AI-скоринг для региональных банков Твери: как перестать терять заёмщиков МСП и нарастить кредитный портфель

Кредитный портфель растёт, а региональные банки теряют долю. Почему?

На начало 2026 года кредитный портфель предприятий Тверской области достиг 203 млрд рублей. Малый бизнес нарастил задолженность на 14,1% — до 79,3 млрд рублей. Туризм, торговля, сфера услуг берут деньги активнее, чем когда-либо. Фонд содействия предпринимательству выдал поручительства на 1,3 млрд рублей, привлёк 2,8 млрд банковских средств. А 82,5 млрд рублей инвестиций в регион — ОЭЗ «Эммаусс», промпарк «ТХК», логоцентр Wildberries — создают новые предприятия, которым нужны оборотные средства прямо сейчас.

Казалось бы, золотое время для регионального банка. Но вот парадокс: основную массу этих кредитов выдают не региональные игроки. Их выдают Сбер, Т-Банк, Альфа-Банк — федералы, которые одобряют заявку МСП за 15 минут через мобильное приложение. Предприниматель из Торжка, которому нужен миллион на пополнение оборотки, не будет ждать пять рабочих дней, пока кредитный комитет вашего банка соберётся на заседание. Он откроет приложение Сбера в 23:00, загрузит выписку из 1С и получит предодобрение до утра.

Региональные банки и МФО Тверской области проигрывают не по ставке. Не по условиям. Не по отношению к клиенту. Они проигрывают по скорости принятия решения. И корень проблемы — в том, как устроен процесс кредитного скоринга.

Анатомия медленного скоринга: три системных дефекта

Дефект первый: ручной андеррайтинг как бутылочное горлышко

Типичный процесс рассмотрения заявки МСП в региональном банке выглядит так: предприниматель приносит пакет документов. Кредитный аналитик вручную проверяет финансовую отчётность, запрашивает данные из БКИ, анализирует залоговое обеспечение, формирует заключение. Заключение уходит на кредитный комитет. Комитет собирается раз-два в неделю. Решение — через 3-5 рабочих дней в лучшем случае.

Средняя зарплата кредитного аналитика в Тверской области — 55 000-70 000 рублей. При штате из четырёх аналитиков это 3-3,4 млн рублей в год только на ФОТ с учётом налогов и взносов. Каждый аналитик физически обрабатывает 4-6 заявок в день. При 500 входящих заявках МСП в месяц — банк работает на пределе пропускной способности. Одна болезнь, один отпуск — и очередь растёт, сроки рассмотрения увеличиваются до 7-10 дней, заёмщики уходят.

Дефект второй: потеря клиентов на этапе ожидания

Исследования банковского рынка показывают: 67% предпринимателей МСП подают заявки одновременно в 2-3 банка. Тот, кто ответит первым, получает клиента. Не тот, у кого ставка на 0,5% ниже. Не тот, у кого лучше условия досрочного погашения. А тот, кто ответил быстрее.

Когда Сбер одобряет кредит за 15 минут, а вы — за 5 дней, вы конкурируете не с банком. Вы конкурируете с законами поведенческой экономики. Предприниматель, получивший одобрение, испытывает «эффект якоря» — первое предложение становится точкой отсчёта. Ваше предложение, пришедшее на пятый день, он будет оценивать не само по себе, а в сравнении с уже полученным. И даже если ваши условия объективно лучше — психологический барьер переключения работает против вас.

По нашим оценкам, региональный банк с 500 заявками МСП в месяц теряет до 35-40% потенциальных заёмщиков только из-за скорости рассмотрения. При среднем чеке кредита МСП в 3 млн рублей и марже в 4% — это 21-24 млн рублей упущенного процентного дохода в год.

Дефект третий: субъективность и высокий процент дефолтов

Ручной скоринг — это всегда субъективность. Аналитик Иванов оценивает бизнес по выручке и залогу. Аналитик Петров обращает внимание на отраслевую динамику. Аналитик Сидоров руководствуется интуицией и опытом общения с заёмщиком. Три аналитика — три разных решения по одной и той же заявке.

Результат — непредсказуемое качество кредитного портфеля. Средний уровень дефолтов по кредитам МСП в региональных банках России — 8-12%. Каждый процент дефолтности при портфеле в 79 млрд рублей (текущий объём МСП в Тверской области) — это сотни миллионов рублей убытков, размазанных между участниками рынка.

Проблема не в компетенции аналитиков. Проблема в том, что человек физически не способен одновременно учитывать 200-300 факторов, видеть нелинейные зависимости между ними и делать это стабильно на шестой заявке за день так же хорошо, как на первой.

AI-скоринг: что это на самом деле и как работает для МСП

Не «чёрный ящик», а прозрачная модель с объяснимыми решениями

Когда председатель правления слышит «искусственный интеллект в скоринге», первая реакция — настороженность. ЦБ требует объяснимости решений. Регулятор задаёт вопросы. Заёмщик имеет право знать, почему ему отказали.

Современные модели AI-скоринга для МСП — это не нейросети-«чёрные ящики». Это ансамблевые методы на базе градиентного бустинга (XGBoost, LightGBM), дополненные логистической регрессией для интерпретируемости. Каждое решение модели сопровождается набором факторов, повлиявших на результат, с указанием веса каждого фактора. Аналитик видит: «Отказ. Причины: сезонное снижение выручки на 40% за последние 3 месяца (вес 0,35), рост кредиторской задолженности в 2,1 раза (вес 0,28), отрицательная динамика отрасли в регионе (вес 0,18)».

Это не замена человека. Это инструмент, который берёт на себя рутинную обработку и выдаёт структурированную рекомендацию. Финальное решение по сложным кейсам остаётся за кредитным комитетом — но комитет получает не субъективное заключение аналитика, а объективную модельную оценку с детализацией.

Альтернативные данные: за пределами бухгалтерского баланса

Главное преимущество AI-скоринга для МСП — способность работать с альтернативными данными. Бухгалтерская отчётность малого бизнеса часто неполна, задерживается, оптимизирована. Но бизнес оставляет цифровой след, который говорит о его реальном состоянии больше, чем форма 2.

Какие данные анализирует AI-модель:

Транзакционные данные из 1С и банковских выписок. Не просто «выручка за квартал», а паттерны движения денежных средств. Регулярность поступлений. Концентрация на одном контрагенте или диверсификация. Сезонность. Соотношение входящих и исходящих платежей по дням недели. Задержки в оплате поставщикам — и их динамика.

Кассовые потоки (ОФД). Данные онлайн-касс дают картину розничных продаж в реальном времени. Средний чек, количество транзакций, динамика по часам и дням — модель видит, растёт бизнес или затухает, задолго до того, как это отразится в квартальной отчётности.

Поведенческие паттерны. Как заёмщик взаимодействует с банком. Как быстро предоставляет запрошенные документы. Как часто заходит в интернет-банк. Активность на тендерных площадках. Наличие и регулярность обновления сайта компании. Отзывы на картах и агрегаторах.

Отраслевые и макроэкономические индикаторы. Модель учитывает не только состояние конкретного заёмщика, но и динамику его отрасли в регионе. Если туристический бизнес в Тверской области растёт на 20% год к году — это один контекст. Если обрабатывающая промышленность снижает обороты — другой.

Архитектура решения

graph TD
    A[Заявка МСП] --> B[Сбор данных]
    B --> C1[1С / Банковские выписки]
    B --> C2[БКИ / ФССП / ФНС]
    B --> C3[ОФД / Кассовые потоки]
    B --> C4[Поведенческие данные]
    B --> C5[Отраслевые индексы]

    C1 --> D[Препроцессинг и Feature Engineering]
    C2 --> D
    C3 --> D
    C4 --> D
    C5 --> D

    D --> E[ML-модель: XGBoost + LightGBM ансамбль]
    E --> F{Скоринговый балл}

    F -->|Высокий: 750+| G[Автоодобрение → Выдача]
    F -->|Средний: 550-749| H[Ручной разбор аналитиком]
    F -->|Низкий: < 550| I[Автоотказ с объяснением]

    G --> J[Мониторинг портфеля в реальном времени]
    H --> J
    I --> K[Рекомендации заёмщику: что улучшить]

    J --> L[Ранние сигналы: переклассификация риска]
    L --> M[Проактивная работа с заёмщиком]

Ключевой элемент архитектуры — не только принятие решения по заявке, но и непрерывный мониторинг портфеля. Модель отслеживает транзакционную активность заёмщиков после выдачи кредита и генерирует ранние сигналы задолго до просрочки. Снижение оборотов по расчётному счёту на 30% за две недели, прекращение платежей контрагентам, резкий рост снятия наличных — модель фиксирует паттерн ухудшения и сигнализирует кредитному подразделению. Это даёт 2-3 месяца форы для реструктуризации, пока проблема не стала дефолтом.

ROI: расчёт для регионального банка Тверской области

Возьмём модельный банк со следующими параметрами:

• Входящий поток: 500 заявок МСП в месяц (6 000 в год)
• Средний размер кредита МСП: 3 млн рублей
• Текущая конверсия (от заявки до выдачи): 22%
• Текущий уровень дефолтов: 9,5%
• Средняя маржа: 4% годовых
• Штат кредитных аналитиков МСП: 4 человека
• Среднее время рассмотрения: 4,2 рабочих дня

Эффект 1: Ускорение рассмотрения

AI-скоринг сокращает время первичной оценки с 4,2 дня до 12-40 минут для 70% заявок (автоодобрение и автоотказ). Оставшиеся 30% — сложные кейсы — уходят на аналитика, но уже с готовым заключением модели. Время их обработки сокращается с 4,2 до 1,5 дня.

Средневзвешенное время рассмотрения: 0,7 × 0,02 дня + 0,3 × 1,5 дня = 0,46 дня вместо 4,2.

Сокращение в 9 раз. Банк перестаёт проигрывать федералам по скорости.

Эффект 2: Рост конверсии

Ускорение рассмотрения снижает отток заёмщиков на этапе ожидания. По бенчмаркам банков, внедривших AI-скоринг, конверсия из заявки в выдачу вырастает на 8-15 п.п.

Примем консервативную оценку: рост конверсии с 22% до 30%.

• Было: 6 000 × 22% = 1 320 выдач × 3 млн = 3,96 млрд рублей портфеля
• Стало: 6 000 × 30% = 1 800 выдач × 3 млн = 5,4 млрд рублей портфеля
• Прирост портфеля: +1,44 млрд рублей
• Дополнительный процентный доход: +57,6 млн рублей в год (при марже 4%)

Эффект 3: Снижение дефолтов

ML-модель на альтернативных данных снижает уровень дефолтов на 25-40% по сравнению с ручным скорингом. Механизм: модель видит паттерны, недоступные человеку, и отсекает высокорисковых заёмщиков, которые прошли бы через субъективную оценку аналитика.

Сбербанк, внедривший нейросети в скоринг, получил дополнительный доход в 560 млрд рублей за 2020-2022 годы — в том числе за счёт снижения потерь по кредитному портфелю. Альфа-Банк после интеграции AI вдвое сократил количество экспертных отказов клиентам — то есть модель точнее отделяла хороших заёмщиков от плохих.

Для нашего модельного банка:

• Было: дефолтность 9,5% → потери 3,96 млрд × 9,5% = 376 млн рублей
• Стало: дефолтность 6,2% (снижение на 35%) → потери 5,4 млрд × 6,2% = 335 млн рублей
• Экономия на дефолтах: 41 млн рублей в год

Важно: при увеличенном портфеле абсолютная экономия ещё значительнее — банк выдаёт больше кредитов с меньшим риском.

Эффект 4: Оптимизация штата

AI-скоринг не увольняет аналитиков — он перераспределяет их нагрузку. Вместо рутинной обработки типовых заявок аналитики работают со сложными кейсами, крупными сделками и проактивным мониторингом портфеля. Четыре аналитика с AI-инструментом обрабатывают объём, для которого раньше потребовалось бы 8-10 специалистов.

При росте потока заявок банк масштабируется без пропорционального увеличения штата. Экономия на ФОТ при масштабировании — от 4 до 6 млн рублей в год.

Сводная таблица ROI

Совокупный годовой эффект: ~103 млн рублей (прирост дохода + снижение потерь + экономия ФОТ).

Стоимость внедрения и окупаемость

Внедрение AI-скоринговой системы для регионального банка — это не бюджет Сбера. Речь идёт о:

• Разработка и интеграция ML-модели: 8-15 млн рублей (в зависимости от количества источников данных и глубины интеграции с АБС)
• Инфраструктура (серверы, хранение данных): 2-4 млн рублей в год
• Поддержка и дообучение модели: 3-5 млн рублей в год

Суммарные затраты в первый год: 13-24 млн рублей. Суммарные затраты со второго года: 5-9 млн рублей.

Срок окупаемости: 3-5 месяцев с момента запуска в продуктив.

Это не оптимистичный сценарий. Это консервативный расчёт, основанный на бенчмарках банков, которые уже прошли этот путь. При агрессивном сценарии (рост конверсии до 35%, снижение дефолтов на 40%) окупаемость наступает за 2 месяца.

Что мешает внедрению и как с этим справляться

Регуляторные требования ЦБ

Банк России требует объяснимости моделей, используемых для принятия кредитных решений. Это не препятствие — это ограничение, которое уже решено на уровне архитектуры. Модели на базе градиентного бустинга с SHAP-интерпретацией (SHapley Additive exPlanations) генерируют детализированное объяснение каждого решения. ЦБ принимает такие модели — регуляторные песочницы работают, прецеденты есть.

Качество данных

«У нас нет данных для обучения модели» — самый частый аргумент против. Но данные есть. Транзакционная история по расчётным счетам клиентов — это терабайты структурированной информации, которая уже лежит в вашей АБС. История кредитных решений за 5-10 лет — это обучающая выборка. Данные из 1С клиентов, которые приходят с заявками — это поток, который можно начать структурировать уже сегодня.

Модель начинает работать на исторических данных банка и дообучается в процессе эксплуатации. Через 6-12 месяцев после запуска она адаптируется к специфике именно вашего портфеля и региона.

Сопротивление персонала

Кредитные аналитики воспринимают AI как угрозу. Реальность противоположна: модель снимает с них рутину и повышает ценность их экспертизы. Аналитик, работающий с AI-инструментом, обрабатывает в 3-4 раза больше сложных кейсов и приносит банку кратно больше дохода. Его ценность растёт, а не падает.

Конкурентное окно: почему действовать нужно сейчас

95% крупных финансовых компаний в России уже используют AI в работе. Сбер принимает 100% решений по частным заёмщикам с помощью нейросетей и 60% — по юридическим лицам. Альфа-Банк обрабатывает до 1 ТБ данных ежемесячно через AI-модели.

Региональные банки пока отстают — и именно это создаёт окно возможностей. Первый региональный банк Тверской области, внедривший AI-скоринг для МСП, получит конкурентное преимущество не на месяцы, а на 2-3 года. Потому что модель — это не софт, который можно купить и включить. Это данные, на которых она обучена. Ваши данные. Ваша история решений. Ваша региональная специфика. Чем раньше вы начнёте накапливать и структурировать данные — тем сильнее будет ваша модель через год.

При этом 79,3 млрд рублей кредитного портфеля МСП в Тверской области — это рынок, который продолжает расти. Инвестиции в регион на уровне 82,5 млрд рублей создают новые предприятия. ОЭЗ «Эммаусс», промпарк «ТХК», логистические центры — каждый из этих проектов генерирует десятки субподрядчиков и поставщиков, которым нужны оборотные средства. Вопрос в том, кто выдаст им кредит: вы за 15 минут — или федеральный банк через приложение.

Следующий шаг

Мы в WAT (Web Agency Tver) разрабатываем AI-решения для бизнеса Тверской области. Не абстрактные «внедрения искусственного интеллекта», а конкретные инструменты с измеримым ROI: от кредитного скоринга на альтернативных данных до цифровых платформ обслуживания клиентов.

Если вы — руководитель регионального банка или МФО и хотите понять, какой эффект AI-скоринг даст именно вашему портфелю, начните с бесплатного аудита.

Пройти аудит на сайте — webagencytver.ru/audit

Телефон: +7 (993) 903-20-07 Telegram: @web_agency_tver Сайт: webagencytver.ru

Мы посчитаем ROI для вашего банка на основе реальных параметров портфеля и покажем, где лежат деньги, которые вы сейчас оставляете на столе.