При оценке заемщика банк понимает под Big Data (большими данными) всю совокупность сведений о человеке из разных источников, а не только анкету и справку о доходах: кредитную историю, операции по счетам и картам, поведение в приложении банка, данные партнеров и государственных сервисов. Эти сведения обрабатываются автоматически, и на выходе получается оценка — насколько вероятно, что клиент вернет долг вовремя.
Содержание
То есть большие данные для банка — это не «очень большой файл» и не отдельная база, а подход: собрать много разнородных данных, быстро их обработать и получить решение. Ниже разберем, какие данные реально используются, как из них получается скоринговый балл, где еще банк применяет Big Data (антифрод, персональные предложения) и что ограничивает закон.
Правовые нормы в статье приведены по российскому законодательству в редакциях, действующих на 30 сентября 2026 года; законы меняются, поэтому для спора с банком опирайтесь на действующую редакцию. Код проверен в Python 3.14.7.
Словарь: пять терминов, которые путают
- Кредитная история — записи о кредитах и платежах человека, которые хранятся в бюро кредитных историй (БКИ). Это один из источников данных, а не все большие данные.
- Скоринг — автоматическая оценка заемщика: модель по набору признаков считает балл или вероятность просрочки.
- Скоринговый балл — результат расчета. У бюро свой балл, у каждого банка — свой, и они не обязаны совпадать.
- ПДН (показатель долговой нагрузки) — доля дохода, которая уходит на платежи по всем кредитам. Как правило, банки и микрофинансовые организации считают его перед выдачей потребительского кредита (353-ФЗ «О потребительском кредите (займе)», ст. 5.1, ч. 1); исключения, например образовательные кредиты с господдержкой, перечислены в ч. 7 той же статьи, требования к порядку расчета устанавливает Банк России (ч. 4).
- Антифрод — система, которая ищет признаки мошенничества в заявках и операциях. Она отвечает на другой вопрос: не «вернет ли клиент долг», а «клиент ли это вообще».
Какие данные банк использует при оценке заемщика
Набор источников у банков разный, но типичные группы такие.
| Источник | Что в нем | При каком условии доступен банку |
|---|---|---|
| Анкета и документы | Возраст, доход, стаж, семья, цель кредита | Клиент сообщает сам |
| Бюро кредитных историй | Кредиты, просрочки, запросы других кредиторов, балл бюро | Кредитный отчет — с согласия клиента (кроме информационной части) |
| Собственные данные банка | Поступления зарплаты, траты по категориям, остатки, прошлые кредиты | Клиент уже обслуживается в банке |
| Поведение в цифровых каналах | Устройство, время заполнения анкеты, исправления в полях | В рамках согласия на обработку данных |
| Государственные сервисы | Сведения о доходах и отчислениях, проверка паспорта | По запросу клиента или с его согласия |
| Партнеры: операторы связи и другие | Как правило, готовая оценка, а не сырые данные | Только с согласия клиента |
Главная мысль таблицы: чем дольше человек обслуживается в банке, тем больше у банка собственных данных и тем меньше он зависит от анкеты. Поэтому зарплатному клиенту решение часто приходит за минуты, а новому приходится подтверждать доход.
Распространенный миф — банк читает личную переписку и списывает баллы за записи в соцсетях. Содержимое сообщений и звонков защищено тайной связи (126-ФЗ «О связи», ст. 63), а сведения об абоненте оператор вправе передать третьим лицам только с его согласия, кроме случаев, прямо названных в федеральных законах (п. 1 ст. 53). На практике оператор отдает банку агрегированную оценку, а не детализацию.
Как из данных получается скоринговый балл
Упрощенно процесс выглядит так: данные собираются в единый профиль, из них считаются признаки («просрочек за год», «доля платежей в доходе»), модель превращает признаки в вероятность просрочки, а правила банка — в решение и условия.
Ниже учебная модель — логистическая регрессия, классический метод кредитного скоринга. Веса придуманы для примера и не взяты ни у одного банка; настоящие модели обучаются на истории сотен тысяч кредитов и используют сотни признаков.
import math
# Учебные веса: придуманы для примера, не взяты ни у одного банка.
WEIGHTS = {
"overdue_12m": 0.9, # число просрочек за 12 месяцев
"debt_ratio": 3.0, # доля дохода, уходящая на платежи по кредитам (0..1)
"months_at_job": -0.02, # стаж на текущем месте, месяцев
"salary_client": -0.8, # зарплата приходит в этот банк: 1 или 0
}
BIAS = -2.5
LIMITS = {
"overdue_12m": (0, 50),
"debt_ratio": (0, 1),
"months_at_job": (0, 600),
"salary_client": (0, 1),
}
# Счетчики и флаги - только целые: 1.5 просрочки или "наполовину зарплатный" - ошибка данных.
INTEGER_ONLY = {"overdue_12m", "months_at_job", "salary_client"}
def default_probability(client):
z = BIAS
for name, weight in WEIGHTS.items():
value = client.get(name)
if isinstance(value, bool) or not isinstance(value, (int, float)):
raise ValueError(f"{name}: нужно число, получено {value!r}")
if name in INTEGER_ONLY and not isinstance(value, int):
raise ValueError(f"{name}: нужно целое число, получено {value!r}")
low, high = LIMITS[name]
# nan не проходит ни одно сравнение, inf и сверхбольшие числа выходят за границы
if not low <= value <= high:
raise ValueError(f"{name}: значение {value!r} вне диапазона {low}..{high}")
z += weight * value
return 1 / (1 + math.exp(-z))
clients = {
"Анна": {"overdue_12m": 0, "debt_ratio": 0.2, "months_at_job": 48, "salary_client": 1},
"Борис": {"overdue_12m": 2, "debt_ratio": 0.6, "months_at_job": 5, "salary_client": 0},
}
for name, client in clients.items():
p = default_probability(client)
print(f"{name}: вероятность просрочки {p:.1%}")
try:
default_probability({"overdue_12m": 0, "debt_ratio": float("nan"),
"months_at_job": 12, "salary_client": 1})
except ValueError as error:
print("Отказ в расчете:", error)Вывод программы:
Анна: вероятность просрочки 2.5%
Борис: вероятность просрочки 73.1%
Отказ в расчете: debt_ratio: значение nan вне диапазона 0..1
Что здесь важно. Каждый признак сдвигает итог в свою сторону: просрочки и высокая долговая нагрузка повышают риск, стаж и зарплатный проект — снижают. Функция 1 / (1 + exp(-z)) переводит сумму в число от 0 до 1. Третий вызов показывает, что модель не должна молча считать балл по испорченным данным: пропуск, nan, строка вместо числа или дробное число просрочек — это отказ в расчете, а не «нулевой риск».
Еще одно упрощение: доля платежей в доходе в примере ограничена единицей. Настоящий ПДН бывает и выше 100% — такой заемщик должен по кредитам больше, чем зарабатывает.
Граница примера: вероятность — еще не решение. Дальше банк применяет свою политику: порог одобрения, лимит, ставку, обязательные проверки вроде ПДН. Один и тот же балл в двух банках может привести к разным ответам.
Чем большие данные отличаются от обычной базы данных
База данных банка — это место, где хранятся счета и операции в строгих таблицах. Большие данные — это подход к обработке всего потока сведений, включая то, что в таблицы не укладывается.
| Классическая база данных | Большие данные | |
|---|---|---|
| Что хранится | Структурированные записи: счета, проводки | Любые форматы: таблицы, логи приложения, тексты обращений, записи звонков |
| Основная задача | Точно провести и учесть операцию | Найти закономерности и построить прогноз |
| Масштабирование | Чаще один мощный сервер | Кластер из многих серверов |
| Типичные инструменты | PostgreSQL, Oracle | Hadoop, Spark, Kafka, аналитические хранилища |
Одно не заменяет другое: операции проводятся в классических базах, а копии данных уходят в хранилище, где с ними работают модели. Общие свойства и методы обработки разобраны в статьях «Большие данные» и «Большие данные: свойства и методы обработки».
Где еще банк применяет Big Data
Антифрод. Система сравнивает операцию с обычным поведением клиента: сумма, время, получатель, устройство, геопозиция. Проверять перевод на признаки операции без добровольного согласия клиента банк обязан по закону. Один из таких признаков — получатель есть в базе данных Банка России о подобных случаях.
При срабатывании банк приостанавливает прием распоряжения на два дня, а операцию по карте, перевод электронных денег или перевод через СБП отклоняет. После этого он обязан сразу сообщить клиенту о своих действиях и о том, как подтвердить перевод или повторить операцию (161-ФЗ «О национальной платежной системе», ст. 8, ч. 3.1, 3.4 и 3.6). Подтверждение не гарантирует немедленного перевода: если реквизиты получателя есть в базе Банка России о мошеннических операциях, банк снова приостанавливает распоряжение на два дня или отказывает в повторной операции (там же, ч. 3.10).
Персональные предложения. По операциям видно, что клиент часто платит на заправках или копит на крупную покупку, и банк предлагает подходящую карту, вклад или предодобренный кредит с заранее рассчитанным лимитом.
Работа с просрочкой. Модели оценивают, кому достаточно напоминания, а кому стоит предложить реструктуризацию.
Управление сетью. Прогноз загрузки отделений, запаса наличных в банкоматах, нагрузки на контакт-центр.
Общее ограничение всех этих моделей: они находят статистическую закономерность, а не выносят суждение о конкретном человеке. Отсюда ошибки в обе стороны — отказ надежному заемщику или блокировка обычного перевода.
Риски и регулирование
Банк не может собирать о заемщике что угодно. Основные рамки такие.
| Вопрос | Что установлено | Где |
|---|---|---|
| Кто может получить кредитную историю | Кредитный отчет банк получает с согласия человека. Обычно согласие действует шесть месяцев, но если за этот срок заключен кредит, заем, лизинг или поручительство, оно сохраняется на весь срок договора. Исключение — информационная часть истории (сведения о заявках и отказах): кредитор вправе запросить ее без согласия | 218-ФЗ «О кредитных историях», ст. 6, ч. 9, 9.1 и 10 |
| Может ли человек увидеть свою историю | Да. В каждом бюро — бесплатно не более двух раз за календарный год (на бумаге — один раз), дальше за плату. Запись можно оспорить, бюро проверяет ее до 20 рабочих дней | 218-ФЗ, ст. 8, ч. 2-4 |
| На каком основании обрабатываются данные | Согласие или иное основание из закона, например исполнение договора | 152-ФЗ «О персональных данных», ст. 6 (ч. 1, п. 1 и 5) и ст. 9 |
| Решение принял алгоритм без человека | Нужно письменное согласие либо случай, предусмотренный федеральным законом. Банк обязан разъяснить порядок и последствия такого решения и рассмотреть возражение за 30 дней | 152-ФЗ, ст. 16, ч. 2-4 |
| Сведения о счетах и операциях | Охраняются банковской тайной; закон перечисляет, кому банк обязан их раскрыть без согласия клиента (суды, налоговые органы и другие) | Закон N 395-1 «О банках и банковской деятельности», ст. 26 |
Перечень не исчерпывающий: есть еще нормативные акты Банка России, правила о биометрии и о противодействии мошенническим переводам.
Для самого заемщика риски три. Первый — ошибка в исходных данных: чужой кредит в истории или не закрытая вовремя запись снижают балл, хотя человек не виноват. Второй — непрозрачность: банк не обязан раскрывать формулу модели и, как правило, не объясняет отказ подробно. Третий — утечки: чем больше данных собрано в одном месте, тем дороже обходится инцидент.
Что можно сделать самому: раз в полгода запрашивать кредитный отчет и оспаривать ошибки через бюро; читать, на что именно дается согласие при подаче заявки; при желании установить самозапрет на потребительские кредиты и займы — через Госуслуги это возможно с 1 марта 2025 года, через МФЦ с 1 сентября 2025 года. Отметка о запрете вносится в кредитную историю (218-ФЗ, ст. 5.1).
Самозапрет закрывает не все: на ипотеку, автокредиты под залог машины и образовательные кредиты с господдержкой он не распространяется.
Выводы
- При оценке заемщика банк понимает под Big Data все доступные ему сведения о человеке из разных источников и автоматическую их обработку, а не только анкету.
- Основные источники — кредитная история из бюро, собственные данные банка об операциях клиента, поведение в цифровых каналах и оценки партнеров.
- Скоринговая модель переводит признаки в вероятность просрочки; решение и условия кредита определяет политика банка поверх этого числа.
- Те же данные работают в антифроде и персональных предложениях, но там модели решают другие задачи.
- Сбор и использование данных ограничены законами о кредитных историях, персональных данных и банковской тайне; человек вправе проверить и оспорить свою кредитную историю.
Где применяется / связь с практикой
За каждым скоринговым решением стоит инфраструктура: данные из десятков систем нужно собрать, очистить, привести к единому виду и вовремя доставить модели. Этим занимаются инженеры данных — они строят конвейеры загрузки, хранилища и витрины, следят за качеством данных.
Освойте тему на практике
Эти навыки системно разбираются на курсе «Инженер данных». Познакомиться с форматом занятий можно на открытых уроках Otus.
FAQ
Снижает ли скоринговый балл частая подача заявок на кредит?
Может снижать. Запросы кредиторов отражаются в кредитной истории, и много заявок за короткий срок модели часто трактуют как признак срочной нужды в деньгах. Насколько сильно это влияет, зависит от модели конкретного банка.
Если кредитов никогда не было, балл будет высоким?
Не обязательно. Пустая кредитная история означает, что у банка мало данных, и он опирается на анкету и собственные сведения о клиенте. Часто в таком случае одобряют меньшую сумму.
Можно ли запретить банку использовать данные для рекламных предложений?
Согласие на обработку данных в целях продвижения услуг можно отозвать, обратившись в банк. Обработка, необходимая для исполнения действующего договора, при этом продолжится.
