Одобрение кредитных карт в текущих условиях (читают 4)

[Xleb]

В итоге выпустили МТС зеро, так ее еще целый квест закрыть-отключить, смс , подождать 15 минут, затем отключить страховку и снова 15 минут ждать и только потом заявку на закрытие можно оставить.

После такого шаманства небось ещё и рейтинги в БКИ на дно улетят.

 

[Valentin_R]

При заказе виртуалки -не посмотреть ни сумму одобренную

Не спорю, что они вполне могли что-то сломать, но как минимум в июле не было особых сложностей посмотреть условия по виртуалке до подписания документов. Если не ошибаюсь, открывалась большая pdf-ка, где надо было пролистать пару страниц, чтобы посмотреть название договора и лимит. Смог проверить таким образом, не подсунули ли Zero.

 

[SergoMorozz]

Кто-то был не согласен с моим мнением по поводу работы скоринга.
Наткнулся сейчас на свои заметки, на данный момент информация уже не совсем актуальна, но давайте сначала с нее:

1. Объем и разнообразие источников данных

* Традиционные данные (Ключевой фактор):
* Бюро кредитных историй (БКИ): Не просто наличие кредитов, а детальная история каждого: своевременность платежей, наличие просрочек (даже мелких), общая кредитная нагрузка (отношение платежей к доходу), количество активных кредитов и запросов в БКИ.
* Как влияет: Прямой индикатор финансовой дисциплины и потенциальной платежеспособности. Банки (например, ВТБ, Газпромбанк) очень внимательно изучают этот аспект, особенно для крупных кредитов.
* Внутренняя история в банке: Если вы уже клиент банка (имеете зарплатный счет, вклады, предыдущие кредиты), банк знает вас лучше. Как вы обслуживали предыдущие кредиты? Какова активность по вашим счетам?
* Как влияет: Для Сбера или Альфа-Банка это золотая жила. Безупречное обслуживание зарплатного проекта или своевременное погашение предыдущего кредита повышает ваш рейтинг. И наоборот, задержки платежей в этом же банке сильно его снизят.

* Экосистемные данные (Инновационный фактор, особенно для цифровых лидеров):
* Телекоммуникационные данные (МТС Банк, Тинькофф): Частота пополнений мобильного счета, объем потребляемых услуг (интернет, звонки), наличие задолженностей за связь, использование роуминга.
* Как влияет: Косвенно указывает на стабильность дохода и финансовую дисциплину. Если человек регулярно пополняет счет на крупную сумму и не имеет долгов, это позитивный сигнал.
* Данные из e-commerce и развлекательных сервисов (Сбер, Тинькофф): Частота и тип онлайн-покупок (продукты, одежда, электроника), подписки на видео/музыкальные сервисы.
* Как влияет: Помогает сформировать поведенческий профиль: насколько человек склонен к импульсивным тратам, насколько стабилен его образ жизни, его потенциальный уровень дохода. Сбер, например, может использовать данные из СберМегаМаркета или Okko.
* Инвестиционные данные (Тинькофф Инвестиции): Активность на фондовом рынке, размер портфеля, склонность к риску.
* Как влияет: Может дать представление о финансовой грамотности, наличии свободных средств и общей финансовой стратегии.

* Альтернативные данные (Растущий фактор, особенно для массового сегмента):
* Коммунальные платежи (Совкомбанк, Почта Банк): Своевременность оплаты жилищно-коммунальных услуг (с согласия клиента).
* Как влияет: Показатель финансовой дисциплины, особенно важный для тех, у кого "тонкая" кредитная история (мало данных в БКИ).
* Данные из открытых источников/государственных реестров: Наличие судебных задолженностей, исполнительных производств, информация о банкротстве.
* Как влияет: Прямые красные флаги, указывающие на серьезные финансовые проблемы или недобросовестность.
* Геолокационные данные (МТС Банк, Тинькофф - агрегированные и анонимизированные): Паттерны перемещения, часто посещаемые места.
* Как влияет: Может косвенно указывать на уровень дохода (например, место работы в дорогом бизнес-центре) или стабильность образа жизни.

2. Поведенческий анализ и динамика (Real-time Behavioral Scoring)


* Цифровой след при подаче заявки (Тинькофф, Альфа-Банк, Ренессанс Кредит):
* Как влияет:
* Скорость заполнения: Слишком быстрое заполнение без изучения
условий может быть признаком мошенника, который пытается отправить много заявок. Слишком долгое — тоже может вызвать вопросы.
* Исправления: Большое количество исправлений, особенно в ключевых полях (ФИО, паспортные данные), может указывать на невнимательность или попытку фальсификации.
* Устройство: Подача заявки с необычного IP-адреса, старого или редко используемого устройства может вызвать подозрения.
* Динамика транзакций (Сбер, Альфа-Банк):
* Как влияет:
* Резкие изменения: Неожиданный всплеск дорогих покупок, частые снятия крупных сумм наличных, многочисленные переводы на подозрительные счета – все это может быть индикатором финансового стресса, мошенничества или подготовки к дефолту.
* Стабильность поступлений: Регулярность и размер зарплатных поступлений, их соответствие заявленным данным. Не просто сумма, а *качество* денежного потока.
* Активность в экосистеме (Сбер, Тинькофф, МТС Банк):
* Как влияет: Снижение активности (например, отказ от дорогих подписок, сокращение объема потребления услуг связи) может сигнализировать о финансовых трудностях. И наоборот, повышение активности и использование новых сервисов может говорить о росте благосостояния.

3. Сложность и тип используемых алгоритмов машинного обучения


* Продвинутые ансамблевые методы (Gradient Boosting Machines - GBMs, например XGBoost, CatBoost, LightGBM):
* Как влияют: Это "рабочие лошадки" современного скоринга (используются повсеместно, например в ОТП Банке, Ренессанс Кредит). Они отлично работают со структурированными данными (таблицы), очень точны и позволяют понять, какие факторы влияют на результат сильнее всего. Идеальны для прогнозирования вероятности дефолта.
* Нейронные сети и глубокое обучение (Deep Learning):
* Как влияют: Используются в крупнейших банках (Сбер, Тинькофф) для обработки колоссальных объемов разнородных данных. Особенно эффективны для:
* Временных рядов: Анализ последовательностей транзакций, выявление сложных паттернов во времени.
* Текстовых данных (NLP): Анализ обращений в поддержку, чатов, публичных отзывов для извлечения "мягких" факторов риска или лояльности.
* Выявление мошенничества: Обнаружение очень тонких, нелинейных взаимосвязей, которые не видит человек или более простые модели.
* Графовые нейронные сети (GNNs) (Сбер, Тинькофф):
* Как влияют: Способны строить и анализировать сети связей (графы): кто кому звонит, кто с кем связан через банковские счета, какие устройства используются для разных заявок.
* Критично для антифрода: Позволяют выявлять "мошеннические кольца", когда несколько человек действуют сообща, или когда один мошенник использует множество подставных лиц.

4. Специфика бизнес-модели банка и целевого сегмента

Каждый банк имеет свою стратегию, которая напрямую влияет на то, кого он хочет кредитовать и как он оценивает риск.

* Фокус на массовый сегмент (Совкомбанк, Почта Банк, Ренессанс Кредит):
* Как влияет: Скоринг этих банков адаптирован для быстрого принятия решений по большому количеству заявок, часто с использованием альтернативных данных для клиентов с минимальной кредитной историей. Готовы брать на себя больший риск, но с соответствующими процентными ставками.
* Цифровой и клиентоориентированный (Тинькофф, Альфа-Банк):
* Как влияет: Скоринг максимально интегрирован в онлайн-каналы, нацелен на мгновенное принятие решений и персонализацию предложений. Использует много данных о цифровом поведении.

* Корпоративные и государственные (Сбер, ВТБ, Газпромбанк):
* Как влияет: Более консервативный подход к риску. Скоринг сильно опирается на данные остабильной занятости (зарплатные проекты) и традиционные финансовые показатели. Процессы могут быть менее быстрыми, но более глубокими.
* Нишевые банки (Россельхозбанк):
* Как влияет: Модели могут включать факторы, специфичные для их целевой аудитории (например, для работников агропромышленного комплекса или жителей сельской местности).

5. Развитие антифрод-систем


* Как влияет: Даже если у вас идеальная кредитная история, но ваша заявка (или поведение) активирует антифрод-систему (например, IP-адрес из черного списка, подозрительная связка данных), вам будет отказано.
* Ренессанс Кредит и Хоум Кредит как лидеры POS-кредитования имеют очень развитые антифрод-системы для выявления мошенничества в точках продаж.
* Сбер и Тинькофф используют графовые нейронные сети для обнаружения сложных мошеннических схем и групп.
* Методы: Детекция аномалий, сопоставление данных с черными списками, анализ связей, биометрия.

6. Интерпретируемость моделей (Explainable AI - XAI)

* Как влияет:
* Регуляторные требования (Сбер, ВТБ): Крупные банки обязаны объяснять свои решения регуляторам. Это заставляет их выбирать модели, которые позволяют извлечь факторы, повлиявшие на отказ/одобрение.
* Доверие клиентов: Возможность объяснить клиенту, почему ему отказано в кредите, повышает прозрачность и доверие, даже если решение негативное.
* Отладка и улучшение: Дата-сайентистам нужно понимать, где модель ошибается, чтобы ее улучшать. Если модель — это "черный ящик", это сложно.
* Методы: Использование таких инструментов, как SHAP values или LIME, которые показывают вклад каждого признака в итоговое решение модели.

7. Постоянное развитие и адаптация моделей (MLOps)

Мир меняется, а с ним и люди. Скоринговая модель, созданная год назад, может быть неэффективна сегодня.

* Как влияет:
* Мониторинг производительности: Банки постоянно отслеживают, насколько хорошо их модели предсказывают дефолты или мошенничество. Если точность падает, модель нуждается в обновлении.
* Автоматическое переобучение (Тинькофф, Альфа-Банк): Модели не просто разворачиваются, а живут в постоянном цикле обучения и обновления на свежих данных. Это позволяет им адаптироваться к изменяющимся экономическим условиям, новым законам, поведению клиентов и новым мошенническим схемам.
* A/B-тестирование: Новые версии скоринговых моделей сначала тестируются на небольшой части заявок, чтобы убедиться в их эффективности, прежде чем полностью заменить старые.
* Как влияет на результат: Гарантирует, что решения банка основаны на наиболее актуальной и точной информации, что повышает справедливость и эффективность кредитования.

Итоговый вывод: Ваша кредитоспособность в глазах современного банка — это не статичная цифра, а динамическая, постоянно обновляемая картина, созданная из огромного массива данных и сложнейших алгоритмов. Каждый ваш шаг в финансовой и цифровой жизни, будь то оплата мобильной связи, покупка в интернет-магазине или скорость заполнения анкеты, может оказать влияние на ваше кредитное решение. Банки стремятся создать максимально полный и точный "цифровой двойник" клиента, чтобы минимизировать свои риски и предложить наиболее релевантные продукты.

 

[sergey_pushkarev]

Кто-то был не согласен с моим мнением по поводу работы скоринга.
Наткнулся сейчас на свои заметки, на данный момент информация уже не совсем актуальна, но давайте сначала с нее:

Кароч, теперь если не так перемещаешься по городу, не тот фильм посмотрел и не с той быстротой печатаешь на компьютере, то всё, даже охранник банка на входе не пустит, черный билет "гражданину"

 

[Valentin_R]

Наткнулся сейчас на свои заметки

Ну, положим, это не ваши заметки, а ответ какой-то нейросети, который к реальности имеет весьма опосредованное отношение.

Сами-то верите, что в Россельхозбанке активно используют GNN, GBM и XGBoost? А как они в эти умные слова бумажные справки запихивают?

Алгоритму "предотвращения мошенничества" Совкомбана нейросети тоже вряд ли нужны:
Клиент получает 5к кешбэка в месяц => в бан.

А то, что описала нейросеть, скорее похоже на фантазии об отдаленном будущем, где в любом случае основным фактором при анализе останется кредитная история и ПДН, а не ваш любимый жанр кинематографа.

 

[SergoMorozz]

Ну, положим, это не ваши заметки, а ответ какой-то нейросети, который к реальности имеет весьма опосредованное отношение.

Сами-то верите, что в Россельхозбанке активно используют GNN, NLP и XGBoost? А как они в них бумажные справки запихивают?

Алгоритму "предотвращения мошенничества" Совкомбана нейросети тоже вряд ли нужны:
Клиент получает 5к кешбэка в месяц => в бан.

А то, что описала нейросеть, скорее похоже на фантазии об отдаленном будущем, где в любом случае основным фактором при анализе останется кредитная история и ПДН, а не ваш любимый жанр кинематографа.

Ок. Я же это не придумал?) Да, результаты получены нейросетью.
Тогда использовалась Gemini 1.5 Pro
Сейчас есть и поинтереснее)
Спасибо, что обнаружили несоответствия в результатах)
Мне кажется, для этого форум и существует)

 

[SergoMorozz]

Сами-то верите, что в Россельхозбанке активно используют GNN, GBM и XGBoost? А как они в эти умные слова бумажные справки запихивают?

Только где в моем тексте это?
Использует, но не колхоз.
Про колхоз иное написано