Алгоритмический Скоринг

Исходные данные и проблематика (System Error)

Fintech-компания, предоставляющая услуги B2B-факторинга и скоринга контрагентов, теряла долю рынка из-за катастрофически медленного процесса Time-to-Decision. Рассмотрение заявки нового клиента занимало от 12 до 48 часов.

Риск-аналитики выполняли работу роботов: они вручную копировали ИНН компании, заходили в СПАРК, Контур.Фокус, реестры арбитражных дел, базы судебных приставов и выгружали PDF-отчеты. Затем эти данные вбивались в сложную, но устаревшую Excel-модель. В условиях агрессивного финтех-рынка клиент просто не дожидался ответа и уходил к конкурентам, у которых одобрение происходило быстрее. Кроме того, человеческий фактор приводил к субъективной оценке рисков, что увеличивало долю NPL (Non-Performing Loans — невозвратных кредитов).

Архитектура решения (DS Solution)

Мы полностью автоматизировали пайплайн принятия решений (Decision Engine), разделив его на два слоя: инженерия данных и машинное обучение. На первом слое мы внедрили RPA (Robotic Process Automation) с помощью n8n. Как только клиент вводит ИНН на сайте, скрипт параллельно опрашивает 15+ API внешних баз данных (налоговая, суды, финансовая отчетность) и формирует единый профиль (feature vector).

На втором слое подключается предиктивная модель (Градиентный бустинг XGBoost / PyTorch), обученная на исторических данных о дефолтах за последние 5 лет. Алгоритм не просто смотрит на текущую выручку, он находит скрытые паттерны (например, резкая смена учредителей в сочетании с 3 мелкими исками коррелирует с банкротством через 6 месяцев с вероятностью 87%).

Протокол интеграции (Deployment Protocol)

1. ETL & Data Engineering: Сбор разрозненных исторических данных из старых баз, очистка от аномалий, приведение к единому формату в PostgreSQL.
2. Feature Extraction: Создание более 150 синтетических признаков (features) для каждого юрлица для обучения модели.
3. ML Training Pipeline: Обучение ансамбля моделей. Тонкая настройка порогов отсечения (Thresholds) для баланса между процентом одобрений и риском дефолта.
4. API Deployment: Упаковка алгоритма в микросервис, который отвечает сайту за миллисекунды (Accept / Reject / Manual Review).

Измеримый импакт (ROI)

Время от подачи заявки до выставления лимита финансирования (Time-to-Decision) сократилось с 24 часов до 3 секунд. Скорость стала главным конкурентным преимуществом компании — конверсия в подписанный договор выросла на 42%.

При этом, благодаря математической точности ML-алгоритма, доля дефолтов (NPL) снизилась на 18%. Система работает автономно: 85% заявок одобряются или отклоняются автоматически, и лишь 15% (пограничные зоны риска) отправляются на ручное ревью риск-менеджерам. Отдел аналитики перестал заниматься копипастом и сфокусировался на сложных структурированных сделках.