Опыт построения скоринговых моделей в Loginom. Кейс «ROWI»

ROWI — компания, которая вобрала в себя решения для финансирования малого и среднего бизнеса: факторинг, банковские гарантии, кредиты для участников государственных контрактов, специализированный сервис по финансированию поставщиков маркетплейсов. ROWI входит в группу компаний QIWI.

ROWI в цифрах:

• 65 миллиардов рублей — объем финансирования;
• 40 000 клиентов в сервисе;
• 92 000 обеспеченных сделок.

Ситуация до старта проекта

Компания имела собственную скоринговую систему, но она не была гибкой. Ее совершенствование занимало время из-за сложностей с тестированием и интеграциями. Отсутствовала быстрая проверка гипотез.

До перехода на Loginom

Проблема

Решения по скорингу имело значительные недостатки. Основные проблемы включали в себя отсутствие платформы разработки, ограничение доработки скоринга исключительно на стороне ИТ-отдела, а также высокую стоимость.

Решение

Компания решила внедрить в  архитектуру платформу Loginom, перед которой ставились следующие задачи:

1. «Упаковка» скоринга.
2. Увеличение скорости разработки.
3. Сокращение затрат.
4. Формирование витрин данных.
5. Тестирование гипотез.

После перехода на Loginom

Скоринг в ROWI — это набор стоп факторов и PD (Probability of Default) моделей, которые помогают оценивать вероятность дефолта по клиенту. Архитектура системы принятия решений по скорингу стала выглядеть следующим образом:

Архитектура СПР

Сложности на пути реализации

Первую тестовую версию ROWI установила в июне 2023 года, а продукт был приобретен в начале августа. За три месяца работы с платформой ROWI реализовали все скоринговые модели по кредитным продуктам.

Изначально для создания скоринговых моделей и интеграций с сервисами пришлось писать код на языке Python, но это привело к увеличению времени обработки одной заявки до 15 секунд. Сознание необходимости ускорения процесса обработки привело к решению отказаться от данного маршрута и вместо этого использовать интеграционные подключения и обработчики ответов. Этот процесс также включал разработку структуры СПР и API-контракта.

Были добавлены модули Logimon + скрипты JS. Установлено большое количество каналов подключений к интеграциям. Время обработки сократилось до 2 с, т.е. в 7.5 раз. Настроена самообучающуюся модель.

Валидация и калибровка PD моделей:

1. Запрос.
2. Интеграционные проверки.
3. Сохранение в БД и формирование витрин.
4. Определения флага по default — «хорошие» и «плохие» клиенты.
5. Анализ метрик (ROC, KS, биноминальный тест).
6. Моделирование скоринга (регрессия, бустинг) на основе витрин данных.
7. Перерасчет весов и определения параметров модели.
8. Отчет: автоматическое обновление модели с подтверждением.

Результаты

В третьем квартале 2023 года — тестовый период, реализация скоринга по одному из продуктов. За 4-й квартал удалось реализовать запланированные модели, написать техническую документацию. Добавить ВI-аналитику и сформировать витрины данных для моделирования, а также реализовать самообучающуюся PD модель.

ROWI выделяет для себя следующие результаты использования платформы Loginom:

1. Переход от полуавтоматической обработки заявок к автоматизированному процессу.
2. Затраты на разработку скоринга сокращены более чем в 7 раз!
3. Масштабирование в 10 раз!
4. Инфраструктура для сохранения необходимой информации по клиентам из интеграционных систем.

Подробнее о построении скоринговых моделей в выступлении Олега Коновальчука, руководителя направления развития Риск-технологий в ROWI:

pdfНовый вектор финансовых технологий. Опыт построения скоринговых моделей для QIWI на Loginom.pdf

Если вы хотите применять аналитическую low-code платформу Loginom для решения задач бизнеса, свяжитесь с нами.

Другие материалы по теме:

Кредитный конвейер. Кейс микрофинансовой организации МигКредит

Построение скоринговых карт в Loginom. Вебинар