В условиях стремительного роста объемов и сложности финансовых данных классические модели кредитного скоринга сталкиваются с ограничениями в точности и устойчивости прогнозов. Одновременно с этим развиваются методы кластерного анализа и машинного обучения, которые позволяют выявлять латентные сегменты заемщиков и интегрировать полученную дополнительную информацию напрямую в предиктивные модели. В работе рассматривается проблема методологического разрыва между сегментацией данных и машинным обучением при оценке кредитного риска. Целью исследования является разработка концепции гибридной модели, объединяющей кластерный анализ и алгоритмы градиентного бустинга за счет включения кластерных метапризнаков в пространство признаков скоринговой модели. Методологическая основа исследования включает анализ существующих подходов к кредитному скорингу, разработку последовательного конвейера обработки данных и формирование набора признаков, отражающих структурное положение заемщика в пространстве данных. Дополнительно предполагается оценка устойчивости результатов кластеризации к выбору метрики, числа кластеров и характеристикам выборки, а также сравнение различных способов кодирования кластерной информации. Предложенный подход ориентирован на повышение дискриминационной способности моделей за счет учета латентной сегментации клиентов. Ожидаемым результатом является улучшение качества прогнозирования дефолтов и расширение возможностей интерпретации моделей, что повышает их практическую ценность для задач управления кредитным риском и поддержки принятия решений в финансовых организациях.