Под капотом скоринга: как на самом деле модели кредитного риска принимают решения
Доклад принят в программу конференции
Целевая аудитория
Тезисы
Доклад раскрывает внутреннюю кухню моделей оценки кредитного риска и принципов работы кредитного/скорингового конвейере — от заявки клиента до финального решения и периода после принятия решения о выдаче кредита — и покажет, как данные превращаются в управляемый финансовый риск. Начнём с бизнес-контекста: почему оценка кредитного риска - ключевой фактор стабильности и конкурентоспособности бизнеса. Затем пошагово разберём архитектуру современного скорингового конвейера.
Особое внимание уделим «внутренней кухне»:
- PD, EAD, LGD — как обучить эти модели, как калибровать и измерять её качество.
- Поведенческий скоринг — как использовать историю платёжного поведения для переоценки рисков и повышения LTV.
- Расчёт Expected Credit Loss — как объединять модели в единую метрику риска и переводить её в бизнес-решения.
- Внедрение и мониторинг: оффлайн-, ретро- и бэк-тесты, A/B-эксперименты, а также алерты по дрейфу данных, стабильности и бизнес-метрикам.
- SOTA-подходы
Вы уйдёте с чёткой схемой проектирования каскада моделей кредитного конвейера и decisioning-логики под бизнес-метрики, набором проверенных метрик/процедур мониторинга и готовыми приёмами.
Обладает более чем 4-летним опытом в области машинного обучения и отвечает за полный цикл разработки ML-сервисов. С нуля построил ключевые проекты компании и в настоящее время руководит их развитием: кредитный скоринг (PD/EAD/LGD модели) — построение и развитие моделей для Alif Uzbekistan и Alif Pakistan, а также консультационная поддержка команды Alif Tajikistan; VoiceBot — автоматизация клиентских обзвонов; рекомендательные системы для Alifpay и Alifshop; оптимизация процесса взыскания (сollection); антифрод-системы; матчинг товаров; RPA — автоматизация внутренних бизнес-процессов через LLM-workflow в рамках различных подразделений.
Видео
Другие доклады секции
Доклады вне привычной рамки
