Финансовый маркетплейс «Сравни» запустил бесплатный сервис для управления кредитной историей и личными финансами — «Кредитный рейтинг». Задача сервиса — дать полезные советы по улучшению и поддержанию кредитной истории на необходимом уровне, а также предоставить возможность защититься от мошенников.

Кредитная история — это досье на заемщика. В нем есть информация о том, на какую сумму был оформлен кредит, вовремя ли производились платежи, в какие банки обращался заявитель. В этом досье собраны все кредитные обязательства, оформленные с 2005 года.

Хорошая кредитная история повышает шансы положительного решения в банке по заявлению на выдачу нового кредита, а страховые компании могут предложить оформить полис на выгодных условиях. Но вот из-за испорченного досье не только можно получить отказ в оформлении ипотеки, автокредита или потребительского кредита наличными, но и столкнуться с проблемами при трудоустройстве. Ведь сейчас работодатели отдают предпочтение сотрудникам, которые выполняют финансовые обязательства.

Сейчас в Альфа-Банке при построении моделей используется множество различных источников данных. Мы в Лаборатории машинного обучения уже несколько лет применяем нейронные сети на последовательностях для решения задачи кредитного скоринга и построили модели на данных карточных транзакций, транзакций расчетного счета и кредитных историй. Повышение качества в задаче кредитного скоринга позволяет банку выдавать большее количество кредитов при неизменном уровне риска, что напрямую влияет на его прибыль.

Моделей становится все больше, и возникает вопрос: почему бы нам не смешивать модели не на уровне их предсказаний, а на некотором более низком уровне? Эта идея приводит нас к новому способу смешивания - построению единой нейросетевой модели, работающей со всеми источниками последовательных данных и учитывающей их взаимное влияние друг на друга. В этой статье мы расскажем, как нам удалось разработать такую модель и каких результатов она позволяет добиться в задаче кредитного скоринга.

В Альфа-Банке естественным образом накапливаются разнообразные последовательные данные: истории транзакций клиентов, кредитные истории, истории коммуникаций. Одно из двух направлений Лаборатории машинного обучения Альфа-Банка занимается построением нейросетевых моделей на таких данных для решения разных задач. Одна из них — задача кредитного скоринга. Любой прирост в качестве скоринга платежеспособности клиентов на входе может быстро принести большой прирост в прибыли на выходе за счет увеличения числа выдач при неизменном риске. 

Мы уже рассказывали о построении моделей на последовательностях карточных транзакций и транзакций расчетного счета для решения задачи кредитного скоринга. В обоих случаях вместо классических подходов – логистической регрессии и градиентного бустинга – использовались настоящие «черные ящики»: рекуррентные нейронные сети. Теперь же мы хотим рассказать о применении этого неклассического подхода на другом источнике данных – кредитных историях.

Появление модели на данных КИ стало переломной точкой, когда совокупный вес нейронок на последовательных данных при принятии решений превысил вес бустинговой модели на табличных данных. В этой статье мы опустим некоторые технические детали, о которых уже рассказывали в предыдущих. Вместо этого расскажем, как звучала постановка задачи, какие данные использовали, какие применяли модели, с какими сложностями столкнулись и как с ними справились. От этого рассказ, может быть, станет чуть менее техническим, но при этом не менее интересным.

• ЦБ планирует вести базу жертв хакеров;
• Россияне получат кредитный рейтинг;
• Mastercard тестирует токенизацию;
• Yahoo Finance откроет возможность торговли криптовалютами.

Демократизация данных

Количество мобильных абонентов в I квартале 2018 года

Источник: Доклад Ericsson о трендах мобильного рынка 2018 года

Распространенность смартфонов

Увеличение среднего показателя потребления данных

Цифровой след