге (зона 'серого' одобрения), направляется на ручной андеррайтинг.
Пример: если модель выдает вероятность дефолта (PD) в диапазоне 2%–5%, автоматика ставит статус 'на рассмотрение'. Перевод таких заявок на эксперта сокращает риск ошибочного одобрения на 12–15% по сравнению с полностью автономным решением. Экспертный вывод: attempting автоматизировать 100% портфеля в сегменте МСБ — стратегическая ошибка, ведущая к деградации качества активов.
Стоимость решения: авто-скоринг против эксперта
Экономика HITL базируется на разнице стоимости одного решения. Стоимость автоматического скоринга (включая API-запросы к БКИ и внешним базам) составляет от 100 до 500 рублей. Стоимость ручного анализа одного кейса экспертом-аналитиком (с учетом ФОТ и времени обработки 2–4 часа) варьируется от 3 000 до 8 000 рублей.
Кейс: при объеме 1000 заявок в месяц и доле STP 75%, затраты на обработку составляют ~150 тыс. руб. (авто) + ~1.5 млн руб. (ручной труд). Если попытаться увеличить STP до 95% за счет снижения жесткости фильтров, рост NPL на 1% при портфеле в 1 млрд рублей принесет убытки в 10 млн рублей, что полностью перекрывает экономию на ФОТ. Экспертный вывод: ручной андеррайтинг — это не издержка, а страховой взнос за чистоту портфеля.
Интеграция альтернативных данных в HITL
Основная проблема взаимодействия человека и машины — «черный ящик» алгоритма. Для эффективного HITL аналитик должен видеть не просто финальный балл, а вклад конкретных факторов. Внедрение интерпретируемых моделей (например, на базе SHAP-значений) позволяет сократить время ручного анализа с 4 часов до 40–60 минут.
Использование сravnenie modelej avtomaticeskogo skoringa na osnove alternativnyh dannyh позволяет выявлять аномалии, которые машина считает риском, а эксперт — особенностью бизнеса (например, сезонный провал по выручке в строительном секторе). Экспертный вывод: интерфейс для андеррайтера должен содержать 'карту отклонений' от эталона, а не просто статус 'Отказ/Одобрение'.
Метрики эффективности гибридной модели
Оценка HITL проводится через расчет коэффициента точности пересмотра (Override Rate). Если аналитики меняют решение авто-скоринга в 30% и более случаев, модель требует переобучения. Оптимальный уровень Override Rate в зрелых системах составляет 5–12%.
Важной метрикой является Time-to-Decision. В гибридной модели целевой показатель для STP — до 15 минут, для ручного анализа — до 24 рабочих часов. Превышение этого срока ведет к оттоку клиентов (Churn Rate) на этапе ожидания, что делает критически важной metodika analiza vliyaniya interfejsnyh reshenij ui ux na skorost zapolneniya tsifrovoy zayavki. Экспертный вывод: мониторинг разрыва между решением машины и человека — единственный способ вовремя заметить дрифт данных в модели.
Вывод
Гибридная модель HITL — единственный рациональный путь для кредитования бизнеса с чеками выше 5 млн рублей. Рекомендую начинать с жесткого STP-фильтра (70% простых заявок) и внедрения интерпретируемого скоринга для аналитиков. Избегайте полной автоматизации в периоды высокой волатильности рынка: в такие моменты следует временно снижать порог STP до 40-50%, увеличивая долю ручного контроля. Оптимальный баланс: скорость для малых чеков, глубокая экспертиза для крупных.
Читайте также
Шире вопрос разобран в основной статье Оценка персонала в компаниях.