Take Rate × EROE: как Альфа‑Банк считает «умную» ставку по кредиту наличными. Ч. 1. Ставка — не всегда главный рычаг спроса. На Scoring Day руководитель продвинутой аналитики розничного бизнеса Альфа‑Банка Игорь Дойников показал, как банк перебирает 10 000+ комбинаций условий и в моменте выбирает для клиента оффер, который одновременно максимизирует согласие (Take Rate) и экономику (EROE). Коротко — об эволюции конкуренции в ИИ в банках До 2010-х рынок соревновался за качество скоринга: все «боролись за Gini» и строили первые модели на логистической регрессии. Дальше наступила эпоха risk-based pricing: клиенты различаются по уровню риска, который должен учитываться в ставке. С начала 2020-х фокус конкуренции сместился в модели ценообразования — в модели Take Rate (вероятности согласия клиента на предложение). Гипотеза Take Rate: все просто Люди по‑разному реагируют на параметры продукта. Хорошо видно на примере авто: для одних важны разгон и скорость, для других — экономичность или дизайн. Приоритеты напрямую влияют на вероятность покупки. То же самое — в кредите наличными Кто-то выбирает по сумме, кто-то по ставке, кому-то критично «без документов», отсутствие страховок и т. д. Частая ошибка — считать, что самым эластичным параметром является ставка. Многое зависит от диапазона рассматриваемых ставок (условно «минус 2 / плюс 2» к базе). По нашим наблюдениям, чаще люди реагируют на сумму кредита — насколько мы закрываем потребность клиента в нужном объеме денег. Из чего складывается прайс В основе прайсинга кредита наличными — ставка фондирования, стоимость привлечения клиента, а также CAPEX и OPEX, распределенные на каждого клиента. Есть индивидуальные параметры, влияющие на стоимость кредита: срок, сумма и весь cost of risk — модели PD, LGD, EAD. Цель: не просто «выдать», а заработать Наша базовая задача — выдавать кредиты с положительной экономикой. Внутри мы максимизируем метрику EROE (по смыслу близка к марже) — и именно ее хотим «поднимать» на потоке. Почему одной финансовой метрики мало Если повышать ставку по кредиту наличными, доходность на единицу может расти, но падает вероятность оформления — Take Rate. Если снизить ставку, этот показатель вырастет, выдач станет больше, но продукт может «уйти» в отрицательную маржу. Значит, этот эффект нужно закладывать в оптимизацию явно, причем на уровне конкретного клиента. Баланс ставки и спроса: «матрица предложений» Практика такая: мы берем модель Take Rate и перебираем условия кредита (ставка, срок, сумма, страховка/без). Те же параметры подставляем в расчет EROE. На выходе получаем тысячи комбинаций (10 000+ тыс. — зависит от шага по ставке) и выбираем оптимум по ожидаемой ценности. Как это работает в моменте Клиент приходит за кредитом — матрица прогоняет набор вариантов, считает Take Rate и риск-компоненты (в т.ч. тяжелые расчеты по PD). Цель — показать клиенту наиболее релевантный оффер (Take Rate × EROE). Сотруднику остается выбрать лучшее предложение по этим метрикам. Что важно для модели Take Rate 1. Входные параметры кредита — обязательны (иначе нечего оптимизировать). 2. Адекватный знак зависимости (рост ставки не должен «повышать» Take Rate). 3. Монотонность: ставка вверх → Take Rate вниз. Иначе модель будет вести себя неустойчиво и выдавать нелогичные рекомендации. 4. Качественный лог показов: что именно показывали клиенту и с какими условиями. Без этого модель невозможно обучить — это реально отдельный челлендж. 5. Отдельные модели под разные каналы: отделение и онлайн. Продолжение — в следующем посте!