1 NTR Scoring – конструктор для создания скоринговых систем Антон Мальков, Исполнительный директор, ООО «Лаборатория НТР» (NTR Lab)

2 NTR Scoring Система для кредитного скоринга (оценки кредитоспособности заемщика на основе демографических, исторических и ситуационных данных) Автор – компания «Лаборатория НТР», Москва Архитектура – клиент-серверный конструктор (решение) Подробная информация – сайт

3 История NTR Scoring – заказная разработка системы кредитного скоринга для одного из лидеров рынка потребительского кредитования 2004 – продукт NTR Scoring v.2

4 NTR Lab: подход к кредитному скорингу Кредитный скоринг: широко применяется с 1966 года Классические методы опираются на кредитную историю Российская (и сообще по СНГ) ситуация – отсутствие не только кредитной истории но, зачастую, и адекватно верифицируемых доходов

5 Проблемы потребительского кредитования Непрозрачность расходов клиентов Непрозрачность доходов клиентов Отсутствие истории взаимоотношений с клиентом Отсутствие гарантий доходов клиента на срок кредитования Необходимость выдавать кредиты на точке продажи очень быстро

6 NTR Scoring – используемая информация Демографическая информация - это анкетная информация о клиенте. Ситуационная информация - информация о том за каким кредитом, в какое место и время пришел клиент. В случае револьверного кредитования такая информация отсутствует. Историческая информация - информация об истории финансовых операций с клиентом. Пока что в большинстве случаев такая информация отсутствует.

7 NTR Scoring – общий подход к выбору и построению методов Адаптивные методы, основанные на расширенной демографике и анализе точности данных. Здесь – две идеи: –Взять сначала как можно больше анкетных и ситуационных данных о клиенте. В дальнейшем те пункты анкеты, которые не влияют на кредитный риск, отбросить –Анализировать достоверность данных, представляемых клиентом. Если есть проблемы, отказывать в кредите

8 NTR Scoring – общая архитектура Возможность конструировать скоринговую систему на основе голосования нескольких скоринговых моделей Возможность использования системы с собственным front-endом или интеграция с системой банка - заказчика на основе веб-сервисов

9 Функциональность системы

10 Модули Проверка заявки Кредитный скоринг Фронт-офис

11 Проверка заявки на полноту и достаточность информации (заявка проверяется сама по себе) на наличие информации о клиенте в черном списке выполнение проверки информации на внешние условия (по демографическим базам данных) Проверка массива заявок (проверки типа не взяла ли кредит жена или на совпадение телефонов) Примерно по 40 проверок каждого типа из трех (черный список – очевидно, одна проверка)

12 Проверка каждого поля на допустимость соответствующего значения Проверка совокупности полей на непротиворечивость Результатом логического контроля является список полей заявки требующих уточнения. Логический контроль

13 Поиск совпадений Каждая вновь вводимая в клиентскую БД заявка на получение кредита сравнивается со всеми ранее введенными заявками на предмет поиска совпадений в полях, аналогичных по содержанию. В случае успеха поиска заявка снабжается списком всех найденных совпадений и указателей на ранее введенные заявки, где обнаружились совпадения. В процессе принятия кредитного решения по вновь поступившей заявке операторы имеют возможность: увидеть полный список совпадений, ассоциированный с данной заявкой; просмотреть любую из заявок, с данными которых обнаружились совпадения.

14 Кредитный скоринг Ключевое предположение –Прошлый опыт может быть использован для предсказания платежеспособности заемщика Два основных типа моделей –Основанные на правилах (отображение существующей кредитной политики банка) –Статистические (основанные на анализе данных о клиентах банка)

15 Модели, основанные на правилах, в NTR Scoring Линейная скоринговая модель –Для каждого признака определяется его вес, и клиенту выставляется оценка по каждому признаку. Оценки суммируются с учетом весов. Дерево решений

16 Общая схема построения статистических моделей Этап 1 Постановка задачи Подготовка данных Этап 2 Анализ данных Построение модели Этап 3 Использование Валидация модели Ввод Базовые алгоритмы Подстройка моделей Оценка

17 Обучение моделей Обучающие данные Модель Тестовые данные Популяция Истинный уровень ошибок Определяемы й уровень ошибок Кажущийся уровень ошибок

18 Выбор данных для обучения Все данные Случайный выбор Случайный выбор Случайный выбор Данные для построения модели Данные для подстройки модели Данные для валиджации модели Данные для тренировки модели

19 Нейронные сети Выходной слой Скрытый слой Входной слой

20 Передаточная функция Y = 1 / (1+ exp(-k(Σ W in * X in ))

21 Обучение Прямой ход: –Вычисляются результаты для примера и ошибки. Обратный ход (обратное распространение ошибки): –Ошибки на выходе используются для изменения весов на выходных нейронах. Потом вычисляются ошибки на нейронах скрытого слоя, и на их основе изменяются веса.

22 k ближайших соседей (k-NN) Общий принцип – обучение по примерам. Запоминаются обучающие примеры и для принятия решения по новому примеру ищутся наиболее похожие обучающие примеры k-NN – выбираются k ближайших соседей (расстояние может измеряться по- разному). Пример относится к тому классу, соседей которого класса больше (возможно, с весом, обратно зависящим от расстояния)

23 Principal Component Analysis Тоже метод обучения по примерам Данные переводятся в двумерную плоскость, соответствующую главным компонентам (старшим сингурялным векторам) матрицы распределения обучающих примеров Далее – k-NN Позволяет отфильтровать шум в выборке

24 Локально взвешенная регрессия (обучение по примерам) Тоже метод обучения по примерам В окрестности примера строится линейная регрессионная модель, дающая непрерывную вероятность принадлежности к классам Образцы для модели взвешиваются с использованием обратно зависящего от расстояния веса

25 Линейный дискриминантный анализ (1) Предположим, что нам надо классифицировать клиентам по двум классам с 1 и с 2 X – вектор анкеты клиента L ij – ожидаемая цена ошибки классификации Pr(X) – Вероятность реализации X. Pr(X|c i ) – условная вероятность X в классе c i.

26 Линейный дискриминантный анализ (2) Применим для классификации байесовское правило: отнести Х к классу c 1, если Предположим, что распределение векторов в каждом классе f(X|c i ) оответствует нормальному гауссовскому распределению. Тогда где μ i – средний вектор для класса i, а Σ – матрица ковариации

27 Линейный дискриминантный анализ (3) Таким образом, правило классификации: μ i и Σ могут быль получены из исторических данных основные проблемы – оценка (Pr(c 2 )/ Pr(c 1 )) (точность зависит от представительности выборки) и (L 21 /L 12 ) Можно заменить (L 21 /L 12 ) и (Pr(c 2 )/ Pr(c 1 )) константой отсечки и подбирать ее

28 Функции фронт-офиса Ведение жизненного цикла кредита Управление информацией о клиентах Управление информацией о Продуктах Управление скорингом

29 Ведение жизненного цикла кредита Открытие кредита Выпуск пластиковой карты Отслеживание погашения кредита с учетом грейс-периода Возобновление кредита Управление досрочным закрытием

30 Управление информацией о клиентах -создание единой базы данных по клиентам Банка, зарегистрированных в рамках Системы; -автоматизация процессов регистрации и обработки заявок клиентов Банка на предоставление Продуктов в рамках Системы; -автоматизация процесса принятия решения о кредитоспособности клиентов на основе процедуры скоринга; -обеспечение целостности информации по клиентам в Системе; -накопление кредитной истории клиентов Банка.

31 Управление информацией о Продуктах -автоматизация процедур управления продуктами; -обеспечение целостности информации по кредитам в Системе; -получение статистической и аналитической информации по использованию продуктов Банка.

32 Управление скорингом - анализ истории предоставления кредитов -расчет и перерасчет скоринговых коэффициентов

33 Функции управления клиентами -регистрация и ведение заявок клиентов на предоставление Продукта; -выполнение проверок зарегистрированных заявок; -выполнение расчета кредитного рейтинга клиента (скоринг); -регистрация и ведение информации о клиентах; -управление статусами клиентов; -сбор информации о клиентах от других модулей Системы; -предоставление информации о клиентах другим модулям Системы; -регистрация событий, связанных с жизненным циклом клиента.

34 Функции управления продуктами -регистрация и ведение информации о кредитах; -регистрация событий, связанных с жизненным циклом кредита; -управление статусами кредитов; -сбор информации о кредитах от других модулей Системы; -предоставление информации о кредитах другим модулям Системы.

35 Вопросы, предложения? Антон Мальков, Исполнительный директор, ООО «Лаборатория НТР» (NTR Lab)