Найти тему
FutureBanking

Мобильный скоринг: в поисках новых точек роста

Крупнейшие банки доработали свои скоринговые модели до такого уровня точности, который сложно повысить внешними данными, а значит, ключевым показателем эффективности стал uplift от партнёрства с телеком-операторами. Какую роль здесь могут сыграть сырые данные и LLM и какой инструментарий окажется наиболее полезным в таких проектах, рассказывает Никита Зелинский, Chief Data Scientist, руководитель центра компетенций Data Science МТС.

—  Какие виды скоринга от телекома на сегодняшний день оказались наиболее востребованы банками и почему? Менялись ли их запросы в последние годы?

Н. Зелинский: Да, менялись — если на старте, лет 7­­–10 назад, банки довольствовались неким generic score, набором показателей, который они могли по своему усмотрению использовать, например в рисковых моделях или в моделях вероятности дефолта, то сейчас скоринговые модели, как правило, разрабатываются под заказчика. Наиболее востребованным продуктом стал антифрод-скоринг, который используется в том числе:

— для выявления мошеннических заявок на кредитование;

— для маркетплейсов;

— для борьбы с фродом на базе социальной инженерии (для предсказания действий как мошенников, так и их потенциальных жертв).

Поскольку и банки, и МФО, и страховые компании, и маркетплейсы заинтересованы в получении скоринга, настроенного именно под их процессы и учитывающего специфику их сегмента рынка, на котором они оперируют, в год мы выводим на рынок уже свыше сотни именно кастомизированных моделей.

Второе новое направление — это передача клиентам эмбеддингов, которые можно использовать как для построения скоринговых моделей (прогнозирования вероятности дефолта), так и в других проектах, например в коллекшн- или преколлекшн-процессах.

— Какие показатели эффективности для банков сейчас имеют наибольшее значение?

Н. Зелинский: За исключением разовых историй удачных спекуляций на финансовом рынке, основной доходной статьёй банков по-прежнему остаются кредиты. Поэтому даже небольшой прирост Gini, метрик точности скоринговых моделей на рисковых задачах (прежде всего вероятности дефолта) способен генерировать колоссальные деньги. В рисковых моделях сейчас используется максимум данных, до которых банки могут себе позволить дотянуться, и первый ключевой показатель эффективности, который их интересует, — это ощутимый uplift от наших данных к точности их модели.

Если же банк использует скоринг как фичу в своих моделях, имеет свою выборку для разработки и тестирования, для него будет важным не только качество скоринга, но и  его стабильность, особенно во времени.

— Изменились ли запросы банков относительно клиентских сегментов, скоринг которых со стороны оператора сейчас имеет смысл?

Н. Зелинский: Правильнее будет сказать, что они усложнились. Недавно разбирали кейс с одним заказчиком, пытаясь выяснить, почему на построение модели ушло больше двух месяцев. Оказалось, что «под капотом» заказа скрывалось десять моделей, поскольку банк запросил под скоринг десять клиентских сегментов...

Продолжение читайте на https://futurebanking.ru/post/4049