Скоринг

Скоринг (от англ. scoring — подсчёт очков, оценка) — это математическая или статистическая модель, позволяющая на основе анализа исторических данных и ключевых характеристик объекта (физического лица, организации, сделки) оценить вероятность наступления определённого события. Наиболее широкое распространение скоринг получил в финансовой сфере, где он используется для оценки кредитоспособности заёмщика — расчёта вероятности своевременного погашения кредита или, напротив, возникновения просрочки (дефолта). В более широком смысле скоринг применяется для ранжирования клиентов, контрагентов или заявок по степени риска, потенциальной доходности или иным заданным критериям.

История

Зарождение в кредитной сфере

Первые попытки формализовать оценку кредитного риска предпринимались в США в начале XX века, однако они сводились к субъективным заключениям кредитных инспекторов. Перелом наступил в 1930–1940-х годах, когда американский математик и статистик Дэвид Дюран (David Durand) предложил использовать дискриминантный анализ для разделения «хороших» и «плохих» займов. Дюран выявил, что такие факторы, как возраст, род занятий, стаж работы и наличие недвижимости, статистически значимо коррелируют с возвратом кредита. Его работа считается одним из первых научных обоснований скоринга.

Развитие в 1950–1970-х годах

В 1956 году американский инженер Билл Фэр (Bill Fair) и математик Эрл Айзек (Earl Isaac) основали компанию Fair, Isaac and Company (ныне FICO). В 1958 году они внедрили первую коммерческую кредитную скоринговую систему, которая на основе балльной оценки анкетных данных позволяла автоматизировать принятие решений по потребительским кредитам. К 1970-м годам скоринг стал стандартным инструментом крупнейших банков и финансовых компаний США, особенно после принятия Закона о равных кредитных возможностях (Equal Credit Opportunity Act, 1974), который потребовал объективных и непредвзятых критериев оценки заёмщиков.

Компьютеризация и распространение

С массовым внедрением вычислительной техники в 1980–1990-х годах скоринг перестал быть ручным расчётом: алгоритмы стали обрабатывать тысячи заявок в секунду. Появились специализированные бюро кредитных историй (Equifax, Experian, TransUnion), которые начали предоставлять скоринговые баллы на основе агрегированных данных о платёжной дисциплине миллионов заёмщиков. В России первые скоринговые системы стали внедряться в конце 1990-х — начале 2000-х годов с развитием розничного кредитования. Крупнейшим игроком на рынке кредитных историй стало Национальное бюро кредитных историй (НБКИ), которое разработало собственный скоринговый балл.

Виды скоринга

По объекту оценки

• Кредитный скоринг — оценка вероятности дефолта физического или юридического лица. Используется при выдаче кредитов, ипотек, кредитных карт.
• Поведенческий скоринг (behavioural scoring) — анализ текущего поведения уже существующего клиента: частота транзакций, остатки на счетах, своевременность платежей. Применяется для лимитов по кредитным картам, овердрафтам или для предложения дополнительных продуктов.
• Скоринг мошенничества (fraud scoring) — выявление подозрительных операций, заявок или транзакций, которые могут быть связаны с финансовым мошенничеством. Оценивает аномалии в поведении, несоответствия в документах, частоту запросов.
• Маркетинговый скоринг — ранжирование клиентов по вероятности отклика на предложение (кредит, страховка, вклад) или по ожидаемой доходности.
• Скоринг поставщиков и контрагентов — оценка надёжности бизнес-партнёров на основе финансовой отчётности, судебных исков, репутации.

По методу построения

• Статистический скоринг — основан на классических методах машинного обучения: логистическая регрессия, дискриминантный анализ, деревья решений. Модели интерпретируемы и требуют меньше данных.
• Скоринг на основе искусственного интеллекта — использует нейронные сети, градиентный бустинг (XGBoost, LightGBM), случайный лес. Позволяет учитывать нелинейные зависимости и большое количество признаков, но сложнее для объяснения.
• Экспертный скоринг — строится на правилах, заданных кредитными специалистами вручную (например, «если возраст > 25 и стаж > 3 лет, то +10 баллов»). Применяется в небольших организациях или как дополнение к статистическим моделям.
• Гибридный скоринг — комбинирует статистические методы и экспертные правила.

Устройство и принцип работы

Исходные данные

Скоринговая модель оперирует набором признаков (факторов), которые могут включать:

• Социально-демографические: возраст, пол, семейное положение, количество иждивенцев, образование.
• Финансовые: доход, ежемесячные расходы, наличие других кредитов, долговая нагрузка (PTI — payment-to-income ratio).
• Кредитная история: количество и давность просрочек, длительность кредитной истории, количество открытых счетов.
• Данные из внешних источников: налоговые выплаты, судебные задолженности, регистрация по месту жительства.

Построение модели

На этапе разработки модель обучается на исторической выборке, где известен исход (дефолт или его отсутствие). Алгоритм подбирает веса для каждого признака так, чтобы максимизировать разделяющую способность. Результат — скоринговый балл, обычно нормированный в определённом диапазоне (например, от 300 до 850 в системе FICO). Чем выше балл, тем ниже оцениваемый риск.

Принятие решения

Банк или финансовая организация устанавливает пороговые значения (cut-off scores). Заявки с баллом выше порога одобряются автоматически или с минимальной проверкой; заявки ниже порога — отклоняются или направляются на ручную верификацию. Дополнительно могут применяться скоринговые карты (scorecards) — таблицы, в которых каждому значению признака соответствует определённое количество баллов, суммируемых для получения итоговой оценки.

Применение

Банковская сфера

Основное применение — автоматизация выдачи потребительских кредитов, кредитных карт, ипотеки и автокредитов. Скоринг позволяет банкам обрабатывать миллионы заявок в день, снижая операционные издержки и минимизируя влияние человеческого фактора. По оценкам Банка России, в 2023 году более 90 % розничных кредитов в РФ выдавались с использованием автоматизированных скоринговых систем.

Страхование

Страховые компании применяют скоринг для оценки риска наступления страхового случая (андеррайтинг). Например, при страховании автомобиля учитываются возраст водителя, стаж, марка автомобиля, история аварий. В медицинском страховании — возраст, хронические заболевания, образ жизни.

Телекоммуникации и ритейл

Операторы связи и интернет-магазины используют скоринг для оценки платёжеспособности клиентов при продаже товаров в рассрочку или подключении постоплатных тарифов. Также скоринг применяется для предиктивного анализа оттока клиентов (churn scoring).

Государственные и социальные услуги

В некоторых странах скоринговые модели используются для оценки целесообразности предоставления социальных выплат, субсидий или для выявления случаев мошенничества с государственными средствами.

Критика и ограничения

Дискриминация и предвзятость

Одна из главных этических проблем скоринга — возможность дискриминации по расовому, половому, возрастному или географическому признаку. Если исторические данные содержат систематические предубеждения (например, меньшинствам реже одобряли кредиты), модель может воспроизводить и усиливать эти предубеждения. В США Закон о равных кредитных возможностях прямо запрещает использование расы, цвета кожи, религии, национального происхождения, пола, семейного положения и возраста (кроме некоторых исключений) в качестве факторов скоринга. В России аналогичные нормы содержатся в Федеральном законе «О кредитных историях» и Законе «О потребительском кредите (займе)».

Прозрачность и объяснимость

Сложные модели (нейронные сети, ансамбли) могут давать точные прогнозы, но остаются «чёрными ящиками»: непонятно, почему конкретному заёмщику присвоен низкий балл. Это затрудняет оспаривание решения и контроль со стороны регуляторов. В ответ на это развивается направление Explainable AI (XAI) — объяснимого искусственного интеллекта, а также внедряются требования к банкам предоставлять клиентам ключевые причины отказа.

Качество данных

Скоринг чувствителен к полноте, достоверности и актуальности исходных данных. Ошибки в кредитной истории, устаревшие сведения или неполные анкеты ведут к неверным оценкам. В России проблема усугубляется тем, что не все финансовые организации передают данные в бюро кредитных историй, а у значительной части населения «нулевая» кредитная история, что затрудняет скоринг.

Цикличность и системные риски

Скоринговые модели, обученные на данных относительно благополучных периодов, могут давать сбои во время экономических кризисов. Например, модель, построенная на данных 2010–2019 годов, не учла массовое падение доходов в 2020 году из-за пандемии COVID-19. Это приводит к резкому росту дефолтов среди заёмщиков, которые ранее считались надёжными.

Интересные факты

• Самый известный скоринговый балл — FICO Score — был создан в 1989 году и используется в 90 % решений о выдаче кредитов в США. Диапазон баллов: 300–850. Средний балл по стране в 2023 году составлял около 716.
• В России аналогом FICO является «Скоринговый балл НБКИ», который также варьируется от 300 до 850. По данным НБКИ, средний балл российского заёмщика в 2023 году составлял около 650.
• Первая скоринговая система в мире была реализована на перфокартах и обрабатывала заявки вручную — на одну оценку уходило до 15 минут.
• В 2010-х годах появились альтернативные методы скоринга, использующие данные из социальных сетей, историю интернет-покупок и даже геолокацию. Такие подходы вызывают споры о приватности и этичности.

Источники

• Durand, D. (1941). Risk Elements in Consumer Instalment Financing. National Bureau of Economic Research.
• Thomas, L. C., Edelman, D. B., Crook, J. N. (2002). Credit Scoring and Its Applications. SIAM.
• Федеральный закон от 30.12.2004 № 218-ФЗ «О кредитных историях».
• Федеральный закон от 21.12.2013 № 353-ФЗ «О потребительском кредите (займе)».
• Материалы Национального бюро кредитных историй (НБКИ) за 2022–2023 годы.
• Официальные публикации Fair Isaac Corporation (FICO) о методологии FICO Score.