Разработка AI-системы анализа кредитоспособности с ML-скорингом

Традиционный скоринг (FICO, НБКИ) оценивает лишь одного из пяти заёмщиков с тонким кредитным файлом — остальные получают отказ или высокую ставку. По данным FICO, охват thin file редко превышает 30%. ML-модели с альтернативными данными позволяют захватить нелинейные сигналы: например, регулярные пополнения депозита или стабильную подписку на сервисы. Мы имеем 8+ лет опыта встраивания таких моделей в production — это даёт прирост Gini на 15–25 п.п. относительно регрессии. По нашим наблюдениям, ML-скоринг сокращает число пропущенных дефолтов в 2-3 раза по сравнению с традиционными методами, а экономия на рисковых потерях может составлять до 25% от портфеля просрочки. Средняя стоимость пилотного проекта — от 500 000 до 1 500 000 рублей, при этом окупаемость обычно наступает в течение первого года за счёт снижения потерь.

Какие данные делают модель точнее?

Традиционные кредитные данные — история платежей, загруженность лимита, запросы. Без них не обойтись, но их недостаточно для thin file.

Альтернативные источники:

• Транзакции через Open Banking (стабильность получения и трат, накопления).
• Телефонные метаданные (регулярность пополнений, оператор).
• Поведение в браузере (с согласия заёмщика).
• Подтверждённая занятость.

Сравнение подходов:

ML-скоринг с альтернативными данными не просто улучшает метрики — он даёт бизнесу доступ к новым сегментам клиентов, которые ранее были исключены. В частности, ML-скоринг охватывает в 3 раза больше thin-file заёмщиков по сравнению с традиционным скорингом.

Как мы строим production-ready модель?

Используем LightGBM с временным сплитом (TimeSeriesSplit), калибровку изотонической регрессией и аудит fairness. Также применяем fine-tuning гиперпараметров с помощью Optuna для достижения максимального Gini. Пример пайплайна:

import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit
from sklearn.calibration import CalibratedClassifierCV

credit_features = ['dpd_30d','dpd_60d','dpd_90d','utilization','num_accounts']
transaction_features = ['avg_income_3m','income_stability','gambling_ratio']
all_features = credit_features + transaction_features

model = lgb.LGBMClassifier(n_estimators=500, learning_rate=0.01, num_leaves=63,
                           min_child_samples=50, colsample_bytree=0.7,
                           class_weight='balanced', random_state=42)
tscv = TimeSeriesSplit(n_splits=5)
scores = cross_val_score(model, X[all_features], y, cv=tscv, scoring='roc_auc')
calibrated_model = CalibratedClassifierCV(model, method='isotonic', cv=3)

После калибровки модель выдаёт корректные вероятности дефолта, что критично для принятия кредитных решений.

Explainability: почему отказ?

Каждый отказ сопровождается SHAP-разложением — топ-3 негативных фактора и их численный вклад.

import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_single)
negative = sorted(zip(features, shap_values[1]), key=lambda x: x[1])[:3]
# Вывод: высокая загруженность лимитов, короткий стаж, просрочки 24м

Это обязательное требование для регуляторов (ECOA, GDPR). Мы гарантируем compliance с любыми местными нормами.

Fairness: как не допустить дискриминации?

ML-модели могут воспроизвести исторические смещения. Обязательные шаги:

• Disparate Impact: approval rate по группам не должен отличаться >20%
• Equalized Odds: TPR/FPR одинаковы для всех групп
• Proxy detection: адрес не должен быть proxy на этничность

Мы используем adversarial debiasing и ревьюфинг — это часть нашей экспертизы. Дополнительно проводим fairness-аудит с отчётом, который можно предоставить регулятору.

Мониторинг: когда переобучать модель?

После деплоя отслеживаем PSI (Population Stability Index). При PSI > 0.25 — переобучение. Также делаем vintage analysis: сравниваем дефолты когорт по месяцам выдачи. В кризис динамически калибруем baseline default rate.

Пошаговый процесс внедрения ML-скоринга

1. Аудит данных и feature engineering (2–4 недели). Оцениваем доступные кредитные и альтернативные источники.
2. Разработка baseline-модели на исторических данных (2–3 недели). Проверяем прирост Gini.
3. Оптимизация гиперпараметров и fine-tuning модели (1–2 недели). Используем Optuna.
4. Калибровка вероятностей и fairness-аудит (1 неделя).
5. Интеграция в IT-инфраструктуру (API или батч-скорринг) и деплой (3–6 недель).
6. Настройка мониторинга PSI, vintage и fairness (1–2 недели).
7. A/B-тест и финальная настройка (4–8 недель).

Что входит в нашу работу по ML-скорингу?

• Аудит доступных данных и feature engineering (включая альтернативные источники)
• Разработка baseline-модели и финальной production-версии
• Интеграция модели в вашу IT-инфраструктуру (API, батч-скорринг)
• Дашборды мониторинга PSI, vintage и fairness
• Полная документация и обучение команды (2-3 дня воркшопов)
• Поддержка на этапе A/B-теста и первого месяца после деплоя

Сроки и стоимость

Сроки: от 4 до 8 месяцев в зависимости от объёма данных и требований к регуляторному review. Пилотный проект на 2-3 месяца позволяет быстро проверить гипотезы. Экономия на рисковых потерях от внедрения ML-скоринга обычно окупает проект в течение первого года. Свяжитесь с нами для аудита ваших данных и расчёта точной стоимости внедрения.

Почему стоит начать с пилота?

Пилот на 2-3 месяца даёт:

• Проверку прироста Gini на ваших данных
• Оценку эффекта от альтернативных данных
• Прототип модели для внутренней презентации
• Понимание объёма работ для полного внедрения

Получите консультацию — оценим потенциал ML-скоринга на ваших данных. Свяжитесь с нами для запуска пилотного проекта.