Розробка AI-системи аналізу кредитоспроможності з ML-скорингом

Традиційний скоринг (FICO, НБКІ) оцінює лише одного з п'яти позичальників із тонким кредитним файлом — інші отримують відмову або високу ставку. За даними FICO, охоплення thin file рідко перевищує 30%. ML-моделі з альтернативними даними дозволяють захопити нелінійні сигнали: наприклад, регулярні поповнення депозиту або стабільну підписку на сервіси. Ми маємо 8+ років досвіду вбудовування таких моделей у production — це дає приріст Gini на 15–25 п.п. відносно регресії. За нашими спостереженнями, ML-скоринг скорочує кількість пропущених дефолтів у 2-3 рази порівняно з традиційними методами, а економія на ризикових втратах може становити до 25% від портфеля прострочки. Окупність зазвичай настає протягом першого року завдяки зниженню втрат.

Які дані роблять модель точнішою?

Традиційні кредитні дані — історія платежів, завантаженість ліміту, запити. Без них не обійтися, але їх недостатньо для thin file.

Альтернативні джерела:

• Транзакції через Open Banking (стабільність отримання та витрат, накопичення).
• Телефонні метадані (регулярність поповнень, оператор).
• Поведінка в браузері (за згодою позичальника).
• Підтверджена зайнятість.

Порівняння підходів:

ML-скоринг з альтернативними даними не просто покращує метрики — він дає бізнесу доступ до нових сегментів клієнтів, які раніше були виключені. Зокрема, ML-скоринг охоплює в 3 рази більше thin-file позичальників порівняно з традиційним скорингом.

Як ми будуємо production-ready модель?

Використовуємо LightGBM з часовим сплітом (TimeSeriesSplit), калібрування ізотонічною регресією та аудит fairness. Також застосовуємо fine-tuning гіперпараметрів за допомогою Optuna для досягнення максимального Gini. Приклад пайплайну:

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)

Після калібрування модель видає коректні ймовірності дефолту, що критично для прийняття кредитних рішень.

Explainability: чому відмова?

Кожна відмова супроводжується SHAP-розкладанням — топ-3 негативних фактори та їхній числовий внесок.

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]
# Вивід: висока завантаженість лімітів, короткий стаж, прострочки 24м

Це обов'язкова вимога для регуляторів (ECOA, GDPR). Ми гарантуємо compliance з будь-якими місцевими нормами.

Fairness: як не допустити дискримінації?

ML-моделі можуть відтворити історичні зсуви. Обов'язкові кроки:

• Disparate Impact: approval rate за групами не повинен відрізнятися >20%
• Equalized Odds: TPR/FPR однакові для всіх груп
• Proxy detection: адреса не повинна бути proxy на етнічність

Ми використовуємо adversarial debiasing та рев'юфінг — це частина нашої експертизи. Додатково проводимо fairness-аудит зі звітом, який можна надати регулятору.

Моніторинг: коли перенавчати модель?

Після деплою відстежуємо PSI (Population Stability Index). При PSI > 0.25 — перенавчання. Також робимо vintage analysis: порівнюємо дефолти когорт за місяцями видачі. У кризу динамічно калібруємо baseline default rate.

Покроковий процес впровадження ML-скорингу

1. Аудит даних та feature engineering (2–4 тижні). Оцінюємо доступні кредитні та альтернативні джерела.
2. Розробка baseline-моделі на історичних даних (2–3 тижні). Перевіряємо приріст Gini.
3. Оптимізація гіперпараметрів та fine-tuning моделі (1–2 тижні). Використовуємо Optuna.
4. Калібрування ймовірностей та fairness-аудит (1 тиждень).
5. Інтеграція в IT-інфраструктуру (API або батч-скорінг) та деплой (3–6 тижнів).
6. Налаштування моніторингу PSI, vintage та fairness (1–2 тижні).
7. A/B-тест та фінальне налаштування (4–8 тижнів).

Що входить у нашу роботу з ML-скорингу?

• Аудит доступних даних та feature engineering (включаючи альтернативні джерела)
• Розробка baseline-моделі та фінальної production-версії
• Інтеграція моделі у вашу IT-інфраструктуру (API, батч-скорінг)
• Дашборди моніторингу PSI, vintage та fairness
• Повна документація та навчання команди (2-3 дні воркшопів)
• Підтримка на етапі A/B-тесту та першого місяця після деплою

Строки та вартість

Строки: від 4 до 8 місяців залежно від обсягу даних та вимог до регуляторного review. Пілотний проєкт на 2-3 місяці дозволяє швидко перевірити гіпотези. Економія на ризикових втратах від впровадження ML-скорингу зазвичай окупає проєкт протягом першого року. Зв'яжіться з нами для аудиту ваших даних та розрахунку точної вартості впровадження.

Чому варто почати з пілоту?

Пілот на 2-3 місяці дає:

• Перевірку приросту Gini на ваших даних
• Оцінку ефекту від альтернативних даних
• Прототип моделі для внутрішньої презентації
• Розуміння обсягу робіт для повного впровадження

Отримайте консультацію — оцінимо потенціал ML-скорингу на ваших даних. Зв'яжіться з нами для запуску пілотного проєкту.