Скоринг: оценка кредитоспособности заёмщика¶

Скоринг — это математическая или статистическая модель оценки кредитоспособности заёмщика, которая позволяет в автоматическом режиме определить вероятность погашения кредита в срок и присвоить потенциальному клиенту числовой балл (score). На основе этого балла кредитная организация принимает решение о выдаче займа, его сумме, процентной ставке и других условиях.

Скоринг является ключевым элементом современного банковского риск-менеджмента и розничного кредитования, позволяя обрабатывать миллионы заявок в день без участия человека.

¶История возникновения

Первые попытки формализовать оценку кредитоспособности предпринимались ещё в середине XX века. В 1941 году американский экономист Дэвид Дюран предложил использовать статистические методы для оценки заявок на потребительские кредиты, что считается отправной точкой развития скоринга.

Массовое внедрение технологии началось в 1950-х годах в США с появлением первых кредитных карт. В 1956 году инженер Билл Фэйр и математик Эрл Айзек основали компанию Fair, Isaac and Company (ныне FICO), которая разработала первую коммерческую скоринговую модель. Широкое распространение скоринга в банковской сфере произошло в 1980–1990-х годах с развитием вычислительной техники.

В России скоринг начал активно применяться в начале 2000-х годов с ростом рынка потребительского кредитования и появлением бюро кредитных историй.

¶Виды скоринга

В зависимости от этапа работы с клиентом выделяют несколько типов скоринга:

• Application-скоринг (скоринг заявок) — оценка потенциального заёмщика на этапе подачи заявки на кредит. Использует данные анкеты: возраст, доход, стаж работы, семейное положение, образование.
• Behavioral-скоринг (поведенческий) — оценка уже существующего заёмщика на основе истории обслуживания кредита: регулярность платежей, использование кредитного лимита, просрочки.
• Collection-скоринг (скоринг взыскания) — применяется для работы с проблемной задолженностью, определяет оптимальную стратегию взаимодействия с должником и вероятность возврата средств.
• Fraud-скоринг (антифрод-скоринг) — выявление мошеннических схем и подозрительных заявок на основе поведенческих аномалий.

¶Методы построения моделей

Традиционно скоринговые модели строятся на основе статистических методов, таких как логистическая регрессия и линейный дискриминантный анализ. Эти методы позволяют определить вес каждого фактора и рассчитать итоговый балл.

С развитием технологий машинного обучения в скоринге всё чаще применяются более сложные алгоритмы: деревья решений, случайный лес, градиентный бустинг и нейронные сети. Они способны учитывать нелинейные зависимости и взаимодействия между факторами, что повышает точность прогноза.

¶Факторы оценки

Набор факторов, влияющих на скоринговый балл, зависит от конкретной модели, но обычно включает:

• Социально-демографические данные: возраст, пол, семейное положение, наличие детей.
• Финансовые показатели: уровень дохода, соотношение долга к доходу, наличие имущества.
• Трудовые характеристики: стаж на текущем месте работы, отрасль занятости.
• Кредитная история: наличие и качество прошлых кредитов, количество просрочек, текущая долговая нагрузка.
• Поведенческие данные: активность в интернете, данные телеком-операторов (в отдельных случаях).

¶Применение в кредитном процессе

Скоринг используется на всех этапах кредитного цикла. При выдаче кредита модель определяет вероятность дефолта, на основе которой банк устанавливает лимит кредитования и ставку. В процессе обслуживания поведенческий скоринг позволяет выявлять ранние признаки финансовых трудностей клиента. При взыскании просроченной задолженности скоринг помогает расставить приоритеты в работе с должниками.

Кроме банков, скоринговые технологии применяются в микрофинансовых организациях, страховых компаниях, лизинговых и телекоммуникационных компаниях.

¶Преимущества и ограничения

Основным преимуществом скоринга является скорость и объективность принятия решений: заявка обрабатывается за считанные секунды, а человеческий фактор и предвзятость исключаются. Скоринг также позволяет банкам значительно снизить издержки на оценку рисков и сократить уровень просроченной задолженности.

К ограничениям технологии относят чувствительность к качеству исходных данных и невозможность учесть резкие изменения внешней среды (экономические кризисы, пандемии), которые делают исторические данные менее релевантными. Кроме того, скоринговые модели могут воспроизводить и усиливать социальную дискриминацию, если в них заложены факторы, косвенно связанные с расой, полом или национальностью, что вызывает этические и правовые вопросы.

¶Регулирование в России

В Российской Федерации деятельность по оценке кредитоспособности регулируется Федеральным законом «О кредитных историях» (№ 218-ФЗ). Банки обязаны передавать данные о заёмщиках в бюро кредитных историй, которые аккумулируют информацию и предоставляют её кредиторам. С 2022 года действует закон о скоринге физических лиц, который устанавливает требования к методикам оценки и защите персональных данных.