Кредитный скоринг на больших данных: как строится модель и что важно заёмщику

Традиционный скоринг опирается на сведения об обязательствах и платежах. Модели больших данных теоретически могут добавлять множество иных признаков и находить связи, которые трудно описать простым правилом.

Сначала из исторических данных отбираются случаи с известным исходом: какие обязательства выполнены вовремя, а по каким были просрочки. Затем проверяется связь между такими признаками, как доход, долговая нагрузка, платёжная история, и результатом.

Данные обычно делят на обучающую и проверочную части. Модель ищет закономерности в первой части, а на второй проверяется на примерах, которых раньше не видела. Модель, которая хорошо «запомнила» старые данные, но не работает в новых случаях, ненадёжна.

Больше данных может помочь оценивать людей с короткой кредитной историей. Но статистическая связь не всегда объясняет причину, а ошибочный источник способен систематически ухудшать результат.

Важно знать, какие категории данных используются, насколько они актуальны и можно ли исправить ошибку. «Искусственный интеллект» сам по себе не делает решение объективным.

Чувствительные данные могут раскрывать больше, чем нужно для кредитной цели. Непрозрачная модель затрудняет понимание отказа. Если в исторических данных было прежнее неравенство, модель может его воспроизвести. Один и тот же человек может получить разные оценки в разных моделях: балл — это вероятностная оценка для конкретной цели, а не окончательный вердикт, и причиной отказа может быть не только балл, но и требования продукта. Нельзя утверждать, какие альтернативные данные применяются в Узбекистане, без официального подтверждения.

• Большой объём данных не гарантирует точность.
• Ошибки источника могут повлиять на автоматическую оценку.
• Согласие на обработку нужно читать до передачи данных.
• Локальная практика требует проверки.

Перед согласием на скоринг проверьте перечень данных, цель обработки и получателя.