Кредитная история привыкла играть роль главного паспорта заемщика: есть записи в БКИ — можно оценивать, нет записей — остается гадать. Для P2P-платформ такая логика слишком груба.
Человек может впервые брать заем, а его цифровое поведение уже оставляет достаточно сигналов, чтобы алгоритм попытался оценить риск. Иногда эти сигналы предсказывают дефолт не хуже традиционного кредитного рейтинга.
Но слово «предсказывают» здесь не означает «знают, кто точно вернет деньги». Поведенческий скоринг заемщиков в P2P дает модели дополнительный набор признаков. Он способен сделать заемщика без кредитного прошлого видимым для алгоритма, но не превращает риск в надежность. А еще оставляет платформе немало пространства для решений, которые инвестор не видит и не может самостоятельно перепроверить.
Технический портрет заемщика: что скрывают метаданные устройства
Цифровой след заемщика в кредитовании — это не обязательно публикации в соцсетях и фотографии из отпуска. В скоринговую модель могут попадать технические и поведенческие данные: тип устройства, операционная система, браузер, время входа на сайт, сведения об электронной почте и история покупок. Система может учитывать и то, как человек заполняет заявку: например, скорость печати или движения курсора.
Для платформы эти признаки интересны не потому, что каждый из них сам по себе раскрывает платежеспособность. Смартфон определенной модели не сообщает, вовремя ли заемщик внесет платеж. Один быстрый ввод данных тоже не доказывает финансовую дисциплину. Значение появляется в комбинации множества сигналов и в том, как они связаны с результатами погашений в данных, на которых обучали модель.
Технические сведения могут помочь алгоритму отличить обычный сценарий заполнения заявки от подозрительного или выявить несоответствия. Но конкретные правила зависят от платформы. Точные веса и алгоритмы скоринга закрыты: со стороны инвестора обычно нельзя выяснить, насколько сильно повлиял браузер, время захода или иной признак. Это важная асимметрия. Площадка получает подробную картину и принимает решение, а инвестор видит уже итоговый рейтинг или предложение займа.
Само устройство тоже не стоит превращать в знак качества. Подержанный телефон дешевле пяти тысяч рублей может быть рациональной покупкой, но вопрос его безопасности — отдельный: в материале о том, чем опасен дешевый б/у смартфон для данных, речь идет именно о рисках покупки устройства. Для скоринга же важны прежде всего цифровые признаки и их статистическая связь с возвратами, а не ценник телефона как таковой.
Цифровой след помогает модели увидеть дополнительные сигналы. Он не дает инвестору прозрачности, если платформа не объясняет, как именно эти сигналы повлияли на решение.
От скорости печати до времени заполнения анкеты
Поведенческие данные звучат почти как чтение мыслей: система наблюдает за тем, как человек двигает курсор, сколько времени заполняет поля и когда заходит на сайт. В действительности это не психологический портрет в привычном смысле. Алгоритм ищет закономерности, которые в совокупности могут быть связаны с вероятностью дефолта.
Такой подход иногда называют психометрическим скорингом, хотя технический цифровой след и психологические тесты — не одно и то же. Анализ поведения на сайте может включать динамику ввода текста и последовательность действий. Психометрическая оценка обычно подразумевает попытку вывести характеристики человека из его ответов или поведения. В конкретной системе эти подходы могут пересекаться, но автоматически считать их одним универсальным тестом не стоит.
Для P2P-инвестора здесь есть практический нюанс. Алгоритм может оказаться точным на большой выборке и при этом ошибаться в отношении отдельного заемщика. Скоринговый балл — это не справка о будущем, а результат сравнения признаков с моделями, построенными на прошлых данных. Если меняется состав клиентов, поведение пользователей или экономическая ситуация, прежние закономерности могут работать хуже.
Именно поэтому анализ активности заемщика для P2P нужно воспринимать как часть оценки риска, а не как гарантию. Инвестор не видит самих наблюдений, не знает, как они очищались от ошибок, и не может проверить, насколько модель актуальна. Если платформа показывает только итоговую категорию, это еще не означает, что она раскрыла механизм отбора.
Что показывают цифры и чего они не обещают
В исследовании Тобиаса Берга с соавторами, опубликованном в Review of Financial Studies в 2020 году, сравнивали способность разных моделей различать заемщиков с разным риском дефолта. На данных только цифрового следа показатель AUC составил 69,6%. Для модели, использовавшей только данные кредитного бюро, он равнялся 68,3%. Модель, объединявшая традиционные сведения БКИ и цифровые признаки, показала AUC 73,6%.
| Основа модели | AUC | Что позволяет увидеть результат |
|---|---|---|
| Только цифровой след | 69,6% | Нефинансовые сигналы могут нести информацию о риске |
| Только данные кредитного бюро | 68,3% | Классическая кредитная история также дает прогностический сигнал |
| БКИ и цифровой след вместе | 73,6% | Комбинация признаков в исследовании работала точнее каждого набора по отдельности |
AUC описывает способность модели ранжировать случаи: условно, чаще поставить более высокий риск заемщику, который допустит дефолт, чем тому, кто погасит долг. Это не доля безошибочных прогнозов и не вероятность того, что конкретный заемщик вернет деньги. Разница между 69,6% и 73,6% не означает, что платформа теперь знает судьбу каждого займа с точностью до десятых.
В исследовании разница между моделью на данных БКИ и комбинированной моделью составила 5,3 процентного пункта. Корреляция между оценкой по цифровому следу и рейтингом кредитного бюро была около 10%. Это говорит о том, что два набора сигналов в значительной степени описывают разные стороны заемщика. Их полезно соединять, потому что цифровое поведение может добавить модели информацию, которой нет в кредитной истории.
Для инвестора отсюда следует не рекламный вывод про «умный алгоритм», а более скромный: разнообразие данных способно улучшить сортировку заявок. Насколько это помогает именно на конкретной платформе, зависит от ее выборки, качества данных, модели и того, как она ведет себя после выдачи займа. Исследовательская цифра сама по себе не подтверждает качество любого коммерческого скоринга.
Почему цифровой след не заменяет БКИ
Кредитная история фиксирует прежние обязательства и платежное поведение, если они есть. Цифровой след собирает другой тип сигналов. В исследовательских данных оценка на его основе слабо коррелировала с рейтингом кредитного бюро — примерно на уровне 10%. Это как раз объясняет, почему простая замена одного другим была бы сомнительной: они не дублируют друг друга полностью.
Когда у заемщика есть записи в БКИ, платформе доступны сведения о его прежних кредитах и платежах. Поведенческие признаки могут дополнить эту картину. Когда истории нет, цифровые данные все равно способны дать модели материал для оценки. Но отсутствие кредитной истории не превращается в доказательство благонадежности, как и наличие аккуратных цифровых привычек не отменяет финансовых обязательств.
В исследовании дискриминационная способность цифрового следа для клиентов без кредитной истории была близка к показателю для заемщиков с историей: 72,2% против 69,6% in-sample. Это позволяет говорить о потенциальной пользе таких данных для оценки людей, которых традиционная система видит плохо. Но показатель относится к исследовательской модели и выборке; переносить его на любую площадку или на текущего заемщика нельзя.
Платформы могут использовать собственные наборы признаков и по-разному интерпретировать их. Если площадка не раскрывает методику, инвестор не узнает, какие переменные вошли в модель, как учитывались ошибки и менялась ли точность со временем. В этом смысле даже технически сильный скоринг не отменяет необходимости оценивать саму платформу: правила выдачи, доступность статистики по просрочкам и дефолтам, порядок работы с проблемной задолженностью.
«Невидимые» заемщики: доступ шире, риск тоже остается
Люди без кредитной истории часто оказываются неудобными клиентами для классической модели оценки: у нее мало данных, чтобы судить о прежней платежной дисциплине. Поведенческий скоринг позволяет добавить наблюдаемые цифровые признаки и расширить круг заемщиков, которых алгоритм способен ранжировать. Для P2P-платформ это может означать больше заявок, а для частных инвесторов — более широкий выбор займов.
Но расширение доступа не равно снижению риска. Если модель принимает решение на основе новых данных, она все равно может ошибиться. Более того, чем меньше заемщик похож на тех, на ком модель обучалась, тем осторожнее следует относиться к уверенности рейтинга. Алгоритм умеет находить закономерности в данных, но не получает волшебной способности предвидеть будущие доходы, потерю работы или внезапные расходы.
Платформенная оценка полезна как фильтр, но инвестору стоит смотреть и на другие признаки займа: срок, ставку, график платежей, наличие обеспечения, правила взыскания и собственную концентрацию на заемщике или сегменте. Поведенческий балл не заменяет диверсификацию. Если несколько займов прошли один и тот же скоринг, это не делает их независимыми от общего экономического удара.
Особенно опасно принимать высокий рейтинг за разрешение вложить крупную долю портфеля в одну заявку. Скоринг отвечает на вопрос, как модель ранжирует риск относительно других заявок. Он не отвечает на вопрос, какую сумму инвестору комфортно потерять, если конкретный заем окажется токсичным долгом.
Где заканчивается сила алгоритма
Даже точная модель работает с вероятностями и историческими закономерностями. Она может ошибиться из-за неполных данных, изменения поведения клиентов или новых обстоятельств, которых нет в обучающей выборке. Неизвестные инвестору веса алгоритма добавляют еще один уровень неопределенности: нельзя самостоятельно пересчитать оценку и понять, какой именно сигнал перевесил остальные.
Есть и вопрос приватности. Для оценки могут использоваться сведения об устройстве, браузере, поведении на странице, электронной почте и покупках. Сам факт сбора цифровых сигналов не означает, что платформа использует каждый из них или что каждый признак одинаково важен. Конкретные алгоритмы и веса в имеющихся данных не раскрыты. Поэтому заявления о том, что скоринг решающим образом опирается на соцсети или на какой-то один параметр, были бы спекуляцией.
Инвестору разумно разделять три вещи:
1. Точность модели на исследовательской выборке. Она показывает, что цифровые признаки могут помогать отличать более рискованные заявки от менее рискованных.
2. Качество скоринга конкретной платформы. Его нельзя вывести напрямую из чужого исследования: нужны собственные данные площадки и понятная статистика результатов.
3. Риск конкретного займа. Его нельзя устранить ни высоким баллом, ни широкой анкетой, ни анализом поведения на сайте.
Поведенческий скоринг делает оценку заемщика богаче, особенно когда БКИ почти ничего не сообщает. Но слово «важнее» в заголовке требует оговорки: цифровой след не вытесняет кредитную историю. Исследовательские результаты показывают преимущество их сочетания. Для инвестора же главный подвох в другом: платформа может собирать много данных, а раскрывать мало. Алгоритм помогает сортировать заявки, но ответственность за концентрацию риска он не принимает.
