Кредитный скоринг — это статистическая система оценки кредитоспособности заемщика (физического или юридического лица), которая выражается в присвоении ему определенного балла

Кредитный скоринг — это статистическая система оценки кредитоспособности заемщика (физического или юридического лица), которая выражается в присвоении ему определенного балла. Основная цель скоринга — предсказать вероятность того, что заемщик вернет кредит вовремя и в полном объеме.

Слово происходит от английского score (счет, балл). Скоринг автоматизирует принятие решений: вместо ручного анализа каждой заявки банковский сотрудник получает готовый результат — одобрить, отказать или отправить на дополнительную проверку.

Как работает скоринговая модель

Процесс строится на анализе больших данных с помощью математических алгоритмов:

Сбор данных. Банк собирает информацию из анкеты клиента, его внутренней истории (если он уже является клиентом) и внешних источников.

Обработка признаков. Данные преобразуются в числовые показатели (фичи).

Расчет баллов. Алгоритм применяет веса к каждому показателю. Например, наличие недвижимости может дать +50 баллов, а недавний отказ в другом банке — -30 баллов.

Принятие решения. Итоговый балл сравнивается с пороговыми значениями:

Выше верхнего порога — автоматическое одобрение.

Ниже нижнего порога — автоматический отказ.

Между порогами — заявка уходит на ручной андеррайтинг (проверку человеком).

Какие данные учитываются

Состав переменных зависит от типа скоринга, но чаще всего анализируются следующие группы факторов:

Личные данные: Возраст, пол (в РФ при оценке физлиц практически не используется из-за законодательства), семейное положение, образование, регион проживания.

Финансовое поведение: Уровень дохода, стабильность работы и стаж, размер ежемесячных обязательств (алименты, другие кредиты), соотношение платежа по кредиту к доходу (PTI/DTI), наличие активов (недвижимость, автомобиль).

Кредитная история: Количество открытых и закрытых кредитов, дисциплинированность платежей (наличие просрочек), глубина кредитной истории, количество запросов в бюро кредитных историй за последнее время.

Поведенческие факторы: Как клиент пользуется картой (траты в магазинах, онлайн-покупки), как заполняет анкету (например, скорость ввода данных или частая смена ответов могут быть маркерами мошенничества), использование мобильного приложения банка.

Социальные связи: Образование и уровень дохода контактных лиц, указанных в анкете.

Основные виды скоринга

В банковской практике выделяют несколько направлений:

Application-scoring (заявочный) — оценка нового клиента перед выдачей первого кредита. Это самый массовый вид скоринга.

Behavioral-scoring (поведенческий) — оценка поведения существующего клиента. На основе него банк решает, можно ли увеличить лимит по кредитной карте, предложить новый продукт или стоит заранее связаться с клиентом, который начал допускать просрочки.

Collection-scoring (коллекторский) — применяется к должникам. Модель определяет, насколько велика вероятность возврата долга без суда. Если балл низкий, дело сразу передают юристам; если высокий — работают мягкие методы взыскания (напоминания, СМС).

Fraud-scoring (антифрод) — оценивает риск мошенничества. Проверяет подлинность документов, совпадение геолокации и адреса регистрации, подозрительные паттерны заполнения заявки.

Pre-screening (прескоринг) — предварительный отбор целевой аудитории для маркетинговых кампаний (кому имеет смысл звонить с предложением кредита, чтобы не тратить ресурсы впустую).

Источники информации

БКИ (Бюро кредитных историй): основной источник данных о прошлых и текущих долгах. В России крупнейшие БКИ — НБКИ, ОКБ, «Скоринг Бюро» (бывшее Equifax).

Данные самого банка: транзакции по дебетовым картам, остатки на счетах, частота использования мобильного приложения.

Государственные сервисы: ФНС (доходы), Росреестр (недвижимость), ГИБДД (автомобили), ФССП (судебные задолженности).

Альтернативные данные: оплата коммунальных услуг, штрафов, подписок на стриминговые сервисы, активность в социальных сетях (используется финтех-компаниями и МФО).

Математические модели

Для расчета используются различные алгоритмы машинного обучения:

Логистическая регрессия — классический и наиболее интерпретируемый метод, долгое время был стандартом в банках.

Деревья решений и ансамблевые методы (Random Forest, Gradient Boosting / CatBoost, XGBoost) — сейчас доминируют благодаря высокой точности.

Нейронные сети — применяются для обработки сложных нелинейных зависимостей и альтернативных данных (например, текстовых описаний из соцсетей).

Роль кредитного скоринга в России

В российской банковской системе скоринг играет ключевую роль. Большинство потребительских кредитов, автокредитов и ипотек до 1–2 миллионов рублей одобряются роботами автоматически за секунды.

Центробанк РФ активно регулирует эту сферу, внедряя стандарты обмена данными через API и развивая платформу «Маркетплейс». Кроме того, российские банки являются мировыми лидерами по внедрению моделей на базе машинного обучения (например, Сберабанк использует собственные разработки семейства CatBoost, а Тинькофф одним из первых перешел на полностью цифровой KYC/AML и скоринг без отделений).

Преимущества и недостатки

Преимущества:

Объективность: решение принимается на основе цифр, исключая человеческий фактор и предвзятость сотрудника.

Скорость: ответ приходит мгновенно, что удобно для клиентов и выгодно для банков.

Масштабируемость: банк может обрабатывать миллионы заявок в месяц без пропорционального найма персонала.

Управление рисками: позволяет удерживать долю невозвратов (NPL) на приемлемом уровне.

Недостатки и риски:

Проблема «черного ящика»: сложные нейросети выдают точный прогноз, но банку сложно объяснить клиенту причину отказа.

Риск дискриминации: косвенная корреляция (например, люди из определенного района или с определенной профессией получают более низкие баллы).

Уязвимость к манипуляциям: существуют услуги по искусственному улучшению кредитной истории.

Ошибки первого рода: добросовестные заемщики могут получить отказ из-за отсутствия кредитной истории («проблема новичка») или редких ошибок в данных БКИ.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: