Поддержка принятия решений о выдаче микрокредитов на основе применения информационно-аналитической системы

   Реализуемая ЦБ РФ стратегия развития финансовых технологий предполагает работу в направлении цифровизации различных направлений деятельности отечественных финансовых институтов для повышения устойчивости их бизнеса, в частности путем внедрения методов и инструментов управления на основе данных (data-driven management). Проблема исследования заключается в разработке эффективного способа поддержки принятия решений о выдаче кредитов в микрофинансовых организациях на основе использования методов сбора, хранения и аналитики данных и создания соответствующей инфраструктуры. В данной работе в качестве инструмента поддержки управления в микрофинансовой организации (МФО) предложено применять информационно-аналитическую систему (ИАС), включающую четыре модуля (данные – аналитика – управление – представление) и обеспечивающую повышение эффективности решений о выдаче микрокредитов. На основе ретроспективных данных о поведении клиентов МФО разработаны и апробированы модели прогнозирования кредитного риска с использованием алгоритмов машинного обучения (CatBoost, Logistic Regression). Установлено, что модель градиентного бустинга продемонстрировала более высокую прогностическую способность, чем модель логистической регрессии. Была выполнена калибровка прогнозов модели градиентного бустинга для повышения интерпретируемости прогнозов модели. Также для целей интерпретации логики работы модели проведен анализ чувствительности прогнозов к факторам, связанным с клиентами, путем применения метода SHAP. Результаты анализа работы модели показали, что при пороге вероятности дефолта τ = 0,22 микрофинансовая организация может получить значительную экономию от использования системы, прогнозирующей риски невозврата кредитов клиентами. Предложена методика оценки экономической эффективности от использования информационно-аналитической системы. Апробированные в исследовании информационная система как инструмент поддержки управления в МФО и методология оценки экономической эффективности от ее применения создают предпосылки для дальнейшего развития концепции и методов управления на основе данных в отечественных финансовых институтах.

1. Потапов А.Г. Основные тенденции современного этапа развития рынка микрофинансирования // Вестник Евразийской науки. 2024. Т. 16, № s6.

2. Omokhoa J.E., Ojo A.T., Adeyemi K.S. Leveraging AI and Technology to Optimize Financial Management and Operations in Microfinance Institutions and SMEs. 2025. URL: https://www.researchgate.net/publication/387873377_Leveraging_AI_and_Technology_to_Optimize_Financial_Management_and_Operations_in_Microfinance_Institutions_and_SMEs (дата обращения: 19. 10. 2025).

3. Фролов Ю.В. Интеллектуальные системы и управленческие решения. Москва : Московский городской педагогический университет, 2000. 294 с.

4. Национальный проект «Экономика данных и цифровая трансформация государства». URL: http://government.ru/rugovclassifier/923/about/ (дата обращения: 11. 10. 2025).

5. Основные направления развития финансовых технологий на период 2025-2027 годов / Банк России. Москва, 2024. 624 с. URL: https://www.cbr.ru/Content/Document/File/166399/onfintech_2025-27.pdf (дата обращения: 19. 10. 2025).

6. Credit Risk Prediction Using Machine Learning and Deep Learning: A Study on Credit Card Customers / V. Chang [et al.] // Risks. 2024. Vol. 12 (11). P. 174.

7. Ветлугин Д.Д. Управление результативностью микрофинансовых организаций предпринимательского финансирования с использованием алгоритмов машинного обучения // Журнал ДВФУ «Экономика и менеджмент». 2024. Т. 19, № 2. С. 43–58.

8. Поляков К.Л., Жукова Л.В. Опыт моделирования вероятности кредитного дефолта клиентов микрофинансовых организаций (на примере одной МФО) // Экономический журнал ВШЭ. 2019. Т. 23, № 4. С. 497–523.

9. Золотарюк А.В. Возможности разрешения проблем микрофинансовых организаций с применением интеллектуальных методов машинного обучения // Вестник Финуниверситета. 2018. № 4. С. 71–83.

10. Чуб В.С. Сравнительный анализ методов машинного обучения в оценке кредитных рисков // Информационные технологии. Образовательные ресурсы и технологии. 2023. № 3 (44). С. 81–91.

11. Marikar S.M., Bandara H.M.N. An Analysis of Data Driven Decision-Making Capabilities of Managers in Banks// arXiv preprint. 2020. arXiv: 2007.01862. URL: https://arxiv.org/abs/2007.01862 (дата обращения: 26. 10. 2025).

12. Филимонова Е.В., Гаврилов В.Ю. Калибровка вероятностей кредитного риска краткосрочных и долгосрочных кредитов с применением изотонической регрессии // Доклады РАН. Серия «Математика». 2023. Т. 514, № 2. С. 15–23.

13. Дорофеев В.С., Волосатова Т.М. Ансамблирование методов обнаружения выбросов при подготовке обучающей выборки данных // Моделирование, оптимизация и информационные технологии. 2022. № 10 (3). С. 6–13. doi: 10.26102/2310-6018/2022.38.3.013.

14. A survey on missing data in machine learning // Journal of Big Data. 2021. Vol. 8, No. 42. URL: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-021-00516-9 (дата обращения: 26. 10. 2025).

15. Poslavskaya E., Korolev A. Encoding categorical data: Is there yet anything ‘hotter’ than one-hot encoding? // arXiv preprint. 2023. arXiv:2312.16930. URL: https://arxiv.org/abs/2312.16930 (дата обращения: 26. 10. 2025).

16. CatBoost: unbiased boosting with categorical features / Л. Прокхоренкова, Г. Гусев, А. Воробьев, А.В. Дорогуш, А. Гулин // Advances in Neural Information Processing Systems (NeurIPS). 2018. Vol. 31. Pр. 6639–6649.

17. Lundberg S.M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. 2017. URL: https://papers.nips.cc/paper/7062-a-unified-approach-to-interpreting-model-predictions (дата обращения: 24. 10. 2025).

18. Старков В.В., Горбатова С.С., Водолага В.И. Разработка ETL процесса на базе open source технологий для решения задачи доставки данных потребителям // Моделирование и анализ данных. 2023. Т. 13, № 2. С. 180–193.

19. Абдираимов Н.А., Алимжанова Л.М. Использование ETL-процесса для создания хранилища данных в банках второго уровня // Интеллектуальные технологии на транспорте. 2023. № S1 (35-1).

20. Identification and Interpretation of Significant Factors Influencing Client Defaults in Microfinance Institutions Using Machine Learning Methods / Yu.V. Frolov, E.S. Zhidkova, T.M. Bosenko, A.L. Zhidkov // Cybernetics and Control Theory in Systems : proceedings of 13^th Computer Science On-line Conference 2024, Zlin, Czech Republic, 01–31.01.2024. Vol. 1119-2. Cham : Springer, 2024. Pр. 150-157. doi: 10.1007/978-3-031-70300-3_10.

21. Python Software Foundation. Python Standard Library. URL: https://docs.python.org/3/library/ (дата обращения: 13. 10. 2025).

22. Frolov Yu.V., Bosenko T.M., Konopelko E.S. Statistical Study of Factors Affecting the Risk of Lending by Microfinance Institutions // Software Engineering Research in System Science : proceedings of 12^th Computer Science On-line Conference 2023, Zlin, Czech Republic, 01–30.04.2023. Vol. 722-1. Cham : Springer, 2023. Pр. 361-369. doi: 10.1007/978-3-031-35311-6_37.

23. Hand D.J., Till R.J. A Simple Generalisation of the Area Under the ROC Curve for Multiple Class Classification Problems // Machine Learning. 2001. Vol. 45, No. 2. Pр. 171–186.

24. Банных А.А., Летчиков А.В. Методика оценки кредитного риска заемщика с применением скоринга бюро кредитных историй // Вестник Удмуртского университета. Серия «Экономика и право». 2013. № 4.