Когда мы говорим о кредитах, у многих в голове сразу всплывают проценты, сроки, одобрения и отказы. Но за кулисами работает куда более интересная и сложная история — как банк вообще решает, кому дать деньги, а кому отказать, и как не уйти в минус, если часть клиентов всё равно перестанет платить. Именно об этом и пойдёт речь: как выстроить грамотное управление рисками кредитования в банке так, чтобы и клиенты были довольны, и баланс не трещал по швам.
Зачем вообще управлять кредитными рисками, если есть залоги и проценты
По сути, кредитный риск — это вероятность того, что заёмщик не вернёт деньги вовремя или не вернёт их вообще. Можно сколько угодно говорить про залоги и высокие ставки, но статистика упряма: даже в стабильные годы доля неработающих кредитов (NPL) в крупных российских банках колеблется в диапазоне 5–8%, а в кризисные скачет и выше 10%. На портфеле в 300 млрд рублей это десятки миллиардов проблемных активов. Если не построена системная система управления кредитными рисками для банков, один-единственный просчёт в сегменте, где банк агрессивно растёт, может съесть годовую прибыль. Поэтому задача риск-менеджмента — не «зажать» выдачу кредитов, а добиться того, чтобы рубль дохода по риску был оправдан рублём потенциальной прибыли, а не превращался в мину, которая взорвётся через два-три года.
Кейс: розничный бум и рост просрочки
В одном региональном банке в середине 2010-х решили быстро нарастить розничный портфель: реклама «кредит за 15 минут», упрощённые анкеты, минимум документов. Продажи выросли на 70% за год, но через полтора года доля NPL в новых выдачах перевалила за 20%. Вроде бы портфель растёт, прибыль на бумаге хорошая, но приходилось формировать резервы под эти плохие кредиты, и чистая прибыль сдулась почти до нуля. Потом, уже задним числом, стало очевидно, что нормального управления рисками кредитования в банке там фактически не было: решение принималось «по чек-листу» без глубокой оценки доходов, долговой нагрузки и поведения клиентов по другим продуктам. Спасло ситуацию только ужесточение скоринга, закрытие части каналов продаж и фактическая зачистка портфеля, что заняло почти три года.
Основные элементы системы контроля кредитного риска
Если отбросить сложные термины, эффективная система управления кредитными рисками — это несколько взаимосвязанных слоёв защиты. Сначала банк оценивает клиента до выдачи кредита, затем мониторит его уже после выдачи, а параллельно строит подушку безопасности в виде резервов и лимитов. Важно понимать, что это не какой-то один модуль или отдел, а целая экосистема: IT, фронт-офис, служба безопасности, риск-менеджмент, юридический блок. Чем лучше они взаимодействуют, тем ниже итоговый уровень убытков. В крупных банках на кредитный риск работают десятки аналитиков, а бюджеты на модели и данные исчисляются сотнями миллионов рублей в год, и это выглядит дорого, пока не сравнишь с потенциальными потерями от волны дефолтов.
Предкредитный этап: скоринг, андеррайтинг и здравый смысл
На входе воронки решений ключевую роль играют скоринговые модели и андеррайтеры. Внедрение модели кредитного скоринга в банке — это не просто покупка коробочного продукта у вендора. Это настройка на конкретный портфель, сегменты клиентов, региональные особенности, наличие внешних источников данных. Хорошие модели учитывают десятки и сотни признаков: возраст, стаж, отрасль работодателя, поведение по картам, наличие микрозаймов, частоту запросов в БКИ. На уровне розницы автоматизация доходит до того, что более 90% решений принимается без участия человека, а сотрудники подключаются только к пограничным и сложным случаям. Но даже самая точная модель не поможет, если бизнес начнёт её игнорировать ради краткосрочных планов по выдачам, поэтому правила переопределения решений модели должны быть жёстко ограничены и прозрачны.
Технический блок: ключевые параметры предкредитной оценки
– PD (Probability of Default) — вероятность дефолта заёмщика в горизонте 12 месяцев, часто калибруется на исторических данных;
– LGD (Loss Given Default) — ожидаемая доля потерь при дефолте, с учётом залогов и взыскания, например 40–60% по незалоговым кредитам;
– EAD (Exposure at Default) — объём долга, который останется на момент дефолта, особенно важен для кредитных линий и карт;
– Скоринговый балл — числовая оценка риска, которая потом переводится в PD. Чем выше балл, тем ниже ожидаемый риск, и тем мягче условия или выше вероятность одобрения.
Посткредитный этап: мониторинг, триггеры и ранний collection
После выдачи кредита управление рисками не заканчивается, а, по сути, только начинает работать в полную силу. Важно не ждать, пока клиент накопит 90 дней просрочки, а ловить ранние сигналы: задержки в несколько дней, падение входящих оборотов по счёту, ухудшение кредитной истории по другим продуктам. В хорошей системе мониторинга настроены триггеры, которые автоматически поднимают «флажок» и отправляют клиента в зону внимания collection-команды. Например, если обороты по счёту бизнеса падают на 30% три месяца подряд, система может предложить провести углублённый анализ или предложить реструктуризацию, пока ещё есть чем работать. Это снижает и потери, и конфликтность — клиент чувствует, что банк пытается помочь, а не просто ждать удобного момента, чтобы забрать залог.
Технический блок: мониторинговые триггеры
– просрочка 1–7 дней по сравнению с обычным поведением;
– снижение среднемесячного оборота по расчётному счёту на 20–30%;
– резкий рост краткосрочных заимствований в МФО;
– вход негативной информации из внешних источников (аресты счетов, исполнительные производства, ухудшение рейтинга компании);
– изменение лимита по скоринговой модели при пересчёте профиля клиента.
Кейс: корпоративный клиент с идеальной отчётностью и скрытой ямой
Банк кредитовал крупную региональную торговую компанию под оборот: стабильная выручка по отчётности, хорошие показатели рентабельности, приличный залог в виде складских помещений. Лимит вырос за три года с 300 млн до 1,2 млрд рублей. На бумаге всё выглядело образцово, но потом начали всплывать косвенные сигналы: падение оборотов по счетам в этом же банке, подозрительная концентрация поставщиков, рост дебиторки. Формально ковенанты не нарушались, кредитный комитет закрывал глаза, ссылаясь на многолетнюю «идеальную» историю. Когда всё-таки решили провести выездной анализ, оказалось, что значительная часть выручки была «нарисована», склады пустеют, а бизнес фактически уже погружается в кассовый разрыв. Результат — реструктуризация с потерями, продажа части залога и фактическое списание примерно 25% долга. Этот случай хорошо показывает, что услуги по оценке и управлению кредитными рисками должны включать не только анализ отчётности, но и полевую проверку, работу с альтернативными источниками данных и регулярную переоценку заёмщика, а не разовую экспертизу при первой выдаче.
Роль технологий: от Excel к промышляенным платформам
Пока кредитный портфель небольшой, легко соблазниться мыслью, что риск-менеджмент можно вести на Excel и ручной экспертизе. Но как только количество клиентов переваливает за десятки тысяч, а кредитных продуктов становится несколько, без серьёзной автоматизации не обойтись. Современное программное обеспечение для управления кредитными рисками банка — это не просто «учётная система», а целая платформа: модуль скоринга, витрины данных, интеграция с бюро кредитных историй, мониторинг портфеля, инструменты стресс-тестирования. В крупных банках отдельные риск-платформы обрабатывают сотни тысяч решений в день, а SLA на ответ системе фронт-офиса укладывается в 1–2 секунды. Это прямое влияние на бизнес: меньше задержек, меньше ручного труда, меньше человеческих ошибок и больше прозрачности для регулятора, который всё чаще требует именно фабричного подхода к оценке и контролю риска.
Технический блок: архитектура риск-платформы
– DWH/хранилище данных с историей минимум 5–7 лет для построения и валидации моделей;
– скоринговый движок, который умеет одновременно работать с несколькими моделями и версиями правил;
– интеграция с внешними источниками (БКИ, ФНС, ФССП, отраслевые базы);
– модуль стресс-тестирования, позволяющий моделировать рост доли NPL при изменении ключевой ставки, курса, падении доходов населения;
– отчётность для менеджмента и регулятора с расшифровкой, почему конкретное решение было принято.
Модели, данные и регулятор: как всё это живёт вместе
Внедрение модели кредитного скоринга в банке неизбежно упирается в регулирование и качество данных. Центральный банк всё жёстче относится к моделям, которые влияют на оценку капитала и резервы. Требуются регулярные валидации, отчёты о дискриминационной способности (Gini, ROC AUC), проверки на смещения и корректность учёта макрофакторов. Без хороших данных скоринг превращается в красивую, но бесполезную игрушку: если входящие сведения по доходам и долговой нагрузке клиента неточны или устаревают, модель будет уверенно ошибаться. Поэтому серьёзный банк вкладывается в инфраструктуру данных не меньше, чем в сами алгоритмы: стандарты заполнения анкет, автоматическую верификацию документов, сопоставление с внешними источниками. Параллельно юристы и комплаенс следят за соблюдением требований по персональным данным и недискриминационности решений, чтобы завтра не объясняться с регулятором, почему определённые категории клиентов получают массовые отказы.
Кейс: «чёрный ящик» и проблемы с регулятором
Один средний банк решил ускорить цифровую трансформацию и купил модную ML-платформу. Модель по обещаниям вендора давала улучшение одобрения на 15% при том же уровне NPL. На пилоте всё выглядело красиво, но когда регулятор запросил описание логики, объяснить работу «чёрного ящика» оказалось сложно: часть признаков была неинтерпретируемой, а документация — минимальной. В итоге модель допустили только в «песочницу» с жёсткими ограничениями по лимитам и обязательствами по регулярной проверке результатов. Пришлось в спешке дорабатывать прозрачность, строить упрощённые, но объяснимые модели для отчётности и настроить систему независимой валидации. Этот пример показывает, что даже самое продвинутое программное обеспечение для управления кредитными рисками банка бессмысленно, если оно не вписывается в требования регулятора и внутренние стандарты банка по объяснимости и управляемости решений.
Аутсорсинг и партнёрства: когда стоит привлекать внешних экспертов
Не каждый банк может позволить себе большую внутреннюю команду аналитиков и разработчиков моделей. В таких случаях логично рассматривать услуги по оценке и управлению кредитными рисками от специализированных компаний: это может быть разработка скоринговых моделей под конкретный продукт, независимая валидация уже существующих моделей, аудит портфеля или настройка процессов collection. На практике это особенно полезно, когда банк выходит в новый сегмент — например, начинает кредитовать малый бизнес или запускать POS-кредиты с розничными партнёрами. Внешний партнёр приносит свежий взгляд, отраслевые бенчмарки, методики стресс-тестов, которых может не быть внутри. Главное — не превращать такой аутсорсинг в «чудо-таблетку»: стратегические решения по уровню риска, лимитам и аппетиту к потерь всё равно остаются внутри банка, а внешние консультанты лишь подсказывают, насколько эти решения реалистичны.
Кейс: заход в МСБ с помощью внешнего скоринга
Один универсальный банк много лет работал в рознице и с крупным корпоративным сегментом, но практически не кредитовал малый бизнес, считая его слишком рискованным. Когда всё же решили зайти в МСБ, времени и данных для самостоятельной разработки модели почти не было. Тогда подключили внешнего поставщика, который предоставил готовый бюро-скоринг для юрлиц и ИП. За полгода тестового периода доля дефолтов по новым клиентам МСБ оказалась около 6% против ожидаемых 10–12%, а уровень одобрения — примерно 55%. Это позволило банку быстрее сформировать собственную базу данных и через два года перейти на гибридный подход: внешние данные + внутренняя модель, заточенная под свой портфель. В итоге риск-профиль сегмента оказался вполне управляемым, а доля МСБ в прибыли банка выросла с нуля до 12% за три года.
Стресс-тестирование и риск-аппетит: готовность к плохим сценариям
Даже самая стройная методология рушится, когда рынок начинает лихорадить: всплеск безработицы, падение доходов населения, санкции, курсовые скачки. Чтобы не действовать вслепую, банки регулярно проводят стресс-тестирование кредитного портфеля. По сути, это моделирование сценариев «что будет, если» — например, если уровень просрочки по потребкредитам вырастет с 5 до 12%, а по МСБ — с 7 до 15%. На таких сценариях проверяют, хватит ли капитала, не будет ли нарушен норматив достаточности, выдержат ли резервы. На основе этих расчётов совет директоров формирует риск-аппетит: сколько банк готов потерять в худшем разумном сценарии и чем компенсировать эти потери. Если стресс-тесты показывают, что один сегмент тянет весь портфель вниз, ему могут урезать лимиты, поднять ставки или ужесточить критерии отбора клиентов. Это неприятно для бизнеса здесь и сейчас, но в долгую дистанцию именно такие решения позволяют банку пережить кризис без драматичных последствий.
Технический блок: элементы стресс-тестов
– макросценарии: рост безработицы, падение ВВП, изменение ключевой ставки, девальвация;
– перекладка макрофакторов на портфель: эластичность PD и LGD по сегментам;
– оценка влияния на капитал и прибыль в горизонте 1–3 лет;
– анализ концентрации: какие отрасли и группы клиентов сильнее всего «сыпятся» в стрессовом сценарии;
– принятие управленческих мер: изменение лимитов, цен, условий выдачи и реструктуризации.
Итоги: что действительно работает в управлении кредитными рисками
Эффективное управление рисками кредитования в банковской системе — это не один секретный рецепт, а совокупность дисциплины, технологий и здравого смысла. Работают не модные слова про «big data» и «искусственный интеллект», а последовательность: чистые данные, внятные модели, жёсткая, но прозрачная политика по лимитам, ежедневный мониторинг и готовность признавать проблемы раньше, чем они попадут в отчёт о прибылях и убытках. Там, где риск-менеджмент сидит «в подвале» и вызывается только, когда всё уже горит, рано или поздно случается крупный дефолтный кейс. Там, где система управления кредитными рисками для банков встроена в стратегию и диалог бизнеса с риском идёт на равных, потери бывают, но они прогнозируемы и перевариваемы. В итоге выигрывают все: банк сохраняет устойчивость, регулятор — спокойствие, а клиенты получают доступ к кредитам по адекватной цене, не оплачивая чужие системные ошибки.