Завдання скорингового конструктора:

• Маючи максимальну к-ть дані з бази, відкритих джерел, максимально точно видати бал надійності позичальника.
• Мати можливість швидко змінювати порогове значення моделі, к-ть параметрів, додавати нові залежності.
• Модуль повинен мати можливість гнучкого підключення нових джерел по API, або мати вбудований парсинг.

Реалізація:

• За допомогою підключення до вашої базі даних ми отримуємо основні дані про клієнта. Далі ми їх збагатимо даними з реєстрів державних структур, таких як: БКІ, BankID, ДФС, Реєстр судових рішень і т.д.
• Як результат ми отримуємо дані про наявність кредитів, депозитів, рухомого нерухомого майна. Історію обслуговування в банках. Стан клієнта по оплаті податків, місце роботи. Наявність суднових справ і їх предмет. Всі дані ми заливаємо в математичну модель, яка працює на підставі нейронних мереж.
• Як результат вона шукає ідеального кандидата по історії, групує їх, на підставі даних про них, будує відповідність і видає скоринговий бал для проаналізованої компанії або приватної особи. Математичне моделювання переваги в періоді: Скоринг конструктор дозволяє відбудовувати різні скоринг сценарії на підставі наявних джерел даних і їх трактування. Дозволяє працювати з шаблонами і адаптувати їх під потреби конкретного бізнесу / продукту
• Скоринг конструктор дозволяє зробити від простої оцінки компанії на відповідність її даних до розрахунку ймовірності того, що компанія / приватна особа не поверне або буде затягувати платежі.
• Модель самонавчається, знаходить приховані патерни в даних, дає можливість підключати нові джерела і шукати в них вплив факторів на поведінку аналізованого об'єкта.

Де зараз реалізується?

• У банку для роботи з 11 відкритими джерелами та історичними даними!

Завдання:

• За допомогою конструктора і його самонавчальної частини на нейронних мережах довести Default rate по кредитах до 2.5-4% Проект під NDA.