Успех скоринговой модели обуславливается такими ключевыми факторами, как:

- непредвзятость оценки (скоринг напрочь отметает субъективность оценок, традиционно связанную с кредитными решениями);

- стандартизация кредитных оценок;

- возможность автоматизации;

- контроль (в силу стандартизации кредитных операций банкам не представляется сложным контролировать и отслеживать эффективность кредитных решений);

- увеличение доходности (автоматизация процесса означает снижение затрат на ручную обработку заявок на кредит до минимума).

Сложность применения скоринга заключается в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать. Для юридических лиц зачастую используют относительные коэффициенты конкурентоспособности, например, рентабельность совокупного капитала, коэффициент текущей ликвидности, коэффициент финансовой независимости и т.д. Модель может быть основана на линейном дискриминантном анализе, т.е. банк может соотносить и взвешивать несколько переменных, например, характеристик собственности и менеджмента заёмщика с оценкой его финансового положения. В этом случае безусловным правом на получение кредита могут обладать заёмщики с высоколиквидными акциями, легким доступом к привлечению дополнительного капитала, являющиеся лидерами отрасли, с обширной филиальной сетью и обеспечивающие рост продаж, а значит прибыли и чистых денежных потоков. Очевидно, что кредитование таких заёмщиков несет минимальный риск для банка. В то же время, если заёмщик осуществляет свою деятельность в высококонкурентной среде, занимает небольшую долю рынка, не имеет внятной стратегии развития, то получить кредит ему будет гораздо сложнее, т.к. банк относит его к заёмщикам повышенной группы риска.

Для физических лиц наборы переменных, используемые банками для кредитного скоринга на первый взгляд могут показаться одинаковыми. Обычно банк интересуется следующими характеристиками заёмщика: возраст, количество детей/иждивенцев, профессия, профессия супруга(и), доход, доход супруга(и), район проживания, стоимость жилья, наличие телефона, сколько лет живет по данному адресу, сколько лет работает на данной работе, сколько лет является клиентом данного банка, наличие кредитной карточки/чековой книжки.

Набор характеристик может меняться в зависимости от региона, в котором работает, банк, в силу его экономических и социально-культурных особенностей, но в любом случае, он будет тесно связан с оценкой вероятности дефолта заемщика. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование дефолта. Поэтому внутри одного банка могут применяться различные модели для различных групп клиентов и различных видов кредита.

Банки стремятся к стандартизации процедур оценки кредитоспособности формализации принятия решений о кредитовании, основываясь на критериях, непосредственно связанных с вероятностью дефолта. Иными словами, банки заинтересованы в построении математических моделей, которые позволяют оценить, какая информация является существенной, а какой можно пренебречь. При моделировании набор переменных в каждом конкретном случае может существенно меняться, поскольку одни и те же экономические характеристики могут быть отражены разными типами переменных — непрерывными, дискретными и т.п.

Скоринговые модели могут быть весьма разнообразными и включают в себя: статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия); различные варианты линейного программирования; дерево классификации или рекурсионно-партиционный алгоритм (РПА); нейронные сети; генетический алгоритм; метод ближайших соседей.

У каждого из методов имеются свои преимущества и недостатки. Выбор метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Очевидно, что регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: к примеру, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

Рассмотренные методы не исчерпывают всего многообразия современных способов, служащих для определения кредитоспособности заемщика. В последнее время банки все чаще разрабатывают и внедряют собственные модифицированные методы оценки, которые включают в себя как элементы скоринга, так и расчет финансовых показателей. На основании полученных результатов заемщику присваивается кредитный рейтинг, который определяет степень его кредитоспособности и возможность предоставления ему ссуды.

Несмотря на прогрессивность скоринга и повсеместное использование его зарубежными банками, до сих пор остается нерешенным целый ряд проблем, связанных с оценкой заёмщиков по данной методике. Одна из них заключается в том, что классификация выборки производится только на клиентах, которым дали кредит. Довольно сложно узнать, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками. Также возникает проблема, связанная с изменениями поведенческих аспектов заёмщиков, социально-экономических и прочих условий, оказывающих влияние на них. Поэтому скоринговые модели подлежат обязательной корректировке с частотой полгода-год для России, экономика которой не отличается статичностью. У российских банков при применении любого вида статистического анализа возникают трудности рассмотрения длинных временных рядов за отсутствием «кладбища» кредитных историй. Кроме того, ещё одной особенностью российской экономики является неоднозначная интерпретация данных российских предприятий. Это связано с тем, что состояние финансовой отчетности, строго говоря, не всегда четко соответствует реальному положению вещей, а значит, финансовые показатели могут принимать любые значения вплоть до отрицательных, причем со значительно большей частотой, чем такое, к примеру, возможно в западных компаниях. В результате, неадекватными будут значения коэффициентов, что приводит к необходимости устанавливать для них особые лимиты или удалять сомнительные данные.

Какую бы банк не выбрал скоринговую модель очевидно одно – без её автоматизации смысл в ней просто пропадает. Бесперебойная работа и репутация банка обуславливаются минимумом субъективности при принятии решения отдельными сотрудниками и максимумом алгоритмов, реализованных в виде программного кода и настроек автоматизированной банковской системы. Даже если кредитный сотрудник в некоторых случаях уполномочен производить субъективную оценку, то программное средство в целях безопасности должно ограничивать его возможности принятия решений в пределах определенной суммы или, например, запрашивать подтверждение данной операции от еще одного специалиста. Подобные правила разрабатываются на основе кредитной политики банка, а автоматизированная система способствует их беспрекословному соблюдению.