Применение метода видеокомпьютерной диагностики и психокоррекции для повышения эффективности определения надежности клиентов банка
(Стр. 167-178)

В данной статье рассматривается применение метода видео-компьютерной-психодиагностики и психокоррекции (ВКП) для определения надежности клиентов банка «Тинькофф» в дополнение к кредитному скорингу, а также пример диагностики клиентов микрофинансовой организации «Банк 911» в режиме on-line. Обозначена проблема снижения рисков потребительского кредитования в России и важность ее решения, исследованы существующие методы определения надежных заемщиков в банковской сфере, такие как Персональный кредитный рейтинг, скоринг-система, психоскоринг, их недостатки в условиях большого потока заемщиков, описана суть метода видео-компьютерной психодиагностики и психокоррекции и приведен результат исследования его применения для диагностики клиентов банка «Тинькофф». Обозначено преимущество метода ВКП, заключающееся в том, что, используя данный метод, можно быстро определить мошенника, который заведомо пришел с поддельными документами, или просто заемщика, который изначально не собирается или не может выплачивать кредит, а также дать прогноз поведения клиентов на длительный период, поскольку с помощью программы можно выявить потенциальную предрасположенность к мошенничеству, такие свойства как «лживость» и «безалаберность». Приведено сравнение метода ВКП с другими системами распознания эмоций на изображении, его преимущество и возможность применения в организациях, связанных с опасностью для жизни и экстремальными ситуациями.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Новикова Е.Б. Применение метода видеокомпьютерной диагностики и психокоррекции для повышения эффективности определения надежности клиентов банка // Computational Nanotechnology. 2025. Т. 12. № 5. С. 167-178. DOI: 10.33693/2313-223X-2025-12-5-167-178. EDN: FFXZMW

Ануашвили А.Н. Объективная психология на основе волновой модели мозга. М.: Экон-Информ. 2008. 292 с.
Арисова М.Б., Павелкин В.Д. Современные проблемы и перспективы развития потребительского кредитования в Российской Федерации // Междунар. науч.-практ. интернет-журнал «ПРО-Экономика». 2020. № 1. С. 67–70.
Бичель И.С., Костюкова С.Н. Цифровая трансформация системы банковского кредитования малого бизнеса // Экономика. Бизнес. Финансы. 2020. № 5. С. 7–11.
Гаврилова Э.Н. Скоринговые модели оценки кредитных рисков: российский и зарубежный опыт // Актуальные вопросы современной экономики. 2019. № 1. С. 101–105.
Дженбекова Д.А., Джангазиев А.Е., Езангина И.А. Направления совершенствования управления кредитными активами в региональной сети современного коммерческого банка // Современные социальные и экономические процессы: проблемы, тенденции, перспективы регионального развития. 2023. № 1. С. 25–27.
Дорджи-Горяев С.Б. Финансово-бюджетный контроль при реализации региональных программ // Современные социальные и экономические процессы: проблемы, тенденции, перспективы регионального развития. 2023. № 1. С. 27–29.
Мальцевич Н.В., Макарова Ю.В. Скоринг как метод оценки кредитоспособности // Стратегии развития предпринимательства в современных условиях: матер. I Междунар. науч.-практ. конф. «Стратегии развития предпринимательства в современных условиях». СПб.: С.-Петербургский гос. экономический ун-т, 2017. С. 270–272.
Селюков В.К. Оптимизация процесса управления кредитным риском в банковских скоринговых системах // Вестник МГТУ им. Н.Э. Баумана. Серия: Естественные науки. 2006. № 1. С. 106–118.
Толмачёва Ю.С. Современные методы оценки благонадежности заемщика коммерческого банка // Экономика и социум. 2018. № 11 (54). С. 943–948.
Чудиновская Л.А. Актуальные проблемы кредитования физических лиц // Весенние дни науки: cб. докл. Междунар. конф. студентов и молодых ученых (Екатеринбург, 24–25 апреля 2020 г.). Екатеринбург: УМЦ УрФУ. 2020. С. 75–78.
Akanksha K., Ranjan N., Vyas N. Deep learning-based automatic face expression recognition framework // Processing of the International Conference on Circuit Power and Computing Technologies (ICCPCT). Kollam, India. 2023. Pp. 1291–1296.
Anuashvili A.N. New principle of moving object image reception // Coherent measuring and data processing methods and devices. CIS Selected papers. Washington: The International Society for Optical Engineering, Bellingham, 1993. Vol. 1978. Pp. 147–155.
Amirhosseini M.H., Kazemian H. Machine learning approach to personality type prediction based on the Myers–Briggs type indicator // Multimodal Technologies and Interaction. 2020. No. 4 (9). Pp. 1–15.
Abidin N.H.Z., Remli M.A., Ali N.M. et al. Improving intelligent personality prediction using Myers–Briggs type indicator and random forest classifier // Int. J. Adv. Comput. Sci. Appl. 2020. Vol. 11. No. 11. Pp. 192–199.
Gadiraju S.S., Reddy S. Bonthu, Kurada R.R. A plausible RNN-LSTM based profession recommendation system by predicting human personality types on social media forums // Processing of the 7th International Conference on Computing Methodologies and Communication (ICCMC). Erode, India, 2023. Pp. 850–855.
Mushtaq Z., Ashraf S., Sabahat N. Predicting MBTI personality type with K-means clustering and gradient boosting // Processing of the 23rd International Multitopic Conference (INMIC). IEEE, 2020.
Wang X. Analysis of bank credit risk evaluation model based on BP neural network // Computational Intelligence and Neuroscience. 2022.

персональный кредитный рейтинг, скоринг, психоскоринг, видеокомпьютерная психодиагностика и психокоррекция, эффект когерентного усиления, машинное обучение, психотип.