АНАЛИЗ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В КРЕДИТНОМ СКОРИНГЕ В БАНКАХ ВТОРОГО УРОВНЯ

ANALYSIS OF AI-BASED CREDIT SCORING EFFICIENCY IN SECOND-TIER BANKS

Mukhamedgaliyev Yerlan Sairanovich

Master's student, Department of Higher School of Finance and Accounting, Turan University,

Kazakhstan, Almaty

Omarbakiev Lutpulla Amurullamovich

Academic Supervisor, Doctor of Economics, Turan University,

Kazakhstan, Almaty

АННОТАЦИЯ

В статье рассматриваются теоретические и практические аспекты применения искусственного интеллекта в кредитном скоринге банков второго уровня. Целью исследования является анализ эффективности использования AI-моделей при оценке кредитоспособности заемщиков и определение их влияния на уровень кредитных рисков. В работе использованы методы сравнительного анализа и моделирования. Установлено, что применение алгоритмов машинного обучения повышает точность оценки заемщиков и способствует снижению кредитных потерь. Выявлены основные риски и ограничения использования AI, а также обоснованы перспективы развития интеллектуальных скоринговых систем в Республике Казахстан.

ABSTRACT

This article examines the theoretical and practical aspects of using artificial intelligence in credit scoring at second-tier banks. The aim of the study is to analyze the effectiveness of AI models in assessing borrowers' creditworthiness and determine their impact on credit risk. The study utilizes comparative analysis and modeling methods. It is established that the use of machine learning algorithms improves the accuracy of borrower assessments and helps reduce credit losses. The main risks and limitations of using AI are identified, and the prospects for the development of intelligent scoring systems in the Republic of Kazakhstan are substantiated.

Ключевые слова: кредитный скоринг, искусственный интеллект, банковский риск, машинное обучение, банки второго уровня, цифровизация.

Keywords: credit scoring, artificial intelligence, banking risk, machine learning, second-tier banks, digitalization.

Развитие финансовых технологий оказывает значительное влияние на функционирование банковской системы, способствуя трансформации традиционных методов управления рисками. В условиях цифровизации экономики возрастает роль инновационных инструментов, направленных на повышение эффективности банковской деятельности [1, с. 12].

Одним из ключевых направлений развития является совершенствование кредитного скоринга, который представляет собой инструмент оценки кредитоспособности заемщиков. Как отмечается в научных исследованиях, эффективность банковской деятельности во многом зависит от точности оценки кредитных рисков [2, с. 240].

Современные условия требуют перехода от традиционных методов анализа к использованию искусственного интеллекта, который позволяет обрабатывать большие объемы данных и выявлять сложные взаимосвязи [3, с. 162].

Кредитный скоринг представляет собой систему количественной оценки заемщика на основе анализа различных факторов, включая финансовое состояние, кредитную историю и поведенческие характеристики [4, с. 287].

Развитие скоринга прошло несколько этапов: от экспертных оценок к статистическим моделям и далее к интеллектуальным системам [5, с. 154]. При этом традиционные методы имеют ограничения, связанные с их линейной структурой и низкой адаптивностью [6, с. 134].

Современные исследования подчеркивают необходимость использования методов интеллектуального анализа данных, которые позволяют повысить точность оценки заемщиков [7, с. 78].

Использование искусственного интеллекта в банковской сфере рассматривается как один из ключевых факторов повышения эффективности управления рисками [8, с. 66]. AI-технологии позволяют автоматизировать процессы анализа и повысить точность прогнозирования. Согласно исследованиям, применение алгоритмов машинного обучения обеспечивает более высокую точность по сравнению с традиционными методами [9, с. 25]. Это связано с возможностью учета нелинейных зависимостей и обработки больших массивов данных. Дополнительно отмечается, что современные системы скоринга включают элементы интеллектуального анализа и адаптивного обучения [10, с. 45].

Методы исследования. В рамках исследования использованы методы сравнительного анализа и моделирования. В качестве базовой модели рассмотрена логистическая регрессия, а также применены алгоритмы машинного обучения. Оценка эффективности проводилась на основе показателей точности, ROC-AUC и уровня ошибок. Также учитывался экономический эффект от внедрения AI-технологий.

Результаты исследования. Результаты анализа показали, что использование искусственного интеллекта позволяет существенно повысить качество оценки заемщиков. Это подтверждается исследованиями, в которых отмечается рост точности прогнозирования дефолтов [11, с. 90]. Кроме того, применение AI способствует снижению кредитных рисков и повышению эффективности банковской деятельности [12, с. 324].

Таблица 1.

Сравнение моделей кредитного скоринга

Использование интеллектуальных моделей позволяет учитывать большее количество факторов, что повышает точность принятия решений [13, с. 81].

Обсуждение результатов. Несмотря на преимущества, использование AI связано с рядом рисков. Одним из ключевых является сложность интерпретации моделей, что снижает прозрачность принятия решений [14, с. 23]. Кроме того, важным фактором является качество данных, поскольку ошибки в данных могут привести к некорректным результатам [15, с. 12]. В условиях цифровизации банковской деятельности возрастает значение управления рисками, связанными с внедрением новых технологий [16, с. 46]. Также необходимо учитывать экономические аспекты внедрения AI, включая затраты и потенциальную выгоду [17, с. 10].

Перспективы развития. В перспективе развитие AI-скоринга будет связано с расширением использования данных и совершенствованием алгоритмов. Особое внимание уделяется интеграции AI в системы управления рисками [18, с. 5]. Дополнительно отмечается, что развитие цифровых технологий способствует повышению эффективности банковской деятельности [19, с. 32]. В условиях развития цифрового банкинга необходимо совершенствовать подходы к управлению рисками и внедрению инноваций [20, с. 55].

Таким образом, использование искусственного интеллекта в кредитном скоринге является эффективным инструментом повышения качества оценки заемщиков и снижения кредитных рисков. AI-технологии обеспечивают более высокую точность прогнозирования и способствуют повышению эффективности банковской деятельности.

Вместе с тем успешное внедрение данных технологий требует учета рисков, связанных с качеством данных, интерпретируемостью моделей и регулированием. В перспективе развитие AI будет играть ключевую роль в трансформации банковского сектора.

В современных условиях цифровизации банковской деятельности особое значение приобретает количественная оценка эффективности внедрения технологий искусственного интеллекта. Помимо качественных преимуществ, таких как повышение точности прогнозирования, важным является измерение конкретных экономических и риск-ориентированных показателей.

Эффективность AI-скоринга может быть рассмотрена через три ключевых блока:

1. Качество модели (accuracy, ROC-AUC);
2. Риск-показатели (уровень дефолтов, потери);
3. Экономическая эффективность (доходность, снижение затрат).

Как показывают исследования, применение интеллектуальных моделей позволяет существенно улучшить показатели кредитного портфеля за счет более точной сегментации заемщиков [21, с. 55]. Для обоснования эффективности AI-скоринга рассмотрим обобщенные (моделируемые, но реалистичные) показатели, характерные для банков второго уровня.

Таблица 2.

Сравнительный анализ эффективности скоринговых моделей

Приведенные данные основаны на обобщении результатов научных исследований и практики внедрения AI в банковской сфере.

Рисунок 1. Сравнительный анализ эффективности скоринговых моделей

Они отражают типичную тенденцию:

• рост точности моделей;
• снижение уровня дефолтов;
• уменьшение кредитных потерь.

Такая динамика подтверждается исследованиями в области цифрового банкинга и анализа данных [18, с. 120].

Снижение уровня дефолтов даже на 2–3% оказывает значительное влияние на финансовые результаты банка. Это связано с тем, что кредитный риск является одним из ключевых факторов, определяющих устойчивость банковской системы.

В частности:

• снижение дефолтов приводит к уменьшению резервов;
• повышается доходность кредитного портфеля;
• улучшается качество активов банка.

Как отмечается в исследованиях, интеграция цифровых технологий в управление рисками позволяет повысить эффективность банковских операций [19, с. 32].

Использование AI позволяет более точно сегментировать заемщиков по уровню риска. Это дает возможность:

• дифференцировать процентные ставки;
• оптимизировать кредитные лимиты;
• снизить долю проблемных кредитов.

Кроме того, интеллектуальные модели позволяют выявлять скрытые зависимости между факторами, что невозможно при использовании традиционных методов [7, с. 80].

В современных условиях развития банковского сектора наблюдается качественное изменение подходов к управлению кредитными рисками, обусловленное цифровизацией и внедрением технологий искусственного интеллекта. Если ранее кредитный скоринг базировался преимущественно на статистических методах и ограниченном наборе финансовых показателей, то в настоящее время происходит переход к комплексным моделям, способным учитывать широкий спектр данных и выявлять сложные взаимосвязи между ними. Это позволяет значительно повысить точность оценки кредитоспособности заемщиков и снизить вероятность принятия ошибочных решений.

Особенностью применения искусственного интеллекта в кредитном скоринге является его способность работать с большими объемами разнородной информации, включая не только традиционные финансовые показатели, но и поведенческие характеристики клиентов. В результате формируется более полная картина кредитного риска, что особенно важно в условиях роста неопределенности и усложнения экономической среды. При этом использование алгоритмов машинного обучения позволяет выявлять скрытые закономерности, которые не могут быть обнаружены с помощью классических методов анализа, что подтверждается современными исследованиями в области интеллектуального анализа данных [7, с. 80].

С точки зрения экономической эффективности внедрение AI-скоринга оказывает многоплановое воздействие на деятельность банков второго уровня. Во-первых, повышение точности прогнозирования дефолтов приводит к снижению уровня проблемных кредитов, что непосредственно отражается на качестве кредитного портфеля. Во-вторых, уменьшается необходимость формирования резервов под возможные потери, что положительно влияет на финансовые результаты банков. В-третьих, автоматизация процессов оценки заемщиков способствует сокращению операционных затрат и повышению скорости принятия решений. Таким образом, применение искусственного интеллекта позволяет банкам одновременно решать задачи повышения доходности и снижения рисков.

Вместе с тем следует отметить, что эффективность AI-скоринга во многом зависит от качества исходных данных. Недостаточная полнота или достоверность информации может привести к снижению точности моделей и, как следствие, к принятию некорректных решений. В условиях цифровизации особое значение приобретает управление данными, включая их сбор, обработку и валидацию. При этом важным является не только технический аспект, но и организационный, связанный с формированием культуры работы с данными в банковских учреждениях.

Дополнительным фактором, влияющим на эффективность применения искусственного интеллекта, является устойчивость моделей к изменениям внешней среды. Экономические кризисы, изменения в поведении заемщиков и трансформация рынка могут существенно повлиять на качество прогнозов. В этой связи возникает необходимость регулярного обновления моделей и мониторинга их эффективности. Как отмечается в исследованиях, современные системы риск-менеджмента должны включать механизмы адаптации моделей к изменяющимся условиям [6, с. 136].

Существенное значение имеет также проблема интерпретируемости моделей искусственного интеллекта. В отличие от традиционных методов, где влияние каждого фактора можно четко определить, сложные алгоритмы машинного обучения часто функционируют как «черный ящик». Это затрудняет объяснение принимаемых решений и может вызывать недоверие со стороны как клиентов, так и регуляторов. В условиях ужесточения требований к прозрачности банковской деятельности данный аспект приобретает особую актуальность. В этой связи активно развивается направление explainable AI, направленное на повышение прозрачности и интерпретируемости моделей.

Отдельного внимания заслуживает влияние внедрения AI на структуру кредитного портфеля банков. Более точная сегментация заемщиков позволяет дифференцировать условия кредитования в зависимости от уровня риска, что способствует более эффективному распределению ресурсов. В результате банки получают возможность расширить клиентскую базу за счет привлечения заемщиков с приемлемым уровнем риска, которые ранее могли быть отклонены традиционными моделями. Это особенно важно для развития сегмента малого и среднего бизнеса, где доступ к финансированию остается ограниченным.

В контексте Республики Казахстан внедрение технологий искусственного интеллекта в банковский сектор имеет свои особенности. С одной стороны, наблюдается активное развитие цифровых сервисов и рост интереса к инновационным решениям. С другой стороны, сохраняются ограничения, связанные с недостаточным уровнем развития инфраструктуры данных и нормативно-правовой базы. Это создает определенные барьеры для широкого внедрения AI-скоринга, однако одновременно открывает возможности для формирования собственной модели цифровой трансформации банковской системы.

Необходимо также учитывать, что внедрение искусственного интеллекта требует значительных инвестиций, связанных с разработкой моделей, приобретением оборудования и подготовкой специалистов. В краткосрочной перспективе это может увеличивать затраты банков, однако в долгосрочном периоде данные инвестиции окупаются за счет повышения эффективности деятельности. Таким образом, внедрение AI следует рассматривать как стратегическое направление развития, а не как краткосрочный проект.

Важным аспектом является интеграция AI-скоринга в общую систему управления рисками. Искусственный интеллект не должен рассматриваться как изолированный инструмент, а должен быть встроен в комплексную систему, включающую процедуры контроля, мониторинга и аудита. Это позволяет минимизировать риски, связанные с использованием моделей, и обеспечить их устойчивое функционирование.

Проведенный анализ также показывает, что дальнейшее развитие кредитного скоринга будет связано с использованием альтернативных источников данных, таких как транзакционная активность, цифровое поведение клиентов и другие нефинансовые показатели. Это позволит еще более повысить точность моделей, однако одновременно усилит требования к защите персональных данных и соблюдению этических норм.

Таким образом, можно сделать вывод о том, что использование искусственного интеллекта в кредитном скоринге представляет собой сложный и многогранный процесс, включающий технологические, экономические и организационные аспекты. Его эффективность определяется не только качеством моделей, но и уровнем развития инфраструктуры, системой управления рисками и готовностью банков к внедрению инноваций.

В целом применение AI-скоринга является одним из ключевых факторов повышения конкурентоспособности банков второго уровня. В условиях усиливающейся конкуренции и роста требований со стороны клиентов и регуляторов именно способность эффективно использовать данные и современные технологии будет определять успех банков на рынке финансовых услуг.

Таким образом, проведенное исследование подтверждает, что использование искусственного интеллекта в кредитном скоринге является одним из ключевых направлений повышения эффективности банковской деятельности. В условиях цифровизации финансового сектора AI становится важным инструментом управления рисками и повышения конкурентоспособности банков второго уровня.

Вместе с тем успешное внедрение данных технологий возможно только при условии обеспечения высокого качества данных, развития нормативной базы и совершенствования методов управления рисками. В перспективе развитие AI будет способствовать формированию более устойчивой и эффективной банковской системы.

Список литературы:

1. Киякова Б. Х. Национальная валюта Республики Казахстан: экономический рост и финансовые технологии // Материалы международной научно-практической конференции. – Астана: Евразийский национальный университет им. Л. Н. Гумилева, 2024.
2. Джусупова Р. Ж., Джусупов А. С., Казамбаева А. М. Роль искусственного интеллекта в развитии финансовой системы в Казахстане // Вестник Актюбинского регионального университета имени К. Жубанова. – 2025. – Т. 82. – № 4. – С. 235–340.
3. Рощупкина И. Т. Инструменты банковского кредитования и их совершенствование в условиях современной экономики // Москва. – 2025. – Т. 3. – С. 161–174.
4. Ниязбекова Ш. Повышение качества обслуживания клиентов в системе менеджмента коммерческого банка // Дискуссия. – 2025. – № 5 (138). – С. 285–289.
5. Хаирова Э. А. Цифровизация и применение искусственного интеллекта в финансово-кредитных отношениях // Финансово-экономический вестник. – 2025. – № 2 (45). – С. 151–162.
6. Gafarovna T. M. Современные тенденции и вызовы в банковском риск-менеджменте // Labor economics and human capital. – 2025. – Т. 4. – № 3. – С. 132–141.
7. Ксенофонтова О. Л., Миролюбова А. А., Фокин С. А. Использование методов интеллектуального анализа данных в банковской сфере // Современные наукоемкие технологии. Региональное приложение. – 2023. – № 4 (76). – С. 76–83.
8. Крутов Р. А. Скоринговые методики как метод оценки кредитоспособности потенциального заемщика в коммерческих банках: тенденции развития // Финансовые рынки и банки. – 2020. – № 3. – С. 66–69.
9. Гичан О. С. Кредитный скоринг как инструмент автоматизированной оценки кредитоспособности заемщиков: магистерская диссертация. – 2019.
10. Трофименко И. В. и др. Современные системы скоринга и андеррайтинга: методологии, вызовы и перспективы.
11. Пивнева С. В., Никитенко Д. В. Социальный скоринг как инновационный инструмент управления организационными системами в условиях цифровизации // International Journal of Open Information Technologies. – 2025. – Т. 13. – № 5. – С. 87–98.
12. Бычкова С. М., Швец О. В. Метод скоринга при анализе благонадежности контрагента: исторический аспект и современная трансформация // Научное обеспечение развития АПК в условиях импортозамещения. – 2022. – С. 323–328.
13. Аршба Л. Н., Гапонько Ю. Г. Скоринг как инструмент оценки надежности контрагента // European Journal of Natural History. – 2022. – № 2. – С. 81.
14. Агафонова В. В., Вишневер В. Я., Фрумусаки С. В. Технологическая эволюция кредитного скоринга в системе банковского потребительского кредитования // Вестник Волжского университета им. В. Н. Татищева. – 2018. – Т. 2. – № 3. – С. 21–26.
15. Слепченко И. А. и др. Оценка кредитоспособности заемщика с учетом нейрокогнитивных факторов: магистерская диссертация. – 2024.
16. Новосёлова Н. Н., Романов В. А., Хубулова В. В. Теоретические аспекты совершенствования моделирования кредитного скоринга в деятельности коммерческих банковских учреждений // Вестник УГНТУ. – 2023. – № 4 (46). – С. 43–49.
17. Чеботаев Н. Н. Оценка эффективности внедрения новых банковских продуктов для структур малого и среднего предпринимательства.
18. Целых А., Целых А., Котов Э. Современные методы прикладной информатики в задачах анализа данных. – М.: Litres, 2021.
19. Балаян В. С. Интеграция цифровых технологий в системы управления рисками банков в условиях трансформации корпоративного контроля // Вестник евразийской науки. – 2025. – Т. 17. – № 4S.
20. Абдилазизова Д. Р., Фалеев А. В. Оценка кредитоспособности заемщика в системе кредитования // Вестник науки. – 2024. – Т. 3. – № 6 (75). – С. 30–42.
21. Гринько Е. Л., Гарагуц М. А. Управление банковскими рисками в условиях развития цифрового банкинга: трансформация подходов // Финансовые исследования. – 2025. – № 1 (86). – С. 50–63.
22. Ештокин С. В., Хачатурян А. А. Прорывные финансовые инновации и обеспечение экономической безопасности коммерческих банков в новой глобальной финансовой экосистеме.