Открыть сервисСервис

Скоринг — метод оценки кредитоспособности

Скоринг — это метод статистической оценки кредитоспособности заёмщика, применяемый банками и финансовыми организациями для принятия решений о выдаче кредита, определении кредитного лимита и процентной ставки. Скоринг основан на математических моделях, которые анализируют данные о заёмщике и прогнозируют вероятность допущения им просрочки по кредиту в течение определённого периода (обычно 90 дней). Результат расчёта — скоринговый балл — сопоставляется с пороговым значением: при балле выше порога заявка одобряется, ниже — отклоняется.

История

Первые скоринговые модели появились в США в 1940-х годах. В 1941 году Фаир Айзек (Fair Isaac) разработал методику оценки кредитного риска для финансовых институтов; в 1956 году Фиро Фарнам и Уильям Фэр основали компанию Fair, Isaac and Company (FICO), которая стала разрабатывать универсальные скоринговые шкалы. В 1958 году FICO выпустила первую коммерческую скоринговую модель, а в 1989 году появилась единая шкала FICO Score, ставшая стандартом отрасли.

В России скоринг начал внедряться в 2000-х годах вместе с развитием рынка потребительского кредитования. Крупнейшими разработчиками скоринговых моделей в стране стали Национальное бюро кредитных историй (НБКИ), «Эксперим», «Скоринг-Сервис» и подразделения самих банков. В 2010-е годы на рынке появились альтернативные скоринговые модели, использующие данные из открытых источников и социальных сетей.

Принцип работы

Скоринговая модель строится на основе статистического анализа ретроспективных данных о заёмщиках, уже имеющих кредитную историю. Модель выявляет факторы, коррелирующие с вероятностью просрочки, и на их основе рассчитывает итоговый балл. Ключевые входные данные:

  • Демографические сведения: возраст, семейное положение, наличие детей, образование.
  • Финансовые показатели: уровень дохода, соотношение расходов и доходов, наличие других кредитов и размер ежемесячных платежей.
  • Кредитная история: количество просрочек, их длительность, число действующих кредитов, доля просроченной задолженности.
  • Параметры заявки: сумма и срок кредита, цель займа, тип залога.
  • Поведенческие данные (в альтернативных моделях): активность в интернете, данные операторов связи, платёжное поведение по счетам ЖКХ.

Наиболее распространённые методы построения моделей — логистическая регрессия, деревья решений, градиентный бустинг и нейронные сети. Логистическая регрессия исторически преобладает в банковском скоринге благодаря интерпретируемости результатов.

Виды скоринга

ВидНазначениеМомент применения
Скоринг при выдаче кредитаОценка риска нового заёмщикаПри подаче заявки
Поведенческий скорингОценка текущих клиентов банкаПериодически, по действующим заёмщикам
Коллекторский скорингОценка вероятности возврата долгаПри передаче задолженности на взыскание
Модель оттокаПрогноз ухода клиента к конкурентамДля удержания клиентов

Психографический скоринг

Отдельным направлением является психографический (альтернативный) скоринг, который оценивает не только платёжеспособность, но и психологические особенности заёмщика — склонность к риску, ответственность, импульсивность. Метод используется некоторыми микрофинансовыми организациями и кредитными кооперативами для дифференциации ставок. Психографический скоринг вызывает дискуссии в правозащитном сообществе из-за рисков дискриминации и отсутствия прозрачности алгоритмов.

Регулирование в России

В Российской Федерации деятельность по скорингу регулируется Федеральным законом «О персональных данных» (№ 152-ФЗ), а также отраслевыми стандартами Банка России. С 2014 года кредитные организации обязаны передавать сведения о кредитах в бюро кредитных историй, что обеспечивает базу данных для скоринговых моделей. В 2020-х годах Банк России развивает систему «Скоринг-онлайн», направленную на оценку заёмщиков микрофинансовых организаций, и готовит правила использования альтернативных данных в скоринге.

Ограничения

Скоринговые модели имеют ряд недостатков: они чувствительны к качеству входных данных, плохо прогнозируют поведение заёмщиков с тонкой кредитной историей («новичков»), а также могут воспроизводить исторические предубеждения, заложенные в обучающих выборках. Регуляторы ряда стран требуют от банков объяснять причины отказа в кредите, что ограничивает применение полностью «чёрных ящиков» в пользу интерпретируемых моделей.

Источники

  • Банк России. Отчёт о развитии банковского сектора
  • Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных»
  • FICO. История скоринга и методология оценки кредитного риска
  • Национальное бюро кредитных историй. Методические материалы
  • Материалы Национальной ассоциации профессиональных коллекторских агентств
Заметили ошибку или не согласны с информацией в статье? Напишите нам support@bfometr.ru