У каждого из методов имеются свои преимущества и недостатки. Выбор метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Очевидно, что регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: к примеру, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

Рассмотренные методы не исчерпывают всего многообразия современных способов, служащих для определения кредитоспособности заемщика. В последнее время банки все чаще разрабатывают и внедряют собственные модифицированные методы оценки, которые включают в себя как элементы скоринга, так и расчет финансовых показателей. На основании полученных результатов заемщику присваивается кредитный рейтинг, который определяет степень его кредитоспособности и возможность предоставления ему ссуды.

Несмотря на прогрессивность скоринга и повсеместное использование его зарубежными банками, до сих пор остается нерешенным целый ряд проблем, связанных с оценкой заёмщиков по данной методике. Одна из них заключается в том, что классификация выборки производится только на клиентах, которым дали кредит. Довольно сложно узнать, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками. Также возникает проблема, связанная с изменениями поведенческих аспектов заёмщиков, социально-экономических и прочих условий, оказывающих влияние на них. Поэтому скоринговые модели подлежат обязательной корректировке с частотой полгода-год для России, экономика которой не отличается статичностью. У российских банков при применении любого вида статистического анализа возникают трудности рассмотрения длинных временных рядов за отсутствием «кладбища» кредитных историй. Кроме того, ещё одной особенностью российской экономики является неоднозначная интерпретация данных российских предприятий. Это связано с тем, что состояние финансовой отчетности, строго говоря, не всегда четко соответствует реальному положению вещей, а значит, финансовые показатели могут принимать любые значения вплоть до отрицательных, причем со значительно большей частотой, чем такое, к примеру, возможно в западных компаниях. В результате, неадекватными будут значения коэффициентов, что приводит к необходимости устанавливать для них особые лимиты или удалять сомнительные данные.

Какую бы банк не выбрал скоринговую модель очевидно одно – без её автоматизации смысл в ней просто пропадает. Бесперебойная работа и репутация банка обуславливаются минимумом субъективности при принятии решения отдельными сотрудниками и максимумом алгоритмов, реализованных в виде программного кода и настроек автоматизированной банковской системы. Даже если кредитный сотрудник в некоторых случаях уполномочен производить субъективную оценку, то программное средство в целях безопасности должно ограничивать его возможности принятия решений в пределах определенной суммы или, например, запрашивать подтверждение данной операции от еще одного специалиста. Подобные правила разрабатываются на основе кредитной политики банка, а автоматизированная система способствует их беспрекословному соблюдению.