Маркетингова воронка у фінансовій компанії починається з інтересу: реклама приводить потенційного клієнта, який заповнює форму. Коли заявка стосується кредитування, фінансовий скоринг доповнює цю роботу оцінкою платоспроможності й ризику.

Автоматизована оцінка заявок допомагає фінансовим компаніям швидше обробляти звернення та визначати потенційні ризики. Якщо звичайний лід скоринг використовується для оцінювання перспективності потенційного клієнта, то фінансовий скоринг допомагає оцінити ризики, пов'язані з наданням фінансових послуг. 

Заявка о першій ночі

Уявіть типову ситуацію. Людина оформлює розстрочку на маркетплейсі або заявку на страховий поліс о першій ночі, коли офіс давно зачинений. Система надсилає запит через API, автоматичний аналіз може тривати кілька секунд, і бал повертається фінансовій установі для ухвалення рішення.

Вранці фахівець бачить уже підготовлені заявки, розділені за рівнем ризику. Для покупця це може скоротити очікування, а для компанії - допомогти зберегти конверсію.

Які дані аналізує скоринг

Що саме «бачить» скорингова система? Серед поведінкових маркерів, які можуть використовуватися для оцінки, є:

  • давність активації номера: як довго він використовується;
  • характеристики телефона: модель і технічні особливості пристрою;
  • патерни мобільного трафіку: як заявник користується мережею, чи стабільна ця активність у часі.

Окремий маркер мало що каже, але їх сукупність може допомагати оцінювати платоспроможність і ризик. Такий аналіз також може допомагати виявляти ризик шахрайства.

Оцінка через API

Інтеграція будується на простій послідовності: компанія надсилає запит із номером клієнта, система аналізує його, повертає скоринговий бал - і рішення ухвалюється за затвердженим правилом або людиною. Щоб запустити процес, команді варто підготуватися:

  • узгодити юридичну основу передачі даних і форму згоди абонента;
  • визначити, які рішення автоматизуються повністю, а які потребують фахівця;
  • налаштувати ліміти та правила для різних рівнів балу;
  • передбачити сценарій відмови API - заявку тоді обробляють вручну.

Модель учиться на результатах

Скорингові моделі на основі машинного навчання можуть періодично оновлюватися з урахуванням нових даних про результати кредитування. Такі моделі можуть порівнювати поведінку нових заявників з історією наявних клієнтів - хто платив, хто прострочив - і коригувати ваги маркерів. Альтернативні дані особливо корисні для оцінювання заявників з обмеженою кредитною історією або без кредитного досвіду.

Згода важливіша за оцінку

Обробка та передача даних мають здійснюватися на належній правовій підставі, з дотриманням вимог захисту персональних даних. Для зменшення ризиків можуть використовуватися знеособлення, шифрування та обмеження доступу.

Страховий контур

У страхуванні логіка та сама, лише запитання інше: наскільки ймовірні збитки за договором із цим клієнтом і якого розміру вони можуть бути. Під час створення страхової скорингової моделі зазвичай враховують кредитну дисципліну, регіональні фактори й історію виконання зобов'язань, а на основі отриманого балу страховик розраховує умови обслуговування. Скоринг може підтримувати роботу андеррайтера, додаючи до оцінки ризику результати аналізу даних.

Що виграє бізнес

Автоматична перевірка може дати скоринговий бал за кілька секунд і допомогти бізнесу зменшувати неповернення коштів та ризик шахрайства.

Для складних рішень варто передбачити участь фахівця, а для моделі - якісні дані й періодичний контроль.