Скоринг кредитных заявок

Скоринг кредитных заявок — это математическая или статистическая модель, используемая финансовыми организациями для оценки кредитоспособности заёмщика на основе его исторических данных и поведенческих характеристик. Результатом скоринга является числовой показатель (балл, или score), который отражает вероятность дефолта клиента (невыполнения обязательств по кредиту) в заданный промежуток времени. Скоринг является ключевым инструментом автоматизации принятия решений в розничном кредитовании, позволяя банкам и микрофинансовым организациям обрабатывать большие объёмы заявок с высокой скоростью и стандартизированным уровнем риска.

История развития

Ранние этапы (1930-е — 1950-е годы)

Первые попытки количественной оценки кредитного риска относятся к 1930-м годам, когда американские финансисты начали использовать простые балльные системы для оценки заявок на потребительские кредиты. В 1941 году американский экономист Дэвид Дюран предложил одну из первых формализованных систем скоринга для оценки кредитоспособности физических лиц, основанную на взвешивании таких факторов, как возраст, профессия, стаж работы и наличие собственности.

Эра статистических моделей (1960-е — 1980-е годы)

В 1950-х годах компания Fair, Isaac and Company (позднее — FICO, США) начала разработку коммерческих скоринговых систем. В 1958 году они создали первый автоматизированный скоринг для кредитных карт. В 1960-х годах с развитием вычислительной техники банки стали внедрять скоринговые модели на основе линейной регрессии и дискриминантного анализа. К 1980-м годам скоринг стал стандартной практикой в США и Западной Европе для оценки заявок по кредитным картам, автокредитам и ипотеке.

Современный этап (1990-е годы — настоящее время)

С 1990-х годов, с ростом объёмов данных и вычислительных мощностей, началось внедрение более сложных методов: логистической регрессии, деревьев решений, нейронных сетей и методов машинного обучения. В России скоринг начал активно применяться с середины 2000-х годов, в период бурного развития розничного кредитования. К 2010-м годам практически все крупные российские банки перешли на автоматизированные системы принятия решений (СПР), использующие скоринговые модели.

Виды скоринга

Скоринговые модели классифицируются по нескольким признакам.

По источнику данных

Application-скоринг (скоринг заявок): Оценивает данные, предоставленные заёмщиком в анкете (возраст, доход, место работы, семейное положение, наличие собственности), а также данные из кредитной истории. Применяется на этапе рассмотрения новой заявки.
Behavioral-скоринг (поведенческий скоринг): Анализирует поведение уже существующего клиента в рамках действующего кредитного договора: регулярность платежей, использование кредитного лимита, операции по карте, изменения в контактных данных. Используется для управления лимитами, пролонгации, реструктуризации или выдачи нового кредита.
Collection-скоринг (скоринг взыскания): Оценивает вероятность погашения просроченной задолженности и оптимальную стратегию взаимодействия с должником (напоминание, досудебное урегулирование, передача коллекторам). Применяется на этапе работы с проблемными долгами.
Fraud-скоринг (антифрод-скоринг): Выявляет признаки мошенничества (подделка документов, использование чужих паспортных данных, нестандартные паттерны поведения). Работает в реальном времени, часто на основе правил и машинного обучения.

По типу модели

Статистические (параметрические): Логистическая регрессия, линейная регрессия, дискриминантный анализ. Основаны на предположении о распределении данных. Просты в интерпретации, но менее гибки.
Методы машинного обучения (непараметрические): Деревья решений, случайный лес, градиентный бустинг (XGBoost, LightGBM, CatBoost), нейронные сети. Позволяют учитывать сложные нелинейные зависимости и взаимодействия признаков. Обеспечивают более высокую точность, но требуют больше данных и вычислительных ресурсов, а также сложнее в интерпретации (проблема «чёрного ящика»).
Гибридные: Комбинация нескольких моделей (ансамбли) или последовательное применение правил и статистических моделей.

Устройство и процесс разработки

Этапы построения скоринговой модели

Сбор и подготовка данных: Формирование ретроспективной выборки (исторические данные о клиентах, их анкеты, кредитные истории, платежное поведение). Определение целевой переменной (например, «дефолт в течение 12 месяцев»). Очистка данных от ошибок, выбросов и пропусков.
Отбор признаков (Feature Engineering): Преобразование исходных данных в предикторы (факторы). Например, отношение ежемесячного платежа к доходу (PTI), количество открытых кредитов, доля просрочек в прошлом. Отбор наиболее значимых признаков с помощью статистических тестов или алгоритмов.
Построение модели: Выбор алгоритма (например, логистическая регрессия) и обучение модели на тренировочной выборке. Настройка гиперпараметров.
Валидация и тестирование: Оценка качества модели на отложенной (тестовой) выборке, не участвовавшей в обучении. Основные метрики: Gini-коэффициент, AUC-ROC, KS-статистика, точность (accuracy), полнота (recall). Проверка стабильности модели во времени (Population Stability Index, PSI).
Калибровка и шкалирование: Преобразование вероятности дефолта в баллы (score) по определённой шкале (например, от 300 до 850). Установление порогов (cut-off) для принятия решений (одобрить, отказать, отправить на ручную проверку).
Внедрение и мониторинг: Интеграция модели в автоматизированную систему принятия решений банка. Регулярный мониторинг её эффективности, пересмотр и переобучение (обычно раз в 6-12 месяцев).

Ключевые характеристики

Дискриминационная способность: Способность модели разделять «хороших» и «плохих» заёмщиков. Измеряется Gini (0 — случайное угадывание, 1 — идеальное разделение). Для рабочих моделей Gini обычно составляет 0,5–0,8.
Стабильность: Устойчивость модели к изменениям макроэкономической ситуации, сезонности или изменению поведения клиентов. Оценивается с помощью индекса стабильности популяции (PSI). Значение PSI менее 0,1 считается хорошим.
Интерпретируемость: Возможность объяснить, почему модель приняла то или иное решение. Важно для соблюдения требований регуляторов (например, ЦБ РФ) и для обоснования отказа клиенту.

Применение

В банковском секторе

Потребительское кредитование: Автоматическое одобрение или отказ по кредитам наличными, кредитным картам, POS-кредитам (в точках продаж).
Ипотечное кредитование: Оценка платёжеспособности заёмщика, определение максимальной суммы кредита и первоначального взноса.
Автокредитование: Оценка риска по автокредитам, в том числе с учётом стоимости и ликвидности автомобиля.
Кредитные лимиты: Установление и динамическое изменение лимитов по кредитным картам на основе поведенческого скоринга.

В микрофинансовых организациях (МФО)

МФО активно используют скоринг, часто с применением альтернативных данных (данные сотовых операторов, история покупок в интернете, активность в социальных сетях), так как их клиенты часто не имеют традиционной кредитной истории. Скоринг в МФО позволяет выдавать займы (в том числе онлайн) за считанные минуты.

В других отраслях

Страхование: Оценка риска страхователя (например, для автострахования или страхования жизни).
Телекоммуникации: Оценка платёжеспособности абонентов при подключении контрактов с отсрочкой платежа.
Ритейл: Оценка риска при предоставлении рассрочки или товарного кредита.

Критика и ограничения

Дискриминация: Скоринговые модели могут воспроизводить и усиливать исторические предубеждения, например, по расовому, половому или возрастному признаку. В ряде стран (США, страны ЕС) существуют законы, запрещающие использование определённых признаков (раса, религия) в кредитном скоринге. В России закон «О кредитных историях» (ФЗ-218) и рекомендации ЦБ РФ ограничивают использование некоторых данных, но прямого запрета на дискриминационные признаки нет.
Проблема «чёрного ящика»: Сложные модели машинного обучения (нейронные сети, градиентный бустинг) трудно интерпретировать, что затрудняет обоснование отказа клиенту и проверку модели регулятором.
Нестабильность в кризис: Модели, обученные на данных стабильного периода, могут резко терять точность во время экономических кризисов (например, 2008, 2014, 2020 годов), когда поведение заёмщиков кардинально меняется.
Зависимость от качества данных: Скоринг бесполезен, если входные данные содержат ошибки, неполны или устарели. Особенно остро стоит проблема «кредитных фабрик» — мошеннических схем, нацеленных на обман скоринговых систем.

Интересные факты

Первая коммерческая скоринговая система FICO была создана в 1958 году и до сих пор остаётся доминирующей в США (FICO Score).
В России крупнейшим бюро кредитных историй (БКИ) является Национальное бюро кредитных историй (НБКИ), которое предоставляет данные для скоринга большинству банков.
С развитием технологии Open Banking (открытые банковские API) скоринг всё чаще использует транзакционные данные — историю поступлений и списаний по счету, что позволяет более точно оценить реальный доход и расходы заёмщика.
В 2020-х годах активно развивается «экологический скоринг» — оценка углеродного следа заёмщика, которая может влиять на условия кредита в рамках ESG-стратегий банков.

Источники

Федеральный закон от 30.12.2004 № 218-ФЗ «О кредитных историях».
Указание Банка России от 15.04.2015 № 3624-У «О требованиях к системам управления рисками и капиталом кредитной организации».
Дюран, Д. (1941). Risk Elements in Consumer Instalment Financing. National Bureau of Economic Research.
Томас, Л. К. (2009). Consumer Credit Models: Pricing, Profit and Portfolios. Oxford University Press.
Сидоров, А. В. (2015). Скоринг как инструмент управления кредитным риском. Журнал «Банковское дело», № 4.
Материалы Национального бюро кредитных историй (НБКИ) — «Скоринг в России: практика и перспективы».

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →