Под капотом скоринга: как на самом деле модели кредитного риска принимают решения

Доклады вне привычной рамки

Доклад принят в программу конференции

Целевая аудитория

Материал будет полезен как ML-инженерам/data scientist'ам(junior/middle/senior/lead), PM и аналитикам, так и risk-менеджерам и продуктовым специалистам, поскольку охватывает как техническую, так и бизнес-логику построения скоринговой системы.

Тезисы

Тезисы:
1. Что такое кредитный риск?
2. Зачем бизнесу нужно оценивать?
3. Обзор архитектуры скоринговых моделей и процесса принятия решения о выдаче кредита
- Как с помощью каскада моделей оценивать кредитный риск?
- Общая структура скоринговой системы: от заявки до и после принятия решения.
- Роль стоп-факторов в процессе принятия решений.
4. Модели оценки кредитного риска: PD, EAD, LGD
- Что такое Probability of Default (PD), Exposure at Default (EAD) и Loss Given Default (LGD)?
- Основные принципы построения моделей PD, EAD и LGD.
- Методы оценки качества моделей.
- Особенности данных и калибровка для каждой модели.
5. Поведенческий скоринг
- Что такое поведенческий скоринг и его роль в кредитном конвейере?
- Основные принципы построения поведенческого скоринга
- Методы оценки.
6. Принцип работы каскада скоринговых моделей
- Как работают модели в процессе принятия решения и как они решают бизнес-задачу?
- Расчёт ожидаемых потерь (EL) на основе моделей LGD, EAD и PD.
7. Мониторинг и внедрение новых скоринговых моделей
- Как мониторить стабильность и эффективность модели?
- Метрики мониторинга
- Процесс выкатки: от эксперимента до продакшн-релиза.
- оффлайн-тест
- ретро-тест
- бэк-тест
- а/б-тест
8. SOTA-подходы в скоринге
- Нейросетевой подход в скоринге
- Улучшение качество скоринга через другие скоринговые модели, телеком данные, девайс данные и др.

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