In the context of growing lending volumes and increasing competition in the financial market, the assessment of borrowers' creditworthiness is becoming particularly important. Traditional valuation methods face a number of limitations and require timely modernization due to the rapid and rapid growth of the digitalization process in banking.

The article analyzes modern digital technologies used in banking in assessing the creditworthiness of borrowers, their practical application in one of the banks of Russia, as well as comparative characteristics with traditional assessment methods. In the course of the comparison, the author identified the disadvantages of digitalization of the lending process, and based on them, proposed ways to improve.

Keywords: banking system of the Russian Federation, banking, credit scoring, digitalization of the banking sector, artificial intelligence, machine learning, banking innovations, digital technologies, MTS Bank.

Деятельность коммерческих банков неразрывно связана с предоставлением денежных средств или других активов в долг на определенных условиях как физическим, так и юридическим лицам, что можно охарактеризовать как процесс кредитования. Главный аспект кредитования — способность заемщика погасить ссуду в полном объеме и в оговоренный срок [2]. Успех здесь возможен лишь при устойчивом финансовом положении клиента. Поэтому в условиях бурного развития банковского сектора и жёсткой конкуренции банки стремятся выстроить действенную систему оценки надёжности заёмщиков.

В современном мире традиционные банковские подходы к оценке кредитоспособности заемщиков уступают место цифровым технологиям, которые открывают новые возможности для банков. Во-первых, автоматизация рутинных процессов позволяет системам самостоятельно собирать и анализировать большой объем данных, ускоряя работу и снижая влияние человеческого фактора. Во-вторых, круг источников информации расширяется, по сравнению с традиционными методами обработки кредитной истории и официальных сведений о доходах и имуществе, за счёт альтернативных данных: социальные сети клиентов, покупки в онлайн каналах, геолокация и поведенческие паттерны. В-третьих, машинное обучение помогает находить скрытые взаимосвязи, недоступные при ручном анализе, что делает прогнозы относительно заемщика более точными. Такого рода анализ позволяет тщательно оценить и спрогнозировать кредитные риски, снижая вероятность дефолта и улучшая кредитный портфель банка. В таблице 1 представлена сравнительная характеристика разных подходов к оценке кредитоспособности клиентов.

Таблица 1

Сравнительная характеристика традиционного и современного подходов к оценке кредитоспособности заемщиков

Источник: составлено автором самостоятельно на основании научных публикаций и данных из открытых источников, включая работы по применению Big Data, машинного обучения и искусственного интеллекта в банковской деятельности

Таким образом, цифровые технологии дают возможность в кратчайшие сроки собирать и обрабатывать огромные массивы данных, ускоряя процесс принятия решений по кредитованию. Вместе с тем они сопряжены с определёнными рисками, что делает необходимым непрерывный контроль и гибкую настройку процессов.

В настоящее время наиболее популярным инструментом оценки кредитоспособности заемщиков в российских банках остается скоринговая модель. Ее распространение объяснимо. Система характеризуется высокой скоростью принятия решений, а также сниженным риском невозврата ссуд из-за точной обработки данных о клиенте.

Современные модели скоринга обладают большей гибкостью и адаптированы к изменяющейся банковской среде. Такие модели интегрированы с искусственным интеллектом, что позволяет применять их для анализа тысячи различных параметров [5]. Именно это дает возможность формировать детальный портрет заемщика, тем самым минимизирую риски для банка. В качестве примера, стоит отметить опыт одного из российских банков, который использует модель скоринга с применением современных технологий.

МТС Банк демонстрирует передовой опыт внедрения цифровых технологий в процесс оценки кредитоспособности заёмщиков, построив комплексную систему, в основе которой лежит самообучаемая скоринговая модель, работающая на базе машинного обучения (ML) и анализирующая более 150 переменных. Эта система позволяет банку не только оперативно и точно принимать кредитные решения, но и эффективно управлять качеством кредитного портфеля.

Ключевой особенностью системы является полная автоматизация кредитного процесса, благодаря которой банк обрабатывает колоссальный объём заявок (до 2 миллионов в месяц). При этом среднее время рассмотрения каждой заявки составляет полторы минуты. Такой уровень скорости и масштабируемости стал возможен благодаря продуманной архитектуре цифровых решений. Особенно впечатляет показатель по повторным клиентам, так как 70 % кредитных продуктов выдаётся именно этой категории заёмщиков. Система мгновенно одобряет заявки, опираясь на уже накопленные данные.

Скоринговая модель МТС Банка построена с учётом множества факторов. Она анализирует кредитную историю клиентов, изучает их транзакционную активность и поведенческие характеристики. При этом модель не ограничивается внутренними данными банка. Она интегрирована с внешними базами, включая бюро кредитных историй и другие источники информации из экосистемы. Важное преимущество этой системы заключается в способности к самообучению. Модель постоянно совершенствуется, анализируя новые данные и повышая точность своих прогнозов.

Процесс одобрения заявок по кредитам в МТС Банке происходит поэтапно. Сначала — проверка по мораториям и стоп-факторам, затем — оценка минимальных требований. Далее система проводит антифрод-анализ, изучает внутреннюю кредитную историю клиента и запрашивает данные из бюро кредитных историй [4]. Основной этап оценки кредитоспособности — скоринг. Big Data детально анализирует профиль заемщика, включая его поведенческие паттерны и активность в интернете. Собранному массиву данных нейронные сети присваивают определенные баллы. Стоит отметить, что система не просто сопоставляет данные с выстроенными критериями, а выявляет сложные нелинейные зависимости. На основе полученных баллов за секунды принимается решение о выдачи кредита, а также устанавливаются индивидуальные кредитные условия без человеческого участия.

Предикативная аналитика в МТС Банке применяется не только для первичного скоринга, но и для улучшения клиентского опыта и оптимизации работы с проблемной задолженностью. Банк использует предсказательные модели для формирования персонализированных предложений — клиент получает предодобренный кредит именно в тот момент, когда вероятность его интереса к продукту максимальна. В работе с проблемными заёмщиками искуственный интеллект оценивает профиль клиента и подбирает оптимальный алгоритм взаимодействия.

Однако цифровизация процессов оценки кредитоспособности заёмщиков в российских банках сталкивается с комплексом существенных препятствий. Прежде всего, законодательная база. Банк России подчёркивает необходимость прозрачности и объяснимости решений, которые принимают алгоритмы машинного обучения, а неопределённость нормативного регулирования в отношении таких инноваций, как блокчейн, биометрия и анализ «цифрового следа», дополнительно осложняет ситуацию [3].

Серьёзным ограничением выступают и ресурсные факторы. Внедрение цифровых инструментов требует масштабных инвестиций и глубокой технологической подготовки. Затраты на создание и поддержку инфраструктуры для работы с Big Data, ИИ и облачными технологиями весьма значительны, а интеграция новых решений с уже используемыми банками IT‑системами нередко оказывается сложной задачей. При этом критически важно, чтобы обновлённые системы оставались масштабируемыми и могли обрабатывать растущие объёмы данных и кредитных заявок без потери производительности, а также обеспечивали бесперебойную работу. Любые сбои в цифровых платформах способны остановить весь кредитный процесс.

Ещё один весомый барьер связан с кибербезопасностью. По мере роста объёмов цифровых данных возникают риски мошенничества. Хакерские атаки угрожают утечкой персональных и финансовых сведений клиентов, а злоумышленники изобретают всё новые способы обхода защитных механизмов.

Наконец, определённые препятствия возникают и со стороны клиентов. Многие заёмщики по‑прежнему отдают предпочтение общению с живым специалистом, сомневаясь в объективности решений ИИ. Пожилые люди и те, кто не обладает достаточной цифровой грамотностью, сталкиваются с трудностями при использовании онлайн‑сервисов. Кроме того, опасения относительно конфиденциальности данных побуждают немало клиентов отказываться от предоставления дополнительной информации, необходимой для более точной оценки кредитоспособности.

Таким образом, возникает потребность в совершенствование цифровых систем оценки кредитоспособности клиентов. Одним из ключевых направлений может быть внедрение технологий объяснимого искусственного интеллекта. Данные модели не только будут ускоренно принимать или отклонять заявки по кредитам, но и предоставлять обоснованный выбор решения, опираясь на собранную информацию о клиенте. Такой подход позволит повысить доверие и лояльность людей, которые не готовы на текущий момент взаимодействовать с цифровыми системами банков.

Снизить ресурсную нагрузку и оптимизировать затраты поможет поэтапное внедрение цифровых инструментов с фокусом на наиболее эффективные модули. Банки могут использовать облачные платформы вместо создания собственной инфраструктуры с нуля, а также сотрудничать с финтех-стартапами для диверсификации затрат на разработку и поддержку.

В сфере кибербезопасности необходимо шифрование данных на всех этапах передачи и хранения. Многофакторная аутентификация должна стать базовым элементом защиты. Дополнительно стоит внедрить системы для выявления аномалий в поведении пользователей и систем.

Актуальность передовых методов оценки кредитоспособности заемщиков напрямую зависит от постоянного совершенствования и доработки систем. При комплексном подходе к развитию цифровых технологий банки смогут не только оптимизировать внутренние процессы и минимизировать риски, но и предложить клиентам более персонализированные, удобные и справедливые условия кредитования, способствуя тем самым росту и устойчивому развитию экономики в целом.

Литература:

1. Кривошапова С. В., Горьков А. Перспективы использования новых цифровых технологий в сфере управления кредитным риском и оценки кредитоспособности // Азимут научных исследований: экономика и управление. 2021. T.10. № 4(37). С. 96–99.
2. Лаврушин, О. И. Банковское дело: современная система кредитования: учебное пособие / О. И. Лаврушин, О. Н. Афанасьева. — Москва: КноРус, 2017. — 360c.
3. Пять принципов для искусственного интеллекта: рекомендации регулятора по применению ИИ. // Официальный сайт Банка России: [сайт]. — URL: https://www.cbr.ru/press/event/?id=25755 (дата обращения: 29.03.2026).
4. Светлана, Винокурова. ИИ в помощь: как МТС Банк оценивает заемщиков с помощью новых технологий / Винокурова Светлана. — Текст: электронный // Forbes: [сайт]. — URL: https://www.forbes.ru/special/newreality/ii-v-pomoshch (дата обращения: 29.03.2026).
5. Тимошенко Н. В. Применение скоринговых моделей при оценке кредитоспособности потенциального заемщика / Тимошенко Н. В., Хаджиев М. Р., Еремина Н. В. // Вестник Академии знаний. — 2021. — № 5.-С.394–402.