VTB Jul 23 2018 at 12:44

Машинное обучение против кредитных рисков, или «давай, Джини, давай»

4 min

6.8K

ВТБ corporate blogBig Data*Machine learning*Hadoop*

Recovery Mode

+13

Comments 16

xmaster83 Jul 23 2018 at 14:04

Вы тут описали вначале что политика банка возвращать кредиты и спрогнозировать это, А как вы в нейронную модель загнали коллекторский отдел?

tashanov Jul 23 2018 at 15:53

На этом этапе мы пытаемся предугадать заранее – кому из клиентов можно давать кредиты, а кому – не стоит. Соответственно коллекторский отдел пока в планах.

nikolayv81 Jul 24 2018 at 10:59

Это же про юридических лиц, с местом в data-lake под физиков не так всё хорошо (хотя и по «юрикам» — в КИХ может не хватать данных :)

roryorangepants Jul 23 2018 at 14:27

Спасибо за статью!
Скажите, пожалуйста, правда ли, что в моделях кредитного скоринга не используются признаки, которые могут внести в модель дискриминирующий bias (например, пол и национальность)?

tashanov Jul 23 2018 at 15:54

В статье речь о корпоративных клиентах, но в целом для нас проблемы дискриминирующих признаков неактуальны.

roryorangepants Jul 23 2018 at 15:57

Спасибо за ответ.

но в целом для нас проблемы дискриминирующих признаков неактуальны.

А по какой причине? Вы считаете, что использование подобных признаков корректно, или ни один подобный признак не сработал для вас как хороший предиктор, и поэтому вам просто неважна эта проблема?

tashanov Jul 24 2018 at 11:10

Потому что у корпоративных клиентов нет в явном виде признаков, которые могут быть восприняты как дискриминационные (юридическое лицо не имеет пола, национальности, цвета кожи и пр.)

roryorangepants Jul 24 2018 at 11:21

Я понимаю, но вы написали:

В статье речь о корпоративных клиентах, но в целом для нас проблемы дискриминирующих признаков неактуальны.

И вторая часть воспринимается так, будто проблемы нет и для не корпоративных клиентов.
Или я неправильно понял?

DMGarikk Feb 7 2019 at 13:19

ну так «отказ, банк не комментирует» небось, даже если это и проблема, об этом никто не знает

nikolayv81 Jul 24 2018 at 11:01

Жаль для физиков нет, а то очень удивляют звонки от call-центра с заманчивыми предложениями, которые явно основаны «не на тех данных».

WTYPMAH Jul 24 2018 at 11:29

А детали самой модели покажите? Какие методы, как потимизировались, тестировались, отбирались переменные, какие результаты? Без этого не очень похоже на тему для хаба Машинное обучение…

tashanov Jul 24 2018 at 12:54

Модель базируется на ФКР (факторах кредитного риска), которые мы (как банк) раскрывать не можем. В посте же речь скорее об инфраструктуре для эффективного построения моделей data science аналитиками, которые работают в рисках.

WTYPMAH Jul 24 2018 at 14:54

Так никто не просить расскрывать сами факторы или их веса. Как проводился отбор факторов, инжиниринг, по каким метрикам. Какой тип модели: регрессия, RF, сеть и т.д.
Если уж в заголовке упомянули Джини, то хоть итоговое значение напишите.

tashanov Jul 24 2018 at 18:36

В большинстве случаев ФКР разрабатываются на основе экспертных суждений, и впоследствии тестируются в рамках моделей прогнозирования дефолтов. Основной инструмент (алгоритм) для моделирования – обычная логрегресссия, что позволяет получить интерпретируемые результаты. Мы в рамках пилота пробовали различные алгоритмы (случайный лес, градиентный бустинг), которые позволяют улучшить качество моделей (+несколько пунктов Джини), но при этом модель теряет в интерпретируемости.

vagon333 Jul 24 2018 at 23:55

Интересная статья. Вопрос насчет эффективности решения.
Не нашел у решения анализ эффективности и коррекцию алгоритмов.
В банковском кредитовании «action plan» (US market), т.е. работа над ошибками и коррекция процессов — обязательный этап. У вас этот этап не описан. Это для простоты описания или не внедрено?

tashanov Jul 25 2018 at 12:42

В данном пилотном решении нет модуля, который бы позволял выгружать обученные модели в продуктивную среду (deploy) и, соответственно, встраивать в модели метрики контроля качества. Это все планируется реализовать на следующем этапе.