- S-specific (Конкретный)
- M-Measurable (Измеримый)
- A-Achievable (Достижимый)
- R-Relevant (Значимый)
- Time-bound (Ограниченный по времени)
Критерий | Вопрос |
---|---|
S-specific (Конкретный) | Необходимо создать ML-модель, которая сможет предсказывать заранее вероятность получения кредита клиентом в конкретных 5-ти банках. Модель будет обучаться на исторических данных заявок на кредит, содержащих информацию о демографических данных, финансовом положении, загруженности, а также учитывать категорию кредита по уровню риска. Проект ориентирован на сектор потребительского кредитования, задачей которого является точная и быстрая оценка кредитоспособности клиента. |
M-Measurable (Измеримый) | На вход модели подается анкета заявителя, на выходе вероятность выдачи кредита по каждому из 5-ти банков. Подобрать наилучшую модель из ансамбля моделя с лучшей общей точностью. Достичь максимальной Accuracy модели путем перебора методов, но не меньше 70% на каждый из банков. |
A-Achievable (Достижимый) | Мы планируем использовать продвинутые алгоритмы машинного обучения, такие как случайный лес и градиентный бустинг, для разработки нашей модели. Эти алгоритмы были выбраны за их эффективность в решении подобных задач и способность обрабатывать большие объемы данных. Кроме того, мы будем использовать методы оптимизации, включая тюнинг гиперпараметров и кросс-валидацию, чтобы обеспечить наилучшую производительность и точность нашей модели. Эти подходы помогут нам достичь наших целей, делая их вполне достижимыми. Модель будет выложена на GitHub, подключение к приложению заказчика будет возможно через API-ключ. В разработке модели участвуют 5 человек. |
R-Relevant (Значимый) | Интеграция разработанной нами модели в приложение приведет к значительному повышению эффективности процесса принятия решений о выдаче кредитов. Это ускорит обработку заявок и снизит риски, связанные с кредитованием, благодаря более точной и быстрой оценке кредитоспособности клиентов. Таким образом, мы не только улучшим операционную эффективность, но и повысим удовлетворенность клиентов, предлагая им более быстрые и надежные решения по кредитам. |
Time-bound (Ограниченный по времени) | Мы планируем установить конкретные промежуточные сроки для каждого этапа нашего проекта с учетом пожелания заказчика, что позволит нам систематически контролировать прогресс и обеспечивать своевременное выполнение задач. Эти этапы включают получение данных, предобработку, разработку и тестирование модели. Например, мы планируем завершить предобработку данных к 03.12.2023, а разработку и первичное тестирование модели к11.12.2023. Эти временные рамки помогут нам оставаться сфокусированными и эффективно использовать наши ресурсы. |
Мы разрабатываем передовую модель кредитного скоринга в рамках нашего проекта Mandarin, основанную на концепции application-scoring. Наша модель направлена на оценку вероятности одобрения кредитных заявок в реальном времени, используя данные анкет заявителей.
Основные Направления Работы:
Мы сосредоточимся на анализе широкого спектра признаков, включая:
- Доход
- Должность
- Возраст
- Семейное положение
- Количество детей
- Цель кредитования
Эти данные помогут нам создать более точный профиль заемщика.
Важным аспектом является выявление и исключение ошибочных или неправдоподобных данных, таких как:
- Несоответствующий возраст
- Нереалистичные доходы
Это повысит достоверность наших оценок.
Мы используем продвинутые алгоритмы машинного обучения, в том числе:
- Logistic Regression: Требует тщательной предобработки пропущенных значений.
- XGBClassifier: Эффективно обрабатывает пропуски в данных.
Для улучшения качества модели мы применяем:
- ENN (Edited Nearest Neighbours): Уменьшение влияния выбросов.
- SMOTE (Synthetic Minority Over-sampling Technique): Решение проблемы дисбаланса классов.
Эти методы в совокупности обеспечивают надежность и точность наших прогнозов.
- Анализ данных: Оценка качества данных, идентификация пропущенных значений, аномалий и выбросов.
- Визуализация данных: Создание графиков и диаграмм для понимания распределения данных.
- Предварительные выводы: Выявление ключевых факторов, влияющих на моделирование.
- Выбор алгоритмов: Определение моделей машинного обучения.
- Эксперименты: Применение техник обработки данных и настройки моделей.
- Валидация: Проверка производительности модели на тестовом наборе.
- Оценка метрик: Точность, Recall, Precision и другие показатели.
- Итеративное улучшение: Доработка модели по результатам.
- Техническая документация: Описание архитектуры и процесса работы модели.
- Руководство пользователя: Инструкции по использованию системы.
- Разработка API: Интеграция модели с внешними системами.
- Тестирование API: Проверка надежности и совместимости.
- Финальная проверка: Удостоверение корректной работы всех элементов.
- Деплоймент: Развертывание модели в рабочей среде.
- Заключительная презентация: Демонстрация результатов проекта.
Используя исторические данные об одобрении и отклонении кредитных заявок, наша модель способна с высокой точностью предсказывать исходы новых заявок. Это обеспечивает более быстрый и эффективный процесс принятия решений, снижая операционные затраты и время ожидания для клиентов.
Наша модель направлена на повышение конверсии покупателей, предлагая им более доступные и удобные условия кредитования. Это, в свою очередь, способствует увеличению продаж и общей выручки для компаний, использующих наше приложение.
Модель разработана для анализа данных, предоставляемых заемщиками в анкетах, что позволяет точно предсказывать вероятность одобрения заявки на основе ограниченного набора информации. Это повышает удобство для пользователей и ускоряет процесс оценки кредитоспособности.
Модель легко адаптируется под различные бизнес-модели и условия кредитования, что делает ее применимой для широкого спектра компаний, от малого бизнеса до крупных корпораций.
- Роли и задачи членов команды.
- Планирование и Управление: Внедрение эффективного управления с четкими сроками.
- Резервирование Ресурсов: Предусмотрение дополнительных ресурсов.
- Коммуникация и Координация: Постоянная коммуникация для решения проблем.
- Качество Данных: Тщательная предобработка данных.
- Многообразие Тестирования: Кросс-валидация и различные наборы данных.
- Итеративная Оптимизация: Постоянное улучшение модели.
- Технологические Риски: Изучение и тестирование новых технологий.
- Риски Изменения Требований: Гибкость в планировании и адаптация к новым условиям.
В рамках установленных временных рамок наша команда успешно разработала и внедрила передовую ML-модель для прогнозирования вероятности одобрения кредитных заявок клиентами пяти банков-партнеров. Этот проект демонстрирует новаторский подход в сфере кредитного скоринга, где в качестве основы для анализа используются исключительно данные анкет заявителей. Это отличается от традиционных методов, требующих более обширного набора данных о заявителе.
Наша модель, обогащенная современными алгоритмами машинного обучения и методами обработки данных, включая Logistic Regression и XGBClassifier, а также техниками балансировки данных, такими как ENN и SMOTE, позволяет не только точно оценить вероятность одобрения заявки, но и эффективно выявлять ошибочно заполненные или фейковые анкеты. Это обеспечивает существенное улучшение в качестве и надежности процесса кредитования, повышая конверсию и, соответственно, доходы для наших партнеров-банков и приложения.
Ключевым достижением проекта является не только разработка высокоточной модели, но и успешное управление рисками, связанными с разработкой и внедрением такой системы, включая точное соблюдение установленных сроков и обеспечение гибкости в адаптации к изменяющимся требованиям. В результате, наш проект представляет собой значительный шаг вперед в области кредитного скоринга, предлагая решение, которое сочетает в себе технологическую инновацию и практическую ценность для улучшения бизнес-процессов.