Почему пользователи довольны, а продукт убыточен: роль риск-модели в финтехе

Финтех-продукт может показывать отличный пользовательский опыт: высокий уровень одобрения, быстрый онбординг, большие лимиты и длинный грейс-период. Клиенты довольны, продажи растут, метрики активации выглядят здоровыми. Но через несколько месяцев выясняется, что продукт убыточен. Причина часто не в маркетинге и не в интерфейсе, а в дизайне риск-модели. Разбираемся в том, как именно она определяет баланс между ростом клиентской базы, кредитными потерями и экономикой продукта.

Когда хороший пользовательский опыт превращается в кредитный риск

В кредитных продуктах пользовательский опыт напрямую связан с параметрами риск-модели. Чем проще получить деньги, чем выше лимит и мягче условия, тем привлекательнее выглядит продукт для клиента. Но те же самые решения могут увеличивать риск для бизнеса и со временем приводить к убыткам.

Кейс: кредитная карта для отпуска

Показательным оказался опыт запуска кредитной карты для отпуска в одном из финтех-проектов. Продукт строился на очень лояльной риск-политике: предполагалось, что мягкие условия позволят быстро привлечь большое количество новых клиентов.

Главной особенностью карты был длинный грейс-период. Первый платеж нужно было внести только через три месяца. В тот момент такие условия почти никто не предлагал, поэтому продукт выглядел заметно привлекательнее большинства аналогов на рынке.

Логика была простой. Клиент берет деньги на отпуск, уезжает отдыхать, возвращается и постепенно закрывает долг. Основной доход планировалось получать за счет высокой процентной ставки, комиссии за снятие наличных и последующего кросс-сейла потребительских кредитов. Предполагалось, что юнит-экономика самой карты может быть близкой к нулю. Прибыль ожидалась за счет роста клиентской базы и продажи ей дополнительных продуктов.

Результат оказался неожиданным. План по продажам был не просто выполнен, а существенно перевыполнен. Однако когда подошло время первых платежей, более трети клиентов вышло на просрочку. Пришлось подключать подразделение по работе с задолженностью. Уровень дефолта оказался очень высоким, и даже с учетом кросс-сейла продукт едва вышел в ноль.

Проблема оказалась связана с таймингом. Три месяца грейс-периода совпали с тремя летними месяцами активных выдач. За это время кредитные лимиты получили десятки тысяч клиентов, но информации об их платежной дисциплине не было. Когда начали появляться первые платежи и стало понятно, как ведет себя портфель, выдачу пришлось срочно закрыть. Однако сам портфель к этому моменту уже был сформирован.

Кейс хорошо иллюстрирует базовую механику финтех-продуктов: необходимо балансировать между стоимостью привлечения клиентов и кредитными потерями.

Высокий уровень одобрения снижает стоимость привлечения. Например, если одобрение составляет 50%, чтобы выдать пять кредитов, нужно привлечь 10 клиентов. Если одобрение 10%, придется привлечь уже 50. Но чем выше одобрение, тем выше и риск дефолтов.

Почему довольные клиенты не всегда означают прибыль

На первый взгляд кажется, что ответ очевиден: никто не любит переплачивать. Однако в финансовых продуктах экономика устроена немного сложнее.

Важно различать продукты по их роли в бизнес-модели. Одни продукты работают как инструмент клиентской аквизиции. Они могут быть убыточными сами по себе, но позволяют привести клиента, которому затем продаются другие финансовые сервисы. В таком случае экономика считается не на уровне отдельного продукта, а на уровне клиента, через показатель LTV.

Другие продукты, наоборот, создаются как основной источник дохода. Клиент попадает в экосистему через простой и привлекательный сервис, а затем ему продается core-продукт, который обеспечивает основную прибыль.

Задача аквизиционного продукта сделать вход в экосистему максимально простым и понятным для клиента. Он должен хорошо выглядеть в маркетинговых коммуникациях, быстро проходить воронку оформления и не создавать лишних барьеров. Но при этом риск для бизнеса должен оставаться управляемым.

Обычно этот баланс достигается через лимитную политику. Уровень одобрения может быть достаточно высоким, но стартовый лимит устанавливается небольшим. Компания получает клиента, наблюдает за его платежной дисциплиной и затем либо увеличивает лимит, либо предлагает второй продукт.

Именно здесь и возникает расхождение. Продукт с мягкой риск-моделью и высоким уровнем одобрения создает отличный пользовательский опыт. Но если цепочка монетизации не выстроена, такой продукт начинает генерировать убытки.

Метрики, по которым видно, что риск-модель работает неправильно

В кредитных продуктах есть несколько показателей, которые должны находиться в балансе. Ключевыми обычно считаются уровень одобрения, стоимость риска и средний чек, то есть размер кредита или кредитного лимита.

Если уровень одобрения высокий и дефолт остается низким, но средний чек оказывается небольшим, клиенты часто остаются недовольны предложением. Это довольно быстро отражается на продуктовых метриках. Падает уровень активации, сокращается срок использования продукта. Типичная ситуация выглядит так: компания тратит деньги на выпуск и доставку карты, а клиент практически не пользуется ею, потому что лимит не покрывает его реальную потребность.

Слишком низкий уровень одобрения приводит к другой проблеме. Резко растет стоимость привлечения клиента, и финансовая модель перестает сходиться. Бизнесу требуется больше инвестиций на старте, чем было заложено в расчетах.

NPS как индикатор кредитного риска

Особое место в этой системе занимает NPS. Если продукт оказывается слишком дорогим, показатель лояльности падает. Одновременно может вырасти и дефолт. Клиент чувствует себя обманутым и начинает воспринимать обязательства менее серьезно.

Но и слишком низкий лимит вызывает похожую реакцию. Человек рассчитывал решить конкретную задачу, например оплатить отпуск или ремонт, но выданной суммы не хватило. В результате падают и NPS, и уровень активации.

Поэтому продуктовые команды обычно заинтересованы в том, чтобы клиент получал сумму, близкую к запрошенной. Такой пользователь доволен и активно пользуется продуктом. Но при этом команда отвечает и за LTV. Высокие кредитные потери быстро делают продукт убыточным, а регулятор, как правило, не позволяет компенсировать это простым повышением ставки.

Как финтех-компании балансируют риск и рост

Для управления этим балансом используется несколько инструментов. Один из самых распространенных подходов называется risk-based pricing. Его суть в том, что стоимость кредита определяется риск-профилем конкретного клиента.

Однако этот механизм работает не во всех юрисдикциях. Например, в России регулятор ограничивает максимальную процентную ставку. В результате риск-ориентированное ценообразование фактически позволяет кредитовать преимущественно хороших заемщиков. Работа с более рискованными сегментами становится нерентабельной, поэтому таким клиентам либо отказывают, либо передают лиды микрофинансовым организациям.

Другой важный инструмент — это лимитная политика. На размер одобренного лимита влияет не только доход клиента, но и его риск-профиль. Именно поэтому кредитный рейтинг определяет не только вероятность одобрения, но и сумму кредита.

Распространенный подход называется credit limit builder. Клиент получает небольшой стартовый лимит, но сразу же может увеличить его, выполнив дополнительные действия. Например, предоставить дополнительные документы или оформить обеспечение. В некоторых случаях даже автомобиль может использоваться как залог, при этом клиент продолжает пользоваться им. При развитой инфраструктуре государственных сервисов подобные операции могут проходить полностью онлайн.

Важно учитывать и то, что скоринг не заканчивается в момент выдачи кредита. По кредитной карте компания может наблюдать транзакционное поведение клиента: где он совершает покупки, насколько активно пользуется картой, допускает ли просрочки. На основе этих данных формируется поведенческий скоринг, который позволяет автоматически принимать решения об увеличении или снижении лимита.

В потребительском кредитовании похожая логика работает через рефинансирование. Клиенту, который стабильно обслуживает долг, через некоторое время предлагают новый кредит на большую сумму. Он закрывает предыдущий и позволяет получить дополнительные деньги на руки.

Что может и чего не может машинное обучение в кредитном скоринге

Сегодня использование ML-моделей в риск-аналитике стало стандартом. Однако их эффективность напрямую зависит от того, какие данные доступны для обучения и дальнейшей калибровки модели.

В кредитных картах основным источником новых данных становятся транзакции самого клиента. Компания видит их в режиме реального времени, что позволяет формировать поведенческий скоринг и регулярно пересчитывать риск-оценку клиента.

В классическом кредитовании ситуация сложнее. Здесь приходится опираться на внешние источники данных, а их доступность сильно различается по странам. В некоторых юрисдикциях кредитор может регулярно запрашивать данные кредитного бюро, пока кредит остается активным. Например, можно настроить триггер, который сообщает, если клиент подает заявку на кредит в другой организации. В других странах действует модель open banking. С согласия клиента банк может наблюдать за движением средств по его дебетовой карте или счету в другом финансовом учреждении.

Чем богаче набор источников данных и полнее данные, тем точнее ML-модель прогнозирует поведение клиента. На практике такие модели уже используются, например, в Испании для управления лимитами по кредитным картам. На основе поведенческих данных система автоматически принимает решения о повышении или снижении лимита.

Главный урок: запускать продукт нужно постепенно

Практика показывает, что новые финансовые продукты лучше запускать постепенно. Нельзя одновременно выдавать крупные лимиты и откладывать первый платеж на несколько месяцев. Без ранней обратной связи по платежной дисциплине невозможно понять, сходится ли финансовая модель.

Именно эта проблема возникла в кейсе с картой для отпуска. Три месяца активных выдач без платежей привели к тому, что за короткое время сформировался большой портфель, качество которого стало понятно только постфактум.

Более устойчивый сценарий запуска выглядит иначе. Сначала проводится пилот с небольшим объемом выдач. Затем анализируются показатели одобрения и стоимость риска. После этого риск-модель корректируется, и только потом продукт масштабируется.

Обычно запуск начинают с консервативных лимитов и постепенно увеличивают их по мере накопления данных о клиентах. Важно также вовлекать риск-подразделение с самого начала разработки продукта. Оно должно участвовать не только в создании скоринговой модели, но и в обсуждении позиционирования и маркетинговых коммуникаций. Это позволяет избежать ситуации, когда рекламное сообщение привлекает аудиторию с другим риск-профилем, чем тот, на который рассчитывала команда.

Не менее важен и баланс в онбординге. Слишком строгие требования к документам снижают конверсию еще до этапа одобрения. Слишком мягкие требования создают риск высокого дефолта. Онбординг и скоринг должны работать вместе: первый задает уровень сложности и пороги входа, второй оценивает риск, а решения принимаются с учетом экономики.