Оптимизация кредитного скоринга
- AI
- ML
- Python
- TensorFlow
- Scikit-learn
- Apache Spark
- Airflow
- PostgreSQL
- Docker
- Kubernetes
У вас есть задача? Давайте обсудим!
О клиенте
Микрофинансовая организация выдает краткосрочные займы онлайн. Компания предлагает кредиты на сумму от 3000 до 50000 рублей на срок от 1 до 31 дня, включая возможность оформить займ на 31 день под 0%. Клиент имеет лицензии в реестре ЦБ РФ и соблюдает требования к прозрачности, безопасности и ограничению процентных ставок.
О проекте
Интернет-маркетинг обеспечил бизнесу большой поток заявок на кредиты — десятки тысяч в месяц. На этом фоне возникла необходимость ускорить скоринг и оптимизировать проверку заемщиков. Для достижения показателей требовалось повысить точность ML-моделей, масштабировать инфраструктуру под растущий объем запросов и гарантировать бесперебойную работу системы.
Описание задачи
Ранее модели обучались на узком наборе исторических данных и плохо адаптировались к новым поведенческим паттернам клиентов. Система почти не использовала альтернативные источники информации, которые могли повысить точность оценки кредитного риска.
Перед RedLab встала комплексная задача:
- Обеспечить быстрый и автоматизированный анализ заявок.
- Улучшить валидацию ML-моделей.
- Подключить дополнительные источники данных.
- Доработать интеграцию с сервисом ФССП.
- Внедрить дашборды по SLA и бизнес-метрикам.
Реализация
Аутстаффинг ИТ-специалисты RedLab выполнили следующие задачи:
- Развернули масштабируемую микросервисную архитектуру для изоляции скоринговых компонентов и обеспечения стабильной работы ПО под высокой нагрузкой.
- Настроили автоматизированные ETL-процессы для подготовки, очистки и актуализации сведений.
- Дообучили модели с учетом геоданных, параметров устройств и браузеров, а также других цифровых отпечатков, в рамках закона о персональных данных.
- Реализовали методы кластеризации для анализа поведенческих паттернов клиентов и выявления нетипичных групп операций.
- Унифицировали интеграцию с ФССП и другими государственными сервисами, включив их в единую скоринговую цепочку.
- Разработали модуль ускоренного предскоринга, позволяющий автоматически отсекать недобросовестных заемщиков на первых секундах обработки заявки.
- Внедрили централизованный сбор логов, метрик и трассировок, чтобы повысить наблюдаемость и ускорить диагностику инцидентов.
- Создали дашборды, которые позволили контролировать скорость скоринга, процент отклоненных заявок и другие показатели риска.
Результат
Переходите по ссылке, чтобы узнать об аутстаффинге AI-разработчиков больше.
