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!