Кредитный скоринг физических лиц в РФ (2010–2025): Синтез макропруденциального регулирования, ML-технологий и стратегическая эволюция риск-менеджмента (на примере «Банка Русский Стандарт»)

метки: Кредитный, Оценка, Стандарт, Использование, Scoring, Заемщик, Портфель, Дефолт

Введение: Актуальность, цели и задачи исследования

В последние полтора десятилетия российский рынок потребительского кредитования пережил беспрецедентную трансформацию, вызванную как технологическим прорывом (внедрение Big Data, Machine Learning), так и кардинальным ужесточением регуляторной политики. Анализ кредитоспособности физических лиц, традиционно опиравшийся на классические статистические методы, сегодня представляет собой сложный синтез финансовых технологий (FinTech) и макропруденциального регулирования, направленного на сдерживание системных рисков. Критическая актуальность темы обусловлена текущей ситуацией на рынке: по состоянию на первое полугодие 2025 года, доля проблемных кредитов (NPL 90+) достигла 11,7%, превысив даже пиковые значения предыдущих кризисных периодов, следовательно, текущая динамика на фоне активного использования Банком России макропруденциальных лимитов (МПЛ) и Показателя долговой нагрузки (ПДН) требует глубокого пересмотра теоретических и практических аспектов кредитного скоринга.

Целью настоящего исследования является критическая оценка эволюции подходов к оценке кредитоспособности физических лиц в российском банковском секторе в период 2010–2025 гг. и анализ стратегического ответа кредитных организаций на ужесточение регуляторной среды, в частности, на примере кейса «Банка Русский Стандарт».

Для достижения поставленной цели необходимо решить следующие задачи:

1. Раскрыть актуальный (2025 г.) терминологический аппарат и методологические основы оценки кредитного риска в соответствии с требованиями Базеля II/III.
2. Проанализировать ключевые изменения в нормативно-правовых требованиях ЦБ РФ, включая внедрение и развитие инструментария ПДН и МПЛ.
3. Описать современные (2025 г.) методики кредитного скоринга, основанные на технологиях Big Data, Machine Learning и искусственного интеллекта.
4. Критически оценить динамику рынка потребительского кредитования и проблему NPL в 2024–2025 гг.
5. Провести анализ трансформации бизнес-модели и риск-менеджмента АО «Банк Русский Стандарт» в ответ на новые вызовы.

Теоретические основы и терминологический аппарат кредитного скоринга

Оценка кредитоспособности — это комплекс мер, направленных на определение способности и готовности заемщика своевременно и в полном объеме исполнить свои обязательства по кредитному договору. В контексте современной финансовой науки эта оценка формализована через модель кредитного скоринга. Кредитный скоринг (от англ. score — балл) представляет собой математико-статистическую модель, которая на основе данных о заемщике присваивает ему определенный балл, прогнозирующий вероятность дефолта.

Оценка кредитоспособности физических лиц в современной российской ...

... оценки кредитоспособности. Каждый банк разрабатывает свою систему управления рисками, которая включает как превентивные меры (тщательный анализ кредитоспособности), так и реактивные (процедуры взыскания задолженности, формирование резервов). Эффективное управление кредитным ... секторе приходится на кредитный скоринг. Это свидетельствует о глубокой трансформации подходов к оценке, где наряду с ...

Ключевые термины, актуальные для риск-менеджмента в 2025 году, тесно связаны с принципами «Базельского соглашения» и регуляторными требованиями ЦБ РФ:

Термин	Актуальное определение (2020–2025 гг.)	Связь с регулированием РФ
Кредитоспособность	Способность заемщика обслуживать долг, определяемая соотношением его подтвержденного дохода и совокупной долговой нагрузки (включая ПДН).	Расчет ПДН (Указание ЦБ РФ № 4892-У).
Скоринг	Процесс автоматизированного присвоения балла, прогнозирующего вероятность дефолта (PD). Включает Application, Behavioral и Fraud Scoring.	База для расчета PD и формирования резервов по Положению ЦБ РФ № 745-П.
NPL (Non-Performing Loans)	Ссуды физических лиц, просроченные более чем на 90 дней, по которым имеется высокая вероятность невозврата.	Влияет на достаточность капитала и формирование резервов.
ПДН (Показатель Долговой Нагрузки)	Отношение среднемесячных платежей заемщика по всем кредитам к его среднемесячному доходу.	Ключевой макропруденциальный инструмент (с 01.10.2019) для ограничения рискованных выдач.

Компоненты кредитного риска в рамках Базель II/III и их оценка в РФ

В соответствии с методологией, разработанной Базельским комитетом по банковскому надзору, оценка кредитного риска базируется на трех фундаментальных компонентах, которые используются для расчета ожидаемых потерь (EL — Expected Loss):

EL = PD * LGD * EAD

Где:

1. PD (Probability of Default) — Вероятность дефолта: Прогнозная вероятность того, что контрагент допустит дефолт в течение определенного периода (обычно 12 месяцев).
2. LGD (Loss Given Default) — Уровень потерь в случае дефолта: Доля потерь, которую понесет банк от остатка задолженности на момент дефолта.
3. EAD (Exposure at Default) — Ожидаемый остаток задолженности на момент дефолта: Прогнозируемая сумма, которую заемщик будет должен банку к моменту наступления дефолта.

Российская практика, следуя принципам Базеля III, позволяет крупным банкам использовать так называемый Продвинутый подход на основе внутренних рейтингов (AIRB). Критически важно отметить, что в российской регуляторной среде, в отличие от некоторых зарубежных юрисдикций, для оценки розничных кредитных портфелей (физических лиц) Фундаментальный подход (FIRB) не разрешен. Это означает, что банки, переходящие на AIRB, обязаны разработать и валидировать собственные внутренние модели для оценки всех трех компонентов риска: PD, LGD и EAD. Это требует значительных инвестиций в Data Science и аналитику, поскольку качество оценки PD (скоринга), LGD (моделирования возвратов) и EAD (моделирования использования лимитов) напрямую влияет на величину резервов и, следовательно, на достаточность капитала, что формирует прямую зависимость между технологическим развитием банка и его регуляторной устойчивостью.

Роль Бюро кредитных историй (БКИ) и их законодательное регулирование

Стержнем современного кредитного скоринга является информация, агрегируемая Бюро кредитных историй (БКИ), чья деятельность регламентирована Федеральным законом № 218-ФЗ «О кредитных историях». Кредитный рейтинг заемщика, формируемый БКИ, является одним из главных факторов, используемых банками (Application Scoring).

Срок хранения кредитной истории, согласно закону, составляет 10 лет.

Однако в 2025 году сохраняется критическая проблема, влияющая на точность скоринговых моделей: неспособность ряда кредиторов своевременно и корректно обновлять информацию в БКИ. Задержки или ошибки в предоставлении данных могут привести к тому, что банк принимает решение о выдаче на основе неактуального или искаженного кредитного профиля. Эта проблема усугубляется недавним регуляторным изменением, описанным ниже, которое ставит под сомнение использование данных БКИ для оценки дохода.

Эволюция регуляторной среды: Макропруденциальная политика ЦБ РФ (2010–2025 гг.)

Эволюция российского регулирования кредитования физических лиц ознаменована переходом от относительно либерального надзора к агрессивному использованию макропруденциальных инструментов. Если в начале 2010-х годов основное внимание уделялось микропруденциальным нормативам (резервам и капиталу отдельных банков), то к 2025 году Банк России стал активно управлять системным риском через прямое ограничение объемов выдачи.

Показатель долговой нагрузки (ПДН) и его влияние на рынок

Переломным моментом стало введение Показателя долговой нагрузки (ПДН) с 1 октября 2019 года (Указание № 4892-У).

ПДН стал ключевым инструментом, обязывающим банки и МФО оценивать соотношение ежемесячных платежей заемщика по всем обязательствам к его среднемесячному доходу. Использование ПДН позволило ЦБ РФ точечно воздействовать на наиболее рискованные сегменты рынка. Например, в сегменте МФО ужесточение макропруденциальных лимитов привело к тому, что доля займов с ПДН выше 80% снизилась с 35% в I квартале 2023 года до 14% в IV квартале 2023 года.

Критический анализ проекта ЦБ РФ (Слепая зона №1): Исключение сведений БКИ при оценке дохода.

С 1 июля 2025 года вступает в силу проект Банка России, который радикально меняет методологию расчета ПДН. ЦБ РФ предписывает банкам исключить использование сведений из кредитных отчетов БКИ при оценке величины дохода заемщика для расчета ПДН, требуя перехода на подтвержденные официальными органами данные (например, ФНС, ПФР).

Период	Использование данных БКИ для ПДН	Подтверждение дохода
До 01.07.2025	Допускается использование сведений из кредитного отчета (при наличии).	Широкий спектр документов.
С 01.07.2025	Строго исключается использование данных БКИ для оценки дохода.	Только подтвержденные официальные органы (ФНС, Госуслуги).

Цель этого изменения — минимизировать риски завышения доходов, которые могли возникать при использовании неподтвержденных данных в БКИ, и заставить банки полагаться только на достоверные источники. Однако это также создает дополнительную нагрузку на процесс сбора данных и может усложнить кредитование для сегмента самозанятых или лиц с неформальными доходами, поэтому банкам приходится искать новые, нетрадиционные, но верифицируемые методы оценки реального финансового положения клиента.

Применение макропруденциальных лимитов (МПЛ) в 2024–2025 гг.

Макропруденциальные лимиты (МПЛ) стали основным инструментом «охлаждения» рынка, ограничивая долю выдач наиболее рискованным категориям заемщиков. С 1 июля 2024 года ЦБ РФ повысил надбавки к коэффициентам риска по необеспеченным потребительским кредитам с полной стоимостью кредита (ПСК) от 25% до 40%. Повышение риск-весов напрямую ведет к необходимости формирования большего объема капитала для покрытия потенциальных потерь, что делает выдачу рискованных кредитов экономически невыгодной.

Слепая зона №2: Введение МПЛ на ипотеку и снижение рисков.

В 2025 году макропруденциальная политика была распространена на ипотечный сегмент. Это критически важно, поскольку ипотека традиционно считалась менее рискованной.

С 1 июля 2025 года Банк России начал применять МПЛ к ипотечным кредитам. Главное ограничение касается заемщиков с ПДН свыше 80%. Доля выдач таким заемщикам не должна превышать 5% от квартального объема ипотеки, что является беспрецедентно жестким лимитом.

Эффективность этого инструмента уже продемонстрирована на примере предварительных данных: доля ипотечных кредитов, выданных с ПДН свыше 80%, сократилась с пиковых 42% во II квартале 2023 года до 6% во II квартале 2025 года. Регуляторный фокус сместился с простого ограничения объема на принудительное улучшение качества портфеля.

Современные методики кредитного скоринга: Ответ банков на ужесточение рисков

Ужесточение регуляторных требований и повышение стоимости капитала для рискованных кредитов вынудили банки отказаться от устаревших статистических моделей, таких как классический скоринг Дюрана (основанный на логистической регрессии), и перейти к адаптивным системам на базе Machine Learning (ML) и Искусственного интеллекта (ИИ). В самом деле, могут ли классические линейные модели, разработанные десятилетия назад, адекватно оценить риск в условиях столь динамично меняющейся макроэкономической среды и регуляторной нагрузки?

Модели на основе Machine Learning и искусственного интеллекта (ИИ)

Современный скоринг в крупнейших российских банках (Сбербанк, Альфа-Банк) базируется на сложных алгоритмах, таких как градиентный бустинг (XGBoost, LightGBM) и нейронные сети. Эти модели способны обрабатывать и выявлять нелинейные зависимости в массивах Big Data, что недоступно классическим линейным моделям.

Слепая зона №3: Единая нейросетевая модель на последовательных данных.

Ключевым технологическим трендом 2025 года является переход к построению единой нейросетевой модели кредитного скоринга. Вместо использования отдельных моделей для Application (заявка), Behavioral (поведение) и Fraud (мошенничество) скоринга, ведущие банки интегрируют все источники данных в одну систему.

1. Источники данных: Модель обрабатывает не только статичные данные заявки и кредитной истории, но и последовательные данные — историю карточных транзакций, движения по расчетному счету, историю запросов в БКИ.
2. Технология эмбеддингов (Embeddings): Для объединения разнородных данных (например, категории трат, география, частота операций) используются специальные векторные представления (эмбеддинги), которые позволяют нейросети уловить взаимное влияние различных факторов на риск.
3. Прирост качества: Применение нейросетевых моделей на последовательных данных обеспечивает значительный прирост в точности прогнозирования вероятности дефолта (PD).

   Этот прирост измеряется метрикой ROC AUC (Area Under the Curve). Увеличение ROC AUC даже на несколько процентных пунктов (например, с 0.72 до 0.75) на масштабе крупного портфеля дает колоссальный экономический эффект за счет снижения ошибок первого и второго рода (выдача кредита дефолтному заемщику и отказ надежному).

Новые факторы оценки кредитоспособности (Behavioral Scoring, Digital Footprint)

Если в 2009 году оценка кредитоспособности физического лица в основном опиралась на подтверждение дохода и анализ кредитной истории (Application Scoring), то скоринг 2025 года использует глубокий анализ поведения.

Behavioral Scoring (поведенческий скоринг) анализирует активность клиента внутри банка:

• Транзакционная активность: Регулярность поступления средств, структура расходов (например, доля трат на азартные игры или алкоголь), частота использования овердрафта.
• Использование продуктов: Наличие депозитов, своевременное погашение других кредитов банка.

Digital Footprint (Цифровой след) включает информацию, полученную из цифровых источников, которая, при корректном использовании, не нарушает законодательство о персональных данных, но позволяет выявить паттерны, коррелирующие с риском:

• Геолокация: Анализ стабильности места жительства и работы.
• Взаимодействие с приложением: Частота входа в мобильный банк, использование дополнительных сервисов.

Эти новые факторы позволяют более точно прогнозировать PD и, что критически важно, оперативно корректировать прогноз в ответ на изменение финансового положения заемщика, чего не могли делать статические модели прошлого, тем самым существенно сокращая период отклика банка на ухудшение кредитного профиля.

Динамика рынка и проблема проблемной задолженности (NPL) в 2024–2025 гг.

Рынок потребительского кредитования РФ в 2024–2025 гг. характеризуется высоким спросом на фоне ужесточения условий и нарастающего давления неработающих кредитов (NPL).

По данным Банка России, ужесточение регуляторных мер было своевременным, учитывая ухудшение риск-профиля.

Показатель	I квартал 2015 года	I полугодие 2025 года	Динамика
Доля NPL 90+ (Необеспеченные кредиты)	8,6%	11,7%	Рост на 3,1 п.п.
Доля займов МФО с ПДН > 80% (Макс.)	Не применялось	14% (IV кв. 2023 г.)	Снижение (за счет МПЛ)

Слепая зона №4: Превышение кризисных показателей NPL.

Критический анализ показывает, что текущий уровень просроченной задолженности (NPL 90+ в H1 2025, составивший 11,7%) превышает показатели, зафиксированные в I квартале 2015 года (8,6%), когда рынок находился в острой фазе кризиса. Это свидетельствует о том, что активная выдача кредитов в 2022–2024 годах, в том числе заемщикам с высокими значениями ПСК (Полной Стоимости Кредита) и без кредитной истории (sub-prime), привела к структурному ухудшению качества портфеля. Основные инструменты минимизации рисков, используемые регулятором, — это дальнейшее ужесточение макропруденциальных лимитов и повышение риск-весов. Эти меры направлены на то, чтобы сделать дальнейшие выдачи рискованным заемщикам экономически нецелесообразными для банков, тем самым заставляя их использовать более точные и сложные скоринговые модели, основанные на ML. Более детальный анализ можно найти в разделе Современные методики кредитного скоринга.

Кейс «Банка Русский Стандарт»: Стратегия выживания и реструктуризации риска (2024–2025 гг.)

«Банк Русский Стандарт» (БРС) исторически являлся одним из пионеров потребительского кредитования и скоринга в России. Банк первым активно внедрил скоринговые системы для массовых выдач необеспеченных кредитов и кредитных карт. Однако в условиях ужесточения конкуренции и регуляторного давления его бизнес-модель, ориентированная на высокие риски и высокую маржинальность, потребовала кардинальной перестройки.

Финансовое позиционирование и кредитный портфель

По состоянию на 2024–2025 гг. АО «Банк Русский Стандарт» сохраняет специа��изацию на необеспеченном потребительском кредитовании. Банк занимает сильные позиции на рынке эквайринга РФ и входит в топ-30 кредитных организаций по объему портфеля кредитов физических лиц и в топ-20 по объему средств физических лиц (по состоянию на 01.03.2025).

Кредитный портфель физических лиц БРС по состоянию на февраль 2022 года составлял 160 574 936 тыс. рублей.

Критические изменения в структуре портфеля за последний год (01.03.2024 – 01.03.2025):

Показатель	Значение (01.03.2024)	Значение (01.03.2025)	Динамика
Объем кредитов физических лиц	X	X — 4%	Сокращение на 4%
Кредитный рейтинг (Эксперт РА, Апрель 2025)	ruBB-	ruBB (Стабильный прогноз)	Повышение

Усиление риск-политики и повышение кредитного рейтинга

Сокращение объема кредитов физических лиц на 4% за год (01.03.2024 – 01.03.2025) является ключевым индикатором стратегического сдвига. Это сокращение было обусловлено целенаправленным снижением объема выдач sub-prime клиентам (наиболее рискованным заемщикам), что прямо коррелирует с ужесточением политики управления риском и новыми требованиями ЦБ РФ к ПДН и МПЛ.

Слепая зона №5: Подтверждение стратегической трансформации.

Повышение кредитного рейтинга банка до уровня ruBB со стабильным прогнозом в апреле 2025 года, согласно рейтинговому агентству «Эксперт РА», подтверждает успех этой трансформации. Рейтинговое агентство назвало ключевыми факторами:

1. Успешное снижение объема непрофильных вложений на балансе.
2. Усиление риск-политик, которое привело к улучшению качества новых выдач и снижению концентрации на самых рискованных клиентах.

Кейс «Банка Русский Стандарт» демонстрирует, что в условиях, когда регулятор делает выдачу рискованных кредитов чрезмерно дорогим удовольствием, даже банки, исторически ориентированные на высокий риск, вынуждены переходить к более консервативным моделям скоринга, основанным на более точных ML-технологиях и более строгом отборе клиентов. Иначе говоря, для сохранения своей позиции на рынке, банку было необходимо отказаться от прежней агрессивной стратегии в пользу качества портфеля.

Заключение и направления дальнейших исследований

Эволюция оценки кредитоспособности физических лиц в России (2010–2025 гг.) представляет собой пример глубокой конвергенции регуляторного давления и технологического прорыва. Макропруденциальная политика ЦБ РФ, основанная на инструментах ПДН и МПЛ, успешно сдерживает темпы роста портфеля, но не смогла предотвратить ухудшение его качества: уровень NPL 90+ в 2025 году превысил показатели кризиса 2015 года. В ответ на эти вызовы банковский сектор, особенно крупные игроки, совершил технологический скачок, перейдя от классических статистических моделей к интегрированным нейросетевым скорингам, работающим на последовательных данных (Behavioral Scoring, Digital Footprint).

Эта технологическая адаптация является единственным способом минимизировать ошибки скоринга и поддерживать необходимый уровень достаточности капитала в условиях высоких риск-весов.

Кейс «Банка Русский Стандарт» служит наглядным подтверждением: стратегический успех в новой регуляторной среде достигается не объемом, а качеством портфеля, требуя отказа от sub-prime клиентов и перехода к более консервативным и точным методам оценки.

Направления дальнейших исследований:

1. Влияние нового регулирования ПДН на модели LGD: Исследование того, как исключение данных БКИ при оценке дохода (с 01.07.2025) повлияет на точность оценки LGD (Loss Given Default) и EAD, поскольку более строгий отбор заемщиков может изменить динамику возвратов и остатков задолженности.
2. Этический и регуляторный аспект ИИ-скоринга: Анализ проблем «черного ящика» (Black Box) нейросетевых моделей в контексте требований ЦБ РФ к объяснимости скоринговых решений и соблюдению прав заемщиков.
3. Оценка эффективности макропруденциальных лимитов в ипотеке: Прогнозирование долгосрочного влияния МПЛ на ипотечный рынок (с 01.07.2025) на доступность жилья и ценовую динамику в различных регионах РФ.

Список использованной литературы

1. Гражданский кодекс Российской Федерации. (Часть первая, вторая, третья и четвертая).

   Москва: Информэкспо, Воронеж: изд-во Борисова, 2008.

2. Федеральный закон от 02.12.1990 N 395-1 «О банках и банковской деятельности». СЗ РФ. 1996. № 6. ст. 492.
3. Федеральный закон от 30 декабря 2004 г. N 218-ФЗ «О кредитных историях» (с изменениями на 2025 год).
4. Письмо Банка России от 5 марта 2025 г. N 44-19/1691 “О порядке применения Федерального закона N 31-ФЗ”. Доступ из системы ГАРАНТ.
5. Указание Банка России от 17.06.2025 N 7078-У «О внесении изменений в Положение Банка России от 9 декабря 2020 года N 745-П». Доступ из системы КонсультантПлюс.
6. Банк России отменяет ограничение ПСК по потребительским кредитам (займам) с 1 января по 31 марта 2025 года. URL: https://cbr.ru/ (дата обращения: 09.10.2025).
7. Банк России предложил исключить учет банками данных БКИ при оценке доходов заемщиков. URL: https://www.interfax.ru/ (дата обращения: 09.10.2025).
8. С 27 июня 2025 года устанавливаются требования к составу запроса о предоставлении информации о БКИ. Доступ из системы КонсультантПлюс.
9. С 1 октября 2025 года вступают в силу положения Указания № 6654-У. URL: https://weblegis.ru/ (дата обращения: 09.10.2025).
10. ЦБ предложил банкам не учитывать кредитную историю при оценке заемщиков. URL: https://xn--80abntbpiaiicwf.xn--p1ai/ (дата обращения: 09.10.2025).
11. Обзор финансовой стабильности. Банк России. URL: https://cbr.ru/ (дата обращения: 09.10.2025).
12. ОБЗОР КЛЮЧЕВЫХ ПОКАЗАТЕЛЕЙ МИКРОФИНАНСОВЫХ ИНСТИТУТОВ. Банк России. URL: https://cbr.ru/ (дата обращения: 09.10.2025).
13. БАНКОВСКИЙ СЕКТОР. Банк России. URL: https://cbr.ru/ (дата обращения: 09.10.2025).
14. Батракова Л.Г. Анализ процентной политики коммерческого банка. Москва: Логос, 2008.
15. Батракова Л.Г. Экономический анализ деятельности коммерческого банка. Москва: Прогресс, 2008. 423 с.
16. Вешкин Ю.Г., Авагян Г.Л. Экономический анализ деятельности коммерческого банка: учебное пособие. Москва: Магистр, 2007. 350 с.
17. Голубева С.Е. Страхование рисков коммерческого банка. Москва: Банки и биржи, ЮНИТИ, 2007. 471 с.
18. Донцова Л.В., Никифорова Н.А. Комплексный анализ финансовой отчетности. 5-е изд., перераб. и доп. Москва: Дело и Сервис, 2007.
19. Ендовицкий Д.А., Бочарова И.В. Анализ и оценка кредитоспособности заемщика. Москва: КноРус, 2008.
20. Жарковская Е.П. Банковское дело: учебник. 4-е изд., испр. и доп. Москва: Омега-Л, 2008. 452 с.
21. Жуков Е.Ф. Деньги. Кредит. Банки: учебник для вузов. Москва: ЮНИТИ-ДАНА, 2008. 600 с.
22. Лаврушин И.О. Банковское дело: современная система кредитования: учебное пособие. 4-е изд., стер. Москва: КНОРУС, 2008. 264 с.
23. Кредитные организации в России: правовой аспект / Под ред. Е.А. Павлодского. Москва: Волтерс Клувер, 2008.
24. «Эксперт РА» повысил кредитный рейтинг АО «Банк Русский Стандарт» до уровня ruBB-. URL: https://raexpert.ru/ (дата обращения: 09.10.2025).
25. Годовая бухгалтерская (финансовая) отчетность АО «Банк Русский Стандарт» за 2023 год. URL: https://rsb.ru/ (дата обращения: 09.10.2025).
26. Единая нейросетевая модель кредитного скоринга. URL: https://habr.com/ (дата обращения: 09.10.2025).
27. Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? Спросили экспертов и рассказали про опыт JetLend. URL: https://jetlend.ru/ (дата обращения: 09.10.2025).
28. Русский Стандарт — рейтинг на основании показателей деятельности за период c 2025-08-01 по 2025-09-01. URL: https://www.banki.ru/ (дата обращения: 09.10.2025).
29. Scoring Day 2025: лучшие стратегии ИИ-скоринга и успешные бизнес-кейсы. URL: https://rufincontrol.ru/ (дата обращения: 09.10.2025).
30. ScorFest 2025 | Форум cкоринговых технологий, 19 ноября. URL: https://scoring-forum.ru/ (дата обращения: 09.10.2025).
31. Текущие технологии и методы кредитного скоринга в ПАО «Сбербанк». URL: https://kampus.ai/ (дата обращения: 09.10.2025).
32. Смулов А.М. Прогнозирование величины показателя удельного веса просроченной ссудной задолженности кредитной организации // Аудит и финансовый анализ. 2007. №1.
33. Ковалев А. Аудит и корректировка управления кредитными рисками // Финансовый Директор. 2007. № 8.
34. Кредитование физических лиц — новые горизонты развития банковского бизнеса // Эксперт. 2009. № 6.