Кредитный скоринг: Теория, Российская Практика, Риски и Перспективы Развития

метки: Кредитный, Модель, Данные, Скоринг, Обращение, Решение, Оценка, Закон

Введение

В условиях стремительно меняющегося финансового ландшафта, когда скорость принятия решений и точность оценки рисков становятся ключевыми факторами конкурентоспособности, кредитный скоринг занимает центральное место в банковской системе. Эта автоматизированная система не просто ускоряет процесс выдачи кредитов, но и служит мощным инструментом минимизации потенциальных потерь, позволяя банкам более эффективно управлять своим кредитным портфелем, что критически важно для обеспечения их финансовой устойчивости. Настоящая работа призвана обеспечить всестороннее и академически глубокое исследование кредитного скоринга, охватывая его теоретические основы, практическое применение в России, методы оценки рисков и перспективные направления развития.

Целью данного исследования является создание исчерпывающего отчета, который позволит студентам и аспирантам экономических и финансовых вузов получить полное представление о кредитном скоринге как о фундаментальном элементе современного банковского дела. Мы рассмотрим ключевые аспекты, начиная с исторического экскурса и базовых определений, переходя к анализу математических моделей, специфике их применения в российской практике, роли инфраструктурных элементов, правовым и этическим нормам, а также экономическому влиянию на банки. Особое внимание будет уделено перспективным направлениям, таким как Big Data, искусственный интеллект и машинное обучение, которые уже сегодня формируют облик будущего финансового сектора.

Для достижения поставленной цели в работе будут решены следующие задачи:

1. Рассмотреть историю развития кредитного скоринга и его теоретические основы в мировой и российской практике.
2. Проанализировать основные математические и статистические модели, применяемые в кредитном скоринге, с их преимуществами, недостатками и формулами.
3. Выявить особенности и вызовы применения систем кредитного скоринга в российской банковской системе, подкрепляя анализ актуальными статистическими данными.
4. Определить роль и механизм функционирования кредитных бюро и коллекторских агентств в повышении эффективности управления кредитными рисками в России.
5. Исследовать правовые и этические нормы, регулирующие сбор, обработку и использование персональных данных заемщиков для целей скоринга в РФ и международных практиках.
6. Оценить влияние внедрения и совершенствования систем кредитного скоринга на экономические показатели банков, в частности, на уровень просроченной задолженности и прибыльность.
7. Изучить перспективные направления развития кредитного скоринга, включая применение Big Data, искусственного интеллекта и машинного обучения, для повышения точности оценки заемщиков.

Определения ключевых терминов:

• Кредитный скоринг — это автоматизированная система оценки кредитоспособности заемщика и уровня риска при выдаче кредита.
  6 стр., 2559 слов

  Денежно-кредитная политика Российской Федерации: Теоретические ...

  ... цель ДКП Банка России, согласно Федеральному закону "О Центральном банке Российской Федерации (Банке России)", заключается в защите ... в экономике. Каналы влияния ключевой ставки: Процентный, кредитный и инфляционных ожиданий Изменение ключевой ставки запускает ... операционного механизма БоР (по состоянию на 07.10.2025), оценке временных лагов (концепция Фридмена) и трансмиссионного механизма ...

  Она основана на статистических методах и математических алгоритмах, присваивая потенциальному заемщику баллы (скор) на основе совокупности факторов, характеризующих его финансовое поведение и социально-демографические данные.

• Кредитоспособность — это способность заемщика полностью и в срок рассчитаться по своим долговым обязательствам. Данное понятие включает в себя как финансовые возможности (доходы, наличие активов, текущие обязательства), так и его готовность выполнять свои обязательства (кредитная история, платежная дисциплина).
• Кредитный риск — это вероятность невозврата заемных средств или несвоевременного исполнения заемщиком своих обязательств перед кредитной организацией. Он включает в себя риск дефолта, риск снижения качества кредитного портфеля и операционные риски, связанные с процессом кредитования.
• Коллекторский бизнес — это профессиональная деятельность по взысканию просроченной дебиторской задолженности с физических и юридических лиц. Он может осуществляться как по агентскому договору (от имени первоначального кредитора), так и путем выкупа долгов (цессии) с последующим самостоятельным взысканием.

Теоретические основы и история развития кредитного скоринга

Начало истории кредитного скоринга — это увлекательный рассказ о том, как интуиция и опыт кредитных экспертов постепенно трансформировались в строгие математические модели, способные обрабатывать огромные объемы данных и предсказывать будущее финансовое поведение, обеспечивая тем самым новую эру объективности в кредитовании.

Сущность, задачи и основные принципы кредитного скоринга

В своей основе кредитный скоринг представляет собой сложную, но при этом крайне практичную автоматизированную систему, предназначенную для оценки кредитоспособности заемщика и определения уровня риска, связанного с выдачей ему кредита. Сам термин «скоринг» пришел из английского языка, где "score" означает «счет» или «подсчет баллов», что точно отражает суть процесса – каждому клиенту присваивается определенный балл на основе анализа его характеристик.

Основная задача кредитного скоринга – это предсказание вероятности дефолта потенциального заемщика. Иными словами, система пытается ответить на вопрос: насколько велика вероятность, что клиент не сможет или не захочет вернуть кредит в срок? Для кредитной организации скоринг является мощным инструментом для решения ряда критически важных задач:

Комплексный анализ кредитного портфеля и рисков ПАО Сбербанк: ...

... дела. Мы рассмотрим теоретические основы кредитного портфеля, виды и причины возникновения рисков, методологические подходы к их оценке и управлению. Особое внимание будет ... предоставленных заемщикам. Средневзвешенная процентная ставка: индикатор доходности портфеля. Средневзвешенный срок кредитования: показывает горизонт планирования и оборачиваемость средств. Рискованность: измеряется долей ...

• Оценка рисков: Скоринг позволяет количественно измерить кредитный риск, связанный с каждым клиентом, и принять обоснованное решение о выдаче или отказе в кредите.
• Быстрое принятие решений: Автоматизация процесса позволяет сократить время рассмотрения заявки с дней до минут, что особенно важно для розничного экспресс-кредитования.
• Экономия времени и ресурсов: Снижается нагрузка на кредитных менеджеров, которым больше не нужно вручную анализировать сотни параметров.
• Исключение ошибок и субъективности: Скоринг минимизирует влияние человеческого фактора, обеспечивая единообразный и объективный подход к оценке всех заемщиков.
• Оптимизация условий кредитования: На основе скорингового балла банк может предложить персонализированные условия – размер процентной ставки, сумму и срок кредита, соответствующие уровню риска.

Теоретической основой скоринга являются математические расчеты, статистический анализ и ключевое предположение о том, что люди со схожими социально-демографическими характеристиками и финансовыми привычками будут демонстрировать схожее финансовое поведение. Современные скоринговые модели используют широкий спектр математических методов, от классической регрессии и классификации данных (например, логит-регрессии) до сложных алгоритмов машинного обучения.

История развития скоринга в мировой практике

Путь от ручной оценки заемщиков до высокотехнологичных скоринговых систем был долог и начался задолго до появления компьютеров. Первые предпосылки к формированию скоринговых систем можно обнаружить еще в 1940-х годах, когда в банковской среде стали появляться первые структурированные списки параметров для оценки потенциальных заемщиков.

Важным шагом стало появление академических работ. В 1941 году Дэвид Дюран опубликовал одну из первых исследовательских работ, посвященных кредитному скорингу, что заложило теоретический фундамент для будущих разработок. Настоящая революция произошла с началом автоматизации процесса скоринга в 1950-х годах. Пионерами в этой области стали инженер Билл Фэйр и математик Эрл Айзек. В 1956 году они разработали первую в мире скоринговую модель, которая стала основой для создания компании Fair Isaac Corporation (FIC), позднее получившей известность как FICO. Их система FICO score стала эталоном в индустрии. Уже в 1958 году было продано первое скоринговое решение, что ознаменовало переход от теоретических изысканий к реальному коммерческому применению.

За последние 10 лет развитие технологий хранения и обработки информации, таких как Big Data, открыло совершенно новые горизонты для скоринга. Возможность собирать и анализировать огромные массивы персонализированных данных позволила значительно повысить точность прогнозирования рисков, углубить понимание клиентского поведения и создать более гибкие и адаптивные скоринговые модели.

Эволюция и вызовы кредитного скоринга в России

В России развитие кредитного скоринга началось позднее, но шло ускоренными темпами. Его активное применение в российских банках началось примерно с 2005 года, что было тесно связано с бумом розничного экспресс-кредитования. Банки осознали, что без быстрой и объективной системы оценки рисков невозможно масштабировать выдачу потребительских кредитов, которые зачастую не требуют залога и поручительства.

Сравнительный анализ потребительского автокредитования в России ...

... кредиты "сейчас". Рост цен на автомобили, подталкивающий потребителей к быстрому принятию решения. Однако, в 2025 году тенденции кардинально изменились. Прогнозы ведущих аналитических агентств ... NPL, уровень отказов) в условиях ужесточения регулирования. Разработать концепцию финансового инструмента — Модели риск-скорректированной полной стоимости кредита (Р-ПСК). Теоретико-правовые основы и базовые ...

Однако внедрение и совершенствование скоринга в России столкнулось с рядом специфических вызовов:

• Математические особенности методов: Несмотря на общие принципы, адаптация зарубежных моделей к российской экономической реальности требовала значительной доработки. Отличия в структуре доходов населения, паттернах потребления и доступности информации влияли на эффективность моделей.
• Экономическая специфика страны: Россия характеризуется высокой дисперсностью регионов с кардинально различающимися экономическими условиями, уровнем доходов и социальной стабильностью. Объем теневого сектора экономики также создавал сложности, поскольку значительная часть доходов населения могла быть непрозрачной для банков.
• Проблема "кредитного кладбища": Эта проблема является одной из ключевых для российского рынка. Она связана с недостаточным объемом качественной исторической статистики по выданным кредитам, особенно в ранний период развития рынка. Кроме того, низкая склонность банков к обмену кредитной информацией между собой (до появления БКИ и их полноценного функционирования) затрудняла построение надежных прогностических моделей. Для точной настройки скоринга необходимы большие массивы данных о "хороших" и "плохих" заемщиках, но в условиях молодого рынка и фрагментации информации собрать их было крайне сложно.

Несмотря на эти вызовы, российский банковский сектор активно движется вперед, постоянно совершенствуя скоринговые системы, интегрируя новые технологии и адаптируя их к местным реалиям, чтобы более эффективно управлять кредитными рисками и развивать продукты для своих клиентов.

Математические и статистические модели в кредитном скоринге

В основе каждого скорингового решения лежит сложный математический аппарат, который позволяет трансформировать множество разнородных данных в единый, интерпретируемый показатель риска. Эти модели – не просто абстрактные формулы, а мощные инструменты, способные предсказывать вероятность дефолта, оптимизировать условия кредитования и повышать общую эффективность банковской деятельности.

Классические статистические модели

Классические статистические модели долгое время были основой кредитного скоринга благодаря их интерпретируемости и относительной простоте в применении.

Логистическая регрессия

Логистическая регрессия является одним из наиболее популярных и часто используемых алгоритмов для построения скоринговых карт в банковской практике. Ее ценность заключается в способности решать задачи бинарной классификации, то есть предсказывать один из двух исходов, например, "возврат кредита" (успех) или "дефолт" (неудача).

Комплексный анализ несостоятельности (банкротства) предприятия: ...

... мировой и отечественной практике. Представить обзор основных зарубежных и отечественных моделей прогнозирования банкротства, оценить их применимость и ограничения в российских условиях. Сформировать методологию комплексного анализа ...

Модель не предсказывает сам результат напрямую, а оценивает вероятность его наступления.

Преимущества логистической регрессии:

• Наглядность и интерпретируемость: Коэффициенты модели показывают, как изменение каждого фактора (возраст, доход, кредитная история) влияет на вероятность дефолта, что позволяет кредитным специалистам понимать логику принятия решений.
• ROC-анализ: Позволяет сравнивать различные модели и выбирать оптимальный порог отсечения для минимизации ошибок первого и второго рода (ложноположительных и ложноотрицательных результатов).
• Устойчивость: Модель менее чувствительна к размеру выборки и соотношению "плохих" и "хороших" рисков по сравнению с некоторыми другими методами.
• Ранжирование: Эффективно используется для ранжирования клиентов по степени кредитного риска.

Формула логистической регрессии для расчета вероятности:

P(y = 1|x) = 1 / (1 + e-(w₀+Wᵀx))

Где:

• P(y = 1|x) — вероятность дефолта заемщика (y = 1) при заданных входных данных x.
• e — основание натурального логарифма (приблизительно 2.71828).
• w₀ — скалярный вектор пересечения (свободный член), который регулирует смещение функции.
• W — вектор параметров (коэффициентов), который показывает вклад каждого входного признака в вероятность дефолта.
• x — вектор входных данных (характеристик заемщика: возраст, доход, кредитная история и т.д.).
• W^Tx — скалярное произведение вектора параметров W на вектор входных данных x.

Деревья решений

Деревья решений представляют собой другой классический метод, который визуализирует процесс принятия решений в виде иерархической структуры. Каждый внутренний узел дерева содержит правило (например, "доход ≥ 50 000 руб.?"), каждая ветвь соответствует результату проверки этого правила, а листья дерева содержат итоговое предсказание (например, "низкий риск" или "высокий риск дефолта").

Преимущества деревьев решений:

• Легкая интерпретация и визуализация: Структура дерева интуитивно понятна, что позволяет быстро понять логику, по которой система принимает решение.
• Учет различных факторов: Могут эффективно учитывать не только размер дохода, но и его изменчивость, а также другие качественные и количественные переменные.
• Работа с нелинейными зависимостями: Способны выявлять сложные нелинейные зависимости между признаками без предварительного масштабирования данных.

Недостатки деревьев решений:

• Склонность к переобучению: Могут строить слишком сложные модели, которые идеально работают на обучающей выборке, но плохо обобщаются на новые данные. Для борьбы с этим используются техники ограничения глубины дерева или его обрезки (прунинга).
• Нестабильность: Небольшие изменения в данных могут привести к значительным изменениям в структуре дерева.

Модели прогнозирования банкротства

Помимо оценки кредитоспособности физических лиц, скоринговые модели также активно применяются для прогнозирования банкротства предприятий. Наиболее известными в этой области являются модели Альтмана и Фулмера.

Модель Альтмана (Z-модель Альтмана)

Z-модель Альтмана была разработана Эдвардом Альтманом в 1968 году для прогнозирования банкротства предприятий. Изначально модель создавалась для компаний, акции которых котируются на бирже, и использует пять ключевых финансовых коэффициентов.

Формула Z-модели Альтмана:

Z = 1.2X₁ + 1.4X₂ + 3.3X₃ + 0.6X₄ + X₅

Где:

• X₁ — Оборотный капитал / Сумма активов. Показывает ликвидность компании.
• X₂ — Нераспределенная прибыль / Сумма активов. Отражает накопленную прибыль и возраст компании.
• X₃ — Прибыль до налогообложения / Общая стоимость активов. Характеризует операционную эффективность.
• X₄ — Рыночная стоимость собственного капитала / Бухгалтерская стоимость всех обязательств. Оценивает рыночную оценку собственного капитала относительно долгов.
• X₅ — Объем продаж / Общая величина активов. Показывает эффективность использования активов.

Интерпретация:

• Z < 1.81 — высокая вероятность банкротства.
• 1.81 ≤ Z < 2.77 — средняя вероятность банкротства.
• 2.77 ≤ Z < 2.99 — низкая вероятность банкротства.
• Z ≥ 2.99 — стабильная финансовая ситуация.

Точность прогноза: Модель демонстрирует высокую точность: 95% на один год и 83% на два года.

Недостатки и ограничения для российской экономики:

• Применимость: Модель Альтмана в исходном виде применима в основном для крупных публичных компаний.
• Различия в экономиках: Для российской экономики применение модели Альтмана имеет ряд существенных ограничений. Это связано с различиями в методологии отражения инфляционных факторов, спецификой структуры капитала российских предприятий, а также особенностями информационной и законодательной баз. Исследования показывают, что для предсказания банкротства финансово здоровых предприятий в российских условиях модель Альтмана не всегда применима, показывая точность 71.3%, в то время как для предприятий-банкротов ее точность достигает 88.4%.
• Модифицированные версии: В связи с этим были разработаны модифицированные версии, такие как четырехфакторная модель Альтмана, адаптированная специально для российского рынка, и R-модель Иркутской экономической академии, учитывающая российскую специфику.

Модель Фулмера (H-factor, H-score)

Модель Фулмера (H-factor, H-score), разработанная Джоном Фулмером в 1984 году, также предназначена для прогнозирования банкротства. Она использует более обширный набор из девяти финансовых коэффициентов, что делает ее более комплексной, но и более громоздкой.

Формула H-модели Фулмера:

H = 5.528X₁ + 0.212X₂ + 0.073X₃ + 1.270X₄ - 0.120X₅ + 2.335X₆ + 0.575X₇ + 1.083X₈ + 0.894X₉ - 6.075

Где:

• X₁ — Нераспределенная прибыль прошлых лет / Баланс.
• X₂ — Выручка от реализации / Баланс.
• X₃ — Прибыль до уплаты налогов / Собственный капитал.
• X₄ — Денежный поток / Долгосрочные и краткосрочные обязательства.
• X₅ — Долгосрочные обязательства / Баланс.
• X₆ — Краткосрочные обязательства / Совокупные активы.
• X₇ — log (материальные активы).
• X₈ — Оборотный капитал / Долгосрочные и краткосрочные обязательства.
• X₉ — log (прибыль до налогообложения / выплаченные проценты).

Интерпретация:

• H < 0 означает высокую вероятность банкротства.

Точность прогноза: Модель Фулмера также показывает высокую точность: 98% на один год и 81% на два года.

Недостатки и ограничения для российской экономики:

• Громоздкость: Значительное количество переменных делает модель сложной в расчете и интерпретации.
• Адаптация к РФ: Как и модель Альтмана, модель Фулмера не была изначально адаптирована под российскую экономику и систему бухгалтерского учета. Критическое значение H-счета может быть занижено в российских условиях. Исследования показывают, что при применении к российским предприятиям общая точность прогноза банкротства составляет 80.4% (например, для транспортных предприятий), при этом для здоровых предприятий — 88.7%, а для предприятий-банкротов — 72.1%.

Современные подходы на основе машинного обучения (ML) и нейронных сетей

С развитием вычислительных мощностей и объемов данных на передний план вышли более сложные и гибкие модели, основанные на машинном обучении и искусственных нейронных сетях.

Нейронные сети

Искусственные нейронные сети (ИНС) представляют собой один из наиболее перспективных подходов к решению задач кредитного скоринга. Их структура, имитирующая работу человеческого мозга, позволяет выявлять сложные, нелинейные зависимости в данных, которые недоступны классическим статистическим методам. Разве не удивительно, как математические конструкции начинают повторять процессы живого мышления для принятия финансовых решений?

Преимущества нейронных сетей:

• Высокая универсальность: Способны работать с разнообразными данными и задачами.
• Нивелирование субъективности: Исключают человеческий фактор в оценке надежности заемщика.
• Высокая точность: Глубокие нейронные сети и ансамблевые алгоритмы, такие как XGBoost, демонстрируют исключительно высокую точность прогнозов. Например, сравнительный анализ показывает, что нейронные сети обладают лучшим качеством классификации и меньшим временем обучения по сравнению с классическими алгоритмами ML. Национальное бюро кредитных историй (НБКИ) внедрило нейросетевые модели, которые теперь позволяют предсказывать выход на просрочку более 90 дней, значительно улучшив скоринг. А одна из моделей машинного обучения для банковского скоринга, использующая гибридную нейронную сеть, показала точность 81% и экономическую эффективность, снизив уровень дефолтов на 18-22%.

Недостатки нейронных сетей:

• "Черный ящик": Интерпретация результатов сложных нейронных сетей может быть затруднена, что вызывает вопросы прозрачности.
• Требования к данным и ресурсам: Глубокие сети могут требовать больших объемов данных для обучения и значительного времени на вычисления.

Методы машинного обучения (ML)

ML-алгоритмы становятся все более важными в кредитном скоринге, особенно для клиентов с ограниченной или отсутствующей кредитной историей, где традиционные методы менее эффективны.

Преимущества ML-моделей:

• Больший объем данных: Позволяют финансовым организациям учитывать значительно больше данных при оценке заемщиков.
• Точность решений: Способствуют принятию более точных решений о кредитовании без увеличения операционных рисков.
• Анализ факторов: Могут анализировать широкий спектр факторов, включая поведенческие паттерны клиента и макроэкономические условия.

Популярные ML-методы включают:

• k-ближайших соседей (kNN): Классифицирует объекты на основе их близости к другим объектам в пространстве признаков.
• Случайный лес (Random Forest): Ансамблевый метод, использующий множество деревьев решений для повышения точности и устойчивости прогноза.
• XGBoost и LightGBM: Высокоэффективные алгоритмы градиентного бустинга, известные своей скоростью и точностью.
• Наивный байесовский классификатор: Простой, но эффективный метод, основанный на теореме Байеса.
• Метод опорных векторов (SVM): Строит гиперплоскость, которая оптимально разделяет классы в пространстве признаков.
• Градиентный бустинг: Мощный ансамблевый метод, последовательно строящий слабые модели для исправления ошибок предыдущих.

Гибридные методы, которые комбинируют несколько ML-моделей (например, логистическую регрессию с нейронными сетями), могут демонстрировать еще более высокую точность прогноза, используя сильные стороны каждого алгоритма.

Таблица 1: Сравнительный анализ основных моделей кредитного скоринга

Модель	Описание	Преимущества	Недостатки	Применимость в РФ
Логистическая регрессия	Классический алгоритм для бинарной классификации, предсказывает вероятность дефолта на основе линейной комбинации признаков, трансформированной сигмоидной функцией.	Наглядность, интерпретируемость коэффициентов, возможность ROC-анализа, устойчивость к размеру выборки, используется для ранжирования.	Предполагает линейную зависимость между признаками и логарифмом шансов, что не всегда соответствует реальности; чувствительна к мультиколлинеарности.	Широко используется для построения скоринговых карт. Адаптация требует учета специфики кредитного рынка и доступности данных.
Деревья решений	Иерархическая структура из узлов и листьев, где узлы содержат правила, а листья — итоговое предсказание. Группирует клиентов для оценки вероятности дефолта.	Легко интерпретировать и визуализировать, учитывают нелинейные зависимости, способны работать с различными типами данных.	Склонность к переобучению (требует обрезки или ограничения глубины), нестабильность (малые изменения в данных могут сильно изменить дерево).	Используются, но требуют тщательной настройки для предотвращения переобучения, особенно при ограниченных исторических данных.
Нейронные сети	Искусственные нейронные сети, имитирующие работу человеческого мозга, для выявления сложных, нелинейных зависимостей в данных.	Высокая универсальность, нивелирование субъективности, высокая точность (особенно глубокие сети и XGBoost), лучшая классификация.	"Черный ящик" (сложность интерпретации), требуют больших объемов данных для обучения, значительное время на вычисления для глубоких сетей.	Активно внедряются крупными банками и БКИ (например, НБКИ), демонстрируя высокую эффективность в прогнозировании дефолтов и снижении их уровня. Требуют большого объема качественных данных.
Машинное обучение (ML)	Общий класс алгоритмов (kNN, случайный лес, XGBoost, SVM и др.), способных учиться на данных и делать прогнозы, анализируя множество факторов, включая поведение клиента и макроэкономические условия.	Позволяют учитывать больше данных и принимать более точные решения, особенно для клиентов без кредитной истории. Высокая адаптивность к меняющимся условиям рынка.	Могут быть сложны в интерпретации, требуют значительных вычислительных ресурсов и квалифицированных специалистов.	Растет применение, особенно для скоринга клиентов с ограниченной кредитной историей, с использованием альтернативных источников данных (телеком, маркетплейсы).
Модель Альтмана	Пятифакторная модель для прогнозирования банкротства предприятий (публичных компаний), основанная на финансовых коэффициентах.	Высокая точность прогноза (95% на год, 83% на 2 года).	Применима в основном для крупных компаний; ограничения для российской экономики из-за различий в методологии, структуре капитала и законодательстве; может быть неточной для здоровых российских предприятий.	Требует значительной адаптации и модификации для использования в России. Существуют адаптированные версии (например, четырехфакторная модель Альтмана для РФ). Точность для здоровых предприятий РФ ≈ 71.3%, для банкротов ≈ 88.4%.
Модель Фулмера	Девятифакторная модель для прогнозирования банкротства, использующая расширенный набор финансовых коэффициентов.	Высокая точность прогноза (98% на год, 81% на 2 года).	Громоздкость формулы; не адаптирована под российскую экономику, критическое значение может быть занижено.	Требует адаптации к российской экономике и системе бухгалтерского учета. Общая точность прогноза банкротства для российских предприятий ≈ 80.4%, для здоровых ≈ 88.7%, для банкротов ≈ 72.1%.

Особенности и вызовы применения кредитного скоринга в российской банковской системе

Российская банковская система представляет собой уникальную среду для развития и применения кредитного скоринга, сочетающую как динамичное внедрение передовых технологий, так и специфические вызовы, обусловленные историческими, экономическими и регуляторными факторами. Понимание этой специфики критически важно для создания эффективных скоринговых моделей.

Актуальные статистические данные и динамика кредитных рисков в РФ

Ситуация с кредитованием в России остается напряженной, что подчеркивает особую актуальность качественного скоринга. По состоянию на июль 2025 года, объем просроченной задолженности по потребительским кредитам превысил 1.5 трлн рублей, достигнув самого высокого показателя с 2019 года и увеличившись на 400 млрд рублей за год. Этот объем составляет 5.7% от общего объема розничных кредитов. Одной из главных причин такого роста называются кредиты, выданные во второй половине 2023 и начале 2024 года по повышенным ставкам, зачастую высокорисковым клиентам.

Общая задолженность россиян по всем видам кредитов на 1 января 2024 года достигла впечатляющих 34.8 трлн рублей, при этом число граждан с активными кредитами составило 50 млн человек, что превышает 40% населения старше 16 лет. Эти цифры свидетельствуют о высокой закредитованности населения. По данным Национальной ассоциации профессиональных коллекторских агентств (НАПКА), на 2023 год около 9 млн человек (каждый пятый заемщик) систематически допускают пропуск платежа.

Уровень кредитных рисков в России демонстрирует устойчивый рост. Во II квартале 2024 года стоимость кредитного риска в розничном сегменте увеличилась на 0.8 процентных пункта, достигнув 2.4 процентных пункта, что превышает среднеисторический уровень в 2%, согласно обзору Банка России. Не менее тревожна ситуация и в корпоративном сегменте: объем проблемных кредитов юридическим лицам на 1 июля 2025 года составил 9.1 трлн рублей, или около 10.5% портфеля. Концентрация кредитных рисков в топ-10 крупнейших российских банков достигла рекордных значений, с нормативом максимального размера крупных кредитных рисков (Н7) в 316% по итогам первого полугодия 2025 года, что свидетельствует о системных рисках для банковского сектора.

Проблемы и адаптации скоринга в России

Высокий уровень просроченной задолженности и растущие кредитные риски диктуют необходимость постоянного совершенствования скоринговых систем. Однако российская специфика накладывает свои отпечатки:

• Проблема "кредитного кладбища": Как уже упоминалось, одной из ключевых проблем является недостаток статистических данных по выданным кредитам, особенно в регионах с менее развитой банковской инфраструктурой. Это затрудняет адекватную настройку и калибровку моделей, которые требуют большого объема качественной исторической информации о поведении заемщиков.
• Меры Банка России по снижению закредитованности: Регулятор активно реагирует на рост закредитованности. С 1 марта 2025 года вступил в силу Федеральный закон № 31-ФЗ от 26.02.2024, который предоставляет гражданам право устанавливать самозапрет на заключение договоров потребительского кредита или займа. Этот механизм, доступный через портал Госуслуг или МФЦ (с 1 сентября 2025 года), призван защитить граждан от чрезмерной долговой нагрузки и мошенничества. Важно отметить, что он не распространяется на ипотеку, автокредиты и образовательные кредиты с господдержкой.
• Автоматизация как двигатель эффективности: Несмотря на вызовы, автоматические скоринговые системы в российских банках демонстрируют значительный прогресс. Они существенно ускоряют процесс принятия решений (до нескольких минут), сокращают количество ошибок и исключают человеческий фактор, что является критически важным для банков, работающих с большими потоками заявок.
• Персонализированные кредитные предложения: Российские банки активно используют скоринг не только для отказа, но и для формирования индивидуальных предложений. Например, такие крупные игроки, как ВТБ, Сбербанк и Альфа-Банк, используют персонализированный подход. Для менее надежных заемщиков вместо полного отказа они могут сформировать предложение с более высокой процентной ставкой или меньшим лимитом, учитывающим риски, а не просто отклонять заявку. Это позволяет расширять клиентскую базу, одновременно управляя рисками.

Источники данных для российского скоринга

Для построения точных скоринговых моделей российские банки используют разнообразные источники данных:

• Традиционные источники:
  • Кредитная история: Информация из бюро кредитных историй (БКИ) о прошлых и текущих кредитах, платежной дисциплине, просрочках.
  • Анкета заемщика: Данные, предоставленные самим клиентом (доход, образование, семейное положение, место работы).
  • Собственная финансовая информация банка: Сведения о зарплатных проектах, вкладах, дебетовых операциях клиента в данном банке.
• Альтернативные источники данных: В условиях недостатка традиционной кредитной истории (например, для молодых заемщиков или самозанятых) все большее значение приобретают альтернативные данные:
  • Скоринг телеком-операторов: Анализ истории звонков, SMS, использования мобильного интернета, тарифных планов может косвенно указывать на платежеспособность и стабильность клиента.
  • Информация с маркетплейсов и платежных систем: Данные о покупках, частоте транзакций, отзывах, активности на торговых площадках могут формировать дополнительный профиль поведенческого скоринга. Например, компания Fuzzy Logic Labs (входит в ГК «Ростелеком») разработала инструмент SFD Neuro, который анализирует поведенческие сигналы для повышения качества скоринга заявок и борьбы с фродом. Российские платежные системы (Сбер, Т-Банк, Яндекс, CloudPayments, PayMaster) обрабатывают огромные массивы транзакционных данных с маркетплейсов, которые могут быть использованы для более глубокого анализа.
  • Геолокационные данные, социальные сети: Хотя использование этих данных вызывает этические и правовые вопросы, их потенциал для скоринга обсуждается.

Российские банки часто используют несколько скоринговых моделей одновременно, адаптируя их под различные категории заемщиков или виды кредитов (например, одна модель для потребительских кредитов, другая для автокредитов, третья для ипотеки).

Технические ограничения и перспективы совершенствования

Несмотря на все достижения, скоринг в России сталкивается с рядом технических ограничений:

• Искажение информации: Алгоритм может быть не в состоянии отследить заведомо ложную информацию в анкете без доступа к актуальным и полным базам данных.
• "Ложноотрицательные" результаты: Из-за малозначительных фактов или недостаточной гибкости модели добросовестный заемщик может получить заниженные баллы.
• Заемщики без кредитной истории: Для клиентов с "чистой" кредитной историей (которая сама по себе может быть фактором риска) или ее полным отсутствием автоматизированные системы могут быть неэффективны. В таких случаях заявки могут дополнительно обрабатываться вручную, а скоринговый рейтинг носит скорее рекомендательный характер.

Перспективы совершенствования скоринга в России связаны с дальнейшей интеграцией Big Data, искусственного интеллекта и машинного обучения, а также с развитием регуляторной базы, которая позволит использовать новые источники данных, сохраняя при этом конфиденциальность и безопасность клиентов.

Роль кредитных бюро и коллекторских агентств в управлении кредитными рисками в РФ

Эффективное управление кредитными рисками в современной банковской системе немыслимо без участия двух ключевых институтов: бюро кредитных историй (БКИ) и коллекторских агентств. Эти структуры, действуя в рамках строгого правового регулирования, выполняют жизненно важные функции по сбору информации о заемщиках и взысканию просроченной задолженности, тем самым поддерживая стабильность и прозрачность финансового рынка.

Бюро кредитных историй (БКИ)

Бюро кредитных историй (БКИ) — это специализированные организации, выполняющие функцию централизованного хранилища информации о кредитном поведении физических и юридических лиц. Их основная задача — собирать, систематизировать, хранить, обрабатывать и предоставлять сведения о том, как заемщики исполняют свои кредитные обязательства. Это позволяет создать полную и объективную картину финансового поведения каждого клиента.

Деятельность БКИ в России регулируется фундаментальным документом — Федеральным законом от 30.12.2004 № 218-ФЗ «О кредитных историях». Этот закон преследует несколько ключевых целей:

• Повышение защищенности кредиторов: Предоставление банкам доступа к полной кредитной истории заемщика позволяет им более точно оценивать риски и принимать обоснованные решения.
• Повышение защищенности заемщиков: Наличие кредитной истории стимулирует добросовестное исполнение обязательств, а также позволяет оспорить и исправить неверные сведения.
• Снижение общих кредитных рисков: Обмен информацией между кредиторами способствует формированию более ответственного подхода к кредитованию и заимствованию.
• Повышение эффективности: Ускорение процессов предоставления и возврата заемных средств.

По состоянию на 17 сентября 2025 года, в государственном реестре Банка России зарегистрировано 5 активных бюро кредитных историй (БКИ).

Крупнейшими игроками на этом рынке являются:

• АО «Национальное бюро кредитных историй» (НБКИ)
• АО «Объединенное Кредитное Бюро» (ОКБ)
• ООО «Бюро кредитных историй КредитИнфо» (также известное как «Кредитное бюро Русский Стандарт»)
• АО «Бюро кредитных историй «Скоринг бюро»
• ООО «Спектрум кредитное бюро»

БКИ получают данные от широкого круга кредиторов, которые по закону обязаны передавать эти сведения. К ним относятся банки, микрофинансовые организации (МФО), кредитные потребительские кооперативы, лизинговые компании, операторы инвестиционных платформ и другие организации, предоставляющие займы.

Кредитная история заемщика — это не просто список его кредитов. Она состоит из нескольких частей:

• Титульная часть: идентификационные данные заемщика.
• Основная часть: информация о кредитных обязательствах, сроках, суммах, платежах, просрочках, судебных решениях.
• Дополнительная (закрытая) часть: информация об источниках формирования кредитной истории и пользователях, запрашивавших ее.
• Информационная часть: информация о заявлениях на кредиты и фактах отказов в выдаче.

Банки активно используют информацию из кредитных историй для оценки надежности заемщика, его платежной дисциплины и общей долговой нагрузки. Эти данные являются одним из ключевых факторов при принятии решений о выдаче кредита, определении процентной ставки и установлении кредитного лимита.

Важный аспект: кредитная история хранится в БКИ в течение 7 лет со дня последнего изменения информации, содержащейся в любой из ее записей. Заемщик имеет право узнать, в каком БКИ хранится его кредитная история, через портал Госуслуг или Центральный каталог кредитных историй Банка России. Полный кредитный отчет может быть получен только самим заемщиком, а кредиторы могут запрашивать его только с письменного согласия клиента.

Контроль и надзор за деятельностью БКИ осуществляет Банк России, что обеспечивает соблюдение законодательства и защиту прав участников рынка. С января 2021 года в России появилось понятие «квалифицированных БКИ». Эти бюро имеют особый статус и доступ к сведениям о среднемесячном платеже заемщика, что необходимо для более точного расчета показателя его долговой нагрузки (ПДН).

В число квалифицированных БКИ входят Национальное бюро кредитных историй (НБКИ), Объединенное Кредитное Бюро (ОКБ) и БКИ КредитИнфо.

Коллекторские агентства

Коллекторское агентство — это организация, профессионально специализирующаяся на взыскании просроченной дебиторской задолженности, как в судебном, так и во внесудебном порядке. Понятие «коллекторский бизнес» часто подразумевает покупку долгов у банков за определенный процент от их номинальной стоимости (договор цессии) с последующей целью их взыскания в полном объеме.

Деятельность коллекторских агентств в России строго регулируется Федеральным законом от 03.07.2016 № 230-ФЗ «О защите прав и законных интересов физических лиц при осуществлении деятельности по возврату просроченной задолженности» (известным как Закон о коллекторах).

Этот закон четко определяет рамки допустимого взаимодействия с должниками.

Коллекторы могут работать по двум основным схемам:

• По агентскому договору: Действуют от имени банка, который остается первоначальным кредитором.
• По договору цессии: Выкупают долг у банка и становятся новым кредитором, после чего имеют право требовать возврат средств от своего имени.

Разрешенные методы взаимодействия с должником включают телефонные звонки, SMS-сообщения, почтовые письма и личные встречи. Однако законом установлены строгие ограничения на частоту контактов:

• Телефонные звонки: не чаще 1 раза в день, 2 раз в неделю, 8 раз в месяц.
• Время звонков: в будни с 8:00 до 22:00, в выходные с 9:00 до 20:00 (по местному времени должника).
• Личные встречи: не чаще 1 раза в неделю.
• SMS-сообщения: не чаще 2 раз в день, 4 раз в неделю, 16 раз в месяц.

Законом категорически запрещены анонимные звонки, угрозы, оскорбления, порча имущества, распространение ложной информации о должнике и разглашение его персональных данных третьим лицам без его согласия. В этом и заключается ключевая функция коллекторских агентств — не просто вернуть долг, но сделать это в строго правовом поле, что способствует оздоровлению финансовой системы в целом.

Коллекторские агентства играют значимую роль в экономике, способствуя:

• Снижению объемов просроченной задолженности банков: Передача или продажа долгов коллекторам позволяет банкам очищать свои балансы.
• Предотвращению кризиса ликвидности: Взыскание просроченных долгов возвращает средства в финансовую систему.
• Высвобождению средств в промышленный оборот: Деньги, возвращенные коллекторами, могут быть вновь направлены на кредитование.

Эффективность работы коллекторов подтверждается статистикой: по итогам 2023 года россияне погасили просроченные долги на рекордные 23 млрд рублей, которые были переуступлены коллекторским агентствам по договорам цессии. Полностью свои долги закрыли более 363 000 заемщиков. При этом эффективность взыскания на стадии soft collection (долги до 90 дней просрочки) выросла более чем вдвое — с 12% до 25% за последние четыре года, а на стадии hard collection (от 90 до 180 дней просрочки) увеличилась на 10 процентных пунктов, legal collection — на 7 процентных пунктов.

Контроль за деятельностью коллекторских агентств осуществляет Федеральная служба судебных приставов (ФССП). Коллекторские агентства обязаны быть включены в специальный государственный реестр ФССП. По состоянию на 5 февраля 2025 года, в реестре ФССП насчитывается 620 коллекторских агентств. Кроме того, Национальная ассоциация профессиональных коллекторских агентств (НАПКА) принимает жалобы на действия своих членов, способствуя соблюдению этических норм в отрасли.

Взаимодействие БКИ и коллекторских агентств с банками создает комплексную систему управления кредитными рисками, которая, несмотря на ряд вызовов, постоянно совершенствуется, адаптируясь к меняющимся экономическим условиям и регуляторным требованиям.

Правовые и этические аспекты использования персональных данных в скоринге

В эпоху цифровизации, когда данные становятся новой валютой, вопросы правового регулирования и этичности их использования в кредитном скоринге приобретают особую остроту. Банки и финансовые организации обрабатывают огромные массивы персональных данных заемщиков, и от того, насколько ответственно и прозрачно это делается, зависят не только доверие клиентов, но и стабильность всей финансовой системы.

Российское законодательство о персональных данных

Основополагающим документом, регулирующим весь спектр вопросов, связанных с обработкой, хранением и доступом к персональным данным в России, является Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных». Этот закон устанавливает строгие правила для всех операторов, включая банки и бюро кредитных историй.

Ключевые положения ФЗ № 152-ФЗ, применимые к скорингу:

• Согласие субъекта: Согласно закону, обработка персональных данных, как правило, допускается только с согласия самого субъекта персональных данных (заемщика).

  Это согласие должно быть конкретным, информированным и сознательным.

• Права заемщика: Заемщик имеет право в любой момент ограничить перечень операторов и состав передаваемых сведений, а также отозвать свое согласие на обработку данных. Однако отзыв согласия может повлечь за собой невозможность получения кредита или пересмотр условий уже выданного.
• Рекомендации Банка России и Роскомнадзора: В целях усиления защиты прав граждан, Банк России и Роскомнадзор издали совместное информационное письмо от 29 июля 2021 года (№№ ИН-06-59/57, 08ЛА-48666), которое хотя и носит рекомендательный характер, активно используется судами и способствует формированию правоприменительной практики. Эти рекомендации подчеркивают необходимость получения отдельного согласия на обработку персональных данных для следующих случаев:
  • Передача данных каждому конкретному третьему лицу или «партнеру», который может иметь к ним доступ. Широкие формулировки типа «иным партнерам» без конкретизации являются нарушением.
  • Обработка биометрических данных (например, фотографии для идентификации) и чувствительных данных.
  • Использование данных в рекламных целях.
• Срок действия согласия: Не рекомендуется включать в согласие условие об автоматическом продлении его действия. Согласие должно иметь конкретный срок, соответствующий цели обработки. Обязанность доказывания получения согласия лежит на операторе.
• Кредитная история и банковская тайна: Передача кредитной истории в БКИ не является нарушением банковской тайны, поскольку при заключении кредитного договора заемщик подписывает согласие на такую передачу. Более того, Федеральный закон «О кредитных историях» обязывает банки сотрудничать с БКИ.
• Биометрические и чувствительные данные: Сбор и обработка биометрических данных (например, отпечатки пальцев, изображения лица для оценки возраста, пола, настроения) и других чувствительных персональных данных требуют особого, отдельного согласия пользователя.
• Закон о коллекторах: Федеральный закон от 03.07.2016 № 230-ФЗ «О защите прав и законных интересов физических лиц при осуществлении деятельности по возврату просроченной задолженности» также содержит нормы, регулирующие передачу информации о должнике и устанавливающие ограничения на ее распространение.
• Надзорные органы: Контроль и надзор за соблюдением законодательства о персональных данных осуществляют Банк России (в отношении поднадзорных организаций) и Роскомнадзор как уполномоченный орган по защите прав субъектов персональных данных.

Проблемы утечек данных и их экономические последствия

Несмотря на ужесточение законодательства, проблемы утечек персональных данных в банковской сфере остаются крайне актуальными и представляют серьезную угрозу как для клиентов, так и для финансовой стабильности.

Статистика утечек:

• 2019 год: В России было скомпрометировано 172 млн записей персональных данных из различных организаций. Крупнейшая утечка в банковском секторе затронула десятки миллионов держателей кредитных карт.
• 2023 год: Из российского финансового сектора утекло более 170 млн записей персональных данных, что свидетельствует о сохранении остроты проблемы.
• 2024 год: По данным InfoWatch, из банков, МФО и страховых компаний утекло 68 млн записей персональных данных. Хотя число инцидентов сократилось на 68.3% до 25 случаев, доля утечек коммерческой тайны возросла до 20%, что указывает на более целенаправленные атаки. По другим данным, в 2024 году из российских компаний утекло 1.581 млрд записей персональных данных, что на 30% больше, чем в 2023 году, включая одну крупную утечку на 500 млн записей.

Экономические последствия ужесточения регулирования: Ужесточение регулирования в сфере персональных данных, направленное на защиту прав граждан, может иметь неоднозначные экономические последствия. Исследования показывают, что в краткосрочном периоде это может привести к снижению инновационной активности и инвестиционной привлекательности цифровых рынков. Особенно сильно это может сказаться на малых и средних предприятиях (МСП), для которых внедрение сложных систем защиты и соблюдение всех регуляторных требований может стать непосильной ношей. В России эти эффекты могут быть более выраженными на фоне экономической нестабильности и кризиса в сфере аппаратного обеспечения.

Этические принципы в кредитном скоринге

Помимо строгого соблюдения законодательства, в области кредитного скоринга существуют и важные этические принципы, которые определяют добросовестное и ответственное отношение к данным заемщиков:

• Прозрачность: Несмотря на то, что банки не обязаны разглашать свои скоринговые критерии (что является коммерческой тайной), этический подход предполагает определенный уровень прозрачности в отношении того, какие данные используются и как они влияют на решение.
• Справедливость и недискриминация: Скоринговые системы должны быть свободны от дискриминации по признакам расы, пола, религии, национальности или других социально незащищенных категорий. Они должны оценивать только финансово релевантные факторы.
• Минимизация сбора данных: Принцип "достаточности данных" подразумевает, что собираться должна только та информация, которая строго необходима для достижения заявленной цели (например, оценки кредитоспособности).
• Подотчетность операторов: Банки и другие операторы данных несут ответственность за защиту информации и предотвращение ее неправомерного использования.
• Информированное согласие: Согласие заемщика должно быть не формальным, а подлинно информированным, с четким указанием целей обработки данных и круга лиц, которым они могут быть переданы.
• Право на доступ и исправление: Заемщик должен иметь беспрепятственный доступ к своей кредитной истории и возможность исправить выявленные ошибки.
• Высокие стандарты безопасности: Внедрение передовых технологий и организационных мер для защиты персональных данных от несанкционированного доступа, раскрытия, изменения или уничтожения.

Международный опыт регулирования (краткий обзор)

Международное сообщество также активно работает над регулированием использования персональных данных, что задает ориентиры для национальных законодательств:

• GDPR (General Data Protection Regulation) в Европейском союзе: Один из наиболее строгих и всеобъемлющих регламентов по защите данных в мире. Он устанавливает высокие требования к получению согласия, трансграничной передаче данных, праву на забвение, а также обязывает компании проводить оценку воздействия на защиту данных (Data Protection Impact Assessment).
• California Consumer Privacy Act (CCPA) в США: Закон штата Калифорния, предоставляющий потребителям широкие права в отношении их персональных данных, включая право знать, какие данные собираются, и право требовать их удаления.
• Швейцария: Известна своим высоким уровнем защиты персональных данных и стремлением к правовой прозрачности в системах цифровой идентификации, что служит примером сбалансированного подхода к инновациям и конфиденциальности.

Эти международные практики показывают, что баланс между эффективностью кредитного скоринга и защитой прав граждан является глобальной задачей, требующей постоянного внимания и адаптации законодательства к технологическим изменениям.

Влияние кредитного скоринга на экономические показатели банков

Внедрение и постоянное совершенствование систем кредитного скоринга оказывает глубокое и многогранное влияние на экономические показатели банков. От минимизации потерь до оптимизации операционной деятельности – скоринг стал неотъемлемым элементом современного банковского бизнеса, определяющим его прибыльность и устойчивость.

Снижение кредитных рисков и просроченной задолженности

Одной из фундаментальных функций кредитного скоринга является его способность минимизировать риски невозврата кредитов, что напрямую влияет на стабильность и прибыльность банка. Различные виды скоринга играют здесь ключевую роль:

• Application scoring и fraud scoring являются первыми барьерами на пути к минимизации рисков. Они особенно ценны, так как позволяют еще на этапе подачи заявки сформировать д��тальный профиль риска клиента и выявить потенциальных мошенников. Это дает банку возможность принять обоснованное решение – выдать кредит, отказать или предложить измененные условия (например, уменьшить сумму или увеличить процентную ставку), снижая тем самым потенциальные потери. Внедрение кредитного скоринга позволяет выдавать значительно меньше рискованных кредитов, предотвращая попадание проблемных заемщиков в кредитный портфель.
• Collection scoring (коллекторский скоринг) вступает в дело, когда кредит уже выдан, и по нему возникла просроченная задолженность. Эта система позволяет определить наиболее эффективные алгоритмы действий по возврату средств. Она помогает сегментировать должников, прогнозировать их реакцию на различные методы взыскания и оптимизировать работу коллекторских подразделений. Статистика подтверждает высокую эффективность коллекторского скоринга в России: за последние четыре года эффективность взыскания на стадии soft collection (долги до 90 дней просрочки) выросла более чем вдвое — с 12% до 25%. Эффективность hard collection (от 90 до 180 дней просрочки) увеличилась на 10 процентных пунктов, а legal collection (судебное взыскание) — на 7 процентных пунктов. Эти показатели свидетельствуют о том, что скоринг значительно повышает шансы банка на возврат проблемных кредитов.
• Behavioral scoring позволяет спрогнозировать изменения платежеспособности клиента уже после выдачи кредита. Анализируя его финансовое поведение, банк может предвидеть возможные трудности и своевременно корректировать лимиты, сроки погашения или предлагать реструктуризацию, тем самым предотвращая просрочки и снижая риски.

Повышение прибыльности и операционной эффективности

Помимо снижения рисков, кредитный скоринг значительно повышает операционную эффективность и прибыльность банков:

• Автоматизация и скорость: Автоматизированные скоринговые системы радикально экономят время менеджеров, исключают ручные ошибки и значительно ускоряют процесс принятия решений. В российских банках одобрение потребительского кредита занимает в среднем 5 минут, а открытие кредитной карты может занимать всего около 2 минут. Это не только повышает лояльность клиентов за счет быстрой обработки заявок, но и позволяет банку обрабатывать значительно больший объем заявок с меньшими операционными издержками.
• Прямая взаимосвязь с прибылью: Чем точнее оцениваются риски, тем больше выгод получает банк. Любое, даже незначительное, улучшение скоринговой модели напрямую конвертируется в ощутимый прирост прибыли. Эта взаимосвязь заложена в матрице ошибок:
  • Ошибки I рода (ложноотрицательные): Отказ в кредите надежному клиенту. Это приводит к упущенной прибыли, поскольку банк теряет потенциальный доход от процентных платежей.
  • Ошибки II рода (ложноположительные): Одобрение кредита ненадежному клиенту. Это ведет к прямым потерям в случае его дефолта.

  Оптимизация скоринговой модели направлена на минимизацию обеих категорий ошибок, а оценка модельного риска на основе сценарного прогноза качества моделей позволяет банку оценить чистый приведенный доход и выбрать наиболее прибыльные параметры.

• Гибкая кредитная политика: Скоринг позволяет банкам проводить более гибкую и дифференцированную кредитную политику. Вместо того чтобы просто отказывать рискованным клиентам, банк может кредитовать практически всех, но на разных условиях, адекватных уровню риска. Это способствует оптимизации распределения капитала между различными кредитными продуктами и сегментами клиентов.
• Влияние на доходы: Использование финансовых технологий, включая продвинутый скоринг, положительно влияет на доходы банков, особенно небольших, позволяя им конкурировать с крупными игроками за счет более точной оценки рисков и эффективного управления ресурсами.

Улучшение качества кредитного портфеля и объективность решений

• Качество портфеля: Скоринг играет ключевую роль в формировании более качественного кредитного портфеля. За счет корректной оценки кредитоспособности заемщиков он снижает долю потенциально дефолтных заявок, улучшая общие показатели надежности портфеля.
• Объективность: Скоринг полностью упраздняет субъективизм в принятии решений, который мог присутствовать у кредитного инспектора. Это создает более справедливую и стандартизированную систему оценки для всех заемщиков, основанную исключительно на данных и алгоритмах.

Вызовы и риски для банков

Несмотря на очевидные преимущества, внедрение и поддержание скоринговых систем сопряжено с определенными вызовами и рисками:

• Модельный риск: Это один из самых значительных рисков для банка. Он представляет собой возможные потери, связанные со снижением качества самих скоринговых моделей. Если модель перестает адекватно предсказывать дефолты из-за устаревания данных, изменения рыночных условий или ошибок в алгоритмах, это ведет к некорректной оценке кредитоспособности и увеличению доли дефолтных заявок.
• Ошибки I и II рода: Как уже упоминалось, ошибки I рода приводят к упущенной прибыли, а ошибки II рода — к прямым финансовым потерям. Постоянная калибровка моделей необходима для поиска оптимального баланса между этими двумя типами ошибок.
• Необходимость регулярного обновления: Скоринговые системы не могут быть статичными. В условиях динамично меняющегося финансового рынка России, а также макроэкономических изменений и эволюции потребительского поведения, существует постоянная необходимость в регулярном контроле и обновлении качества моделей машинного обучения. В Европе, например, принято обновлять скоринговые системы минимум раз в два года.
• Сложности внедрения: Проблемы, связанные с внедрением скоринга (интеграция с существующими ИТ-системами, обучение персонала, сбор и подготовка данных), могут быть не меньше, чем проблемы качества самой модели.

Таким образом, кредитный скоринг является мощным инструментом, но его эффективность напрямую зависит от качества моделей, актуальности данных и способности банка адаптироваться к изменяющимся условиям, постоянно совершенствуя свои аналитические системы.

Перспективные направления развития кредитного скоринга: Big Data, искусственный интеллект и машинное обучение

Будущее кредитного скоринга неразрывно связано с развитием передовых технологий. Эпоха Big Data, искусственного интеллекта (ИИ) и машинного обучения (ML) уже наступила, и эти инновации кардинально меняют подходы к оценке кредитоспособности, делая их более точными, быстрыми и инклюзивными.

Усиление роли ИИ и ML

Применение искусственного интеллекта (ИИ) в скоринге становится не просто трендом, а необходимостью, что позволяет банкам и финансовым организациям лучше удовлетворять постоянно меняющиеся потребности и эффективно отвечать на вызовы финансового рынка. Использование машинного обучения (ML) в оценке рисков является решающим фактором для конкурентоспособности, особенно в условиях нестабильности и быстрых изменений.

Финансовый сектор России является одним из лидеров по внедрению ИИ. По данным опроса Россельхозбанка, проведенного в сентябре 2025 года, 54% респондентов поддержали частичное внедрение ИИ в банковские операции, 22% высказались за полную автоматизацию, и лишь 24% отнеслись к этому с осторожностью. Это говорит о высоком уровне принятия ИИ внутри отрасли. Более того, по данным «Рексофт», 48% российских банков уже используют генеративный ИИ. ИИ активно применяется для анализа данных (85-95% респондентов), работы с текстами (85-95%) и, безусловно, для скоринга на финансовом рынке (данные на октябрь 2023 г.).

Повышение точности и качества прогнозов

Ключевая цель развития скоринга – это беспрецедентное повышение точности прогнозов.

• Глубокое обучение и нейронные сети: Применение глубокого обучения и сложных нейронных сетей позволяет создавать скоринговые модели, способные выявлять самые тонкие и нелинейные зависимости в данных, что существенно снижает вероятность невозврата средств.
• Эффективность ML-алгоритмов: ML-алгоритмы демонстрируют высокую эффективность в анализе огромных объемов данных и прогнозировании вероятности возврата кредита с точностью, недостижимой для традиционных методов.
• Пример НБКИ: Национальное бюро кредитных историй (НБКИ) является одним из пионеров в этом направлении. В начале 2022 года оно внедрило PD-скоринг на основе ИИ (Probability of Default), который уже показал впечатляющие результаты:
  • Сокращение расходов на первичную обработку заявок.
  • Повышение точности прогнозных оценок вероятности дефолта заемщика на 15-20%.
  • Снижение дефолтности розничных кредитов с 3.5% до 2.2% (в 1.6 раза).

  Новая система НБКИ на основе ИИ применяется уже в 20 банках, что подчеркивает ее значимость и распространение.

• Адаптивность ML-моделей: Модели машинного обучения обладают уникальной способностью быстро адаптироваться к изменениям на рынке или в поведении заемщиков. Это обеспечивает более гибкое реагирование на новые вызовы и позволяет постоянно минимизировать риски, поддерживая актуальность скоринговой системы.

Использование Big Data и новых источников данных

Технологии Big Data стали фундаментом для качественного скачка в кредитном скоринге. Они позволяют обрабатывать миллионы записей, формируя всеобъемлющие профили заемщиков, которые включают не только традиционные финансовые показатели, но и множество других аспектов их жизни.

• Комплексный анализ: Big Data используется для глубокого анализа и прогнозирования рисков, собирая и агрегируя персонализированную информацию о пользователях. Это могут быть данные о финансовых операциях, социальных связях, а также обширные поведенческие данные.
• Анализ текстовых данных: Использование методов обработки естественного языка (NLP) для анализа текстовых данных из различных источников, таких как комментарии в социальных сетях, отзывы на маркетплейсах или онлайн-форумы, помогает улучшить предсказание кредитоспособности на основе поведенческих факторов и скрытых сигналов.
• Альтернативные источники данных: Для оценки кредитоспособности лиц с незначительной или отсутствующей традиционной кредитной историей все шире используются альтернативные источники:
  • Онлайн-транзакции: История покупок в интернете, платежные привычки.
  • Взаимодействие в социальных сетях: Активность, круг общения (хотя использование этих данных требует особого внимания к этическим и правовым аспектам).
  • Поведение в интернете: Поисковые запросы, посещаемые сайты.
  • Данные мобильных операторов: SMS-логи, история звонков, геолокация, тарифные планы могут косвенно указывать на стабильность и надежность клиента.
  • Информация с маркетплейсов: Активность на торговых площадках, история покупок и продаж, отзывы.

  Российские банки активно интегрируют эти альтернативные данные для формирования более полного профиля деловой активности и платежеспособности клиента, что открывает доступ к кредитам для тех, кто ранее был вне банковской системы.

Персонализация, инклюзивность и автоматизация процессов

Развитие ИИ и ML ведет к значительному повышению персонализации и инклюзивности в кредитовании.

• Персонализация: Результаты «умного» скоринга будут значительно лучше адаптироваться к индивидуальным потребностям и характеристикам каждого заемщика. Это повысит удовлетворенность клиентов, так как они будут получать наиболее подходящие предложения, и увеличит эффективность финансовых компаний.
• Инклюзивность: ML-модели позволяют учитывать гораздо больше данных при оценке заемщиков, что способствует созданию более инклюзивной системы. Они дают возможность принимать точные решения о кредитовании даже для клиентов с незначительной или отсутствующей кредитной историей, без увеличения операционных рисков для банка.
• Автоматизация: ИИ способен обрабатывать кредитные заявки намного быстрее и эффективнее, чем человек, значительно сокращая время принятия решений и повышая общую эффективность финансовой организации. Крупные российские банки, такие как Сбербанк, ВТБ и Т-Банк, уже активно используют ИИ для автоматизированного принятия большинства решений по кредитам малому и микробизнесу, что позволяет выдавать экспресс-займы онлайн за считанные минуты.
• Борьба с мошенничеством: ИИ также играет критически важную роль в борьбе с мошенничеством, выявляя аномальные транзакции и нетипичное поведение клиентов, предотвращая потенциальные потери.

Развитие продвинутых ML-техник

Современные исследования и разработки в области ML открывают новые горизонты для скоринга:

• Рекуррентные нейронные сети (RNN): Вместо классических подходов (логистическая регрессия, градиентный бустинг) все чаще используются RNN, способные анализировать последовательные данные (например, временные ряды транзакций или платежей по кредитной истории), выявляя динамические паттерны.
• Гибридные модели обучения: Комбинация контролируемых (supervised) и неконтролируемых (unsupervised) методов позволяет проводить всестороннюю оценку кредитного риска, используя сильные стороны обоих подходов.
• Графовые методы: Применение графовых нейронных сетей для построения эмбеддингов (векторных представлений) клиентов и их связей позволяет находить скрытые закономерности в сложных сетях данных, что эффективно используется в кредитном и антифрод-скоринге.

Вызовы и этические вопросы в условиях ИИ

Несмотря на все перспективы, развитие ИИ в скоринге сопряжено с серьезными вызовами и этическими вопросами:

• Потребность в данных: Для обучения сложных моделей ИИ требуется огромный объем качественных и репрезентативных данных, что может быть серьезной проблемой для новых или небольших финансовых организаций.
• Безопасность и конфиденциальность: Обработка больших объемов личной информации требует внедрения высочайших стандартов безопасности для предотвращения утечек или злоупотреблений.
• Проблема "черного ящика": Сложные модели машинного обучения, особенно глубокие нейронные сети, часто трудно интерпретировать. Это порождает проблему «черного ящика», когда система выдает решение, но объяснить логику его принятия становится крайне сложно. Это вызывает вопросы прозрачности и подотчетности, что является ключевым этическим аспектом.
• Регуляторная среда: Регуляторы по всему миру активно работают над созданием законодательных рамок для обеспечения безопасности и справедливости в использовании ИИ. Банк России придерживается технологически нейтрального подхода к регулированию ИИ в финансовой сфере и на данный момент не видит необходимости в оперативной разработке отдельных жестких правил. Однако регулятор активно поддерживает обмен лучшими практиками, анализ рисков и опубликовал Кодекс этики ИИ на финансовом рынке. Этот кодекс носит рекомендательный характер и основан на пяти принципах: человекоцентричность, справедливость, прозрачность, безопасность и ответственное управление рисками.
• Риск дискриминации: Существует опасность, что ИИ может непреднамеренно дискриминировать определенные группы заемщиков. Это может произойти из-за исторических предубеждений, заложенных в обучающих данных, или некорректного выбора признаков, что противоречит принципам справедливости.

Таким образом, будущее кредитного скоринга – это увлекательный путь, где передовые технологии обещают беспрецедентную точность и эффективность. Однако этот путь требует тщательного внимания к вопросам этики, безопасности и регуляторной прозрачности, чтобы инновации служили на благо всего общества.

Заключение

Кредитный скоринг, зародившись как интуитивная оценка рисков, превратился в мощный высокотехнологичный инструмент, который является неотъемлемой частью современной банковской системы. Наше исследование показало, что от первых списков параметров 1940-х годов и новаторских решений FICO в 1950-х, до нынешнего доминирования искусственного интеллекта и машинного обучения, скоринг проделал путь колоссальной эволюции.

В России этот процесс развивается ускоренными темпами с начала 2000-х годов, сталкиваясь при этом с уникальными вызовами, такими как "кредитное кладбище" и высокая дисперсность региональной экономики. Однако российские банки активно адаптируются, внедряя персонализированные предложения и используя альтернативные источники данных – от телеком-операторов до маркетплейсов – для создания более полных профилей заемщиков.

Математический арсенал скоринга постоянно расширяется: от классической логистической регрессии и деревьев решений, чьи формулы и принципы мы подробно рассмотрели, до продвинутых нейронных сетей и ансамблевых ML-алгоритмов. Эти модели, такие как PD-скоринг НБКИ, уже сегодня демонстрируют значительное снижение дефолтности и повышение точности прогнозов.

Кредитные бюро и коллекторские агентства играют важнейшую роль в управлении рисками, создавая прозрачную систему обмена кредитной информацией и обеспечивая эффективное взыскание просроченной задолженности. Их деятельность строго регулируется федеральными законами, такими как ФЗ № 218-ФЗ «О кредитных историях» и ФЗ № 230-ФЗ «О коллекторах», что обеспечивает защиту прав как кредиторов, так и заемщиков.

Однако стремительное развитие технологий поднимает острые правовые и этические вопросы, особенно в части сбора, обработки и защиты персональных данных. Федеральный закон № 152-ФЗ «О персональных данных», рекомендации Банка России и Роскомнадзора, а также проблема участившихся утечек данных, требуют постоянного внимания к соблюдению принципов информированного согласия, минимизации данных и предотвращения дискриминации.

Внедрение и совершенствование скоринговых систем оказывает прямое и мощное влияние на экономические показатели банков: снижается просроченная задолженность, повышается операционная эффективность и прибыльность за счет автоматизации и более точной оценки рисков. При этом критически важно управление модельным риском и баланс между ошибками I и II рода, что подчеркивает необходимость регулярного обновления и калибровки моделей.

Перспективы развития кредитного скоринга неразрывно связаны с дальнейшей интеграцией Big Data, искусственного интеллекта и машинного обучения. Эти технологии обещают еще большую точность, персонализацию и инклюзивность, позволяя оценивать заемщиков без традиционной кредитной истории и формировать уникальные предложения. Однако этот путь требует не только технологических прорывов, но и выработки четких этических стандартов и гибкого регуляторного подхода, как это демонстрирует Кодекс этики ИИ Банка России. Проблема «черного ящика» и риск непреднамеренной дискриминации требуют постоянного внимания со стороны разработчиков и регуляторов.

В заключение, кредитный скоринг является динамично развивающейся областью на стыке финансов, статистики и информационных технологий. Его дальнейшая эволюция будет зависеть от способности участников рынка использовать потенциал новых технологий, сохраняя при этом баланс между инновациями, экономической эффективностью, правовой защитой и этическими принципами.

Для дальнейших исследований мы рекомендуем углубленное изучение следующих аспектов:

• Разработка и тестирование адаптивных международных скоринговых моделей к специфике различных регионов России, с учетом их экономических и социальных особенностей.
• Анализ влияния новых регуляторных инициатив Банка России (например, механизма самозапрета на кредиты) на структуру кредитного портфеля и стратегии скоринга банков.
• Исследование практических кейсов применения графовых нейронных сетей и рекуррентных нейронных сетей на реальных данных российских банков для оценки их эффективности в сравнении с традиционными методами.
• Детальный анализ экономического влияния ужесточения законодательства о персональных данных на инновационную активность малых и средних финансовых компаний.

Список использованной литературы

1. Журнал «Секрет фирмы» Опасные заемщики И.Федоренко. № 21 (108), июнь 2005.
2. Черкашенко В.Н., Маршукова Н.А. Система управления знаниями в стратегии банка // Банковское дело. 2005. № 9. С.45-50.
3. Банк России [Электронный ресурс].
4. Банки рисуют зеркало души. Ксения Болецкая [Электронный ресурс] БО № 4 (70) апрель 2005.
5. Что такое кредитный скоринг: настоящее и будущее скоринговой системы банка // FIS. URL: https://fisgroup.ru/blog/credit-scoring-future (дата обращения: 09.10.2025).
6. Кредитный скоринг: что это и как работает // Газпромбанк. URL: https://www.gazprombank.ru/personal/credits/articles/kreditnyy-skoring-chto-eto-i-kak-rabotaet/ (дата обращения: 09.10.2025).
7. Модель Альтмана // Википедия. URL: https://ru.wikipedia.org/wiki/Модель_Альтмана (дата обращения: 09.10.2025).
8. Логистическая регрессия // BaseGroup Labs. URL: https://www.basegroup.ru/logistic-regression (дата обращения: 09.10.2025).
9. Использование метода «дерево решений» для оценки кредитного риска // Муромский институт (филиал) ВлГУ. URL: http://www.murom.vsu.ru/docs/vestnik/2014-1/28_panyagina.pdf (дата обращения: 09.10.2025).
10. НЕЙРОННЫЕ СЕТИ В КРЕДИТНОМ СКОРИНГЕ // Вестник Алтайской академии экономики и права (научный журнал).

    URL: https://cyberleninka.ru/article/n/neyronnye-seti-v-kreditnom-skoringe (дата обращения: 09.10.2025).

11. Применение нейронных сетей в решении задачи кредитного скоринга // КиберЛенинка. URL: https://cyberleninka.ru/article/n/primenenie-neyronnyh-setey-v-reshenii-zadachi-kreditnogo-skoringa (дата обращения: 09.10.2025).
12. История современного кредитного скоринга // Elibrary. URL: https://elibrary.ru/item.asp?id=26217462 (дата обращения: 09.10.2025).
13. Кредитный скоринг. Как он работает и зачем нужен // Platforma.market. URL: https://platforma.market/blog/chto-takoe-creditnyy-scoring-i-kak-on-rabotaet/ (дата обращения: 09.10.2025).
14. Кредитный скоринг // Elibrary. URL: https://elibrary.ru/download/elibrary_43997782_52968037.pdf (дата обращения: 09.10.2025).
15. Скоринговые модели оценки кредитного риска // КиберЛенинка. URL: https://cyberleninka.ru/article/n/skoringovye-modeli-otsenki-kreditnogo-riska (дата обращения: 09.10.2025).
16. Кредитный скоринг в банке — что это и какими методами оценивается // Альфа-Банк. URL: https://alfabank.ru/get-money/credit/articles/kreditnyy-skoring/ (дата обращения: 09.10.2025).
17. Кредитная история онлайн, проверить и узнать свою кредитную историю бесплатно // scoring.ru. URL: https://scoring.ru/ (дата обращения: 09.10.2025).
18. НЕЙРОСЕТЕВЫЕ МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ КРЕДИТНОГО СКОРИНГА // КиберЛенинка. URL: https://cyberleninka.ru/article/n/neyrosetevye-metody-resheniya-zadachi-kreditnogo-skoringa (дата обращения: 09.10.2025).
19. Единая нейросетевая модель кредитного скоринга // Хабр. URL: https://habr.com/ru/companies/alfa/articles/749298/ (дата обращения: 09.10.2025).
20. Сравнение кредитного скоринга с использованием деревьев логистической регрессии и принятия решений // MathWorks. URL: https://www.mathworks.com/help/risk/credit-scoring-using-logistic-regression-and-decision-trees.html (дата обращения: 09.10.2025).
21. Применение метода деревьев решений для задач банковского скоринга // Grebennikon.ru. URL: https://grebennikon.ru/article-8j88.html (дата обращения: 09.10.2025).
22. Построение скоринговых моделей на основе логистической регрессии // ИПУ РАН. URL: https://www.ipu.ru/sites/default/files/pages/1_2017/12_smirnova.pdf (дата обращения: 09.10.2025).
23. Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга // Юр-ВАК. URL: https://cyberleninka.ru/article/n/strategiya-poiska-effektivnogo-algoritma-mashinnogo-obucheniya-na-primere-kreditnogo-skoringa (дата обращения: 09.10.2025).
24. Модель Фулмера // Википедия. URL: https://ru.wikipedia.org/wiki/Модель_Фулмера (дата обращения: 09.10.2025).
25. Z-модель Альтмана (Z-счет Альтмана) — формула и пример методики подсчета // Finzz.ru. URL: https://finzz.ru/z-model-altmana.html (дата обращения: 09.10.2025).
26. Как использовать машинное обучение для принятия решений о кредитовании? // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Как_использовать_машинное_обучение_для_принятия_решений_о_кредитовании%3F (дата обращения: 09.10.2025).
27. Применение логистической регрессии в медицине и скоринге // Loginom. URL: https://loginom.ru/blog/logistic-regression-in-medicine-and-scoring (дата обращения: 09.10.2025).
28. Сравнение алгоритмов классификации для кредитного скоринга (отчет) // MachineLearning.ru. URL: https://www.machinelearning.ru/wiki/index.php?title=Сравнение_алгоритмов_классификации_для_кредитного_скоринга_(отчет) (дата обращения: 09.10.2025).
29. Кредитный скоринг // Санкт-Петербургский государственный университет. URL: https://cyberleninka.ru/article/n/kreditnyy-skoring-1 (дата обращения: 09.10.2025).
30. Прогнозирование банкротства предприятий по модели Д.Фулмера // Finanpro.ru. URL: https://www.finanpro.ru/articles/prognozirovanie-bankrotstva-predpriyatiy-po-modeli-d-fulmera.html (дата обращения: 09.10.2025).
31. Модель Фулмера // Finzz.ru. URL: https://finzz.ru/fulmer-model.html (дата обращения: 09.10.2025).
32. Пятифакторная модель Альтмана для компаний, акции которых котируются на бирже // Finzz.ru. URL: https://finzz.ru/pyatifaktornaya-model-altmana-dlya-kompaniy-aktsii-kotoryh-kotiruyutsya-na-birzhe.html (дата обращения: 09.10.2025).
33. Модель Альтмана // Finzz.ru. URL: https://finzz.ru/altman-model.html (дата обращения: 09.10.2025).
34. Оценка моделей кредитного скоринга // Открытые системы. СУБД. URL: https://www.osp.ru/os/2020/07/13056070 (дата обращения: 09.10.2025).
35. Обзор методов кредитного скоринга // КиберЛенинка. URL: https://cyberleninka.ru/article/n/obzor-metodov-kreditnogo-skoringa (дата обращения: 09.10.2025).
36. Модель кредитного скоринга – это механизм, используемый для количественной оценки факторов риска, имеющих отношение к способности и стремлению должника погасить его задолженность перед банком // PSU. URL: https://elib.psu.by/bitstream/123456789/27043/1/336.717.061.pdf (дата обращения: 09.10.2025).
37. РАЗВИТИЕ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВЕРОЯТНОСТИ БАНКРОТСТВА В КОНТЕКСТЕ ФИНАНСОВОЙ БЕЗОПАСНОСТИ БИЗНЕСА // Эдиторум. URL: https://www.riore.ru/assets/journals/razvitie-modeley-prognozirovaniya-veroyatnosti-bankrotstva-v-kontekste-finansovoy-bezopasnosti-biznesa.pdf (дата обращения: 09.10.2025).
38. Построение скоринговых карт с использованием модели логистической регрессии // КиберЛенинка. URL: https://cyberleninka.ru/article/n/postroenie-skoringovyh-kart-s-ispolzovaniem-modeli-logisticheskoy-regressii (дата обращения: 09.10.2025).
39. МД_Шэнь Сяоюй_КАД.pdf // БЕЛОРУССКИЙ ГОСУДАР. УРЛ: https://elib.bsu.by/bitstream/123456789/229051/1/Шэнь Сяоюй МД.pdf (дата обращения: 09.10.2025).
40. Просроченная задолженность по потребкредитам достигла максимума за 6 лет // Frank RG. URL: https://frankrg.com/83270 (дата обращения: 09.10.2025).
41. Просроченные кредиты в России // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Просроченные_кредиты_в_России (дата обращения: 09.10.2025).
42. Просроченная задолженность физлиц по розничным кредитам выросла на 6,4% // NBJ.ru. URL: https://nbj.ru/news/prosrochennaia-zadolzhennost-fizlits-po-roznichnym-kreditam-vyrosla-na-6-4.html (дата обращения: 09.10.2025).
43. Просроченная задолженность по ипотечным кредитам // Frank RG. URL: https://frankrg.com/frank-data/ipoteka/prosrochennaya-zadolzhennost-po-ipoteke/ (дата обращения: 09.10.2025).
44. ПРОБЛЕМЫ ВНЕДРЕНИЯ КРЕДИТНОГО СКОРИНГА // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemy-vnedreniya-kreditnogo-skoringa (дата обращения: 09.10.2025).
45. Актуальные проблемы банковского потребительского кредитования в Российской Федерации // КиберЛенинка. URL: https://cyberleninka.ru/article/n/aktualnye-problemy-bankovskogo-potrebitelskogo-kreditovaniya-v-rossiyskoy-federatsii (дата обращения: 09.10.2025).
46. Что такое скоринг в банке: как работает и зачем нужен // СберБанк. URL: https://www.sberbank.ru/ru/person/credits/wizard/scoring (дата обращения: 09.10.2025).
47. Что такое кредитный скоринг и как банки оценивают заемщиков // Банки.ру. URL: https://www.banki.ru/news/daytheme/?id=10972322 (дата обращения: 09.10.2025).
48. Кредитный скоринг: реальные возможности // Синимекс. URL: https://www.isinimex.ru/publication/kreditnyy-skoring-realnyye-vozmozhnosti (дата обращения: 09.10.2025).
49. Что такое кредитный скоринг: как считается, что оценивает и на что влияет // МТС Банк. URL: https://www.mtsbank.ru/blog/chto-takoe-kreditnyy-skoring/ (дата обращения: 09.10.2025).
50. Что такое скоринг и как работает кредитная скоринговая модель // Big Data & AI Билайн. URL: https://beeline.ai/articles/chto-takoe-skoring-i-kak-rabotaet-kreditnaya-skoringovaya-model (дата обращения: 09.10.2025).
51. Кредитный скоринг в банке: что это простыми словами // ВТБ. URL: https://www.vtb.ru/personal/kredity/wiki/kreditnyy-skoring/ (дата обращения: 09.10.2025).
52. Проблемы кредитного скоринга в сфере возврата просроченной задолженности // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemy-kreditnogo-skoringa-v-sfere-vozvrata-prosrochennoy-zadolzhennosti (дата обращения: 09.10.2025).
53. Федеральный закон от 30.12.2004 N 218-ФЗ «О кредитных историях» (с изменениями и дополнениями) // ГАРАНТ. URL: https://base.garant.ru/12138656/ (дата обращения: 09.10.2025).
54. Федеральный закон «О кредитных историях» от 30.12.2004 N 218-ФЗ (последняя редакция) // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_50037/ (дата обращения: 09.10.2025).
55. Что такое бюро кредитных историй и какая информация там хранится // Банки.ру. URL: https://www.banki.ru/news/daytheme/?id=9872580 (дата обращения: 09.10.2025).
56. О кредитных историях от 30 декабря 2004 // Docs.cntd.ru. URL: https://docs.cntd.ru/document/901925345 (дата обращения: 09.10.2025).
57. Федеральный закон от 30.12.2004 г. № 218-ФЗ // Президент России. URL: http://www.kremlin.ru/acts/bank/21021 (дата обращения: 09.10.2025).
58. Закон о коллекторах: что разрешено и запрещено по 230-ФЗ // 2lex. URL: https://2lex.ru/zakon-o-kollektorah (дата обращения: 09.10.2025).
59. 230 фз о коллекторах: что закон позволяет делать взыскателям долгов // Юрист-Ростова. URL: https://urist-rostova.ru/230-fz-o-kollektorah-chto-zakon-pozvolyaet-delat-vzyskatelyam-dolgov/ (дата обращения: 09.10.2025).
60. Закон о коллекторах 230-ФЗ: статьи для защиты должников // Банкротам. URL: https://bankrotam.com/zakon-o-kollektorah/ (дата обращения: 09.10.2025).
61. Бюро кредитных историй // Википедия. URL: https://ru.wikipedia.org/wiki/Бюро_кредитных_историй (дата обращения: 09.10.2025).
62. Кто такие коллекторы: чем занимаются и как с ними общаться? // «Заря» — юридическая компания. URL: https://urist-zarya.ru/kto-takie-kollektory-chem-zanimayutsya-i-kak-s-nimi-obshchatsya/ (дата обращения: 09.10.2025).
63. Закон о коллекторах 2022 года: права коллекторов по новому 230-ФЗ // Хелп Консалтинг. URL: https://help-consulting.ru/bankrotstvo-fizicheskih-lits/zakon-o-kollektorah-230-fz (дата обращения: 09.10.2025).
64. Федеральный закон от 30.12.2004 N 218-ФЗ (ред. от 03.07.2016) «О кредитных историях» // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_50037/08e6f16b23d9a1ae6d40507a70a04944458f2761/ (дата обращения: 09.10.2025).
65. Что такое бюро кредитных историй (БКИ)? // Amulex. URL: https://amulex.ru/stati/bankrotstvo/chto-takoe-buro-kreditnyh-istorij-bki (дата обращения: 09.10.2025).
66. 230 ФЗ: как регулируется деятельность коллекторов в РФ? // Bankirro. URL: https://bankirro.ru/230-fz-o-kollektorah-chto-nuzhno-znat-dolzhnikam.html (дата обращения: 09.10.2025).
67. Коллекторское агентство // Википедия. URL: https://ru.wikipedia.org/wiki/Коллекторское_агентство (дата обращения: 09.10.2025).
68. Бюро кредитных историй (БКИ): что это, зачем нужны и как работают // CheckPerson. URL: https://checkperson.ru/bki-chto-eto-zachem-nuzhny-i-kak-rabotayut/ (дата обращения: 09.10.2025).
69. ПОНЯТИЕ КОЛЛЕКТОРСКОЙ ДЕЯТЕЛЬНОСТИ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/ponyatie-kollektorskoy-deyatelnosti (дата обращения: 09.10.2025).
70. Коллекторское агентство: роль, услуги и этическое взыскание долгов // Emagia. URL: https://www.emagia.com/ru/blog/collection-agency-role-services-ethical-debt-collection/ (дата обращения: 09.10.2025).
71. Кто такие коллекторы: простыми словами чем занимается, как работает коллекторское агентство и стоит ли их бояться // VBR.ru. URL: https://www.vbr.ru/banki/spravochnik/kto-takie-kollektory/ (дата обращения: 09.10.2025).
72. Как работают коллекторы с должниками // Банкрот Консалт. URL: https://bankrotconsalt.ru/kak-rabotayut-kollektory/ (дата обращения: 09.10.2025).
73. Понятие бюро кредитных историй и регулирование их деятельности в России // Bstudy. URL: https://bstudy.net/blog/ponyatie-byuro-kreditnyh-istoriy-i-regulirovanie-ih-deyatelnosti-v-rossii (дата обращения: 09.10.2025).
74. Коллекторы: как они работают по закону и какие у них есть права // Dolg-faq.ru. URL: https://dolg-faq.ru/kollektory/kollektory-kak-oni-rabotayut-po-zakonu-i-kakie-u-nih-est-prava/ (дата обращения: 09.10.2025).
75. Как работают коллекторы с должниками в России // Финуслуги. URL: https://finguide.ru/articles/kak-rabotayut-kollektory-s-dolzhnikami-v-rossii/ (дата обращения: 09.10.2025).
76. БЮРО КРЕДИТНЫХ ИСТОРИЙ И ИХ РОЛЬ В МИНИМИЗАЦИИ КРЕДИТНЫХ РИСКОВ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/byuro-kreditnyh-istoriy-i-ih-rol-v-minimizatsii-kreditnyh-riskov (дата обращения: 09.10.2025).
77. РОЛЬ КОЛЛЕКТОРСКИХ АГЕНТСТВ НА ФИНАНСОВОМ РЫНКЕ РОССИИ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/rol-kollektorskih-agentstv-na-finansovom-rynke-rossii (дата обращения: 09.10.2025).
78. Бюро кредитных историй и их взаимодействие с банками с целью управления кредитным риском // КиберЛенинка. URL: https://cyberleninka.ru/article/n/byuro-kreditnyh-istoriy-i-ih-vzaimodeystvie-s-bankami-s-tselyu-upravleniya-kreditnym-riskom (дата обращения: 09.10.2025).
79. Коллекторские агентства — как один из способов управления просроченной задолженностью по ссудным активам коммерческих банков // КиберЛенинка. URL: https://cyberleninka.ru/article/n/kollektorskie-agentstva-kak-odin-iz-sposobov-upravleniya-prosrochennoy-zadolzhennostyu-po-ssudnym-aktivam-kommercheskih-bankov (дата обращения: 09.10.2025).
80. Минимизация кредитных рисков с помощью бюро кредитных историй // КиберЛенинка. URL: https://cyberleninka.ru/article/n/minimizatsiya-kreditnyh-riskov-s-pomoschyu-byuro-kreditnyh-istoriy (дата обращения: 09.10.2025).
81. Коллекторские агентства: проблемы правового регулирования // Garant.ru. URL: https://www.garant.ru/article/490458/ (дата обращения: 09.10.2025).
82. Статья 10. Обязанности бюро кредитных историй // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_50037/08e6f16b23d9a1ae6d40507a70a04944458f2761/#dst100140 (дата обращения: 09.10.2025).
83. Порядок формирования кредитной истории // Банк России. URL: https://cbr.ru/faq/credit_history/ (дата обращения: 09.10.2025).
84. РОЛЬ КРЕДИТНЫХ ИСТОРИЙ В УПРАВЛЕНИИ БАНКОВСКИМ КРЕДИТНЫМ РИСКОМ // Elibrary. URL: https://elibrary.ru/download/elibrary_20038813_82138379.pdf (дата обращения: 09.10.2025).
85. БАКАЛАВРСКАЯ РАБОТА // Российский государственный гидрометеорологический университет. URL: https://www.rshu.ru/upload/upload_documents/files/pdf/students/diplom_works/Ekonom_fak/2016_bachelor/Barinov_V.S..pdf (дата обращения: 09.10.2025).
86. «Интернет-скоринг бюро» и законы // vc.ru. URL: https://vc.ru/legal/106368-internet-skoring-byuro-i-zakony (дата обращения: 09.10.2025).
87. Правовое регулирование Больших данных: зарубежный и отечественный опыт // КиберЛенинка. URL: https://cyberleninka.ru/article/n/pravovoe-regulirovanie-bolshih-dannyh-zarubezhnyy-i-otechestvennyy-opyt (дата обращения: 09.10.2025).
88. Данные WhatsApp и Telegram для ML-моделей: тренд или серый рынок? // Habr. URL: https://habr.com/ru/companies/bcs_developer/articles/766782/ (дата обращения: 09.10.2025).
89. Федеральный закон «О персональных данных»‎ от 27.07.2006 N 152-ФЗ // Банки.ру. URL: https://www.banki.ru/wikibank/federalnyy_zakon_o_personalnykh_dannykh_ot_27072006_n_152-fz/ (дата обращения: 09.10.2025).
90. Как регулируются законодательством персональные данные и Big Data // МегаФон. URL: https://corp.megafon.ru/press/publications/big_data/article-102559/ (дата обращения: 09.10.2025).
91. Заемщик вправе решать, кому доступны его персональные данные, считают в ЦБ. Что теперь изменится? // Банки.ру. URL: https://www.banki.ru/news/lenta/?id=10953284 (дата обращения: 09.10.2025).
92. Защита персональных данных. Законность предоставления персональных данных и кредитных историй в Испании // Espanarusa.com. URL: https://www.espanarusa.com/ru/pedia/page/zashchita-personalnyh-dannyh (дата обращения: 09.10.2025).
93. Федеральный закон «О персональных данных» от 27.07.2006 N 152-ФЗ (последняя редакция) // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_61801/ (дата обращения: 09.10.2025).
94. Кредитный скоринг от Яндекса vs GDPR и 152-ФЗ: кто собирает наши персональные данные для банковских моделей Machine Learning – Big Data для Большого Брата // Habr. URL: https://habr.com/ru/companies/yandex/articles/484300/ (дата обращения: 09.10.2025).
95. Статья 6. Условия обработки персональных данных // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_61801/014f35a4d62650047fb488f28c2c8f0003aa51e6/ (дата обращения: 09.10.2025).
96. Усиление регулирования защиты персональных данных в России: экономические последствия и риски // КиберЛенинка. URL: https://cyberleninka.ru/article/n/usilenie-regulirovaniya-zaschity-personalnyh-dannyh-v-rossii-ekonomicheskie-posledstviya-i-riski (дата обращения: 09.10.2025).
97. Статья 61.1 // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_104030/1b5f257a075e01b63dd1a719543e38167f50a8b9/ (дата обращения: 09.10.2025).
98. Статья 7. Хранение и защита информации // КонсультантПлюс. URL: https://www.consultant.ru/document/cons_doc_LAW_50037/08e6f16b23d9a1ae6d40507a70a04944458f2761/#dst100155 (дата обращения: 09.10.2025).
99. Закон о персональных данных мешает выдавать кредиты // Банковское обозрение. URL: https://bosfera.ru/bo/zakon-o-personalnyh-dannyh-meshaet-vydavat-kredity (дата обращения: 09.10.2025).
100. Персональные, но большие: как новый закон изменит торговлю данными // Forbes.ru. URL: https://www.forbes.ru/tehnologii/377317-personalnye-no-bolshie-kak-novyy-zakon-izmenit-torgovlyu-dannymi (дата обращения: 09.10.2025).
101. Соблюдение законодательства о персональных данных в банковской отрасли // КиберЛенинка. URL: https://cyberleninka.ru/article/n/soblyudenie-zakonodatelstva-o-personalnyh-dannyh-v-bankovskoy-otrasli (дата обращения: 09.10.2025).
102. Непрямой сбор персональных данных: требования законодательства и правоприменительная практика // Центральный округ. URL: https://centerokrug.ru/publikatsii/nepryamoy-sbor-personalnyh-dannyh-trebovaniya-zakonodatelstva-i-pravoprimenitelnaya-praktika/ (дата обращения: 09.10.2025).
103. Защита персональных данных в банках // SearchInform. URL: https://searchinform.ru/blog/zashhita-personalnyh-dannyh-v-bankah/ (дата обращения: 09.10.2025).
104. ЦБ и банкиры продолжают долгий спор о монополии в финтехе // Ведомости. URL: https://www.vedomosti.ru/finance/articles/2025/10/08/1066708-tsb-bankiri-prodolzhayut (дата обращения: 09.10.2025).
105. Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? Спросили экспертов и рассказали про опыт JetLend. URL: https://jetlend.ru/blog/novaya-era-v-kreditnom-skoringe-kak-ii-pomogaet-otsenivat-zaemshchikov/ (дата обращения: 09.10.2025).
106. Искусственный интеллект в финтехе и банкинге // ГАРАНТ. URL: https://www.garant.ru/news/1660144/ (дата обращения: 09.10.2025).
107. Как работает система скоринга в смарт-кредитовании // duc-avangard.ru. URL: https://duc-avangard.ru/analitika/kak-rabotaet-sistema-skoringa-v-smart-kreditovanii/ (дата обращения: 09.10.2025).
108. Скоринг и верификация данных на основе Big Data: о чем нужно знать // Beeline.ai. URL: https://beeline.ai/articles/skoring-i-verifikatsiya-dannyh-na-osnove-big-data/ (дата обращения: 09.10.2025).
109. Каким будет скоринг будущего? // FutureBanking. URL: https://futurebanking.ru/article/26075 (дата обращения: 09.10.2025).
110. Кредитный скоринг на базе ИИ: как нейросети помогают оценить кредитоспособность клиентов // IQ Media. URL: https://iq-media.ru/articles/kreditnyy-skoring-na-baze-ii-kak-neyroseti-pomogayut-ocenit-kreditosp (дата обращения: 09.10.2025).
111. НБКИ запускает принципиально новую модель скоринга на основе искусственного интеллекта // НБКИ. URL: https://www.nbki.ru/company/news/?id=28886 (дата обращения: 09.10.2025).
112. Использование информационных технологий и искусственного интеллекта при оценке кредитоспособности заемщиков в коммерческих банках // КиберЛенинка. URL: https://cyberleninka.ru/article/n/ispolzovanie-informatsionnyh-tehnologiy-i-iskusstvennogo-intellekta-pri-otsenke-kreditospsobnosti-zaemschikov-v-kommercheskih-bankah (дата обращения: 09.10.2025).
113. Скоринговые модели НБКИ становятся основополагающим конкурентным преимуществом на рынке розничного кредитования // НБКИ. URL: https://www.nbki.ru/company/news/?id=26228 (дата обращения: 09.10.2025).
114. Как банки используют искусственный интеллект в обслуживании бизнеса // Ведомости. URL: https://www.vedomosti.ru/finance/articles/2024/04/15/1032338-banki-ispolzuyut-iskusstvennii-intellekt (дата обращения: 09.10.2025).
115. Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? // Habr. URL: https://habr.com/ru/companies/ods/articles/775196/ (дата обращения: 09.10.2025).
116. Инновации в российских банках: тренды и мнение рынка // Arenadata. URL: https://arenadata.tech/company/blog/innovations-in-russian-banks-trends-and-market-opinion/ (дата обращения: 09.10.2025).
117. Как искусственный интеллект помогает выдавать кредиты // IQ Media. URL: https://iq-media.ru/articles/kak-iskusstvennyy-intellekt-pomogaet-vydavat-kredity (дата обращения: 09.10.2025).
118. Искусственный интеллект в банках: ТОП-10 эффективных кейсов по версии Smartgopro. URL: https://smartgopro.ru/blog/ai-banki/ (дата обращения: 09.10.2025).
119. Роль больших данных в улучшении анализа кредитных рисков // КиберЛенинка. URL: https://cyberleninka.ru/article/n/rol-bolshih-dannyh-v-uluchshenii-analiza-kreditnyh-riskov (дата обращения: 09.10.2025).
120. Современный скоринг: использование Big Data и Machine Learning // Cfin.ru. URL: https://www.cfin.ru/press/banks/2017/07/scoring.shtml (дата обращения: 09.10.2025).
121. ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СКОРИНГОВЫЕ СИСТЕМЫ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/perspektivy-vnedreniya-sovremennyh-tehnologiy-iskusstvennogo-intellekta-v-skoringovye-sistemy (дата обращения: 09.10.2025).
122. ИИ «опрозрачил» кредитные истории россиян // ComNews. URL: https://www.comnews.ru/content/230788/2024-03-01/2024-w09/ii-oproazrachil-kreditnye-istorii-rossiyan (дата обращения: 09.10.2025).
123. Банковские технологии и тренды мобильного банкинга 2024 // Rvision.pro. URL: https://rvision.pro/blog/bankovskie-tehnologii-i-trendy-mobilnogo-bankinga-2024/ (дата обращения: 09.10.2025).
124. Нейросетевой подход к кредитному скорингу на данных кредитных историй // Habr. URL: https://habr.com/ru/companies/alfa/articles/682226/ (дата обращения: 09.10.2025).
125. Технологии Big Data на финансовых рынках: практические аспекты // Elibrary. URL: https://www.elibrary.ru/item.asp?id=58197779 (дата обращения: 09.10.2025).