Модель скоринга
клиентов
лизинговой
компании:
юридических лиц
Цели проекта
-
1
Сократить время принятия решения по клиенту в процессе одобрения заявки на лизинг за счет использования машинного обучения
-
2
Разработать точную модель классификации клиентов на “хороший”/”плохой” для автоматического одобрения/отказа входного потока заявок
-
3
Реализовать механизм интерпретации модели для понимания заказчиком принципов принятия решений, заложенных в алгоритмы
метрики
ROC AUC
Заявка одобряется или
отклоняется
автоматически
Время
автоматического
одобрения
результаты
На анонимизированной выборке малого размера ( 10 тыс. наблюдений) разработана модель оценки вероятности дефолтности клиента, основанная на градиентном бустинге. Отобранные для финальной модели признаки - стабильные во времени. Это важно, потому что зависимость целевой переменной от признака может меняться во времени. И несмотря на высокую информативность переменной, она не может быть включена в модель, т.к. зависимость может повести себя непредсказуемо при применении модели.
Распределение целевой переменной во времени при для бинарных значений переменной feature
Нормализованные кол-ва значений бинарной переменной значимо изменяются во времени, поэтому нельзя ориентироваться только на сильную корреляцию признака и целевой переменной в 2018-2019 году (!)
Проведен тренинг заказчика по интерпретации результатов работы модели и гибкой настройки процесса одобрения под текущую бизнес-стратегию. Для последнего разработан интерактивный инструмент, позволяющий анализировать возможные стратегии одобрения заявок на лизинг в привязке к ML- и бизнес-метрикам.
Адаптированы дашборды Daiger ModelOps под
процесс заказчика:
-
Появилась возможность в real-time режиме анализировать прогнозы модели по заявкам, попавшим в систему за последние 10 секунд
-
Для каждого прогноза возможно достоверно понять самые “сильные” признаки и моментально оценить изменение прогноза при ручной корректировке любого подмножества значений признаков
REAL-TIME API с интерпретацией прогнозов и секцией «What If»
Мониторинг стабильности переменных и скоров во времени
В рамках R&D нашли способ повысить качество ранжирования
входного потока заявок на
0.9% ROC AUC за счет решения проблемы
Reject Inference, включив в модель отклоненные
заявки
Хотите правильно построить скоринговые модели?
Дайте знать, мы обязательно что-то придумаем!
Связаться с нами