Интеллектуальная оценка кредитоспособности производственного предприятия

Идеального классификационного алгоритма с понятной схемой принятия решений, обеспечивающего надежную «отбраковку» всех дефолтных клиентов и беспрепятственный допуск к кредитным ресурсам банка всех платежеспособных клиентов, просто не существует. Поэтому при разработке модели оценки кредитоспособности необходимо тщательно изучать имеющиеся для обучения алгоритма данные, а также учитывать цель, которую преследует модель (выявление движущих факторов в кредитоспособности розничных клиентов, обеспечение простоты и наглядности кредитного процесса в банке, достижение алгоритмом наивысшей разделяющей способности и т. д.). Вместе с тем значительным потенциалом по устранению отдельных недостатков классических моделей машинного обучения и общему улучшению достигаемых ими результатов могут обладать так называемые ансамблевые методы машинного обучения. Это весьма мощный инструмент для построения классификационных моделей. Ансамблевым методом называется метод машинного обучения, в котором несколько моделей обучаются для решения одной и той же задачи и объединяются для получения более качественных результатов. Основная предпосылка заключается в том, что результат работы нескольких моделей будет более точным, чем результат только одной модели. При работе с ансамблевыми методами вводится понятие базовой модели (классические модели вроде линейной регрессии или дерева решений). Множество базовых моделей является строительным материалом для более сложных статистических моделей, позволяющих улучшить те либо иные метрики, интересующие исследователя.Необходимость анализа огромного объема данных и разнообразие учитываемых показателей делает необходимым и крайне целесообразным внедрение ИИ в скоринговые системы НКО. Сейчас чаще всего искусственный интеллект используется в скоринге следующим образом [9]: 1) клиент заполняет заявку на один из кредитных продуктов (потребительский кредит, кредитная карта, автокредит или ипотека); 2) данные клиента дополняются информацией из различных источников (кредитной историей, трансакционной активностью, активностью по банковским продуктам и др.), на основе которой генерируются различные статистические признаки; 3) обученная ИИ модель получает на вход обогащенные данные клиента и на выходе формирует решение по выдаче кредита. При этом универсальной системы кредитного скоринга нет, каждый банк самостоятельно создает ИИ-модели для выполнения этой задачи.Рисунок 1 - Уровень одобрения кредитов в России (динамика за 2017-2023 гг.)Рассмотрим статистику одобрения заявок на кредиты (см. рисунок). Согласно данным Национального бюро кредитных историй (НБКИ), в 2022 году банки стали реже одобрять кредиты россиянам: успешных заявок было чуть больше четверти, тогда как в 2021-м таких была треть; так, доля одобренных заявок на кредиты в 2022 году снизилась на 7 процентных пунктов и составила 26%. В целом за последние несколько лет можно заметить устойчивую тенденцию по снижению числа одобренных кредитов. Если говорить о текущем периоде, то уровень одобрения кредитов в 2023 году резко снизился в марте примерно до 20%, потом стал расти и с июля по сентябрь практически не менялся, оставаясь на уровне 28%, а в сентябре – ноябре снова упал примерно до 19%, что стало самым низким значением в 2023 году [10]. Представители финансового сектора считают, что причиной подобного спада стало ужесточение регулирования со стороны ЦБ.Итак, внедрение систем ИИ в скоринг предоставляет кредитным организациям ряд неоспоримых преимуществ: во-первых, при автоматическом принятии решения в несколько раз сокращается срок рассмотрения заявки клиента (например, в Сбербанке длительность сократилась с 2 недель до 7 минут); во-вторых, сокращаются трудовые затраты специалистов; в-третьих, уменьшается бумажный документооборот. Все это позволяет кредитным организациям сэкономить значительные денежные средства: так, в Сбербанке по итогам 2022 года суммарный экономический эффект от внедрения технологий ИИ составил более 230 млрд рублей [11].Однако стоит сказать и о возможных барьерах при внедрении систем ИИ в кредитных организациях: одним из основных препятствий для развития технологий в финансовой сфере является остающийся дискуссионным вопрос о предоставлении ИИ возможности сбора и обработки деперсонализированных данных для обучения с соблюдением конфиденциальности. Также проблемой является высокая цена ошибки технологий ИИ: несмотря на автоматизацию операций, действия алгоритмов остаются непредсказуемыми и не обладают достаточной надежностью, а исправление подобных ошибок требует временных и финансовых затрат. И, наконец, как и во многих других отраслях, банковские и небанковские организации который год отмечают нехватку квалифицированных специалистов в сфере ИТ: дата-сайентистов (умеют преобразовывать большие массивы данных и применять их для решения конкретных задач), специалистов по ИИ, анализу данных и машинному обучению и т.п.Таким образом, в результате исследования получены следующие результаты: 1. На данный момент системы ИИ активно используются в скоринге различными банковскими и небанковскими кредитными организациями. Это обусловлено значительными преимуществами – технологическими, временными и финансовыми – которые привносит внедрение ИИ в деятельность кредитных организаций. 2. Для устранения рисков использования ИИ применяются различные решения: в качестве примера можно привести утвержденные Сбербанком принципы этики ИИ. Согласно этим предписаниям сотрудники получают ориентиры для решения спорных ситуаций, которые могут возникнуть при взаимодействии с ИИ [12]. В целом применение искусственного интеллекта остается актуальным для экономики нашей страны, так как это дает возможность проанализировать большие объемы данных и автоматизировать многие процессы и задачи, за счёт чего значительно повышается производительность труда и рентабельность бизнеса.ЗаключениеС учетом быстрого развития технологий машинного обучения и анализа данных, можно ожидать, что кредитный скоринг с использованием машинного обучения будет продолжать развиваться и усовершенствоваться в будущем. В ближайшее время можно ожидать появления новых методов машинного обучения, которые позволят банкам создавать более точные и эффективные модели кредитного скоринга. Кроме того, можно предположить, что использование машинного обучения в кредитном скоринге будет распространяться не только на банковскую сферу, но и на другие отрасли. Например, модели машинного обучения могут быть применены для оценки рисков страхования или для анализа кредитоспособности клиентов в других сферах экономики. Использование методов машинного обучения в кредитном скоринге позволяет банкам значительно повысить эффективность процесса выдачи кредитов и уменьшить риски, связанные с невозвратом кредитов. Однако, внедрение систем машинного обучения требует серьезных усилий и инвестиций в обучение моделей и разработку инфраструктуры. Поэтому, банки должны внимательно оценивать все преимущества и недостатки использования машинного обучения в кредитном скоринге, прежде чем принимать решение о внедрении таких систем. В свете последних технологических достижений в области машинного обучения, все больше банков становятся заинтересованы в применении этой технологии в кредитном скоринге. Одним из наиболее перспективных направлений является использование алгоритмов глубокого обучения, которые позволяют обрабатывать и анализировать сложные данные, такие как изображения и звук. Кроме того, использование методов машинного обучения в кредитном скоринге может быть полезно для выявления мошеннических схем. Модели машинного обучения могут анализировать данные о поведении заемщиков и выявлять аномалии, которые могут свидетельствовать о мошенничестве. Недавно были разработаны новые методы машинного обучения, которые позволяют создавать персонализированные модели кредитного скоринга. Это означает, что модели машинного обучения могут быть настроены на конкретного заемщика, учитывая его индивидуальные характеристики и поведение. Несмотря на все преимущества, связанные с использованием машинного обучения в кредитном скоринге, существуют также и риски. Одним из главных рисков является возможность ошибок модели, которые могут привести к неверным решениям в процессе выдачи кредитов. Поэтому, банки должны тщательно анализировать данные и проводить регулярную проверку моделей машинного обучения, чтобы убедиться в их точности и надежности.Список использованной литературыАндреев, Р. Е. Обзор методов машинного обучения для оценки кредитоспособности / Р. Е. Андреев // Modern EconomySuccess. – 2023. – № 4. – С. 272-276.Бердышев А.В. Искусственный интеллект как технологическая основа развития банков // Вестник университета. – 2018. - (5). – С. 91-94.Быкова, Н.Н. Основные методы анализа кредитоспособности заёмщика // Гуманитарные научные исследования. – 2017. – № 2 (66). – С. 392-396.Валиуллина, А. М. Проблемы оценки кредитоспособности коммерческих предприятий / А. М. Валиуллина // Наука XXI века: актуальные направления развития. – 2023. – № 2-1. – С. 243-246.Водопьянова В.А., Бородай Е.А. Анализ методов оценки кредитоспособности юридических лиц, используемых российскими банками // Азимут научных исследований: экономика и управление. -2020. - №4. 83 – 86.Водопьянова, В. А. К вопросу оценки кредитоспособности юридических лиц / В. А. Водопьянова, Л. И. Кузнецова // Карельский научный журнал. – 2023. – Т. 12, № 3(44). – С. 21-24.Волкова Е.С., Гисин В.Б., Соловьев В.И. Современные подходы к применению методов интеллектуального анализа данных в задаче кредитного скоринга. Финансы и кредит. - 2017. - Т. 23, № 34. - С. 2044-2060.Воронин С.М., Совертека З.К., Березин А.Д., Ларин А.И. Кредитный скоринг, реализованный с помощью машинного обучения. Столыпинский вестник. - 2022. - Т. 4 № 10.Глухова, Л.В., Давыдова, А.А. Обоснование необходимости усовершенствования нейросетевого моделирования банковского скоринга // Формирование финансово-экономических механизмов инновационного развития: сборник статей всероссийской научной конференции (Великий Новгород, Декабрь 2022). – СПб.: ГНИИ «Нацразвитие».Гусарова О.М., Комаров П.И., Денисов Д.Э. Нейронные сети в кредитном скоринге // Вестник Алтайской академии экономики и права. - 2018. - №5. - С. 107-113.Исаев, Д.В. Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга // Проблемы экономики и юридической практики. - 2021. - № 6. - С. 132-139.Котенева, К.Ю. Оценка кредитоспособности заемщиков в РФ и за рубежом: сравнительный аспект / К.Ю. Котенева// Аллея науки. – 2018. – Т. 5. –№ 5 (21). – С. 377-380.Кочеткова В.В., Ефремова К.Д. Обзор методов кредитного скоринга. JuvenisScientia. - 2017. - № 6. - С. 22-25. Крутов, Р. А. Преимущества и недостатки кредитного скоринга как метода оценки кредитоспособности потенциального заемщика / Р. А. Крутов // Тенденции развития науки и образования. – 2021. – № 70-3. – С. 45-49.Ксенофонтова, О. Л. Использование методов интеллектуального анализа данных в банковской сфере / О. Л. Ксенофонтова, А. А. Миролюбова, С. А. Фокин // Современные наукоемкие технологии. Региональное приложение. – 2023. – № 4(76). – С. 76-83.Курилов, К.Ю. Теоретические аспекты оценки кредитоспособности заёмщиков-физических лиц / К.Ю. Курилов // Карельский научный журнал. – 2017. – Т. 6. – № 1 (18). – С. 57-61. Маркарян М.А., Гульпенко К.В. Сравнительный анализ методик кредитоспособности заемщика в России и за рубежом // Материалы Международной (заочной) научно-практической конференции «Современные направления научных исследований». 2019. - C. 22–28.Матвеевский С.С., Бердышев А.В. Fintech-компании и их взаимодействие с банками: международный и российский опыт. // Вестник университета. -2020. - (11). – С. 174- 180.Пириева С.А. Прогнозный анализ с применением автоматизированных программ в повышении информативности управления организацией // Научные записки ОрелГИЭТ. – 2020. – № 4 (36). – С. 11-18. Расторгуев, Л. М. Построение скоринговой модели для определения кредитоспособности потенциального заёмщика / Л. М. Расторгуев, Е. А. Микишанина // Вектор экономики. – 2022. – № 5(71).Сафонова, Н.С. Понятие и сущность кредитоспособности предприятия // Международный научный электронный журнал «Синергия наук». – 2017. – № 10. – С. 368-380.Снимщиков, К. А. Анализ вариантов автоматизации процесса скоринговой оценки кредитоспособности заемщика в коммерческом банке / К. А. Снимщиков, А. Д. Лагунова // Тенденции развития науки и образования. – 2023. – № 97-12. – С. 121-127.Стадников, А. О. Сравнение моделей кредитного скоринга на базе методов решающих деревев / А. О. Стадников // Инновационная наука. – 2022. – № 6-1. – С. 46-50.Ткачев А., Шипунов А. Системы кредитного скоринга. Матричный подход. Банковский вестник. - 2019. - № 10(675). - С. 37-46Удалов А.А., Удалова З.В. Бизнес-аналитика как средство для принятия управленческих решений // Актуальные направления развития учета, анализа, аудита и статистики в отечественной и зарубежной практике: материалы международной научно-практической конференции, Ростов-на-Дону, 25 ноября 2022 года / под общей редакцией Е.Н. Макаренко. – Ростов н/Д: Общество с ограниченной ответственностью «АзовПринт», 2022. – С. 160-165. Удалов А.А., Удалова З.В. Цифровой анализ финансовой отчетности // Статистика в современном мире: методы, модели, инструменты: материалы международной научно-практической конференции, Ростов-на-Дону, 28 мая 2020 года. – Ростов н/Д: Общество с ограниченной ответственностью «АзовПринт», 2020. – С. 256-271. Фокин С.А., Ксенофонтова О.Л. Анализ и перспективы внедрения технологий больших данных в банковской сфере. Сборник научных трудов вузов России "Проблемы экономики, финансов и управления производством". - 2022. - № 51. - С. 21-26.Шишикин, Д. М. Методы оценки кредитоспособности физических и юридических лиц / Д. М. Шишикин // Актуальные вопросы современной экономики. – 2021. – № 6. – С. 497-503.Шмелева, А.Г. Когнитивное моделирование в информационной системе поддержки принятия решений / А.Г. Шмелева, Ю.В. Таланова, В.В. Наумов, А.И. Ладынин // Труды НГТУ им. Р.Е. Алексеева. Нижний Новгород. – 2018. – Т. 78. – № 2 (121). – С. 60-67.Ярощук, А. Б. Современные банковские технологии и их влияние на обеспечение национальной финансовой безопасности / А. Б. Ярощук // Вестник ГГУ. – 2023. – № 3. – С. 400-405.