Как работать с математическими моделями и превратить их из «чёрного ящика» в понятный бизнес-пользователю инструмент, рассказывает Илья Тихонов, владелец продукта Polymatica ML компании SL Soft.
Современный банк использует data-driven подход, потому что вся его деятельность буквально пронизана математическими расчётами и оптимизацией. Отличный пример — процесс выдачи кредитов: его эффективность напрямую зависит от качества и точности математических моделей, используемых для обеспечения работы кредитного конвейера. Не случайно важным направлением деятельности ИТ-департамента любого банка является создание наилучших скоринговых моделей: это помогает выявлять наилучших заёмщиков, оптимальные суммы, условия кредитования и дополнительные услуги.
Более того, банки постоянно совершенствуют эти алгоритмы, стремясь сделать их максимально релевантными аудитории заёмщиков, актуальной социально-экономической обстановке и текущим бизнес-задачам финансовой организации.
Давайте посмотрим, какие современные информационные технологии помогают банкам решать математическую задачу получения максимальной прибыли со многими параметрами и наилучшей результативностью.
Вероятность наилучшего выбора
Схема работы основного этапа кредитного конвейера — формирования решения о выдаче/невыдаче кредита — выглядит следующим образом. На вход соответствующей модели поступает обширный список параметров, характеризующих конкретного заёмщика. Он включает как клиентские данные (пол, возраст, образование, семейное положение, уровень дохода и т. д.), так и сведения из внешних источников: перемещение по стране и за её пределами, сеансы пользования услугами связи и мобильными приложениями, факты крупных покупок. Также важно знать, какие внешние экономические или геополитические процессы влияют на жизнь и доходы определённого типа заёмщиков. Выбор параметров модели — это всегда немного искусство: из сотен категорий доступных данных необходимо сформировать список наиболее информативных, которые обеспечат максимальную точность, но при этом не создадут ненужного цифрового «шума» в алгоритме.
Модель оценивает, стоит выдавать кредит или нет: уверенность системы транслирует показатель на выходе — он может быть от 0 до 1. Результативность вывода во многом зависит от настройки самого алгоритма (структуры весов в признаках модели): она может подходить к оценке чересчур жёстко, и тогда вместе с «плохими» заёмщиками отказ получит и часть «хороших», что снизит потенциальный доход банка. Или наоборот — будет излишне лояльной к негативным признакам, что может привести к росту объёмов кредитных дефолтов.
Можно ли это «hand-made искусство» датасаентиста заменить работой компьютерной системы?..
Продолжение читайте на https://futurebanking.ru/post/4076