#B2IT Cases

Скоринговая
система оценки
заемщика на базе ИИ

Запрос клиента

Клиент — Микрофинансовая организация с широкой клиентской базой хотела автоматизировать и улучшить процесс оценки кредитных рисков.
Клиент стремился внедрить скоринговую систему на базе искусственного интеллекта, чтобы выявлять и оценивать риск-факторы и снизить вероятность дефолта заемщиков и уменьшить уровень просрочек по займам.
При этом система должна была обрабатывать как стандартные данные  (возраст, профессия, доходы, кредитная история), так и все другие доступные источники данных (поведение в интернете, платежные средства,  транзакции).

Проблема

Текущая система оценки кредитных рисков была основана на устаревших правилах и не учитывала широкий спектр доступных данных, что приводило к высокому уровню просрочек (влоть до 20% портфеля, что является высоким значением для микрокредитования).
Ручной анализ и обработка заявок занимали много времени, из-за чего клиенты уходили к конкурентам с более быстрым процессом одобрения.
Постоянно увеличивающийся поток заявок требовал масштабируемого решения, способного справляться с нагрузкой.

Решение

Мы разработали скоринговую систему на базе искусственного интеллекта, которая автоматически анализирует множество факторов и выдает оценку кредитных рисков заемщика в реальном времени.
Система интегрируется с внутренними базами данных МФО, внешними источниками (бюро кредитных историй, данные операторов связи, биллинговые системы) и использует альтернативные данные для построения прогнозов.
Для реализации мы использовали Python как основной язык, а также инструменты машинного обучения и обработки больших данных.

Результаты

Для бизнеса

Уровень просрочек снизился на 12% за счет более точной оценки рисков.
Время обработки заявок сократилось с 30 минут до 2 минут, что увеличило конверсию на 20%.
Система позволила выдавать займы клиентам без кредитной истории с приемлемым уровнем риска, расширив клиентскую базу на 15%.
Операционные расходы на ручную обработку заявок сократились на 40%, так как система полностью автоматизировала процесс.

Сбор и обработка данных

Python: Использовали как основной язык для работы с данными и построения моделей. Python гибок и имеет богатую экосистему для анализа данных.
Pandas: Применяли для обработки и очистки данных из различных источников (кредитные истории, транзакции, заявки).
External APIs: Интегрировали данные из бюро кредитных историй (например, НБКИ, ОКБ, EQUIFAX) и операторов связи через API для получения информации о платежном поведении клиентов.

Искусственный интеллект и машинное обучение

Scikit-learn: Применяли для построения базовых моделей классификации (например, логистическая регрессия, случайный лес), которые определяли вероятность дефолта на основе исторических данных.
XGBoost / lightGBM: Использовали градиентный бустинг для повышения точности предсказаний. Эти алгоритмы хорошо работают с несбалансированными данными, что важно для задач кредитного скоринга.
TensorFlow: Для клиентов без кредитной истории применили нейронные сети, чтобы учитывать сложные нелинейные зависимости между альтернативными данными.
Feature Engineering: Создали дополнительные признаки, такие как частота транзакций, средний чек, временные тренды активности в интернете, чтобы повысить точность модели.

Backend (серверная часть)

FastAPI: Реализовали серверную часть на FastAPI для быстрого взаимодействия между системой скоринга и платформой МФО. API принимает данные о клиенте и возвращает скоринговую оценку в реальном времени.
PostgreSQL: Использовали как основную базу данных для хранения информации о клиентах, заявках и результатах скоринга.
MongoDB: Для хранения неструктурированных данных, таких как логи поведения клиентов в интернете.

Интеграция и автоматизация

REST API: Обеспечили бесшовную интеграцию с внутренней CRM-системой МФО через API.
Celery: Настроили обработку заявок в фоновом режиме, чтобы система могла обрабатывать большие объемы данных без задержек.
Redis: Использовали как кэш для хранения часто запрашиваемых данных, например, промежуточных скоринговых оценок.

Инфраструктура

Docker: Упаковали систему в контейнеры для упрощения развертывания и масштабирования.
Kubernetes: Настроили оркестрацию контейнеров для обработки увеличивающегося числа заявок.
AWS: Развернули решение в облаке Amazon Web Services для обеспечения масштабируемости и отказоустойчивости.

Мониторинг и аналитика

Grafana: Настроили дашборды для мониторинга работы системы: количество обработанных заявок, точность прогнозов, метрики производительности.
Sentry: Использовали для отслеживания ошибок в реальном времени, чтобы оперативно устранять проблемы.
MLflow: Применили для управления экспериментами с моделями машинного обучения, отслеживания гиперпараметров и результатов.

Дополнительные преимущества

Объяснимость моделей: Добавили интерпретируемость решений моделей с помощью библиотек вроде SHAP, чтобы сотрудники МФО могли понимать, почему конкретный клиент получил тот или иной скор.
Гибкость: Система легко адаптируется под новые источники данных или изменения в законодательстве (например, регулирование использования альтернативных данных).
Масштабируемость: Решение может быть использовано как для небольших МФО, так и для крупных банков с миллионами клиентов.

Напишите нам

Оставьте заявку и наш менеджер свяжется с вами в течение трех рабочих дней