Машинное обучение в финансах: скоринг и выявление мошенничества

Банки, микрофинансовые организации, лизинговые и страховые компании, платёжные сервисы работают с огромными массивами однотипных операций и решений. Это идеальная среда для машинного обучения. Но и цена ошибки высока: неверно одобренный кредит, пропущенная мошенническая операция, несправедливый отказ клиенту. Поэтому в финансах особенно важны проверка, объяснимость и контроль.

Кредитный скоринг

Модель оценивает вероятность того, что заёмщик не вернёт кредит. Используются данные анкеты, кредитная история, история операций по счетам, данные о занятости. Классический инструмент — логистическая регрессия и деревья решений, всё чаще — градиентный бустинг. Скоринг ускоряет одобрение типовых заявок и делает решения единообразными.

Скоринг полезен не только кредиторам. Поставщик, который даёт отсрочку оптовым клиентам, может оценивать риск по истории оплат, объёму закупок и стажу сотрудничества. Это помогает решить, кому увеличить лимит отсрочки, а кому предложить предоплату, на основе данных, а не личных отношений менеджера с клиентом.

Выявление мошенничества

Модель оценивает каждую операцию в момент совершения: сумма, место, устройство, время, получатель, типичность для клиента. Подозрительные операции блокируются или отправляются на дополнительное подтверждение. Сложность в том, что мошенничество редкое и постоянно меняется, поэтому комбинируют правила, модели с учителем на известных случаях и поиск аномалий.

Прогноз денежных потоков

Для компании любого профиля полезно прогнозировать поступления и платежи: когда клиенты реально заплатят, а не когда должны по договору. Модель учитывает историю оплат каждого клиента, сезонность, размер счетов. Финансовый директор заранее видит кассовые разрывы.

Прогноз просрочки и работа с долгами

Модель оценивает, кто из клиентов, скорее всего, задержит оплату, и помогает выбрать способ работы: напоминание, звонок, реструктуризация. Это снижает нагрузку на отдел взыскания и позволяет начать работу с проблемными клиентами раньше.

Отток и предложения клиентам

Модель предсказывает, кто перестанет пользоваться картой или вкладом, и какие продукты клиенту будут интересны. Важно не превращать это в навязчивые предложения: клиент должен видеть пользу.

Требования к данным

• История решений и исходов за длительный период
• Одинаковые определения: что считается просрочкой, что — мошенничеством
• Защита персональных и банковских данных
• Учёт того, что модель видела только одобренных клиентов: об отклонённых исход неизвестен

Объяснимость

Клиенту, сотруднику и регулятору нужно понимать, почему принято решение. Поэтому в финансах часто выбирают модели попроще или используют методы объяснения вклада факторов. Модель, которую никто не может объяснить, сложно защищать при проверках и спорах.

Контроль и обновление

Поведение клиентов и мошенников меняется. Модели нужно регулярно сравнивать с фактом, следить за смещением данных и переобучать. Важно проверять, не ведёт ли модель к несправедливым отказам отдельным группам клиентов.

Для финансовых организаций требования к моделям могут задаваться регулятором, поэтому документируйте, на каких данных обучена модель, как проверялась, кто утвердил её запуск и как отслеживается качество. Такая документация нужна и самой компании: при смене команды новые специалисты смогут понять, как работает система.

С чего начать небольшой компании

Не обязательно строить собственный скоринг. Начните с аналитики дебиторской задолженности и прогноза поступлений по истории оплат. Это даёт понятный эффект и создаёт данные для более сложных задач.