Скоринг мобильных операторов

Процесс совершенствования скоринговых моделей бесконечен, и банки давно проводят тестирование и внедрение разнообразных сервисов, призванных улучшить качество работы моделей. Такими сервисами являются, например, разнообразные сервисы кредитных бюро, данные социальных сетей и др. В этой статье мы рассмотрим скоринговые модели на основе данных сотовых операторов, методы построения этих моделей и способы их интеграции в существующую систему принятия решения по заявке.

Рынок данных сотовых операторов существует относительно недавно, всего несколько лет, но уже положительно зарекомендовал себя среди специалистов по розничным рискам. При подаче заявки на кредит заемщик должен заполнить поле с согласием на обработку данных сотовым оператором. Это условие является обязательным, поскольку при отсутствии согласия со стороны клиента оператор не имеет права предоставить скоринговый балл. После получения согласия банк отправляет запрос оператору для получения скоринговой оценки заемщика по номеру, указанному в анкете. Подчеркнем, что от сотового оператора банк получает именно некую количественную оценку и никакая персональная информация оператором не предоставляется.

Рассмотрим, как происходит построение модели сотовым оператором, на примере модели противодействия мошенничеству, разработанной для одного из розничных банков с помощью SAS Enterprise Guide.

Итак, на первом этапе банк формирует выборку, состоящую из номера телефона, даты заявки и флага «мошенник/не мошенник» (далее — целевая переменная или таргет), и отправляет эту выборку оператору. Классическим требованием к выборке является предоставление не менее 2000 записей «плохих» кредитов, то есть кредитов, по которым установлен факт мошенничества или дефолта в зависимости от запрашиваемой банком модели, и не менее 2000 «хороших», но не более 55 000 кредитов в выборке. Кредиты должны быть вызревшими, то есть должен пройти такой срок с момента выдачи кредита, чтобы можно было однозначно отнести его к категории либо «плохих», либо «хороших». Например, если банк для себя считает за дефолт факт выхода на просрочку свыше 90 дней в течение 12 месяцев, то нельзя включать в выборку кредиты, которые были выданы 3 месяца назад, поскольку еще неизвестно, выпадет ли данный кредит в дефолт или нет.

После получения выборки оператор производит обогащение выборки информацией по абоненту и по группе общения абонента и на основе этих данных строит модель принятия решения. Данными по абоненту являются такие показатели, как срок жизни абонента, количество блокировок номера, минимальный баланс счета, модель устройства, статус на дату заявки, геолокационная информация и др. Примерами показателей группы общения являются количество абонентских номеров, с которыми у абонента были транзакции, и время жизни группы.

Существует большое количество способов построения скоринговых моделей. Основными применяемыми на практике являются деревья решений, нейронные сети и логистическая регрессия. В этой статье мы рассмотрим построение модели методом логистической регрессии с помощью SAS Enterprise Guide, поскольку этот метод является самым популярным при построении скоринговых моделей ввиду простоты интерпретации полученной модели бизнес-пользователями и легкости ее сопровождения.

Логистическая регрессия (ее также называют логит-регрессионной моделью) является разновидностью множественной регрессии, общее назначение которой состоит в анализе связи между несколькими независимыми переменными (называемыми также...