Take Rate × EROE: как Альфа‑Банк считает «умную» ставку по кредиту наличными. Ч. 2

Про данные: почему их «нет»
Главная сложность в модели Take Rate — обучающая выборка. Похоже на ситуацию с котом Шрёдингера: мы не можем одновременно предложить одному клиенту кредит под 20% и под 25% — это будет выглядеть как минимум странно. Поэтому без экспериментов «чистых» данных для обучения просто не появляется.

Решение: управляемая рандомизация
Идея простая, но ее часто упускают: нужно встроить систему случайных «рычагов» и на этих данных учить модель. Мы так и сделали — запускали эксперименты, где рандомно варьировали ставку, сумму, наличие/отсутствие страховки, и на этих результатах обучили модели.

Что получилось
Ключевые цифры:
• интернет-канал: рост маржи +19%;
• отделения: около +5%.

Почему такая разница — отдельная тема (гипотез несколько). В целом по опыту модели прайсинга обычно дают бизнесу +10–20% маржи. Это не «иксы», но на больших объемах даже +10–15% — очень сильный результат.

Чек-лист для CPO: что нужно, чтобы запустить модель Take Rate
1. Индивидуальные офферы во всех точках контакта: отделение, приложение, веб. Без этого конструкция не взлетит.
2. Инфраструктура и ресурсы: в онлайне нужно быстро перебирать множество вариантов и гонять множество моделей. А десятки миллионов клиентов, помноженные на условные 10 тыс. комбинаций параметров, превращаются в триллионы вариантов.
3. Качественные данные: экспериментальный сбор — отдельная проектная задача.
4. Воля сделать продукт: реально хотеть сильный рыночный результат и быть готовыми довести до продакшна.

Планы
В ближайшее время планируются:
— запуск умного ценообразования для кредитных карт, депозитов и накопительных счетов, а также для некоторых комиссионных продуктов (в подписках);
— усиление моделей Take Rate.