В статье рассматриваются актуальные вопросы оценки банковского кредитного риска и акцентируется внимание на скоринговой модели, созданной с использованием методов анализа данных для оценки кредитоспособности заемщика. Кредитные рейтинги были выбраны в качестве примера для иллюстрации процесса обработки данных. Для оценки кредитного риска кредитный скоринг стал важнейшим инструментом, позволяющим отличать платежеспособных клиентов от не платежеспособных клиентов в финансовые учреждения. Соответственно, для кредитного скоринга был успешно применен алгоритмы машинного обучения. Снижение кредитного риска является областью повышенного интереса в связи с финансовыми кризисами и поэтому финансовые учреждения собирают массу данных. Это поставило перед аналитиками риска сложную задачу обработки больших данных и адекватного определения платежеспособности человека. В поисках высокоэффективных моделей кредитного скоринга финансовые учреждения могут использовать сложные методы машинного обучения. В статье для сравнительного анализа были использованы методы классификации машинного обучения. Результаты показывают, что регрессия обеспечивает наилучшую оценку дефолта, за которой следует модель случайного леса. Широко используемая логит-модель показала лучшие результаты, чем машина опорных векторов. Более того, с помощью теста Колмогорова-Смирнова мы доказали, что другие методы машинного обучения превосходят широко используемую логит-модель в том, насколько хорошо модель может классифицировать классы.