Совершенствование оценки кредитоспособности розничного заемщика ПАО Сбербанк: Внедрение AI/ML-моделей в условиях ужесточения регуляторной политики (2023–2025 гг.)

В условиях беспрецедентного ужесточения макропруденциальной политики Центрального Банка Российской Федерации, начавшегося в 2023 году и продолжающегося в 2024–2025 годах, банковский сектор сталкивается с острой необходимостью повышения точности оценки кредитоспособности розничных заемщиков. Если в I квартале 2023 года 61% необеспеченных потребительских кредитов выдавался заемщикам с высоким показателем долговой нагрузки (ПДН более 50%), то ко II кварталу 2025 года этот показатель удалось снизить до 22%. Однако, несмотря на эти меры, доля кредитов с просрочкой более 90 дней (NPL > 90) по банковскому сектору выросла с 8,9% до 11,7% за первое полугодие 2025 года, что недвусмысленно указывает на сохранение и даже увеличение накопленных рисков и потенциальную недооценку их в предыдущие периоды. Эта дихотомия — ужесточение регулирования и рост NPL — является мощным стимулом для поиска принципиально новых подходов к кредитному скорингу.

Введение: Актуальность, Проблема и Цель Исследования

Современный банковский ландшафт России находится под влиянием мощных трансформационных процессов, вызванных как технологическим прорывом, так и ужесточением регуляторной политики. Традиционные методы оценки кредитоспособности, базирующиеся на классических статистических моделях и ограниченных наборах данных, демонстрируют свою неэффективность в условиях быстро меняющейся экономической конъюнктуры и растущих кредитных рисков. Внедрение передовых FinTech-решений, инструментов Big Data и моделей искусственного интеллекта (AI/ML), включая цифровой скоринг, становится не просто конкурентным преимуществом, но и стратегической необходимостью для сохранения устойчивости и доходности крупнейших игроков рынка, таких как ПАО Сбербанк.

Актуальность темы обусловлена несколькими взаимосвязанными факторами. Во-первых, это системное ужесточение макропруденциальной политики Центрального Банка РФ в период 2023–2025 годов, выраженное в повышении макропруденциальных надбавок (МПН) и введении макропруденциальных лимитов (МПЛ). Эти меры нацелены на охлаждение рынка потребительского кредитования, но одновременно создают повышенную нагрузку на капитал банков и требуют более тонкой и точной настройки риск-моделей для поиска «идеального заемщика». Во-вторых, наблюдается рост доли просроченной задолженности (NPL) в розничном портфеле, что указывает на недостаточность существующих подходов к оценке рисков. В-третьих, глобальные технологические тенденции активно диктуют переход к использованию Big Data и AI/ML, которые способны обрабатывать колоссальные объемы разнородной информации, выявлять сложные нелинейные зависимости и, как следствие, существенно повышать точность прогнозирования дефолтов. И что из этого следует? Это означает, что банки, в частности Сбербанк, обязаны пересмотреть свои подходы к скорингу, чтобы не только соответствовать регуляторным требованиям, но и эффективно управлять прибыльностью в условиях повышенных рисков.

Проблема исследования заключается в разрыве между устаревшими методиками оценки кредитоспособности, используемыми в крупном банке, и потенциалом современных FinTech-решений. Необходимо разработать научно обоснованный и практически ориентированный исследовательский план, который позволит перейти от традиционного скоринга к моделям, использующим Big Data и AI/ML, при этом учитывая специфику российского регуляторного поля и особенности ПАО Сбербанк как лидера рынка.

Целью исследования является разработка обновленного, современного и практически применимого исследовательского плана по совершенствованию оценки кредитоспособности розничного заемщика на примере ПАО Сбербанк, сфокусированного на внедрении передовых FinTech-решений, Big Data и AI/ML-моделей (включая цифровой скоринг) для замены устаревших методик.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Проанализировать текущую регуляторную среду и динамику кредитных рисков в российском розничном банковском секторе в период 2023–2025 гг.
2. Осуществить сравнительный анализ традиционных (логистическая регрессия) и современных (ансамблевые методы, нейронные сети) скоринговых моделей, оценив их эффективность с помощью ключевых метрик.
3. Исследовать возможности и правовые аспекты интеграции Big Data и нетрадиционных источников данных («цифрового следа») в скоринговые системы.
4. Выявить этические и регуляторные риски, связанные с внедрением AI-моделей («проблема черного ящика»), и предложить практические методы их минимизации.
5. Оценить потенциальную экономическую эффективность от внедрения усовершенствованной AI/ML-скоринговой системы в ПАО Сбербанк.

Объектом исследования выступает система оценки кредитоспособности розничных заемщиков ПАО Сбербанк.

Предмет исследования – методы и модели оценки кредитного риска с использованием Big Data и AI/ML-технологий.

Теоретико-правовые основы оценки кредитного риска в российском банковском секторе

Концепция кредитного риска, традиционно определяемая как вероятность невыполнения заемщиком своих обязательств по кредитному договору, претерпевает существенные изменения в эпоху цифровизации. От классического анализа финансовой отчетности и кредитной истории фокус смещается к предиктивной аналитике на основе огромных массивов данных. Однако этот переход невозможен без прочного правового фундамента.

Эволюция и современное состояние розничного кредитования в РФ (2023–2025 гг.)

Российский рынок розничного кредитования в последние годы представляет собой динамичную и в то же время высокорискованную среду, формируемую под жестким контролем регулятора. С 2023 года Банк России начал серию беспрецедентных мер по ужесточению макропруденциальной политики, направленных на сдерживание роста долговой нагрузки населения и предотвращение системных рисков. Эти меры, включающие многократное повышение макропруденциальных надбавок (МПН) и введение макропруденциальных лимитов (МПЛ), существенно изменили ландшафт розничного кредитования.

Макропруденциальные меры и их эффект. Ужесточение МПН в 2023–2024 годах проходило в три этапа, что привело к значительному увеличению нагрузки на капитал кредитных организаций при выдаче высокорискованных кредитов. С 1 апреля 2025 года Центральный Банк РФ дополнительно установил надбавку в 20% на прирост кредитных требований к крупным компаниям с повышенной долговой нагрузкой, что, хотя и относится к корпоративному сектору, формирует общий контекст ужесточения риск-ориентированного подхода.

Наиболее значимым для розничного сектора стало введение макропруденциальных лимитов (МПЛ), которые ограничили долю выдаваемых необеспеченных потребительских кредитов заемщикам с высоким показателем долговой нагрузки (ПДН). В результате этих мер, доля кредитов, выдаваемых заемщикам с ПДН более 50%, сократилась с 61% в I квартале 2023 года до 22% во II квартале 2025 года. Это свидетельствует об успешном ограничении выдачи заведомо рискованных кредитов.

Накопленные риски и динамика NPL. Несмотря на снижение доли высокорискованных кредитов, общая ситуация с качеством кредитного портфеля остается напряженной. Доля кредитов с просрочкой более 90 дней (NPL > 90) в целом по банковскому сектору выросла с 8,9% до 11,7% за первое полугодие 2025 года. Этот рост указывает на несколько факторов:

• Инерция накопленных рисков: Значительная часть кредитов, выданных до ужесточения МПН и МПЛ, продолжает генерировать просрочку.
• Изменение поведения заемщиков: Возможное снижение реальных доходов населения и ухудшение экономической ситуации влияют на способность заемщиков обслуживать свои долги.
• Недостаточная точность существующих скоринговых систем: Рост NPL при снижении доли высокорискованных выдач может говорить о том, что традиционные модели не всегда эффективно выявляют скрытые риски.

Новые регуляторные требования и операционные риски. С 1 сентября 2025 года вступает в силу новое требование для банков о проверке операций на признаки мошенничества, особенно при снятии наличных, и введении 48-часового лимита до 50 тыс. рублей в сутки в случае подозрительной активности. Это нововведение требует от банков не только усовершенствования антифрод-моделей, но и интеграции этих систем в общую архитектуру риск-менеджмента, что косвенно влияет на оценку кредитоспособности. Эффективные антифрод-системы, использующие AI/ML, могут не только предотвращать потери от мошенничества, но и предоставлять ценные данные для скоринга, поскольку паттерны мошеннического поведения часто коррелируют с кредитным риском. Какой важный нюанс здесь упускается? Внедрение таких систем снижает не только прямые потери от мошенничества, но и косвенно улучшает качество кредитного портфеля, поскольку данные об антифрод-проверках могут использоваться для более точной оценки общей благонадежности заемщика.

Таким образом, текущая ситуация в российском розничном кредитовании характеризуется повышенной сложностью и неопределенностью. Банкам необходимо не просто соблюдать регуляторные требования, но и проактивно управлять рисками, используя наиболее точные и адаптивные инструменты оценки кредитоспособности.

Правовое регулирование сбора и использования данных для скоринга (ФЗ-152)

Внедрение продвинутых AI/ML-моделей в кредитный скоринг неразрывно связано с расширением использования данных, в том числе нетрадиционных. Однако этот процесс жестко регламентирован российским законодательством, прежде всего Федеральным законом №152-ФЗ «О персональных данных» от 27 июля 2006 года. Строгое соблюдение этого закона является краеугольным камнем для любого банка, стремящегося к цифровизации риск-менеджмента.

Федеральный закон №152-ФЗ: Основы и нюансы. Закон №152-ФЗ устанавливает принципы и условия обработки персональных данных, требуя от операторов (банков) обеспечения конфиденциальности, целостности и доступности информации. Ключевым требованием является получение согласия субъекта на обработку его персональных данных.

Для целей кредитного скоринга, особенно при работе с обширными массивами Big Data, важно четко разграничивать использование данных, требующих явного согласия клиента, и тех, которые могут быть обработаны на других законных основаниях.

• Статья 9 ФЗ №152-ФЗ «Согласие субъекта персональных данных на их обработку». Эта статья является основным юридическим основанием для обработки большинства персональных данных, используемых в скоринге. Любая информация, которая позволяет прямо или косвенно идентифицировать физическое лицо (ФИО, паспортные данные, адрес, номер телефона, данные о доходах, кредитная история, история платежей, данные о покупательской активности в рамках экосистемы банка), требует явного, информированного и предметного согласия субъекта. Банк обязан получить это согласие до начала обработки данных, четко указав цели, перечень данных и предполагаемые действия с ними. Например, сбор и анализ транзакционных данных клиента внутри экосистемы Сбербанка для формирования предодобренных предложений или повышения точности скоринга должен быть основан на согласии клиента, обычно получаемом при подписании договора банковского обслуживания или при активации цифровых сервисов. Согласие должно быть конкретным, информированным и сознательным.
• Статья 10.1 ФЗ №152-ФЗ «Особенности обработки персональных данных, разрешенных субъектом персональных данных для распространения». Эта статья регулирует обработку персональных данных, которые субъект самостоятельно сделал публично доступными. Примерами таких данных могут быть информация из открытых профилей в социальных сетях, публичные публикации, отзывы, словарный запас из постов, если клиент сознательно разрешил их распространение. Важно отметить, что даже в этом случае оператор обязан соблюдать определенные правила:
  • Целевое использование: Данные должны использоваться только для тех целей, для которых они были сделаны публичными, или для тех, на которые получено дополнительное согласие.
  • Информирование: Оператор должен уведомить субъекта о своих намерениях обрабатывать эти данные.
  • Ограничения: Субъект имеет право в любой момент отозвать согласие на распространение своих данных, после чего их дальнейшая обработка должна быть прекращена.

Правовой контекст использования «цифрового следа». Использование «цифрового следа» (история запросов, онлайн-покупки, геоданные, метаданные из приложений) для скоринга требует особого внимания. Многие из этих данных могут быть косвенно идентифицирующими и, следовательно, подпадать под действие ФЗ №152-ФЗ. Например, геолокационные данные или история браузера, даже если они собираются агрегированно, при определенном уровне детализации могут позволить идентифицировать человека. Поэтому для их использования в скоринге необходимо получить явное согласие клиента, разъяснив ему, какие именно данные будут собираться, для каких целей и как долго они будут храниться.

Регулятивные ограничения и этические аспекты. Помимо ФЗ №152-ФЗ, банки обязаны соблюдать и другие нормативные акты ЦБ РФ, регулирующие сбор и использование данных, например, законы о Бюро кредитных историй (БКИ). Этические вопросы также играют ключевую роль: даже при наличии юридического согласия, банк должен руководствоваться принципами справедливости и недискриминации. Использование данных, которые могут привести к предвзятости или дискриминации определенных групп заемщиков (например, по месту жительства, национальности, социальному статусу, если эти данные не имеют прямого отношения к кредитоспособности), является недопустимым, даже если формально получено согласие. И что из этого следует? Это означает, что для успешной и этически обоснованной работы с Big Data и цифровым следом необходим не только юридический, но и этический аудит моделей, чтобы избежать непреднамеренной дискриминации и соответствовать принципам ответственного кредитования.

Таким образом, интеграция Big Data и нетрадиционных источников данных в скоринговые системы требует не только технологической экспертизы, но и глубокого понимания правовых норм, а также ответственного подхода к этическим аспектам, чтобы обеспечить баланс между эффективностью оценки рисков и защитой прав и свобод граждан.

Сравнительный анализ эффективности традиционных и AI/ML скоринговых моделей

Переход от классических эконометрических моделей к алгоритмам машинного обучения (Machine Learning, ML) в кредитном скоринге знаменует собой качественный скачок в точности прогнозирования дефолта. Этот раздел посвящен сравнительному анализу этих подходов, демонстрируя превосходство AI/ML-моделей.

Методология скоринговых моделей: Логистическая Регрессия vs. Ансамблевые методы

Исторически, логистическая регрессия (LogReg) стала одним из первых и наиболее широко используемых инструментов в кредитном скоринге. Её популярность обусловлена несколькими факторами:

• Высокая интерпретируемость: Коэффициенты LogReg легко интерпретируются как влияние каждого фактора на вероятность дефолта, что позволяет банку четко объяснить клиенту причину отказа в кредите. Это особенно важно с точки зрения регуляторных требований и прозрачности.
• Простота реализации: Модель относительно проста в построении и не требует значительных вычислительных ресурсов.
• Линейность: LogReg хорошо работает, когда зависимость между признаками и целевой переменной (дефолт/недефолт) является линейной или может быть линеаризована.

Однако именно линейность становится основным ограничением LogReg. В реальном мире финансовые данные часто демонстрируют сложные, нелинейные взаимосвязи, которые LogReg не способна эффективно улавливать. Например, влияние возраста на кредитоспособность может быть нелинейным: молодые заемщики (низкий риск), средний возраст (оптимальный риск), пожилые заемщики (риск растет из-за отсутствия дохода).

На смену LogReg приходят модели машинного обучения (ML), особенно ансамблевые методы и нейронные сети (DNN), которые лишены этих линейных ограничений и способны выявлять гораздо более сложные паттерны в данных.

• Ансамблевые методы, такие как градиентный бустинг (Gradient Boosting Machines, GBM), представляют собой комбинацию множества слабых моделей (обычно деревьев решений), которые последовательно корректируют ошибки друг друга. XGBoost, LightGBM, CatBoost являются популярными реализациями GBM. Их преимущество:
  • Высокая прогностическая точность: Способны улавливать сложные нелинейные зависимости.
  • Устойчивость к выбросам: Менее чувствительны к шуму и аномалиям в данных.
  • Работа с разнородными данными: Эффективно обрабатывают как численные, так и категориальные признаки.
• Нейронные сети (Deep Neural Networks, DNN) – это сложные архитектуры, имитирующие работу человеческого мозга. Они состоят из множества слоев, каждый из которых обрабатывает данные, извлекая все более абстрактные признаки. DNN особенно эффективны при работе с очень большими объемами данных и могут выявлять скрытые, глубокие взаимосвязи.

Сравнительные исследования убедительно демонстрируют превосходство ML-моделей над LogReg. Например, по результатам таких исследований, алгоритм градиентного бустинга показал коэффициент Джини на 2,5% выше и оценку ROC-AUC на 1,1% выше, чем логистическая регрессия. Это подтверждает, что ML-модели обеспечивают значительно более высокое качество прогноза дефолта.

Ключевые метрики эффективности. Для оценки качества ранжирующей способности скоринговой модели используются различные метрики, среди которых выделяются:

• ROC AUC (Receiver Operating Characteristic Area Under the Curve): Площадь под кривой ошибок, которая показывает способность модели различать положительные и отрицательные классы (дефолт/недефолт) при различных порогах классификации. Чем ближе значение к 1, тем лучше модель.
• Коэффициент Джини (Gini): Этот показатель тесно связан с ROC AUC и является одним из наиболее важных интегральных показателей для оценки качества кредитного скоринга. Он рассчитывается по формуле:

  GINI = 2 · ROC AUC - 1
  

  Значение Gini варьируется от 0 (модель не лучше случайного прогноза) до 1 (идеальная модель). В практике потребительского кредитования к моделям с хорошей ранжирующей способностью относят те, чей Коэффициент Джини находится в диапазоне 0,40–0,60 (40%–60%), а показатель выше 0,60 является индикатором очень высокой точности. Превышение значения 0,45 традиционно считается показателем высокой точности.

Таблица 1: Сравнительная характеристика LogReg и AI/ML-моделей в скоринге

Характеристика	Логистическая Регрессия (LogReg)	Ансамблевые Методы (XGBoost) / Нейронные Сети (DNN)
Интерпретируемость	Высокая (легко объяснима)	Низкая («черный ящик»)
Простота реализации	Высокая	Средняя/Высокая (требует спец. знаний)
Способность к нелинейным зависимостям	Низкая (линейная модель)	Высокая (эффективно выявляет сложные паттерны)
Точность прогноза	Средняя	Высокая (Gini на 2,5% выше LogReg)
Требования к данным	Меньше, чувствительна к шуму	Больше, устойчива к шуму и выбросам
Вычислительные ресурсы	Низкие	Высокие (особенно для DNN)

Превосходство AI/ML-моделей по ключевым метрикам качества, таким как Gini и ROC AUC, делает их незаменимым инструментом для современного кредитного скоринга, способным существенно повысить точность прогнозирования дефолта.

Повышение точности за счет интеграции Big Data и нетрадиционных источников

В эпоху цифровизации объем доступных данных растет экспоненциально, открывая новые горизонты для анализа кредитного риска. Big Data в банковском секторе — это не просто большой объем информации, а совокупность структурированных (например, данные из внутренних баз банка, кредитных бюро) и неструктурированных (тексты из социальных сетей, новостные ленты, геоданные, транзакционные данные) массивов, которые характеризуются высокой скоростью генерации, разнообразием и требуют специализированных методов обработки и анализа (AI/ML).

Классификация Big Data для скоринга:

1. Внутренние структурированные данные:
   • Анкетные данные клиента: Паспортные данные, сведения о доходе, образовании, семейном положении.
   • Кредитная история: Информация из БКИ о прошлых и текущих кредитах, платежной дисциплине.
   • История взаимодействия с банком: Открытые счета, вклады, депозиты, использование мобильного банка.
2. Экосистемные данные:
   • Транзакционные данные клиента: История покупок, платежей, переводов, использования различных сервисов в рамках экосистемы банка (например, СберМаркет, СберЗдоровье, Оkko, такси). Эти данные дают глубокое понимание поведенческих паттернов, финансовых привычек и стабильности клиента.
   • Данные от партнеров: Информация от компаний-партнеров банка, с которыми клиент взаимодействует.
3. Нетрадиционные данные (цифровой след):
   • Геоданные: Локация клиента, паттерны перемещений (с согласия клиента). Могут указывать на стабильность работы (поездки на работу), уровень жизни, аномальное поведение.
   • Данные из социальных сетей и открытых источников: Публикации, активность, круги общения, словарный запас (с учетом правовых ограничений Статьи 10.1 ФЗ №152-ФЗ). Могут сигнализировать о социальном статусе, наличии вредных привычек, стабильности.
   • История запросов и онлайн-покупок: Поисковые запросы, просматриваемые товары, история онлайн-транзакций (с согласия клиента и соблюдением конфиденциальности). Позволяют оценить интересы, уровень потребления, косвенно — уровень дохода.

Обоснование использования «цифрового следа»: Нетрадиционные данные, или «цифровой след», могут быть интегрированы в скоринговую систему для значительного повышения точности оценки, поскольку они позволяют получить информацию, недоступную в традиционных анкетах или кредитных историях. Например:

• Стабильность дохода: Регулярные транзакции на определенные категории товаров или услуг могут косвенно подтверждать стабильный доход, даже если официальные данные ограничены.
• Поведенческие паттерны: Аномалии в поведении (резкое изменение трат, частые микротранзакции, изменения в геопозиции) могут сигнализировать о потенциальных рисках.
• Социальный капитал: Информация из открытых источников может дать представление о социальной активности и связях клиента, что может коррелировать с его надежностью.

Технологии Big Data и AI/ML для обработки нетрадиционных данных. Эти данные, как правило, неструктурированы и имеют огромный объем, что делает их обработку невозможной без технологий Big Data (распределенные хранилища данных, такие как Hadoop, NoSQL-базы данных) и AI/ML-алгоритмов (обработка естественного языка – NLP для текстовых данных, компьютерное зрение для изображений, временные ряды для транзакционных данных). Какой важный нюанс здесь упускается? Эффективное использование этих данных требует не только технологий, но и специализированных команд дата-сайентистов, способных извлекать из них ценные признаки и обучать на их основе сложные модели.

Правовой аспект. Как было отмечено в предыдущем разделе, сбор и обработка нетрадиционных данных строго регулируется Федеральным законом РФ №152-ФЗ «О персональных данных». Использование таких данных, как cookie, IP-адреса, геолокация, история онлайн-покупок, требует обязательного предупреждения и получения явного согласия клиента (Статья 9 ФЗ №152-ФЗ). Для публично доступных данных необходимо руководствоваться Статьей 10.1 ФЗ №152-ФЗ.

Таким образом, интеграция Big Data и нетрадиционных источников данных, при строгом соблюдении правовых норм и этических принципов, открывает новые возможности для создания более точных, адаптивных и прогностически сильных скоринговых моделей.

Практический кейс: Пути совершенствования скоринга ПАО Сбербанк и оценка эффекта

ПАО Сбербанк, как крупнейший финансовый институт России, обладает уникальными возможностями и ресурсами для внедрения передовых AI/ML-технологий в свою систему оценки кредитоспособности. Его экосистемная модель и колоссальный объем данных создают идеальную базу для разработки самых сложных и точных скоринговых моделей.

Анализ текущей практики ПАО Сбербанк и его роли на рынке

ПАО Сбербанк занимает доминирующее положение на российском финансовом рынке. По состоянию на январь 2025 года, его розничный кредитный портфель составлял 17,4 трлн рублей (с учетом ипотеки), что подчеркивает его роль как крупнейшего игрока. Эта позиция подтверждается и в сегменте потребительского кредитования: в июле 2025 года доля Сбербанка в общем объеме выдач кредитов наличными составила 50,8%, что является максимальным показателем за последние два года.

Экосистемное преимущество. Сбербанк активно развивает собственную экосистему, включающую сервисы в области e-commerce, здравоохранения, развлечений, транспорта и многих других. Эта экосистема, наряду с дочерними компаниями, такими как Объединенное Кредитное Бюро, генерирует огромные массивы внутренних и экосистемных Big Data. Эти данные включают детальную информацию о транзакционной активности клиентов, их покупательских привычках, использовании цифровых сервисов, что является бесценным источником для построения глубоких и точных скоринговых моделей.

Возможности для AI/ML. Совокупный объем активов ПАО Сбербанк по состоянию на 31.03.2025 составил 60,1 трлн рублей. Этот колоссальный масштаб бизнеса и, как следствие, объем клиентской базы и генерируемых данных, позволяет банку использовать самые продвинутые и ресурсоемкие AI/ML-архитектуры, включая глубокие нейронные сети (DNN), которые требуют циклопического количества сырых данных для эффективного обучения. Большие данные, наряду с мощными вычислительными ресурсами, позволяют Сбербанку:

• Идентифицировать сложные паттерны: DNN могут выявлять неочевидные взаимосвязи между сотнями и тысячами признаков, которые традиционные модели упускают.
• Создавать индивидуализированные предложения: На основе детального анализа данных можно формировать персонализированные кредитные продукты, адаптированные под профиль риска и потребности каждого клиента.
• Оперативно реагировать на изменения: Модели могут постоянно переобучаться на новых данных, что позволяет быстро адаптироваться к изменениям в рыночной конъюнктуре и регуляторной среде.

Таким образом, Сбербанк находится в уникальной позиции для полномасштабного внедрения AI/ML в скоринг, используя свое экосистемное преимущество и огромные массивы данных для создания передовых риск-моделей.

Прогноз и оценка экономической эффективности от внедрения AI-скоринга

Внедрение искусственного интеллекта в операционную деятельность, и в частности в риск-менеджмент, является одним из стратегических приоритетов ПАО Сбербанк. Банк уже демонстрирует впечатляющие результаты от использования ИИ, что подтверждает его потенциал.

Количественная оценка эффекта от ИИ. Экономический эффект от использования ИИ в Сбербанке за 2023 год достиг 350 млрд рублей. Это не просто цифра, а свидетельство существенного влияния продвинутых технологий на финансовые результаты банка. Прогнозируемый экономический эффект от внедрения ИИ в Сбербанке на 2024 год составляет 400–450 млрд рублей чистой прибыли, при этом сопоставимый уровень (не ниже 450 млрд рублей) ожидается и в 2025 году.

Влияние AI на управление рисками. Наибольшая составляющая финансового эффекта от ИИ в Сбербанке приходится на точность управления рисками. Этот аспект является ключевым для кредитного скоринга. Как именно повышение точности скоринга ведет к такому значимому экономическому эффекту?

1. Снижение уровня NPL (Non-Performing Loans): Более точная скоринговая модель позволяет банку идентифицировать и отсеивать неблагонадежных заемщиков на ранних этапах. Это прямо приводит к сокращению объема кредитов, которые впоследствии перейдут в категорию просроченных. Снижение NPL напрямую уменьшает резервы на возможные потери по ссудам, что освобождает капитал и увеличивает чистую прибыль. Если, например, рост Gini на 0.05 (5 процентных пунктов) может привести к снижению NPL на 1-2%, это для портфеля Сбербанка в 17,4 трлн рублей означает экономию в сотни миллиардов рублей.
2. Оптимизация кредитного процесса: Автоматизация и ускорение принятия решений по кредитам, а также более точная сегментация клиентов, позволяют банку эффективнее распределять ресурсы и снижать операционные издержки.
3. Рост доходности: Точный скоринг позволяет не только отсеивать плохих заемщиков, но и идентифицировать хороших, но недооцененных клиентов. Это дает возможность предлагать им более выгодные условия (например, сниженные процентные ставки) и привлекать более качественный кредитный поток. В то же время, для заемщиков с более высоким, но приемлемым риском, банк может устанавливать адекватные процентные ставки, максимизируя доходность портфеля при заданном уровне риска.
4. Соблюдение регуляторных требований: В условиях ужесточения макропруденциальных надбавок и лимитов, точный скоринг позволяет банку минимизировать капитальную нагрузку, выбирая менее рискованных заемщиков и оптимизируя структуру кредитного портфеля в соответствии с требованиями ЦБ РФ.

Пример экономического расчета (гипотетический):

Пусть текущий Gini модели Сбербанка для розничного кредитования составляет 0,55. Предположим, внедрение AI/ML-моделей увеличивает Gini до 0,60.

Улучшение Gini на 0,05 (5 п.п.) может привести к снижению дефолтов на 5-10% в целевой группе.

Если объем портфеля составляет 17,4 трлн руб., а текущий NPL > 90 дней составляет 11,7% (примерно 2,04 трлн руб.), то снижение NPL даже на 1% (от 11,7% до 10,7%) означает сокращение просроченной задолженности на 174 млрд руб. Часть этой суммы – это прямые потери, которых можно избежать, другая часть – это высвобождение капитала, снижение резервов и возможность использовать эти средства для более доходных операций. И что из этого следует? Такой значительный экономический эффект от повышения точности скоринга не только увеличивает прибыль банка, но и повышает его устойчивость к системным шокам, укрепляя финансовую стабильность в целом.

Таким образом, прямая связь между повышением точности скоринговой модели (рост GINI) и снижением уровня NPL (кредитов с просрочкой) за счет более точного отсева неблагонадежных заемщиков, а также к росту доходности за счет сокращения убытков, является очевидной и подтверждается экономическими показателями Сбербанка.

Регуляторные вызовы AI-скоринга и практические методы обеспечения интерпретируемости

Внедрение мощных AI/ML-моделей в кредитный скоринг, несмотря на все свои преимущества, порождает ряд серьезных вызовов, прежде всего в области этики и регулирования. Центральной проблемой является так называемый «черный ящик» — ситуация, когда модель выдает высокоточный результат, но при этом невозможно понять, как именно она пришла к такому решению.

Проблема «Черного ящика» и соблюдение принципов справедливого кредитования

Суть проблемы «черного ящика». Классические статистические модели, такие как логистическая регрессия, отличаются высокой интерпретируемостью: каждый коэффициент в модели имеет ясный экономический смысл, и можно четко объяснить, как изменение того или иного параметра влияет на вероятность дефолта. В случае с продвинутыми AI/ML-моделями (например, глубокими нейронными сетями или сложными ансамблевыми моделями, такими как градиентный бустинг), процесс принятия решения является чрезвычайно сложным и нелинейным. Модель может обрабатывать тысячи признаков, взаимодействующих друг с другом нетривиальными способами, что делает практически невозможным для человека понять логику ее работы.

Регуляторные риски. Проблема «черного ящика» создает существенные регуляторные и этические риски для банков:

1. Отсутствие объяснения причин отказа: Согласно части 5 статьи 7 Федерального закона № 353-ФЗ «О потребительском кредите (займе)», кредитор имеет право отказать заемщику в заключении договора без объяснения причин. Однако это не освобождает банк от обязанности информировать Бюро кредитных историй (БКИ) об отказе. Тем не менее, в случае оспаривания решения клиентом или регулятором, банк должен быть в состоянии предоставить обоснование своих действий. В условиях «черного ящика» это становится невозможным. Как банк может доказать отсутствие дискриминации, если не понимает, почему модель приняла то или иное решение?
2. Несоблюдение принципов справедливого кредитования: AI-модели могут непреднамеренно «изучить» и воспроизвести дискриминационные паттерны, присутствующие в исторических данных. Например, если исторически определенные социальные группы имели более высокий уровень дефолтов (возможно, из-за социально-экономических причин, не связанных напрямую с их индивидуальной кредитоспособностью), модель может начать отказывать этим группам, даже если их индивидуальные финансовые показатели хорошие. Это приводит к так называемой алгоритмической предвзятости (algorithmic bias). Отсутствие прозрачности затрудняет выявление и устранение такой предвзятости.
3. Сложность надзора для ЦБ РФ: Если банки не могут объяснить логику своих AI-моделей, то регулирующие органы (ЦБ РФ) сталкиваются с трудностями при разработке соответствующих структур для оценки справедливости, непредвзятости и методов обеспечения конфиденциальности данных в AI-системах. Это создает риски для финансовой стабильности и защиты прав потребителей.
4. Юридические последствия: В случае судебных разбирательств, связанных с отказами в кредите, банку будет крайне сложно обосновать правомерность своего решения, если оно основано на неинтерпретируемой модели.

Таким образом, для успешного и ответственного внедрения AI/ML-скоринга критически важно решить проблему «черного ящика», обеспечив достаточный уровень интерпретируемости для соблюдения регуляторных требований и принципов справедливого кредитования.

Применение LIME и SHAP для локальной и глобальной интерпретируемости

Для минимизации риска «черного ящика» и обеспечения прозрачности AI/ML-моделей активно разрабатываются и применяются современные методы интерпретируемости искусственного интеллекта (Explainable AI, XAI). Эти методы позволяют понять, какие факторы и как именно повлияли на конкретное решение модели или на ее поведение в целом. Наиболее известными и эффективными являются LIME и SHAP.

1. LIME (Local Interpretable Model-agnostic Explanations): Локальная интерпретируемость
   • Принцип работы: LIME — это модель-агностический метод, что означает его применимость к любой «черноящичной» модели. Он работает путем локальной аппроксимации поведения сложной модели вокруг конкретного прогноза (то есть для одного клиента) с помощью простой, интерпретируемой модели (например, линейной регрессии или дерева решений).
   • Как это работает для скоринга: Предположим, AI-модель отказала клиенту в кредите. LIME генерирует множество слегка измененных версий данных этого клиента и для каждой версии получает прогноз от «черного ящика». Затем LIME обучает простую модель на этих сгенерированных данных и соответствующих прогнозах, придавая больший вес тем образцам, которые находятся ближе к исходному клиенту. В результате мы получаем локальную, легко объяснимую модель, которая показывает, какие признаки (например, низкий доход, высокая долговая нагрузка, частые просрочки) наиболее сильно повлияли на отказ именно для этого клиента.
   • Применение в банке: Риск-менеджеры могут использовать LIME для получения быстрого и понятного объяснения каждого конкретного решения AI-модели, что позволяет им обосновать отказ клиенту, провести внутренний аудит и выявить потенциальные ошибки модели.
2. SHAP (SHapley Additive exPlanations): Глобальная и локальная интерпретируемость
   • Принцип работы: SHAP основан на концепции значений Шепли из теории игр. Он позволяет распределить «кредит» за каждый прогноз между всеми входными признаками, показывая, насколько каждый признак в среднем вносит вклад в прогноз модели по сравнению с базовым прогнозом (средним по всему набору данных). SHAP также является модель-агностическим.
   • Как это работает для скоринга:
     • Локально: Для конкретного клиента SHAP может показать, какие признаки увеличили вероятность дефолта, а какие уменьшили, и какова величина этого влияния. Это дает более глубокое понимание, чем LIME, поскольку SHAP гарантирует согласованность и точность объяснений.
     • Глобально: SHAP также позволяет оценить общую важность признаков для всей модели. Агрегируя значения Шепли по всем клиентам, можно получить глобальный рейтинг важности признаков, что помогает понять, какие данные являются наиболее значимыми для всей скоринговой системы.
   • Применение в банке: SHAP может использоваться для:
     • Мониторинга и аудита моделей: Регулярная оценка глобальной важности признаков позволяет контролировать, не начинают ли модели опираться на нежелательные или дискриминационные факторы.
     • Выявление предвзятости: Если SHAP показывает, что модель систематически придает большой отрицательный вес признакам, не имеющим отношения к кредитному риску (например, полу или национальности), это может указывать на алгоритмическую предвзятость, которую необходимо устранить.
     • Оптимизация признаков: Глобальная важность признаков помогает дата-сайентистам оптимизировать набор входных данных, удаляя менее значимые признаки и фокусируясь на наиболее информативных.

Таблица 2: Сравнение методов интерпретируемости LIME и SHAP

Характеристика	LIME	SHAP
Тип интерпретируемости	Локальная (для отдельного прогноза)	Локальная и Глобальная
Модель-агностичность	Да	Да
Обоснование	Локальная аппроксимация простой моделью	Теория игр (значения Шепли)
Преимущества	Быстрое и интуитивное объяснение локальных решений	Более точное, согласованное и полное объяснение; возможность глобальной оценки
Недостатки	Не гарантирует глобальную согласованность	Более ресурсоемкий в вычислениях

Применение методов LIME и SHAP является критически важным шагом для любого крупного банка, внедряющего AI/ML-скоринг. Они позволяют не только повысить прозрачность и доверие к моделям, но и обеспечить соответствие регуляторным требованиям, а также принципам справедливого и непредвзятого кредитования.

Экономическая эффективность и стратегическое использование AI в ПАО Сбербанк

Внедрение искусственного интеллекта в ПАО Сбербанк – это не просто технологический тренд, а стратегический приоритет, который уже приносит и будет приносить колоссальные экономические выгоды. Банк рассматривает ИИ как ключевой драйвер повышения эффективности всех процессов, включая управление кредитным риском.

Стратегический подход Сбербанка к ИИ

Стратегическим приоритетом ПАО Сбербанк является повышение эффективности процессов, в том числе за счет массовой интеграции технологий искусственного интеллекта (ИИ). Это не голословное заявление, а часть долгосрочной стратегии развития, направленной на сохранение лидерства на рынке и повышение конкурентоспособности. Сбербанк активно инвестирует в разработку и внедрение AI-решений во всех ключевых бизнес-направлениях: от клиентского обслуживания и маркетинга до операционной деятельности и, конечно же, риск-менеджмента.

Объем и масштабы внедрения ИИ. Экономический эффект от использования ИИ в Сбербанке за 2023 год достиг впечатляющих 350 млрд рублей. Это свидетельствует о глубокой интеграции продвинутых технологий в бизнес-процессы и их существенном влиянии на финансовые результаты. Более того, банк прогнозирует дальнейший рост этого показателя. Ожидаемый экономический эффект от внедрения ИИ в Сбербанке на 2024 год составляет 400–450 млрд рублей чистой прибыли, при этом сопоставимый уровень (не ниже 450 млрд рублей) ожидается и в 2025 году. Эти цифры подчеркивают, что ИИ является одним из основных источников роста прибыльности банка.

Ключевой фактор эффекта – управление рисками. Важно отметить, что наибольшая составляющая финансового эффекта от ИИ в Сбербанке приходится именно на точность управления рисками. Это прямо коррелирует с темой нашего исследования. Инвестиции в AI-скоринг и другие AI-решения для риск-менеджмента позволяют банку:

• Снижать стоимость риска (Cost of Risk): За счет более точного прогнозирования дефолтов и снижения уровня просроченной задолженности, банк может формировать меньшие резервы на возможные потери, что напрямую снижает затраты и увеличивает чистую прибыль.
• Оптимизировать капитальную нагрузку: В условиях ужесточения макропруденциального регулирования ЦБ РФ, точный AI-скоринг позволяет банку более эффективно распределять капитал, избегая выдачи высокорискованных кредитов, которые требуют повышенных надбавок к капиталу.
• Увеличивать доходность кредитного портфеля: ИИ помогает не только отсеивать плохих заемщиков, но и точно оценивать риск хороших, позволяя предлагать им конкурентные процентные ставки и привлекать более качественный кредитный поток.

Масштаб данных для DNN. Совокупный объем активов ПАО Сбербанк по состоянию на 31.03.2025 составил 60,1 трлн руб. Это не просто показатель размера, а индикатор колоссального объема данных, которые проходят через банк ежедневно. Такой объем данных является идеальной питательной средой для обучения сложных архитектур глубоких нейронных сетей (DNN), которые, как известно, демонстрируют максимальную эффективность именно при работе с циклопическим количеством сырых данных. DNN способны выявлять тончайшие, неочевидные закономерности в транзакционной активности, поведенческих паттернах и цифровом следе клиентов, что недоступно для традиционных моделей. И что из этого следует? Это позиционирует Сбербанк как лидера в применении AI в финансовом секторе, способного использовать масштабы своих данных для достижения беспрецедентной точности в риск-менеджменте и конкурентного преимущества.

Таким образом, стратегическое использование ИИ, особенно в области риск-менеджмента, является ключевым фактором успеха Сбербанка, обеспечивая не только повышение эффективности, но и многомиллиардный экономический эффект.

Заключение и Рекомендации

Представленный исследовательский план демонстрирует острую необходимость и высокую экономическую целесообразность совершенствования системы оценки кредитоспособности розничного заемщика в ПАО Сбербанк через внедрение передовых AI/ML-моделей. В условиях динамично меняющейся регуляторной среды, характеризующейся ужесточением макропруденциальных надбавок и лимитов ЦБ РФ (2023–2025 гг.) и ростом уровня NPL, традиционные скоринговые методики становятся недостаточными для эффективного управления рисками.

Ключевые выводы исследования:

1. Регуляторный контекст: Российский рынок розничного кредитования находится под сильным влиянием ЦБ РФ. Ужесточение МПН и МПЛ, а также введение антифрод-требований с 01.09.2025, заставляют банки искать «идеального заемщика» и совершенствовать свои риск-модели. Несмотря на снижение доли высокорискованных кредитов с ПДН > 50% с 61% до 22% к Q2 2025, рост NPL до 11,7% в H1 2025 указывает на накопленные риски и потребность в более точных инструментах.
2. Превосходство AI/ML-моделей: Сравнительный анализ однозначно показывает статистическое и прогностическое превосходство AI/ML-алгоритмов (таких как градиентный бустинг и DNN) над классической логистической регрессией. Подтверждено, что градиентный бустинг демонстрирует коэффициент Gini на 2,5% и ROC-AUC на 1,1% выше, чем LogReg, что критически важно для эффективного ранжирования рисков.
3. Интеграция Big Data: Использование Big Data, включая транзакционные, экосистемные данные и «цифровой след» клиента, является мощным ресурсом для повышения точности скоринга. При этом критически важен детальный анализ правовых аспектов, разграничивающий использование данных, требующих явного Согласия (Статья 9 ФЗ №152-ФЗ), и публично доступных данных (Статья 10.1 ФЗ №152-ФЗ).
4. Экономическая эффективность для Сбербанка: ПАО Сбербанк, с его розничным портфелем в 17,4 трлн руб. и активами в 60,1 трлн руб., обладает уникальными возможностями и данными для внедрения сложных DNN-архитектур. Прогнозируемый экономический эффект от ИИ в Сбербанке на 2025 год в размере 400–450 млрд руб. чистой прибыли, с наибольшей составляющей, приходящейся на точность управления рисками, подтверждает огромный потенциал AI-скоринга для снижения NPL и роста доходности.
5. Решение проблемы «Черного ящика»: Признание проблемы неинтерпретируемости AI-моделей является важным шагом. Для обеспечения соответствия принципам справедливого кредитования и регуляторным требованиям (включая информирование БКИ согласно ФЗ № 353-ФЗ), необходимо внедрение методов интерпретируемости, таких как LIME (для локальных объяснений) и SHAP (для локальных и глобальных объяснений).

Конкретные рекомендации для ПАО Сбербанк:

1. Приоритетное внедрение ансамблевых моделей и DNN: Активно продолжать переход от LogReg к более мощным AI/ML-моделям (XGBoost, CatBoost, LightGBM, а также DNN для наиболее сложных сегментов) для оценки кредитного риска.
2. Расширение источников данных: Систематизировать и расширить использование экосистемных и транзакционных данных клиента, а также, где это применимо и юридически обосновано, интегрировать элементы «цифрового следа» (с обязательным получением информированного согласия согласно Ст. 9 ФЗ №152-ФЗ).
3. Разработка XAI-модуля для риск-менеджеров: Внедрить в рабочие инструменты риск-аналитиков и кредитных менеджеров специализированные LIME/SHAP-модули. Это позволит им получать понятные объяснения решений AI-моделей по каждому клиенту, обосновывать отказы в кредите и минимизировать риски алгоритмической предвзятости.
4. Регулярный аудит и мониторинг моделей: Ввести систему регулярного аудита AI/ML-моделей на предмет их справедливости и отсутствия дискриминации, используя глобальные метрики интерпретируемости (SHAP), а также проводить A/B-тестирование новых моделей в реальных условиях.
5. Обучение персонала: Провести обучение риск-менеджеров и специалистов по работе с данными основам AI/ML, методам интерпретируемости и правовым аспектам работы с персональными данными.

Перспективы дальнейших исследований:

• Разработка гибридных моделей, сочетающих интерпретируемость LogReg с прогностической силой AI/ML-моделей.
• Исследование влияния различных методов интерпретируемости на скорость и качество принятия решений кредитным комитетом.
• Анализ влияния AI-скоринга на клиентский опыт и восприятие банка заемщиками.
• Изучение возможностей использования федеративного обучения (Federated Learning) для скоринга с целью сохранения конфиденциальности данных при обмене знаниями между банками или подразделениями.

В конечном итоге, представленный план исследования позволит ПАО Сбербанк не только соответствовать актуальным регуляторным требованиям, но и значительно повысить эффективность управления кредитным риском, обеспечить устойчивый рост и укрепить свои позиции лидера на российском финансовом рынке в эпоху цифровизации.

Список использованной литературы

1. Конституция Российской Федерации: официальный текст с историко-правовым комментарием. М.: Норма, 2004. 128 с.
2. Гражданский Кодекс Российской Федерации. Части первая, вторая и третья. М.: Омега-Л, 2003. 416 с.
3. О Центральном банке Российской Федерации (Банке России): Федеральный закон от 27.06.2002 № 86-ФЗ. Доступ из информ.-правовой системы «КонсультантПлюс».
4. О банках и банковской деятельности: Федеральный закон от 02.12.1990 № 395-1 (в ред. от 30.09.2013 № 175-ФЗ).
5. Белоглазова, Г. Н., Кроливецкая, Л. П. Банковское дело. Организация деятельности коммерческого банка: учебник. М.: Юрайт-Издат, 2015. 604 с.
6. Буевич, С. Ю. Экономический анализ деятельности коммерческого банка. Учебное пособие и практикум. М.: Экономистъ, 2015. 240 с.
7. Горелая, Н. В. Организация кредитования в коммерческом банке: учеб. пособие. М.: Инфра, 2015. 207 с.
8. Банковское дело: учебник для бакалавров / под ред. Е. Ф. Жукова, Ю. А. Соколова. М.: Юрайт, 2015. 591 с.
9. Комиссарова, М. В., Даиленко, С. А. Банковское потребительское кредитование: учебно-практическое пособие. М.: Юстицинформ, 2015. 510 с.
10. Костерина, Т. М. Банковское дело: учеб. для бакалавров. 2-е изд., перераб. и доп. М.: Юрайт, 2013. 332 с.
11. Банковское дело: учебник / под ред. О. И. Лаврушина. 10-е изд., перераб. и доп. М.: КНОРУС, 2013. 800 с.
12. Чернецов, С. А. Деньги. Кредит. Банки. Учебное пособие. М.: Магистр, 2013. 494 с.
13. Киблицкий, С. А. Скоринг-методика оптимизации банковской деятельности при кредитовании физических лиц: автореферат дис. … канд. экон. наук. Москва, 2015. 193 с.
14. Коваленко, О. А. Методический подход к оценке кредитоспособности физических лиц: дис. … канд. экон. наук. Барнаул, 2015. 187 с.
15. Бумаков, В. Г. Малые кредиты и кредитный скоринг // Деньги и кредит. 2013. № 4. С. 29–33.
16. Власов, С. В. Мы стали федеральным банком / Беседовала Я. Шишкина // Банковское обозрение. 2013. № 6. С. 35–37.
17. Гордина, В. В. Кредитный скоринг в системе банковского риск-менеджмента // Финансы и кредит. 2015. № 23. С. 47–52.
18. Ефимов, А. М. Современные методы оценки кредитоспособности физических лиц // Банковский ритейл. 2015. № 2. С. 19–23.
19. Жабина, О. А., Ухварина, Н. Э., Красовская, Т. В. Перспективы потребительского кредитования на современном этапе в РФ // Молодой ученый. 2014. № 1. С. 365–366.
20. Клейнер, Г. Б., Коробов, Д. С. История современного кредитного скоринга // Проблемы региональной экономики. 2015. № 17. С. 13–19.
21. Ковальчук, Д. А. Скоринг-модуль – метод снижения рисков потребительского кредитования // Бизнес в законе. 2014. № 7. С. 272–274.
22. Красовская, Т. В., Ратащенова, А. А., Жабина, О. А. Проблемы потребительского кредитования на современном этапе в РФ // Молодой ученый. 2014. № 3. С. 355–359.
23. Маковецкий, М. Ю. Методы оценки кредитоспособности заемщика // Известия ПГПУ. 2015. № 7 (11). С. 58–61.
24. Меркулова, Н. С. Направления совершенствования методик оценки кредитоспособности потенциального заемщика коммерческого банка // Известия Юго-Западного государственного университета. 2015. № 4 (43). Ч. 3. С. 75–78.
25. Михалев, А. А., Лужецкий, М. Г. Автоматизация аналитической работы кредитной организации // Прикладная информатика. 2015. № 2. С. 10–15.
26. Петухова, М. В. Рейтинговая методика оценки кредитного риска физических лиц // Вестник НГУ. Серия: Социально-экономические науки. Том 11, выпуск 3. С. 86–93.
27. Руденко, П. А. Как профиль в социальных сетях позволяет банкам изучить будущего заемщика // Forbes. 2013. № 116. С. 26–28.
28. Сафронова, Т. Е. Методы минимизации кредитных рисков на основе оценки кредитоспособности заемщиков // Известия ПГПУ им. В. Г. Белинского. 2015. № 24. С. 435–440.
29. Сахно, Д. А., Липко, Ю. Ю. Применение математических моделей и информационных технологий для принятия решения при кредитовании // Вестник таганрогского института управления и экономики. 2015. № 2. С. 41–52.
30. Симаева, Н. П. Вопросы авторизации и оформления кредитной сделки // Вестник ВолГУ. Серия 9. Вып. 4. 2015. С. 129–135.
31. Скиба, С. А. Социальный скоринг // Научный журнал КубГАУ. 2013. № 91 (07). С. 34–41.
32. Скрыпник, Е. Ю. Оценка кредитного риска розничных банковских продуктов на стадии предоставления кредита // Вестник ВГУ. Серия: экономика и управление. 2014. № 2. С. 221–230.
33. Черкашенко, В. Н. Этот загадочный Скоринг // Банковское дело. 2014. № 3. С. 42–48.
34. Чибиков, О. В. Алгоритм оценки кредитоспособности клиентов коммерческого банка // Банковское обозрение. 2013. № 5. С. 34–41.
35. Nurlybayeva, K., Balakayeva, G. Algorithmic Scoring Models // Applied Mathematical Sciences. 2013. Vol. 7, № 12. P. 571–586.
36. Открытая информация на официальном сайте ПАО «Сбербанк России». 2017. URL: www.sberbank.ru/ru/about (дата обращения: 06.10.2025).
37. Информация об ПАО «Сбербанк России» на официальном сайте Банка России. 2017. URL: http://www.cbr.ru/credit (дата обращения: 06.10.2025).
38. Moody’s changes outlook on Bank’s ratings to negative from stable: Официальный пресс-релиз рейтингового агентства Moody’s Investors Service от 09.10.2013. URL: https://www.moodys.com/research/ (дата обращения: 06.10.2025).
39. Рейтинг самых филиальных банков России от 02.12.2016 // РБК-рейтинг. URL: http://rating.rbc.ru/article.shtml?2016/12/06/34077413 (дата обращения: 06.10.2025).
40. Кураев, Н. Б. Куда текут депозитные реки // Banki.ru. 18.12.2016. URL: http://www.banki.ru/news/daytheme/?id=5993947 (дата обращения: 06.10.2025).
41. «Эксперт РА» присвоило Сбербанку рейтинг «А+» // Banki.ru. 11.06.2016. URL: http://www.banki.ru/news/lenta/?id=5999072 (дата обращения: 06.10.2025).
42. Докучаева, Е. Сбить температуру // Российская газета. 14.01.2016. URL: http://www.rg.ru/2016/01/14/kredity.html (дата обращения: 06.10.2025).
43. Открытая информация об ПАО «Сбербанк России» // Banki.ru. URL: http://www.banki.ru/banks/bank/sberbank/ (дата обращения: 06.10.2025).
44. Рейтинги банков по ключевым показателям деятельности // Banki.ru. 01.03.2017. URL: http://www.banki.ru/banks/ratings/ (дата обращения: 06.10.2025).
45. Обзор методов кредитного скоринга // cyberleninka.ru (дата обращения: 06.10.2025).
46. Сравнительный анализ метрик качества для моделей бинарной классификации на примере кредитного скоринга // vaael.ru (дата обращения: 06.10.2025).
47. Кредитный скоринг: как построить модель кредитного скоринга с помощью машинного обучения // fastercapital.com (дата обращения: 06.10.2025).
48. Использование больших данных в финансовом секторе и риски финансовой стабильности // cbr.ru (дата обращения: 06.10.2025).
49. Анализ рисков потребительских кредитов с помощью алгоритмов машинного обучения // nationalbank.kz (дата обращения: 06.10.2025).
50. Проблема черного ящика в магистратуре: проблемы и новые решения // unite.ai (дата обращения: 06.10.2025).
51. Розничные кредиты в России с 2025 года станут доступны лишь избранным // dp.ru (дата обращения: 06.10.2025).
52. Доверять Джини или нет: вот в чем вопрос // habr.com (дата обращения: 06.10.2025).
53. Влияние технологий машинного обучения для задач кредитного скоринга // researchgate.net (дата обращения: 06.10.2025).
54. Проблема черного ящика ИИ в криптопространстве // Блокчейн24 (дата обращения: 06.10.2025).
55. Как работает кредитный скоринг, и какие параметры влияют на выдачу кредита // data4.ru (дата обращения: 06.10.2025).
56. Как коэффициент Джини используется в банковском кредитовании? // ya.ru (дата обращения: 06.10.2025).
57. Кредитный скоринг от Яндекса vs GDPR и 152-ФЗ // bigdataschool.ru (дата обращения: 06.10.2025).
58. Что изменится для ваших финансов с 1 сентября 2025 года // fincult.info (дата обращения: 06.10.2025).
59. Банк России принял ряд решений по макропруденциальной политике // cbr.ru (дата обращения: 06.10.2025).
60. Дипломная работа посвящена оценке вероятности дефолта заёмщика с использованием методов машинного обучения и процессом // urfu.ru (дата обращения: 06.10.2025).
61. Скоринг и верификация данных на основе Big Data: о чем нужно знать // beeline.ru (дата обращения: 06.10.2025).
62. Результаты работы ПАО Сбербанк за январь 2025 года // sberbank.com (дата обращения: 06.10.2025).
63. Сбербанк (цифровой бизнес) // tadviser.ru (дата обращения: 06.10.2025).
64. Сокращенные результаты МСФО 2023 год — СберБанк // sberbank.com (дата обращения: 06.10.2025).
65. АКРА подтвердило ESG-рейтинг ПАО Сбербанк на уровне ESG-2 (AA+), прогноз «Стабильный» // acra-ratings.ru (дата обращения: 06.10.2025).
66. Машинное обучение для риск-менеджмента в банке: возможности и вызовы // cyberleninka.ru (дата обращения: 06.10.2025).