Содержание
- 2. NTR Scoring Система для кредитного скоринга (оценки кредитоспособности заемщика на основе демографических, исторических и ситуационных данных)
- 3. История NTR Scoring 2000-2001 – заказная разработка системы кредитного скоринга для одного из лидеров рынка потребительского
- 4. NTR Lab: подход к кредитному скорингу Кредитный скоринг: широко применяется с 1966 года Классические методы опираются
- 5. Проблемы потребительского кредитования Непрозрачность расходов клиентов Непрозрачность доходов клиентов Отсутствие истории взаимоотношений с клиентом Отсутствие гарантий
- 6. NTR Scoring – используемая информация Демографическая информация - это анкетная информация о клиенте. Ситуационная информация -
- 7. NTR Scoring – общий подход к выбору и построению методов Адаптивные методы, основанные на расширенной демографике
- 8. NTR Scoring – общая архитектура Возможность конструировать скоринговую систему на основе голосования нескольких скоринговых моделей Возможность
- 9. Функциональность системы
- 10. Модули Проверка заявки Кредитный скоринг Фронт-офис
- 11. Проверка заявки на полноту и достаточность информации (заявка проверяется сама по себе) на наличие информации о
- 12. Проверка каждого поля на допустимость соответствующего значения Проверка совокупности полей на непротиворечивость Результатом логического контроля является
- 13. Поиск совпадений Каждая вновь вводимая в клиентскую БД заявка на получение кредита сравнивается со всеми ранее
- 14. Кредитный скоринг Ключевое предположение Прошлый опыт может быть использован для предсказания платежеспособности заемщика Два основных типа
- 15. Модели, основанные на правилах, в NTR Scoring Линейная скоринговая модель Для каждого признака определяется его вес,
- 16. Общая схема построения статистических моделей Этап 1 Постановка задачи Подготовка данных Этап 2 Анализ данных Построение
- 17. Обучение моделей Обучающие данные Модель Тестовые данные Популяция Истинный уровень ошибок Определяемый уровень ошибок Кажущийся уровень
- 18. Выбор данных для обучения Все данные Случайный выбор Случайный выбор Случайный выбор Данные для построения модели
- 19. Нейронные сети Выходной слой Скрытый слой Входной слой
- 20. Передаточная функция Y = 1 / (1+ exp(-k(Σ Win * Xin))
- 21. Обучение Прямой ход: Вычисляются результаты для примера и ошибки. Обратный ход (обратное распространение ошибки): Ошибки на
- 22. k ближайших соседей (k-NN) Общий принцип – обучение по примерам. Запоминаются обучающие примеры и для принятия
- 23. Principal Component Analysis Тоже метод обучения по примерам Данные переводятся в двумерную плоскость, соответствующую главным компонентам
- 24. Локально взвешенная регрессия (обучение по примерам) Тоже метод обучения по примерам В окрестности примера строится линейная
- 25. Линейный дискриминантный анализ (1) Предположим, что нам надо классифицировать клиентам по двум классам с1 и с2
- 26. Линейный дискриминантный анализ (2) Применим для классификации байесовское правило: отнести Х к классу c1, если Предположим,
- 27. Линейный дискриминантный анализ (3) Таким образом, правило классификации: μi и Σ могут быль получены из исторических
- 28. Функции фронт-офиса Ведение жизненного цикла кредита Управление информацией о клиентах Управление информацией о Продуктах Управление скорингом
- 29. Ведение жизненного цикла кредита Открытие кредита Выпуск пластиковой карты Отслеживание погашения кредита с учетом грейс-периода Возобновление
- 30. Управление информацией о клиентах создание единой базы данных по клиентам Банка, зарегистрированных в рамках Системы; автоматизация
- 31. Управление информацией о Продуктах автоматизация процедур управления продуктами; обеспечение целостности информации по кредитам в Системе; получение
- 32. Управление скорингом анализ истории предоставления кредитов расчет и перерасчет скоринговых коэффициентов
- 33. Функции управления клиентами регистрация и ведение заявок клиентов на предоставление Продукта; выполнение проверок зарегистрированных заявок; выполнение
- 34. Функции управления продуктами регистрация и ведение информации о кредитах; регистрация событий, связанных с жизненным циклом кредита;
- 36. Скачать презентацию