ВКР на тему: «Разработка автоматизированной системы по расчету кредитных предложений»

# Схема базы данных системы расчёта кредитных условий
# Специальные поля для соблюдения требований Банка России и ФЗ-152
# Таблица клиентов
CREATE TABLE clients (
    id SERIAL PRIMARY KEY,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    # Персональные данные (требуют защиты по ФЗ-152)
    first_name_encrypted TEXT NOT NULL,    # Зашифрованное имя
    last_name_encrypted TEXT NOT NULL,     # Зашифрованная фамилия
    patronymic_encrypted TEXT,             # Зашифрованное отчество
    birth_date DATE NOT NULL,
    passport_series VARCHAR(4) NOT NULL,
    passport_number VARCHAR(6) NOT NULL,
    passport_issued_by TEXT NOT NULL,
    passport_issued_date DATE NOT NULL,
    registration_address TEXT NOT NULL,
    # Контактные данные
    phone_encrypted TEXT NOT NULL,
    email_encrypted TEXT,
    # Согласия клиента (обязательно по ФЗ-152 и ФЗ-115)
    consent_bki BOOLEAN DEFAULT FALSE,     # Согласие на запрос в БКИ
    consent_bki_date TIMESTAMP,
    consent_fns BOOLEAN DEFAULT FALSE,     # Согласие на запрос в ФНС
    consent_fns_date TIMESTAMP,
    consent_personal_data BOOLEAN DEFAULT FALSE, # Согласие на обработку ПДн
    consent_personal_data_date TIMESTAMP,
    consent_personal_data_text TEXT,       # Текст согласия для аудита
    # Статусы
    is_active BOOLEAN DEFAULT TRUE,
    blacklisted BOOLEAN DEFAULT FALSE     # Флаг внесения в ЧС по решению сотрудника
);
# Таблица запросов кредитной истории
CREATE TABLE credit_history_requests (
    id SERIAL PRIMARY KEY,
    client_id INTEGER NOT NULL REFERENCES clients(id) ON DELETE CASCADE,
    requested_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    requested_by INTEGER NOT NULL REFERENCES employees(id), # Кто запросил
    # Данные запроса
    bureau_name VARCHAR(50) NOT NULL CHECK (bureau_name IN ('nbki', 'okb', 'equifax')),
    request_id_external VARCHAR(100),    # ID запроса в БКИ
    consent_provided BOOLEAN NOT NULL,   # Подтверждение наличия согласия
    # Результат запроса (хранится зашифрованным)
    response_encrypted TEXT,
    response_received_at TIMESTAMP,
    # Статусы
    status VARCHAR(20) DEFAULT 'pending' CHECK (status IN ('pending', 'success', 'failed', 'rejected')),
    error_message TEXT
);
# Таблица расчётов кредитных условий
CREATE TABLE credit_calculations (
    id SERIAL PRIMARY KEY,
    client_id INTEGER NOT NULL REFERENCES clients(id) ON DELETE CASCADE,
    calculated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    calculated_by INTEGER NOT NULL REFERENCES employees(id), # Менеджер, запустивший расчёт
    # Входные данные для расчёта (анонимизированные для хранения истории)
    requested_amount INTEGER NOT NULL,   # Запрашиваемая сумма
    requested_term INTEGER NOT NULL,     # Запрашиваемый срок в месяцах
    purpose VARCHAR(100),                # Цель кредита
    # Результаты скоринга
    score_value INTEGER NOT NULL CHECK (score_value BETWEEN 0 AND 1000), # Скоринговый балл
    pd_estimate REAL NOT NULL CHECK (pd_estimate BETWEEN 0 AND 1),      # Вероятность дефолта
    risk_category VARCHAR(20) NOT NULL CHECK (risk_category IN ('low', 'medium', 'high', 'very_high')),
    # Предварительные условия кредита (НЕ решение о выдаче!)
    proposed_amount INTEGER,             # Предложенная сумма (может отличаться от запрошенной)
    proposed_term INTEGER,               # Предложенный срок
    proposed_rate REAL,                  # Предложенная ставка
    proposed_psk REAL,                   # Полная стоимость кредита (%)
    # Юридически обязательные поля
    is_final_decision BOOLEAN DEFAULT FALSE, # Флаг окончательного решения (ставится ТОЛЬКО сотрудником)
    final_decision_by INTEGER REFERENCES employees(id), # Кто принял решение
    final_decision_at TIMESTAMP,
    final_decision_reason TEXT,          # Причина отказа или одобрения (обязательно для клиента)
    # Аудит
    calculation_parameters JSONB,        # Параметры расчёта для воспроизведения
    model_version VARCHAR(20) NOT NULL   # Версия скоринговой модели
);
# Таблица сотрудников (менеджеров)
CREATE TABLE employees (
    id SERIAL PRIMARY KEY,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    # Персональные данные
    first_name VARCHAR(50) NOT NULL,
    last_name VARCHAR(50) NOT NULL,
    patronymic VARCHAR(50),
    position VARCHAR(100) NOT NULL,      # Должность
    # Учётные данные
    login VARCHAR(50) UNIQUE NOT NULL,
    password_hash VARCHAR(255) NOT NULL,
    is_active BOOLEAN DEFAULT TRUE,
    # Разрешения (матрица доступа)
    can_view_clients BOOLEAN DEFAULT TRUE,
    can_calculate_offers BOOLEAN DEFAULT TRUE,
    can_make_final_decision BOOLEAN DEFAULT FALSE, # Только уполномоченные сотрудники
    can_view_blacklist BOOLEAN DEFAULT FALSE,
    # Аттестация по ФЗ-115
    attestation_date DATE,               # Дата прохождения аттестации
    attestation_valid_until DATE         # Срок действия аттестации
);
# Таблица журнала операций (обязательно по Указанию Банка России №5709-У)
CREATE TABLE audit_log (
    id SERIAL PRIMARY KEY,
    event_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    # Контекст операции
    employee_id INTEGER NOT NULL REFERENCES employees(id) ON DELETE CASCADE,
    client_id INTEGER REFERENCES clients(id) ON DELETE SET NULL,
    calculation_id INTEGER REFERENCES credit_calculations(id) ON DELETE SET NULL,
    # Данные операции
    operation_type VARCHAR(50) NOT NULL CHECK (
        operation_type IN (
            'client_created', 
            'consent_obtained',
            'bki_request',
            'calculation_started',
            'calculation_completed',
            'final_decision_made',
            'document_generated',
            'client_notification'
        )
    ),
    ip_address INET,
    user_agent TEXT,
    # Детали (в формате JSON)
    details JSONB,
    # Юридически значимые поля
    employee_signature TEXT,            # ЭЦП сотрудника для операций с решением
    signature_timestamp TIMESTAMP
);
# Индексы для ускорения запросов и аудита
CREATE INDEX idx_calculations_client ON credit_calculations(client_id);
CREATE INDEX idx_calculations_time ON credit_calculations(calculated_at);
CREATE INDEX idx_calculations_decision ON credit_calculations(is_final_decision, final_decision_at);
CREATE INDEX idx_audit_time ON audit_log(event_time);
CREATE INDEX idx_audit_employee ON audit_log(employee_id);
CREATE INDEX idx_audit_client ON audit_log(client_id);

# credit_scoring_model.py - скоринговая модель с интерпретацией для системы расчёта кредитных условий
# Соответствует требованиям Банка России к интерпретируемости и праву клиента на информацию
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from typing import Dict, List, Tuple, Optional
import json
class InterpretableCreditScorer:
    """
    Скоринговая модель с поддержкой интерпретации результатов.
    Обеспечивает соответствие требованиям Банка России к интерпретируемости
    и праву клиента на получение информации о причинах отказа (ФЗ-353, ст. 9.1).
    ВАЖНО:
    - Модель рассчитывает ТОЛЬКО вероятность дефолта и предварительные условия
    - Окончательное решение о выдаче кредита принимает ТОЛЬКО уполномоченный сотрудник
    - Все результаты сопровождаются текстовыми объяснениями для клиента
    - Запрещено полностью автоматическое принятие кредитных решений (Указание №4927-У)
    """
    def __init__(self):
        # Создание конвейера предобработки и модели
        self.pipeline = Pipeline([
            ('scaler', StandardScaler()),
            ('model', LogisticRegression(
                C=1.0,
                max_iter=1000,
                random_state=42,
                class_weight='balanced'
            ))
        ])
        # Веса признаков для интерпретации (будут обучены на данных)
        self.feature_weights = None
        self.feature_names = [
            'age',                # Возраст клиента
            'income',             # Доход в месяц
            'credit_amount',      # Запрашиваемая сумма кредита
            'credit_term',        # Срок кредита в месяцах
            'existing_debt',      # Текущая долговая нагрузка
            'bki_score',          # Скоринговый балл из БКИ
            'employment_months',  # Стаж на текущем месте работы
            'num_dependents'      # Количество иждивенцев
        ]
        # Пороги для категорий риска
        self.risk_thresholds = {
            'low': 0.10,      # Вероятность дефолта < 10%
            'medium': 0.25,   # 10% <= вероятность < 25%
            'high': 0.45,     # 25% <= вероятность < 45%
            'very_high': 1.0  # Вероятность >= 45%
        }
    def fit(self, X: np.ndarray, y: np.ndarray):
        """
        Обучение модели на исторических данных.
        ВАЖНО: Обучение должно проводиться ТОЛЬКО на легальных данных
        с соблюдением требований ФЗ-152 и согласия клиентов на использование
        их данных для улучшения моделей.
        """
        # Обучение конвейера
        self.pipeline.fit(X, y)
        # Извлечение весов признаков для интерпретации
        # Для логистической регрессии веса доступны напрямую
        model = self.pipeline.named_steps['model']
        self.feature_weights = model.coef_[0]
    def calculate_pd(self, client_data: Dict) -> Tuple[float, str, List[Dict]]:
        """
        Расчёт вероятности дефолта (PD) с интерпретацией.
        Аргументы:
            client_data: Словарь с данными клиента
        Возвращает:
            (вероятность_дефолта, категория_риска, список_факторов)
        """
        # Подготовка данных для модели
        X = self._prepare_features(client_data)
        # Предсказание вероятности дефолта
        pd_estimate = self.pipeline.predict_proba(X)[0][1]
        # Определение категории риска
        risk_category = self._determine_risk_category(pd_estimate)
        # Генерация интерпретации
        interpretation = self._generate_interpretation(client_data, pd_estimate)
        return pd_estimate, risk_category, interpretation
    def _prepare_features(self, client_data: Dict) -> np.ndarray:
        """Подготовка признаков для модели"""
        # Извлечение значений в правильном порядке
        features = [
            client_data.get('age', 35),
            client_data.get('income', 50000),
            client_data.get('credit_amount', 100000),
            client_data.get('credit_term', 12),
            client_data.get('existing_debt', 0),
            client_data.get('bki_score', 650),
            client_data.get('employment_months', 24),
            client_data.get('num_dependents', 0)
        ]
        # Преобразование в массив и нормализация через пайплайн
        X = np.array(features).reshape(1, -1)
        X_scaled = self.pipeline.named_steps['scaler'].transform(X)
        return X_scaled
    def _determine_risk_category(self, pd_estimate: float) -> str:
        """Определение категории риска на основе вероятности дефолта"""
        if pd_estimate < self.risk_thresholds['low']:
            return 'low'
        elif pd_estimate < self.risk_thresholds['medium']:
            return 'medium'
        elif pd_estimate < self.risk_thresholds['high']:
            return 'high'
        else:
            return 'very_high'
    def _generate_interpretation(self, client_data: Dict, pd_estimate: float) -> List[Dict]:
        """
        Генерация интерпретации результатов для клиента.
        Возвращает список факторов, повлиявших на решение, с текстовыми пояснениями.
        """
        interpretation = []
        # Фактор 1: Возраст
        age = client_data.get('age', 35)
        if age < 23:
            interpretation.append({
                'factor': 'age',
                'impact': 'negative',
                'description': 'Возраст младше 23 лет увеличивает риск, так как отсутствует достаточная кредитная история',
                'weight': 0.15
            })
        elif age > 60:
            interpretation.append({
                'factor': 'age',
                'impact': 'negative',
                'description': 'Возраст старше 60 лет увеличивает риск в связи с выходом на пенсию и снижением дохода',
                'weight': 0.12
            })
        # Фактор 2: Доход и долговая нагрузка
        income = client_data.get('income', 50000)
        debt = client_data.get('existing_debt', 0)
        debt_to_income = debt / income if income > 0 else 1.0
        if debt_to_income > 0.5:
            interpretation.append({
                'factor': 'debt_burden',
                'impact': 'negative',
                'description': f'Высокая долговая нагрузка ({debt_to_income:.0%} от дохода) снижает способность обслуживать новый кредит',
                'weight': 0.25
            })
        elif debt_to_income < 0.2:
            interpretation.append({
                'factor': 'debt_burden',
                'impact': 'positive',
                'description': f'Низкая долговая нагрузка ({debt_to_income:.0%} от дохода) положительно влияет на кредитоспособность',
                'weight': 0.15
            })
        # Фактор 3: Скоринговый балл БКИ
        bki_score = client_data.get('bki_score', 650)
        if bki_score < 500:
            interpretation.append({
                'factor': 'bki_score',
                'impact': 'negative',
                'description': 'Низкий скоринговый балл в бюро кредитных историй указывает на проблемы с погашением прошлых кредитов',
                'weight': 0.30
            })
        elif bki_score > 750:
            interpretation.append({
                'factor': 'bki_score',
                'impact': 'positive',
                'description': 'Высокий скоринговый балл в бюро кредитных историй подтверждает добросовестность в погашении кредитов',
                'weight': 0.25
            })
        # Фактор 4: Стаж работы
        employment = client_data.get('employment_months', 24)
        if employment < 6:
            interpretation.append({
                'factor': 'employment',
                'impact': 'negative',
                'description': 'Стаж на текущем месте работы менее 6 месяцев увеличивает риск потери дохода',
                'weight': 0.18
            })
        # Фактор 5: Запрашиваемая сумма относительно дохода
        amount = client_data.get('credit_amount', 100000)
        amount_to_income = amount / (income * 12) if income > 0 else 1.0
        if amount_to_income > 2.0:
            interpretation.append({
                'factor': 'loan_amount',
                'impact': 'negative',
                'description': f'Запрашиваемая сумма превышает годовой доход в {amount_to_income:.1f} раза, что увеличивает риск непогашения',
                'weight': 0.20
            })
        # Если нет негативных факторов — добавить общее положительное заключение
        if pd_estimate < 0.15 and not any(f['impact'] == 'negative' for f in interpretation):
            interpretation.append({
                'factor': 'overall_assessment',
                'impact': 'positive',
                'description': 'По результатам анализа кредитная история и финансовые показатели клиента соответствуют требованиям для получения кредита',
                'weight': 0.10
            })
        # Сортировка по весу влияния
        interpretation.sort(key=lambda x: x['weight'], reverse=True)
        return interpretation
    def calculate_credit_terms(self, 
                             pd_estimate: float, 
                             risk_category: str,
                             client_data: Dict) -> Dict:
        """
        Расчёт предварительных условий кредита на основе вероятности дефолта.
        ВАЖНО: Это НЕ решение о выдаче кредита, а только расчёт условий ДЛЯ ПРЕДЛОЖЕНИЯ.
        """
        # Базовые параметры
        requested_amount = client_data.get('credit_amount', 100000)
        requested_term = client_data.get('credit_term', 12)
        base_rate = 0.18  # Базовая ставка 18% годовых
        # Коррекция ставки в зависимости от риска
        if risk_category == 'low':
            rate = base_rate * 0.85  # Скидка 15% для низкого риска
            max_amount = min(requested_amount * 1.2, 3000000)  # До 120% запрошенной суммы
            max_term = min(requested_term * 1.5, 60)  # До 1.5 от запрошенного срока
        elif risk_category == 'medium':
            rate = base_rate * 1.0  # Базовая ставка
            max_amount = requested_amount
            max_term = requested_term
        elif risk_category == 'high':
            rate = base_rate * 1.25  # Надбавка 25% для высокого риска
            max_amount = requested_amount * 0.7  # Только 70% запрошенной суммы
            max_term = requested_term * 0.8  # Сокращение срока на 20%
        else:  # very_high
            rate = base_rate * 1.5   # Надбавка 50% для очень высокого риска
            max_amount = requested_amount * 0.5  # Только 50% запрошенной суммы
            max_term = requested_term * 0.6  # Сокращение срока на 40%
        # Расчёт полной стоимости кредита (ПСК) по упрощённой формуле
        # В реальной системе используется точная формула из Положения Банка России №355-П
        psk = self._calculate_psk(max_amount, max_term, rate)
        return {
            'proposed_amount': int(max_amount),
            'proposed_term': int(max_term),
            'proposed_rate': round(rate * 100, 2),  # В процентах
            'proposed_psk': round(psk * 100, 2),    # ПСК в процентах
            'monthly_payment': round(self._calculate_payment(max_amount, max_term, rate), 2),
            'total_payment': round(self._calculate_total_payment(max_amount, max_term, rate), 2),
            'legal_notice': 'Предварительные условия кредита. Окончательное решение о выдаче принимает уполномоченный сотрудник кредитной организации после личной встречи с клиентом и проверки оригиналов документов.'
        }
    def _calculate_payment(self, amount: float, term_months: int, annual_rate: float) -> float:
        """Расчёт ежемесячного платежа по аннуитетной схеме"""
        monthly_rate = annual_rate / 12
        if monthly_rate == 0:
            return amount / term_months
        return amount * (monthly_rate * (1 + monthly_rate) ** term_months) / ((1 + monthly_rate) ** term_months - 1)
    def _calculate_total_payment(self, amount: float, term_months: int, annual_rate: float) -> float:
        """Расчёт общей суммы выплат"""
        monthly_payment = self._calculate_payment(amount, term_months, annual_rate)
        return monthly_payment * term_months
    def _calculate_psk(self, amount: float, term_months: int, annual_rate: float) -> float:
        """
        Упрощённый расчёт полной стоимости кредита (ПСК).
        В реальной системе используется точная формула из Положения Банка России №355-П.
        """
        total_payment = self._calculate_total_payment(amount, term_months, annual_rate)
        psk = (total_payment / amount) ** (12 / term_months) - 1
        return psk
# Пример использования системы (демонстрация архитектуры)
if __name__ == "__main__":
    # Инициализация скоринговой модели
    scorer = InterpretableCreditScorer()
    # Пример данных клиента
    client_data = {
        'age': 32,
        'income': 65000,
        'credit_amount': 300000,
        'credit_term': 24,
        'existing_debt': 85000,
        'bki_score': 720,
        'employment_months': 38,
        'num_dependents': 1
    }
    # Расчёт вероятности дефолта
    pd_estimate, risk_category, interpretation = scorer.calculate_pd(client_data)
    print("="*70)
    print("РЕЗУЛЬТАТЫ РАСЧЁТА ПРЕДВАРИТЕЛЬНЫХ КРЕДИТНЫХ УСЛОВИЙ")
    print("="*70)
    print(f"Вероятность дефолта (PD): {pd_estimate:.1%}")
    print(f"Категория риска: {risk_category.upper()}")
    print(f"\nФакторы, повлиявшие на расчёт:")
    for i, factor in enumerate(interpretation[:3], 1):  # Показываем топ-3 фактора
        sign = "+" if factor['impact'] == 'positive' else "-"
        print(f"  {i}. [{sign}] {factor['description']}")
    # Расчёт предварительных условий кредита
    credit_terms = scorer.calculate_credit_terms(pd_estimate, risk_category, client_data)
    print(f"\nПРЕДВАРИТЕЛЬНЫЕ УСЛОВИЯ КРЕДИТА:")
    print(f"  Запрашиваемая сумма: {client_data['credit_amount']:,.0f} руб.")
    print(f"  Предложенная сумма: {credit_terms['proposed_amount']:,.0f} руб.")
    print(f"  Срок кредита: {credit_terms['proposed_term']} месяцев")
    print(f"  Процентная ставка: {credit_terms['proposed_rate']}% годовых")
    print(f"  ПСК: {credit_terms['proposed_psk']}%")
    print(f"  Ежемесячный платёж: {credit_terms['monthly_payment']:,.2f} руб.")
    print(f"  Общая сумма выплат: {credit_terms['total_payment']:,.2f} руб.")
    print(f"\n{credit_terms['legal_notice']}")
    # ВАЖНОЕ ЮРИДИЧЕСКОЕ ПРЕДУПРЕЖДЕНИЕ
    print("\n" + "="*70)
    print("ЮРИДИЧЕСКОЕ ПРЕДУПРЕЖДЕНИЕ")
    print("="*70)
    print("Данная система РАССЧИТЫВАЕТ ТОЛЬКО ПРЕДВАРИТЕЛЬНЫЕ УСЛОВИЯ КРЕДИТА")
    print("и НЕ ПРИНИМАЕТ ОКОНЧАТЕЛЬНОГО РЕШЕНИЯ о выдаче кредита.")
    print("\nВ соответствии с Указанием Банка России №4927-У (п. 3.2):")
    print("«Кредитная организация не вправе принимать кредитные решения")
    print("исключительно на основании автоматизированных систем без участия")
    print("уполномоченного сотрудника».")
    print("\nОкончательное решение о выдаче кредита принимает ТОЛЬКО")
    print("уполномоченный сотрудник кредитной организации после:")
    print("  • Личной встречи с клиентом")
    print("  • Проверки оригиналов документов")
    print("  • Дополнительной оценки кредитоспособности")
    print("  • Подписания сотрудником электронной цифровой подписью")
    print("\nВсе операции логируются в соответствии с требованиями")
    print("Указания Банка России №5709-У (п. 5.4).")
    print("="*70)

Обязательные элементы интерфейса системы расчёта кредитных условий

В соответствии с Указанием Банка России №4927-У, ФЗ-353 «О потребительском кредите» и требованиями к защите прав потребителей финансовых услуг интерфейс системы ДОЛЖЕН содержать следующие обязательные элементы:

1. На экране расчёта условий:
• Заголовок: «ПРЕДВАРИТЕЛЬНЫЕ УСЛОВИЯ КРЕДИТА» (крупным шрифтом, выделенный цветом)
• Предупреждение: «Данная система рассчитывает ТОЛЬКО предварительные условия кредита. Окончательное решение о выдаче принимает уполномоченный сотрудник кредитной организации после личной встречи с клиентом и проверки оригиналов документов»
• Кнопка «Рассчитать условия» (НЕ «Одобрить кредит» или «Выдать кредит»)

2. На экране результатов расчёта:
• Чёткое разделение: «Запрошено клиентом» и «Предложено системой»
• Обязательный расчёт и отображение ПСК (полной стоимости кредита) в соответствии со ст. 9 ФЗ-353
• Текстовое объяснение для каждого параметра: «Ставка 22.5% обусловлена высокой долговой нагрузкой (65% от дохода)»
• Кнопка «Предложить клиенту» (НЕ «Одобрить»)
• Кнопка «Отклонить предложение» с обязательным выбором причины из списка:
○ Несоответствие политике кредитования МФО
○ Требуется дополнительная проверка документов
○ Клиент не соответствует минимальным требованиям
○ Иная причина (с текстовым полем)

3. На экране принятия окончательного решения (ТОЛЬКО для уполномоченных сотрудников):
• Предупреждение: «Вы собираетесь принять ОКОНЧАТЕЛЬНОЕ РЕШЕНИЕ о выдаче кредита. Данное действие не может быть выполнено автоматически системой в соответствии с п. 3.2 Указания Банка России №4927-У»
• Обязательное поле «Основание для решения» с выбором:
○ Согласен с предложением системы
○ Изменены условия (с указанием изменений)
○ Отказ в выдаче кредита (с обязательным указанием причины из списка Банка России)
• Требование электронной подписи сотрудника (ЭЦП или усиленная квалифицированная подпись)
• Кнопка «Принять решение» (активируется ТОЛЬКО после заполнения всех обязательных полей)

4. На экране для клиента (в личном кабинете или смс):
• Обязательная фраза: «Предварительные условия кредита. Для получения кредита необходимо лично посетить офис и предоставить оригиналы документов»
• Запрет на формулировки: «Ваш кредит одобрен», «Кредит готов к выдаче» без личного присутствия клиента в офисе
• Обязательное указание ПСК и всех комиссий в соответствии со ст. 9 ФЗ-353

5. Запрещённые элементы интерфейса:
• Кнопки «Одобрить», «Выдать кредит», «Подтвердить займ» на этапе расчёта системы
• Автоматическая отправка денег на карту клиента без личного присутствия и подписания договора
• Формулировки «мгновенное одобрение», «кредит без проверок»
• Отсутствие предупреждения о предварительном характере условий

Все элементы интерфейса должны быть протестированы на соответствие требованиям Банка России перед внедрением в эксплуатацию. Нарушение требований может повлечь отзыв лицензии кредитной организации и административную ответственность по ст. 14.57 КоАП РФ.