Скоринг-продукты

Ещё сто лет назад кредитные аналитики определяли надёжность заёмщика по внешнему виду. Согласитесь, довольно скудный набор данных для анализа. Сегодня они строят сложные скоринг-модели при помощи нейросетей — набор параметров стал шире, но доступ к некоторым данным по-прежнему ограничен.

Определяем таргет — цель построения модели, и формируем выборку данных, на основе которых будем её строить. Находим соответствия между данными заказчика и Platforma.

Когда выборка готова, формируем предикторы (переменные). Они содержат информацию о клиенте — кредитные данные, финансовый статус, социальные характеристики.

Выбираем предиктoры, которые лучше всего коррелируют с таргетом. Выбираем таргет и на его основе задаём предиктoры. Они могут быть бинарными, категориальными или непрерывными. В зависимости от типа предиктора, модель отвечает на разные запросы:

• выплатит клиент кредит или уйдёт в просрочку,
• наступит или нет страховой случай;
• в какое время лучше звонить клиенту (утром, днём или вечером)
• классифицировать клиентов по уровню дохода (низкий, средний, высокий);
• какая сумма дохода у этого клиента

Строим математическую модель. Метод, который мы выбираем, зависит от объёма входящих данных и задач клиента. Например, для задач бинарной классификации подходят традиционные уравнения логистической регрессии. А если нужно категоризировать клиентов на основе десятка различных характеристик, используем алгоритмы машинного обучения — нейронные сети или деревья решений.