Scoring Day | Форум риск-менеджеров

Как победить мошенников и не дать им украсть деньги ваших клиентов?
Пока ваши команды согласовывают регламенты и бюджеты, мошенники релизят новые «фичи» каждую неделю — на базе ИИ, дипфейков и готовых библиотек. На Scoring Day Вадим Алёшин (CPO, МТС Скоринг) объяснил, почему фрод стал массовым и как выстроить защиту, которая успевает за атакующими.

Сколько «заработали» мошенники?
Официальная статистика по мошенничеству есть (данные Банка России, МВД, крупных банков), но в зависимости от источника она сильно различается. И это, пожалуй, самое интригующее: оценки расходятся очень серьезно. Данные ЦБ — около 20 млрд, у одного из крупных банков — 300 млрд, у других — еще выше. Скорее всего, реальный ущерб намного больше.

Почему рост продолжается
Изменились и технологии, и среда. Сегодня мошенники активно используют ИИ, клонирование голоса, дипфейки и другие инструменты. Большинство населения обзавелось смартфонами, кратно выросла роль соцсетей и мессенджеров.

Миф о «уязвимых группах» уже не работает
Важно избавиться от мифа, что жертвы — только «социально незащищенные» (пожилые, дети). Сейчас пострадать может каждый. 25% жертв — люди с высшим образованием, 36% — в возрасте от 26 до 45 лет.

Что чаще всего практикуют мошенники?
Наиболее популярный сценарий — «инвестиции в интернете» (55%), по-прежнему популярны «звонки от банков и полиции» (54%), «заем до понедельника» через взлом соцсетей также сохраняет актуальность (36%).

Почему мошенничество стало массовым?
Причина простая: входной порог упал. 5–10 лет назад мошенничать технологически было сложнее. По сути, даже школьник может на коленке собрать массовую рассылку в личку и пробовать сценарии обмана.

Мошенники адаптируются быстрее компаний
Компаниям мешают процессы — согласования с ИБ, юристами, бюджетирование, внедрение. А им это не нужно: увидели новость, быстро применили — и уже атакуют людей. Они живут как стартап, постоянно тестируя новые гипотезы: перестал работать один сценарий — запускают следующий. Поэтому мы фиксируем все больше фродовых кейсов, и к этому «новому тренду» нужно готовиться уже сейчас.

«Отложенное мошенничество»: кража не сразу, а через несколько дней
Один из самых неприятных сценариев — «отложенное мошенничество» (отложенный фрод). Это когда вас «разогревают» сегодня: нагоняют страх, давят «срочно спасайте деньги», но реальная кража происходит через несколько дней — когда вы (или ваши близкие) приходите в банк снять наличные или оформить кредит.

Как это выглядит со стороны банка
На нашей стороне картина такая: сегодня — высокий пик фрод-риска (понятно, что человека ведут), а в банк он приходит позже, когда сигнал уже слабее. И это ещё мягкий вариант: бывают кейсы намного жёстче.

Продолжение в следующем посте!

Премия FINNEXT 2026: кто уже прислал кейсы?

На Премию FINNEXT уже поступило 70+ заявок – начинаем знакомить вас с первыми проектами.

Среди уже присланных кейсов:
• «Катюша» — первый банк для бизнеса в мессенджере Max (ПСБ)
• Накопительный счёт «Кешбокс» с управляемой процентной ставкой (МТС Банк)
• «Цифровое урегулирование ОСАГО» (Абсолют Страхование)
• «Конструктор привилегий» — сервис для клиентов, которые одновременно обслуживаются как физлица и предприниматели (Альфа-Банк)
• DQLA и автоматизированное управление качеством данных на уровне всей организации (ОТП Банк)
• Масштабирование клиентоцентричной модели сервисных услуг: от автострахования к страхованию имущества (Росгосстрах)
• Речевая аналитика и сквозное управление качеством коммуникаций (ВТБ)
• Пилот бесконтактной оплаты на iPhone и Apple Watch с баланса телефона (МТС)
и другие.

👉 Прием кейсов продолжается!
Церемония награждения — 7 апреля, Центр событий РБК. Участие в Премии — БЕСПЛАТНОЕ.
Прислать кейс можно до 20 марта 2026 через официальный сайт Премии.

Если ваша команда разрабатывает инновационные решения для финансовой и смежных отраслей — присылайте кейс на Премию FINNEXT 2026!

Подать заявку можно в 10 направлениях (список см. на сайте) либо в спецноминации.

Спецноминация (участие во внеконкурсной программе) — это презентация вашего кейса на церемонии вручения Премии FINNEXT и внимание коллег и потенциальных партнеров.
Специальные номинации отмечают выдающиеся результаты в цифровой трансформации финансового рынка и подчеркивают специфику именно ваших решений и задач.

По первым заявкам видно, что присланные кейсы уже в корне меняют процессы, продукты и клиентский опыт. Ждем ваш проект на Премию! Будет интересно.

Коллеги, хотим поделиться с читателями фрагментами выступлений с предстоящего форума FinCore 2026. Он будет посвящен ИТ- и ИИ-трансформации с участием Сбера, ГПБ, Банка России, Т-Банка, Альфа-Банка и др. и пройдет уже 26 февраля.

Хотим узнать, фрагменты каких дискуссий / обзоры каких тем вам интереснее всего получить в этом канале?

Голосуйте в опросе ниже 👇

Weekly Scoring News: антифрод-возвраты по инициативе получателя, комплексная реструктуризация для физлиц и ограничения на упрощенную идентификацию

Банк России определил процедуру отказа от зачисления средств, полученных при мошенническом переводе. Граждане, чьи реквизиты находятся в базе данных Банка России, смогут оформить отказ от зачисления на свой счет денег, поступивших в результате мошеннической операции, и вернуть их пострадавшему. Банкам рекомендовано обеспечить прием заявлений клиентов-физлиц об отказе от зачисления средств — например, в отделениях, по телефону горячей линии или через онлайн-банк.

Госдума одобрила проект о комплексной реструктуризации долгов физлиц. Законопроект предполагает, что должник с просрочкой по потребкредиту сможет согласовать индивидуальный план реструктуризации долга со всеми банками, МФО и коллекторами одновременно, а также обратиться к финансовому уполномоченному для контроля процесса. Кредиторы будут обязаны сообщать должникам о таком праве при задолженности от 25 тыс. рублей. С момента обращения клиента кредитор становится организатором процедуры и до ее завершения не сможет принудительно взыскать долг

Visa представила Visa & Main — платформу для ускорения роста малого бизнеса в США. Экосистема объединяет доступ к кредитованию, помощь в привлечении клиентов и набор бизнес-инструментов. Ключевой элемент — фонд оборотного финансирования на 100 млн долл. совместно с Lendistry. Одновременно Visa обещает предпринимателям маркетинговую и сервисную поддержку под крупные события (включая FIFA World Cup 2026), а также продвигает свои B2B-инструменты — управление расходами, риск- и антифрод-технологии, финансовое обучение.

Госдума приняла закон, нацеленный на борьбу с дропами и отмыванием доходов. Закон запрещает банковским платежным агентам самостоятельно проводить упрощенную идентификацию клиентов, а также лишает их возможности участвовать в выдаче банковских карт и открытии электронных кошельков. Ранее Банк России выявлял случаи, когда агенты незаконно использовали персональные данные физлиц для открытия электронных кошельков без их ведома: такие кошельки применялись для вывода похищенных средств и нелегальных транзакций. Платежные агенты сохранят возможность осуществлять денежные переводы без открытия счета на сумму до 15 тысяч рублей (и до 60 тысяч в случае оплаты ЖКУ). Переводы на более крупные суммы можно будет проводить через терминалы с использованием банковских карт. Нововведения не затронут операторов связи и Почту России.

Если вы работаете с данными или отвечаете за data‑стратегию — приходите 26 февраля на FinCore 2026, который проводит команда Scoring Day.

Одна из ключевых тем программы — ИИ-трансформация, включая роль Data Governance и Big Data в этом процессе. В фокусе внимания - переход от точечных экспериментов к системным изменениям всей финплатформы: от данных и процессов до безопасности и культуры разработки.

👉 В первой панельной дискуссии примут участие:

— Максим Травин, директор по работе с данными Т‑Банка;

— Сергей Рябов, старший управляющий директор, директор по AI-трансформации Сбера. Один из ключевых вопросов дискуссии — использование ИИ‑агентов в банке.

👉 В числе спикеров второй сессии, где будут обсуждаться ядро финплатформы будущего: платформенный подход vs классические АБС, Open API, облака и LLM‑платформы — и как состыковать ИИ, платформы и открытый банкинг в одной архитектуре:

— Тигран Саркисов, директор по управлению данными X5, который расскажет о том, как эволюционировать от «склада данных» к «цифровому мозгу» компании и выстроить цепочку Data Governance → Big Data → AI.

— Адель Валиуллин, первый вице-президент, руководитель блока технологий искусственного интеллекта Газпромбанка, который расскажет о перестройке сквозных процессов и создании такой архитектуры, где ИИ становится частью ядра.

— Юрий Колошеин, руководитель центра компетенций развития озера данных и интеграционных решений РСХБ-Автоматизация, и Сергей Золотарёв, директор по коммерции и стратегическому развитию Группы Arenadata, которые выступят с интригующей темой "Философский путь одного озера».

👉 В заключительной дискуссии о регулировании ИИ в финансовых платформах примет участие:

— Антон Степанов, начальник Центра экспертизы искусственного интеллекта Департамента финансовых технологий Банка России. В числе ключевых вопросов: как финорганизациям подготовиться к предстоящим изменениям, а также сформулируют вопросы, ответы на которые им хотелось бы получить от регуляторов.

До Форума осталось всего две недели — поспешите зарегистрироваться!

Сайт и программа Форума

Take Rate × EROE: как Альфа‑Банк считает «умную» ставку по кредиту наличными. Ч. 2

Про данные: почему их «нет»
Главная сложность в модели Take Rate — обучающая выборка. Похоже на ситуацию с котом Шрёдингера: мы не можем одновременно предложить одному клиенту кредит под 20% и под 25% — это будет выглядеть как минимум странно. Поэтому без экспериментов «чистых» данных для обучения просто не появляется.

Решение: управляемая рандомизация
Идея простая, но ее часто упускают: нужно встроить систему случайных «рычагов» и на этих данных учить модель. Мы так и сделали — запускали эксперименты, где рандомно варьировали ставку, сумму, наличие/отсутствие страховки, и на этих результатах обучили модели.

Что получилось
Ключевые цифры:
• интернет-канал: рост маржи +19%;
• отделения: около +5%.

Почему такая разница — отдельная тема (гипотез несколько). В целом по опыту модели прайсинга обычно дают бизнесу +10–20% маржи. Это не «иксы», но на больших объемах даже +10–15% — очень сильный результат.

Чек-лист для CPO: что нужно, чтобы запустить модель Take Rate
1. Индивидуальные офферы во всех точках контакта: отделение, приложение, веб. Без этого конструкция не взлетит.
2. Инфраструктура и ресурсы: в онлайне нужно быстро перебирать множество вариантов и гонять множество моделей. А десятки миллионов клиентов, помноженные на условные 10 тыс. комбинаций параметров, превращаются в триллионы вариантов.
3. Качественные данные: экспериментальный сбор — отдельная проектная задача.
4. Воля сделать продукт: реально хотеть сильный рыночный результат и быть готовыми довести до продакшна.

Планы
В ближайшее время планируются:
— запуск умного ценообразования для кредитных карт, депозитов и накопительных счетов, а также для некоторых комиссионных продуктов (в подписках);
— усиление моделей Take Rate.

Take Rate × EROE: как Альфа‑Банк считает «умную» ставку по кредиту наличными. Ч. 1.

Ставка — не всегда главный рычаг спроса. На Scoring Day руководитель продвинутой аналитики розничного бизнеса Альфа‑Банка Игорь Дойников показал, как банк перебирает 10 000+ комбинаций условий и в моменте выбирает для клиента оффер, который одновременно максимизирует согласие (Take Rate) и экономику (EROE).

Коротко — об эволюции конкуренции в ИИ в банках
До 2010-х рынок соревновался за качество скоринга: все «боролись за Gini» и строили первые модели на логистической регрессии.

Дальше наступила эпоха risk-based pricing: клиенты различаются по уровню риска, который должен учитываться в ставке.

С начала 2020-х фокус конкуренции сместился в модели ценообразования — в модели Take Rate (вероятности согласия клиента на предложение).

Гипотеза Take Rate: все просто
Люди по‑разному реагируют на параметры продукта. Хорошо видно на примере авто: для одних важны разгон и скорость, для других — экономичность или дизайн. Приоритеты напрямую влияют на вероятность покупки.

То же самое — в кредите наличными
Кто-то выбирает по сумме, кто-то по ставке, кому-то критично «без документов», отсутствие страховок и т. д.

Частая ошибка — считать, что самым эластичным параметром является ставка. Многое зависит от диапазона рассматриваемых ставок (условно «минус 2 / плюс 2» к базе). По нашим наблюдениям, чаще люди реагируют на сумму кредита — насколько мы закрываем потребность клиента в нужном объеме денег.

Из чего складывается прайс
В основе прайсинга кредита наличными — ставка фондирования, стоимость привлечения клиента, а также CAPEX и OPEX, распределенные на каждого клиента.

Есть индивидуальные параметры, влияющие на стоимость кредита: срок, сумма и весь cost of risk — модели PD, LGD, EAD.

Цель: не просто «выдать», а заработать
Наша базовая задача — выдавать кредиты с положительной экономикой. Внутри мы максимизируем метрику EROE (по смыслу близка к марже) — и именно ее хотим «поднимать» на потоке.

Почему одной финансовой метрики мало
Если повышать ставку по кредиту наличными, доходность на единицу может расти, но падает вероятность оформления — Take Rate. Если снизить ставку, этот показатель вырастет, выдач станет больше, но продукт может «уйти» в отрицательную маржу.

Значит, этот эффект нужно закладывать в оптимизацию явно, причем на уровне конкретного клиента.

Баланс ставки и спроса: «матрица предложений»
Практика такая: мы берем модель Take Rate и перебираем условия кредита (ставка, срок, сумма, страховка/без). Те же параметры подставляем в расчет EROE.

На выходе получаем тысячи комбинаций (10 000+ тыс. — зависит от шага по ставке) и выбираем оптимум по ожидаемой ценности.

Как это работает в моменте
Клиент приходит за кредитом — матрица прогоняет набор вариантов, считает Take Rate и риск-компоненты (в т.ч. тяжелые расчеты по PD). Цель — показать клиенту наиболее релевантный оффер (Take Rate × EROE). Сотруднику остается выбрать лучшее предложение по этим метрикам.

Что важно для модели Take Rate
1. Входные параметры кредита — обязательны (иначе нечего оптимизировать).
2. Адекватный знак зависимости (рост ставки не должен «повышать» Take Rate).
3. Монотонность: ставка вверх → Take Rate вниз. Иначе модель будет вести себя неустойчиво и выдавать нелогичные рекомендации.
4. Качественный лог показов: что именно показывали клиенту и с какими условиями. Без этого модель невозможно обучить — это реально отдельный челлендж.
5. Отдельные модели под разные каналы: отделение и онлайн.

Продолжение — в следующем посте!

Biweekly Scoring News: выдачи POS-кредитов сокращаются, ипотечный чек ползет вверх, фрод-звонков стало меньше

Средний размер ипотечного кредита в России за год вырос на 9% — до 4,8 млн рублей. В декабре 2025 года средний чек на вторичном рынке достиг 3,6 млн рублей (плюс 6% к ноябрю и плюс 33% к декабрю 2024 года). По новостройкам средний размер выданных ипотечных кредитов сохранился на уровне 5,9 млн рублей (минус 3% к декабрю 2024 года). На готовые дома и ИЖС средний размер ипотечных кредитов составил 5,4 млн рублей (плюс 4% к ноябрю; минус 2% к декабрю 2024 года).

В России снизились выдачи POS-кредитов. По данным ОКБ, количество оформленных кредитов сократилось на 52%, а объем выдач — на 51%, до 2,38 миллиона кредитов и 155,57 млрд рублей соответственно. В среднем ежемесячно россияне оформляли кредиты на товары на сумму 12,96 миллиарда рублей, в то время как в 2024 году этот показатель достигал 26,68 миллиарда рублей.

НБКИ: в декабре средний размер лимитов по новым выданным кредитным картам составил 99,1 тыс. руб. Это на 11,3% ниже, чем годом ранее (111,7 тыс. руб. в декабре 2024 г.), но на 2,1% выше, чем в ноябре 2025 года (97,1 тыс. руб.)

Среди 30 регионов-лидеров по выдачам новых кредитных карт в декабре 2025 года самые высокие средние лимиты были зафиксированы в Москве (137,7 тыс. руб.), Московской области (118,8 тыс. руб.), Санкт-Петербурге (117,9 тыс. руб.), а также в Тюменской (с ХМАО и ЯНАО) (107,7 тыс. руб.) и Ленинградской (103,3 тыс. руб.) областях.

В декабре банки замедлили корпоративное кредитование. По данным ЦБ, корпоративный портфель снизился на 0,2%, до 116,4 трлн рублей, а кредит экономике — на 0,4% до 156,5 трлн рублей. В ЦБ отмечают, что на динамику повлияли разовые колебания, связанные «с особенностями структуры отдельных сделок». Если исключить этот эффект, рост сохранялся, но был слабее, чем в октябре-ноябре, в т.ч. из-за факторов, обусловленных оплатой госзаказа.

Т-Банк сообщил о снижении числа мошеннических звонков в России: по его оценкам, в 2025 году их количество сократилось на 21%. В среднем защитные сервисы банка ежемесячно выявляли около 65 миллионов звонков от злоумышленников.

При этом в первом квартале 2025 года мошенничество продолжало расти, и по числу звонков, и по потенциальному ущербу. В этот период удалось сохранить на 20% больше средств на счетах клиентов, чем за аналогичный период 2024 года.

Как полюбить квантовые технологии и когда они дадут пользу бизнесу? Ч. 2.

Практика уже началась: квантовые подходы выходят в продакшн
Квантовые и квантово‑вдохновленные подходы уже применимы в оптимизации, генерации, моделировании и синтетике. В мире есть примеры индустриального внедрения: в Bank of America квантовые решения выводят в продакшн для расчетов и моделирования финансовых рынков. В ряде задач (например, прогнозирование кривых доходностей) квантово‑вдохновленные алгоритмы показывают очень высокую точность.

Кейс 1. Оптимизация инвестиционного портфеля

Типовой пайплайн квантовой оптимизации выглядит так:
— определяем размерность задачи;
— переводим постановку в квантовую форму;
— выделяем мат. ядро и переписываем его на «квантовом языке»;
— запускаем на квантовом компьютере (если хватит кубитов и качества) или на эмуляторе.

Важно: для «честного» квантового решения иногда нужны условные 1000+ кубитов. Но практические эффекты уже доступны на эмуляторах и квантово‑вдохновленных алгоритмах, в т.ч. за счет более точных операций внутри вычислительного контура.

При сравнительном анализе лучшие результаты показал SimCIM (Simulation of Coherent Ising), алгоритм квантово-вдохновленной оптимизации, имитирующий Coherent Ising Machine.

Что увидели в тестах:
— SimСIM по скорости обгоняет Gurobi во всех исследуемых сценариях;
— на крупных задачах лучше D-Wave;
— качество сопоставимо с Gurobi на малых задачах и выше на крупных.

Тесты эмулятора показали: квантово-вдохновленный оптимизатор обеспечивает лучшую точность и скорость в сравнении с классическими инструментами финансовой оптимизации.

Кейс 2. Ускорение саммаризации квантово‑вдохновленным подходом

Не все могут принести LLM «внутрь банка», но саммаризация нужна — чтобы передавать тексты в обучение или в контекст LLM.

Мы собрали саммаризатор на квантово‑вдохновленных алгоритмах, работающий на промежуточном стеке:
• по качеству он уступает полноценной LLM,
• зато быстрее и экономнее по ресурсам,
• точность — всего на 4% ниже, чем у Qwen 2.7B.

По скорости на одном из сценариев:
• классическое решение: 97 секунд
• квантово‑вдохновленное: 83 секунды (на 14% быстрее)

Потенциал на крупных текстах — ускорение на 30–50% при пользовательском анализе, плюс возможность работать с входными данными для LLM практически любого размера.

Что здесь важно
Все эти кейсы реализуются на квантово‑вдохновленных оптимизаторах — как on‑premise, так и в облаке. На практике, если у вас уже где-то «крутится» Gurobi или open‑source оптимизаторы, то во многих задачах их можно заменить квантово‑вдохновленным подходом (при корректной адаптации постановки). Ключевое — понимать математику своего вычислительного ядра.

Кейс 3: Улучшение характеристик маркетингового оптимизатора с помощью квантовых вычислений

Раньше для расчета маркетинговых рассылок мы использовали классический Gurobi и самописный алгоритм на C. Процесс был тяжелым: регулярные запуски, сбор датасета, подготовка данных. Один расчет (после загрузки базы данных) занимал около 14 часов.

Задача: сформировать оптимальный план маркетинговых рассылок: какие предложения, каким клиентам и через какие каналы коммуникации отправлять.

Что сделали : перестроили оптимизационное ядро и применили квантово‑вдохновленный подход, чтобы ускорить расчет и повысить «пропускную способность» процесса.

Результат: теперь тот же расчет выполняется за 40 минут. Прирост — кратный. Но важно не только время: выросло количество откликов, то есть решение стало приносить прямой бизнес‑эффект. Это как раз тот случай, когда «кванты» дают практическую пользу.

Итог
Мы часто воспринимаем квантовые вычислители и другие альтернативные архитектуры как что-то далёкое. Однако я очень рекомендую присмотреться к таким технологиям для высоконагруженных задач: многие из них можно решать уже сейчас — и при этом экономически эффективно.

Как полюбить квантовые технологии и когда они дадут пользу бизнесу?

Квантовые технологии — это уже не про лаборатории и «когда-нибудь потом». На Scoring Day Александр Гришканич, исполнительный директор департамента аналитики и внедрения технологий Банка ГПБ, рассказал, где DeepTech вплотную приблизился к бизнесу, какие «боли» подталкивают к квантовым сценариям и какие кейсы уже доказали их эффективность.

Почему DeepTech кажется "не про нас", хотя уже рядом
DeepTech редко оказывается в топе приоритетов: почти всегда побеждают задачи «здесь и сейчас». Однако технологии безопасного обмена информацией и вычислений над зашифрованными данными могут помочь бизнесу уже сегодня: финтех повысит точность расчета моделей кредитного скоринга, медтех сможет лучше прогнозировать развитие эпидемий

Проблема в другом: их внедрение и реализация требуют тяжеловесных подходов и обновления инфраструктуры. Привычные практики вроде fine-grained-настроек и fine-tuning здесь часто нерелевантны или слишком затратны по ресурсам.

Часто новые программные подходы проще исследовать и апробировать, чем аппаратные - при условии что нет регуляторных ограничений или незрелой регуляторики.

Где особенно болит?
Болевые точки хорошо просматриваются, например, в проектах по гиперперсонализации: нужно на лету пересчитывать рейтинги, подключая транзакционные и социальные антифрод-сигналы, причем на больших объемах «сырых» данных, а не только на готовых скорах. Такой режим становится серьезным вызовом для инфраструктуры — и именно здесь появляются перспективные сценарии для квантовых вычислений.

Что уже есть на рынке?
Самый мощный квантовый компьютер в России — экспериментальный образец на 70 кубитов, созданный физиками ФИАН на ионах иттербия и представленный в декабре 2025 года в рамках национальной дорожной карты по квантовым технологиям под руководством "Росатома".

Точность однокубитных операций — 99,98%, двухкубитных — 96,1%. Это рекорд для российских разработок и соответствует мировой динамике.

Параллельно развиваются во всем мире и в России:
➖универсальные квантовые компьютеры (под широкий класс алгоритмов);
➖адиабатические квантовые вычислители, которые в гибридной концепции помогают решать сложные задачи и применяются для обработки больших массивов данных (например, при построении сейсмических моделей);
➖программные эмуляторы квантовых компьютеров, воспроизводящие до некоторого предела работу квантового вычислителя на классических CPU и GPU-архитектурах.

Квантовые вычисления можно "потрогать" и через GPU
Если у вас есть качественный GPU-кластер, его можно использовать не только для градиентного бустинга и LLM, но и для моделирования квантовых математических систем. Это позволяет получать результаты в логике как универсальных, так и адиабатических квантовых вычислений.

Показательный пример: решать задачу вида "разложить 300-значное число на простые множители" с помощью классических инструментов пришлось бы астрономически долго, квантовые технологии способны справиться с ней радикально быстрее (вплоть до секунд).

Безопасность и сенсоры: квантовая польза не только для вычислений

Отдельный большой блок — квантово-устойчивая защита информации:
➖ быстрое и надежное распределение криптографических ключей;
➖ постквантовые алгоритмы шифрования, например, более надежные алгоритмы цифровой подписи.

Еще одно направление — квантовые сенсоры, которые уже применяются в разных отраслях для повышения точности измерений (для медицины, промышленности, гейминга и пр.).

Зачем это бизнесу: от синтетики до оптимизации и моделирования
Гиперперсонализация — лишь один из возможных кейсов. Важный класс задач — генерация "точной" синтетики: данных, которые сохраняют много корреляций и заметно повышают качество синтетических наборов. Это упрощает безопасную выгрузку и передачу данных партнерам.

Работать с квантовыми вычислениями в России можно уже сегодня, например использовать облачные сервисы компании КуБорд.

Какие кейсы уже реализованы на практике - в следующем посте!

Biweekly Scoring News: перезагрузка микрозаймов и динамика реструктуризаций

В Госдуму внесен законопроект о кредитных каникулах для бизнеса на УСН. В случае принятия закона предприниматели смогут оформить льготный период по кредиту на срок до трех лет. Предполагается, что мера будет действовать с января 2026 года до декабря 2028 года.
В пояснительной записке отмечается, что нововведения связаны со снижением порога доходов для бизнеса на УСН, позволяющего не платить НДС, а также повышением ставки налога до 22%.

Президент подписал закон реформе рынка МФО. Документ поэтапно ужесточает правила выдачи потребительских займов гражданам. В частности:
• с 1 апреля 2026 года максимальный размер переплаты по потребительским займам снижается со 130% до 100%;
• с октября 2026 года один заемщик сможет одновременно иметь не более двух договоров займа с полной стоимостью более 200% годовых каждый;
• максимальная сумма микрозайма МФО для юрлиц и ИП увеличивается до 15 млн рублей (с 5 млн рублей).

В России снизилась доля послаблений по розничным кредитам. Самой популярной мерой остается изменение даты платежа — 65,6% от общего количества послаблений. Это самый простой способ для банка пойти навстречу заемщику, но он постепенно уступает долю более эффективным мерам — неначислению процентов на просрочку, замене залога и др.

Доля кредитных договоров, по которым в 2025 году были предоставлены уступки, составила 1,72% от общего количества активных кредитов в портфелях банков (годом ранее — 1,85%).

Weekly Scoring News: Wildberries Банк расширяет линейку финсервисов, ЦБ наводит порядок с иммобилизованными активами, Госдума — с МФО, нелегальные брокеры активизируются

Госдума ужесточила правила выдачи микрозаймов. С апреля 2026 года максимальная сумма начислений по микрокредиту сроком до года не сможет превышать 100% от первоначальной суммы долга.

С января 2027 года МФО лишатся права заключать дополнительные соглашения, позволяющие включать неуплаченные проценты и штрафы в тело основного долга.

Также вводится «период охлаждения» — МФО запретят выдавать новый заем физлицам в течение 4 дней после полного погашения предыдущего.

С апреля 2027 года один заемщик сможет получить только один микрозаем с полной стоимостью выше 100% годовых.

При этом лимит микрозайма для юрлиц и ИП увеличивается до 15 млн рублей.

Wildberries Банк готовится запустить собственные кредитные карты и займы. На это указывают размещенные вакансии. Эксперты считают шаг логичным развитием экосистемы маркетплейса — для повышения лояльности клиентов и стимулирование спроса, без радикального изменения конкуренции на банковском рынке.

ЦБ разрешил банкам не ухудшать качество долга МСП и самозанятых, оформивших кредитные каникулы. При принятии решений в отношении ссуд, классифицируемых на портфельной основе, указанные ссуды могут не выводиться из портфелей и группироваться в отдельные субпортфели в соответствии с признаками однородности. Банкам рекомендовано предоставлять ЦБ информацию о решении не ухудшать в течение льготного периода качество обслуживания долга, включая обоснование такого решения и информацию о категории качества соответствующих ссуд.

В России растёт активность кредитных брокеров. В первой половине 2025 года Центробанк выявил 4183 субъекта с признаками незаконной деятельности, что почти на 20% больше, чем годом ранее. Среди выявленных посредников те, кто обещает помощь с кредитами, требует доступ к личным данным, предоплату, подделку документов или оформление кредита через ИП.

ЦБ разработал методику расчета концентрации иммобилизованных активов. Проект предлагает делить ИА на три группы с коэффициентом иммобилизации от 1 до 3 в зависимости от рискованности актива (его вида, ликвидности, срока нахождения на балансе). Предельное значение показателя РЧЛ — 25% от капитала банков.

Переход к целевому уровню планируется поэтапно в 2027-2031 годах (100–85–70–50–25%).

Регулирование начнет действовать с 1 апреля 2027 года.

ВТБ: рынок ипотеки в 2026 году станет более сбалансированным. По оценкам банка, выдачи ипотеки могут вырасти примерно на четверть, составив порядка 5,3 трлн рублей. Сегмент станет более сбалансированным: соотношение государственных и рыночных программ достигнет паритета. Традиционный пик активности ожидается в декабре.

Во втором полугодии 2025 года продажи ипотеки на рынке составят порядка 2,7 трлн рублей (рост более чем на треть к аналогичному периоду 2024 года).

ЦБ позволит переводить кредиты в кредитные ЦФА при сроке жизни на балансе от 6 месяцев. В ЦФА можно будет трансформировать не более 80% задолженности по кредитному договору. В отдельный выпуск ЦФО смогут входить либо кредиты одного заемщика, либо кредиты, соответствующие критериям портфеля однородных ссуд по 590-П. На банк-инвестор будут распространяться макронадбавки.

Как минимизировать события кредитной социнженерии с помощью ML?

Об этом на Scoring Day рассказал Антон Исправников, начальник управления моделирования РБ, Банк ВТБ.

Подходы и инструменты «социнженеров»
Основной инструмент мошенников — психология и работа с эмоциями. Сначала жертву выводят из равновесия: пугают («сейчас украдут деньги со счетов»), давят на срочность («нужно перевести в течение 5 минут»), или, наоборот, обещают быстрый заработок. В состоянии страха, паники или жадности человек хуже контролирует решения.

Дальше подключаются «катализаторы» воздействия: мнимая авторитетность («сотрудник банка», «полиции», «ФСБ», «руководитель»), важность и жесткие сроки. Комбинация сильных эмоций и таких триггеров — основа успешной атаки на человеческое мышление.

Размер ущерба
По оценкам ЦБ и крупных компаний в сфере кибербезопасности, около 90% мошенничества связано с социальной инженерией (СИ). В одном из обзоров ЦБ фигурирует ущерб около 5 млрд рублей на протяжении одного квартала, но реальная сумма, вероятно, выше.

Чем интересуются мошенники:
• кредитные карты, кредиты наличными и авто с отложенным залогом. Последние два продукта подвергаются атакам в большей степени. Доля событий СИ может достигать 1.5% в зависимости от продукта и периода времени.

Каналы выдачи:
• точки продаж и интернет‑банк, и последний, как правило, наиболее уязвим воздействию СИ

Целевые показатели СИ для будущих моделей:
Количество случаев СИ насчитывает сотни -
на объемах крупного банка это превращается в очень значимые суммы — и именно здесь ML может дать максимальный эффект.

Что с этим делать?
Самый простой шаг — короткая анкета из 10-15 вопросов в момент подачи заявки на кредит. Иногда люди в процессе заполнения понимают, что действуют «по указке», иногда жертву можно вычислить по нестандартному поведению. Но анкета срабатывает не всегда: мошенники отлично умеют готовить жертв.

Поэтому переходим на следующий уровень: анализ больших данных и подготовка ML-модели для хотя бы частичного предвосхищения таких событий.

Условно делим данные на три группы:
1) внутренние: соцдемография, транзакции, кредитная история, продуктовый профиль.
2) внешние: из БКИ, от работодателя и внешних провайдеров (особенно ценны данные телеком-операторов)
3) (почти) real‑time: события и триггеры по клиенту — как давно до заявки он снимал наличные, какие операции проводил, как часто меняет пароль в ЛК, продолжительность сессий и т.п.

Из этих данных генерируется множество фичей для обучения онлайн-модели, которая оценивает вероятность того, что кредит запрашивается под воздействием социальной инженерии.

Сегментация — стоит отдельно анализировать онлайн и офлайн каналы подачи заявки, а также продукты.

Целевое событие — подтвержденный случай социальной инженерии. Таргет — бинарный, задача — классификация.

Алгоритм обучения — градиентный бустинг.

Целевые метрики:
— F1-score (основная в данном кейсе) - среднее гармоническое между точностью и полнотой, помогает найти максимум мошенников и минимизировать количество ложноположительных срабатываний, тем самым сократив число необоснованных отказов. Качество модели на каждой итерации оценки признаков измерялось с помощью метрики, основанной на площади под кривой F1-score в заданном диапазоне cut-off (0–10%).

Gini показатель второстепенный, поскольку хорошо демонстрирует упорядоченность наблюдений, но предсказания на уровне фиксированного порога классификации могут быть неэффективны.

Можно использовать соотношение «чувствительность/специфичность» для минимизации разницы между ними, но тогда вырастает доля ложноположительных решений.

Результаты
Оптимизация площади под кривой F1 позволила банку увеличить как ранжирование (Gini), так и F1-score на несколько процентных пунктов — результат не космический, но в риск-менеджменте важны именно взвешенные решения, а не эффектные цифры в презентации.

За год банк смог выявить сотни случаев социальной инженерии и потенциально сохранить для клиентов более миллиарда рублей.

Как использовать технологии конфиденциальных вычислений для монетизации данных?

На Scoring Day об этом рассказала Анна Лагунова, руководитель монетизации данных для кредитного бизнеса в Т‑Банке.

Почему вообще нужно что‑то менять в передаче данных, если «и так всё работает»?

У кредитного бизнеса есть множество потенциально полезных источников информации, которые до сих пор недоступны банкам.

Часть данных защищена законом, остальные — их владельцами, которые не хотят терять конкурентное преимущество, раскрывая сырые данные.

В итоге:
— теряем данные из‑за распределённости источников и тратим месяцы на подключение новых;
— упираемся в потолок качества моделей, построенных только на внутренних данных или классических партнерских скорах.
— и не можем строить модели на полноценных данных.

Что с этим делать?
Задачу можно решать с помощью технологий повышения приватности (PET, privacy‑enhancing technologies), таких как:

— безопасные многопользовательские вычисления (MPC),
— дифференциальная приватность (DP),
— доверенные вычислительные среды (TEE),
— гомоморфное шифрование и др.

На международном рынке уже есть кейсы использования технологий на стыке ИИ и PET — такой подход, например, выбрала Alibaba для платформы обмена данными.

Основная проблема — подобрать правильную технологию под задачу, которую вы решаете.

Например, для кейса «Обучение нейросетей», в рамках которого два партнера были готовы обмениваться данными ради синергетического эффекта, оптимальным решением стали многопользовательские вычисления (MPC).

Основное требование банка — персональные данные клиентов, эмбеддинги, переменные, целевые события и т. п. не должны передаваться третьим сторонам или консолидироваться у третьих лиц — даже при обучении моделей.

Преимущества подхода:
— данные могут быть разной природы и разной размерности;
— есть возможность обучения на любое целевое событие. В нашем примере обучение было направлено на вероятность дефолта, но это могут быть не только бинарные таргеты, но и, например, модели дохода. По типу задач ограничений фактически нет;
— нет потери в качестве модели из-за конфиденциальных вычислений;
— подход легко масштабируется на любое количество участников.

Для реализации кейса «Граф партнерских связей» с телеком-оператором была выбрана технология гомоморфного шифрования. Целью проекта было заявлено усиление моделей для клиентов, по которым было недостаточно данных за счет связей от партнеров (звонки, sms, предложения дружбы в соцсетях и пр.) за счет повышения полноты источников. Основным результатом стали прибавки к действующим моделям, особенно на сегменте с малым количеством внутренних данных.

Видим потенциал развития графов с другими партнерами, в т.ч. возможность использования связей от нескольких партнеров одновременно.

С чем можно столкнуться при проведении пилотов:

— огромное количество согласований с юристами и ИБ. Они долгие и могут занимать больше времени, чем придумывание концепции и обучение модели.

— некоторые регуляторные ограничения.

— проблемы с кадрами. Если вы жалуетесь на нехватку датасаейнтистов, попробуйте найти криптографа‑датасайентиста. Т-Банк запустил курс по криптографии в Центральном университете, но задача формирования специалистов в этой области стоит перед всем рынком.

— проблема эффективности протоколов и алгоритмов. Если модель подбирается под скоринговые задачи, она должна срабатывать в сжатые сроки — желательно, меньше минуты. Это накладывает серьезные ограничения на используемые нами алгоритмы и требует их оптимизации.

Weekly Scoring News: фрод-рулетка выходит в массы, реформа скоринга откладывается, ИИ научится оценивать залоги

ЦБ отметил рост просрочки в потребительском и ипотечном кредитовании. Происходит это на фоне вызревания старых долгов, говорится в "Обзоре финансовой стабильности" Банка России. Доля проблемных потребкредитов на 1 октября 2025 года выросла до 12,9%. Риски по новым выдачам остаются высокими, уровень выхода в раннюю просрочку составил 2% по кредитам, выданным в июле 2025 года (1% в июле 2023 года).

Доля проблемных ипотечных кредитов с начала года выросла на 0,7 п.п. — до 1,7%. ЦБ отмечает ухудшение качества кредитов на цели ИЖС, льготной безадресной ипотеки на покупку квартир, рыночной ипотеки, предоставленной в последние годы по более высоким ставкам.

Центробанк отложил переход банков на новую систему оценки заемщиков. Срок внедрения механизма по проверке банками доходов заемщиков в информационных системах ФНС и Социального фонда может быть перенесен на 1 июля 2027 года, сообщил зам. департамента финансовой стабильности Банка России Евгений Румянцев.
Причины переноса пока не раскрываются.

Сбер, Банк «ДОМ.PФ» и АФТ займутся внедрением ИИ в ипотечный процесс. Цель проекта — цифровизация и упрощение оценки рыночной стоимости недвижимости с помощью машинного обучения. Ожидается, что решение сократит время и расходы для клиентов, а для банков снизит риски, связанные с человеческим фактором

Т-Банк открыл доступ к фрод-рулетке для всех россиян. Теперь любой желающий может зарегистрироваться и заказать себе мошеннический звонок. Фрод-рулетка перехватывает звонки мошенников и анонимно перенаправляет их пользователям, чтобы те как можно дольше удерживали злоумышленников на линии, не давая им украсть деньги у жертв. Также пользователи сервиса оттачивают навыки противостояния мошенникам и защищают потенциальных жертв, до которых пытались дозвониться мошенники.

В тестовом этапе участвовали более 2000 человек, им удалось предотвратить хищения на сумму более 490 млн рублей.

Weekly Scoring Day: банкротство молодеет, бизнес РФ тратит 40% прибыли на кредиты, фрод превращается в услугу

Российский бизнес на пределе долговой нагрузки: около 40% прибыли компаний уходит на обслуживание кредитов — это исторический максимум, в три раза выше уровня двухлетней давности. Аналитики Центра макроэкономического анализа и краткосрочного прогнозирования отмечают, что долговая нагрузка достигла критической отметки. Наибольшие риски — у деревообработки, автопрома, строительства, а также производства мебели и одежды.

Молодежь в России стала банкротиться заметно чаще. Возраст граждан, прибегающих к процедуре банкротства, стремительно снижается. Если в 2020 году 78% обращений о банкротстве физических лиц приходило от россиян старше 45 лет, то в 2025 году — уже 58%. Среди возможных причин — высокая доступность кредитных продуктов и рост мошеннических схем, которые распространяются параллельно с расширением рынка кредитования.

В Т-банке зафиксировали рост случаев фрода с участием специальных компаний, которые "помогают" клиентам обанкротиться. Об этом заявил глава «Т-технологий» Станислав Близнюк. По его словам, если раньше подобные схемы были характерны для авторынка, то теперь «людей учат, как обанкротиться, как оставить квартиру, вернуть себе долги, списать и потом через два года обратно быть полноценным участником общества».

Сбер: несмотря на «беспрецедентные» меры по борьбе с телефонными мошенниками, правительству и спецслужбам не удалось справиться с ними. Потери россиян от телефонного фрода по итогам года могут вырасти на 15-20%. В прошлом году, по данным банка, телефонные мошенники похитили у россиян около 300 млрд рублей.

Weekly Scoring News: Samsung планирует выход на рынок кредиток США, ЦБ расширяет антифрод, бизнес-просрочка на максимуме, но выдачи растут

Samsung планирует выйти на рынок кредитных карт США. По данным The Wall Street Journal, компания уже ведет переговоры с английском банком Barclays. Сделка пока не гарантирована, но официальное объявление о партнерстве ожидается до конца текущего года. Рассматривается модель, при которой кэшбэк по новой карте будет автоматически зачисляться на баланс Samsung Cash с возможностью перевода на высокодоходный сберегательный счет бренда.

ЦБ предложил ужесточить требования к расчету долговой нагрузки заемщика. Изменения могут вступить в силу с 1 апреля 2026 года. В их числе:
- введение дисконтирующего коэффициента 10%,
- исключение выписок по счетам с иными доходами из перечня документов, подтверждающих доход ;
- обязанность формировать и предоставлять гражданам выписки по счетам, используемым для подтверждения доходов, возлагается только на банки, где открыт счет с доходами;
- запрет на использование документов с информацией о доходах ИП, выданных предпринимателем самому себе;
- а также признание суммы среднемесячных платежей по кредитам клиента равной его среднемесячному доходу в случаях, когда отсутствует согласие заемщика на раскрытие банку основной части кредитной истории.

Банк России расширил список признаков мошеннических операций. Новые правила начнут действовать с 1 января 2026 года.

В список добавились еще шесть признаков по банковским операциям и два по цифровому рублю. В частности, туда были добавлены операции по крупным переводам через СБП — от 200 тыс. руб., а также, например, смена номера телефона для входа в онлайн-банк, получение банком информации от операторов связи о том, что у клиента изменились характеристики телефона, например используется нетипичный интернет-провайдер.

Объем просроченной задолженности бизнеса вырос почти до 3 трлн рублей. Почти четверть российских компаний имеют просроченные кредиты — их доля выросла на 6 п.п. за год и стала максимальной за 2,5 года. Объем задолженностей с просрочкой приблизился к 3 трлн руб., а общее корпоративное кредитование превысило 80 трлн руб. Рост долга связан с высокой ключевой ставкой, которая долгое время держалась на уровне 21% годовых, что сделало заемные средства слишком дорогими.

В то же время бизнес-кредитование показало аномальный скачок на фоне снижения ставок. В октябре корпоративный портфель российских банков вырос более чем на 2 трлн рублей (+2,3%), что стало рекордом как минимум с начала прошлого года. Наибольший вклад внес Сбербанк — его выдачи увеличились на 678 млрд рублей, а общий объем кредитов за месяц достиг 3 трлн. В банке активность объяснили снижением процентных ставок по продуктам для бизнеса.

3 кейса Сбера, ВТБ и Альфа-Банка. Клиентский опыт + ИИ и данные. Стратегии лидеров

Темы ИИ, данных, клиентского опыта в финтехе – становятся главными почти на каждом нашем событии.

В канале предстоящего форума CX Fintech Day мы разместили три полных записи выступления, которые затрагивают эти темы.

1️⃣ Как системно организовать работу управления клиентским опытом на уровне стратегии — Анна Кабанец, директор по CX-стратегии Альфа-Банка.

2️⃣ Как развить способность бота решать задачу сентиментного анализа с точностью до 80% и научить его грамотно управлять диалогом — Александр Александров, вице-президент Банка ВТБ.

3️⃣ Как с помощью синергии В2U и больших данных выйти на новый уровень взаимодействия с клиентом — Дарья Жаркова, директор проектов СХ В2В Сбера.

👉 Переходите на канал CX Fintech Day и забирайте записи выступлений в закрепленном сообщении.

👉 Узнать больше о форуме – самой большой тусовке по CX в финтехе, которая состоится 11 декабря, и зарегистрироваться можно на сайте

Weekly Scoring News: рынок кредиток впервые сжимается, МПЛ ужесточаются, запросы в БКИ растут

Российские банки впервые в современной истории столкнулись со снижением спроса на кредитные карты. По данным «Скоринг бюро», в последние годы ежеквартальные выдачи держались на уровне 5-7 млн кредитных карт. Однако к концу 2024 года, после повышения ключевой ставки до 21%, выдачи стали сокращаться, и в 2025 году они замедлились до чуть более 3 млн кредитных карт за квартал.

При этом в сентябре впервые с 2021 года было оформлено менее 1 млн новых кредитных карт - всего 991,3 тыс. В результате количество кредитных карт на руках у россиян сокращается уже второй месяц подряд: в августе оно уменьшилось на 0,3%, в сентябре - уже на 0,5% г/г, до 96,9 млн.

Банк России ужесточил макропруденциальные лимиты (МПЛ) по высокорисковым ипотечным кредитам на ИЖС до 20%. Новое ограничение вступит в силу в первом квартале 2026 года. В четвертом квартале текущего года лимит установлен на уровне 25%.

С 2026 года также изменится МПЛ для нецелевых потребительских кредитов под залог недвижимости. В первом квартале 2026 года доля кредитов заемщикам с показателем долговой нагрузки (ПДН) выше 80% будет ограничена 15% портфеля, а для заемщиков с ПДН от 50% до 80% — 20%.

Количество кредитных отчетов, полученных гражданами из БКИ, в первом полугодии 2025 года выросло на 9%. Банки и МФО при этом направили в БКИ на треть больше запросов на информацию, содержащую индивидуальный рейтинг получателя кредита. Спрос со стороны МФО растет на фоне увеличения доли онлайн-займов: за год услуги по предоставлению скоринга почти удвоились.

НСПК запустила систему поощрения банков за возврат денег жертвам мошенников через сервис "Добрая воля". Размер поощрения составит 5% от суммы возврата, но не более 5 тысяч рублей. С момента запуска «Доброй воли» банки вернули гражданам 145 млн рублей.

Финтех-группа Cyberbird подключила систему автоматической проверки соответствия реквизитов заемщика при выдаче онлайн-займов через СБП. Интеграция усилила контроль за безопасностью выдачи потребительских онлайн-займов и снизила риски мошенничества. После оформления заявки система автоматически отправляет запрос в НСПК, чтобы получить сведения о получателе мгновенного платежа. На совпадение проверяются фамилия (или ее первая буква), имя и отчество заемщика. Ответ о соответствии данных поступает в режиме реального времени, что позволяет быстро принять решение о выдаче займа.