Что такое машинное обучение в кредитном скоринге

Какие технологии применяются в кредитном скоринге? 

Кредитный скоринг — система оценки клиента, на основании которой компания может принять решение о выдаче денежных средств. Скоринговые системы существуют продолжительное время, они появились задолго до ML-моделей. Ранее система оценки клиента строилась на основе скоринговых карт — анкет, которые заполняли сами клиенты. Далее результаты анкет обрабатывались с помощью человеческого ресурса, исходя из ответов, в карте получалась некоторая сумма баллов, в зависимости от которой специалисты определяли, какую денежную сумму компания готова выдать клиенту.

Несмотря на появление моделей машинного обучения, анкетирование все еще остается актуальным инструментом скоринга, который позволяет обнаружить важные поведенческие признаки. В онлайн-мире это также востребовано, но в данном случае отслеживается то, как клиент взаимодействует с интерфейсом анкеты. Частота и точность кликов, скроллинга, переключения между программами и окнами — вместе эта информация становится очень ценным источником данных. Именно скоринговые карты все еще остаются в списке технологий кредитного скоринга вместе с моделями машинного обучения и собеседованием, которое проводят верификаторы. 

Кроме того, иногда в кредитном скоринге применяются нейронные сети, и чуть реже LLM — большие языковые модели, которые часто называют искусственным интеллектом. На данный момент, полноценное внедрение нейронных сетей или ИИ можно увидеть редко, так как они требуют высокого уровня квалификации специалистов и значительного количества ресурсов. Основной плюс их применения — расширение возможностей анализа без участия человека. Если в машинном обучении специалист внедряет некую логику в механизм, нейронная сеть ищет связи самостоятельно. Однако могут возникнуть сложности с интерпретацией полученного результата. Специалист не всегда может определить, каким образом нейронная сеть выстроила ту или иную логическую связь. 

Какие модели применяются в кредитном скоринге? 

В данном случае все зависит от сферы, в которой применяется модель. В банковских организациях более распространены регрессионные модели машинного обучения, что связано с особенностями в области законодательства. Важно, что регрессионные модели ориентированы на небольшой набор признаков и прямую связь с предметом оценки.

В микрофинансовом секторе используются различные модели машинного обучения. Наиболее распространены деревья решений — в классическом исполнении или в виде «случайного леса».  С их помощью можно выявить как линейные связи регрессионных моделей, так и неявные нелинейные зависимости. Благодаря этим моделям специалисты получают возможность внедрить большее количество признаков и вывести из среднего значения нескольких прогнозов наиболее точную оценку клиента. В среднем в модель машинного обучения внедряют от 10 до 200 признаков. 

Какие тенденции наблюдаются в области кредитного скоринга?

Один из последних появившихся трендов — построение графов связей. Благодаря ним финансовые организации смогут оценивать клиента, учитывая связанное с ним окружение. С помощью графов связей банки и МФО будут получать более точную оценку потенциального клиента. 

Кроме того, можно выделить попытки построения моделей прескоринга (предварительной оценки) и персонализации маркетингового предложения. Целью этих нововведений становится увеличение возможностей взаимодействия с наиболее релевантными клиентами.