Кредитный скоринг на машинном обучении для банков и МФО

Скоринговая карта, построенная несколько лет назад, стареет: меняются заёмщики, каналы привлечения, макроэкономика. Пересборка модели силами внешнего вендора занимает месяцы, и всё это время банк либо теряет хороших клиентов из-за жёстких отсечек, либо наращивает просрочку.

Данных стало больше — транзакции, поведение в приложении, данные бюро, внешние источники, — но классическая логистическая регрессия использует малую их часть. При этом регулятор и внутренний риск-комитет требуют объяснимости каждого решения, что ограничивает применение «чёрных ящиков».

Аналитики риска работают на ноутбуках или перегруженном общем сервере, и один эксперимент с полной выборкой занимает часы.

Мы выстраиваем контур моделирования кредитного риска на собственном вычислительном узле банка: от подготовки признаков до мониторинга моделей в промышленной эксплуатации.

• Модели градиентного бустинга на сотнях и тысячах признаков с встроенной объяснимостью (значения Шепли, коды причин отказа).
• Автоматическая генерация признаков из транзакций и поведенческих данных; нейросетевые эмбеддинги последовательностей операций как дополнительные признаки.
• Валидация по требованиям регулятора: стабильность, дискриминирующая способность, калибровка, тесты на группах.
• Мониторинг дрейфа данных и качества, переобучение по расписанию, версионирование моделей.

Скоринг заявок в реальном времени выполняется через API с задержкой в десятки миллисекунд, а полный цикл переобучения занимает дни, а не месяцы.

Какие данные нужны

• Кредитные заявки и история платежей
• Транзакции и поведение в приложении
• Данные бюро кредитных историй и внешних источников