Успех скоринговой модели обуславливается такими ключевыми факторами, как:

- непредвзятость оценки (скоринг напрочь отметает субъективность оценок, традиционно связанную с кредитными решениями);

- стандартизация кредитных оценок;

- возможность автоматизации;

- контроль (в силу стандартизации кредитных операций банкам не представляется сложным контролировать и отслеживать эффективность кредитных решений);

- увеличение доходности (автоматизация процесса означает снижение затрат на ручную обработку заявок на кредит до минимума).

Сложность применения скоринга заключается в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать. Для юридических лиц зачастую используют относительные коэффициенты конкурентоспособности, например, рентабельность совокупного капитала, коэффициент текущей ликвидности, коэффициент финансовой независимости и т.д. Модель может быть основана на линейном дискриминантном анализе, т.е. банк может соотносить и взвешивать несколько переменных, например, характеристик собственности и менеджмента заёмщика с оценкой его финансового положения. В этом случае безусловным правом на получение кредита могут обладать заёмщики с высоколиквидными акциями, легким доступом к привлечению дополнительного капитала, являющиеся лидерами отрасли, с обширной филиальной сетью и обеспечивающие рост продаж, а значит прибыли и чистых денежных потоков. Очевидно, что кредитование таких заёмщиков несет минимальный риск для банка. В то же время, если заёмщик осуществляет свою деятельность в высококонкурентной среде, занимает небольшую долю рынка, не имеет внятной стратегии развития, то получить кредит ему будет гораздо сложнее, т.к. банк относит его к заёмщикам повышенной группы риска.

Для физических лиц наборы переменных, используемые банками для кредитного скоринга на первый взгляд могут показаться одинаковыми. Обычно банк интересуется следующими характеристиками заёмщика: возраст, количество детей/иждивенцев, профессия, профессия супруга(и), доход, доход супруга(и), район проживания, стоимость жилья, наличие телефона, сколько лет живет по данному адресу, сколько лет работает на данной работе, сколько лет является клиентом данного банка, наличие кредитной карточки/чековой книжки.

Набор характеристик может меняться в зависимости от региона, в котором работает, банк, в силу его экономических и социально-культурных особенностей, но в любом случае, он будет тесно связан с оценкой вероятности дефолта заемщика. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование дефолта. Поэтому внутри одного банка могут применяться различные модели для различных групп клиентов и различных видов кредита.

Банки стремятся к стандартизации процедур оценки кредитоспособности формализации принятия решений о кредитовании, основываясь на критериях, непосредственно связанных с вероятностью дефолта. Иными словами, банки заинтересованы в построении математических моделей, которые позволяют оценить, какая информация является существенной, а какой можно пренебречь. При моделировании набор переменных в каждом конкретном случае может существенно меняться, поскольку одни и те же экономические характеристики могут быть отражены разными типами переменных — непрерывными, дискретными и т.п.

Скоринговые модели могут быть весьма разнообразными и включают в себя: статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия); различные варианты линейного программирования; дерево классификации или рекурсионно-партиционный алгоритм (РПА); нейронные сети; генетический алгоритм; метод ближайших соседей.