Что умеет Data Science: 4 нескучные лекции с митапа Альфа-Банка

«Мы хотим снизить ставку по кредиту на 1% — надо выяснить, кто из заёмщиков обрадуется, а кому будет всё равно», — рассказывает Максим Коматовский, Junior Data Scientist в Альфа-Банке. А дальше на примере классического мема про чихуахуа объясняет, что не так с look-alike-моделями и как это исправить.

Лекция с мемами — одно из выступлений на Alfa Data Science Meet Up, конференции, где эксперты Альфа-Банка и Яндекса рассказали о продвинутых методах анализа данных. Собрали главное из докладов — а вы посмотрите видео полностью, если интересно.

Та самая лекция, где с помощью мема про чихуахуа Максим Коматовский рассказывает о минусах применения look-alike-модели в сегментировании заёмщиков. Вместе с командой он выяснял, какие клиенты согласятся брать кредит только из-за дополнительной скидки, какие не обратят внимания на повышение стоимости обслуживания, а какие уйдут искать дешевле.

Оценивать точность результата по таким задачам лучше с помощью K@Uplift-метрики. Она показывает, насколько увеличатся продажи при воздействии на top K% наиболее чувствительных клиентов. Перебирая метрики эффективности, можно легко найти оптимальный процент выборки K, наиболее чувствительный к воздействию.

Чтобы избежать ошибок в базах данных, Яндекс проверяет и перепроверяет данные разными способами — о плюсах и минусах каждого рассказывает Максим Стаценко. Так, он рекомендует с осторожностью использовать анализ «неделя к неделе», а для примера показывает график загрузки почтовых серверов, который 6 дней подряд фиксировал одинаковую активность. Это странно: в прошлые недели по выходным люди заходили в рабочую почту реже. В итоге выяснили, что ошибки не было — просто в ту неделю суббота была рабочей.

Иногда интересные инсайты приносит экспертная оценка. Предварительные расчёты можно показать менеджерам, которые работают непосредственно с клиентами. Менеджеры проверят, совпадают ли ожидания людей по тем или иным продуктам с тем, что получилось в расчётах. А вывод такой: вариантов оценить правильность аналитических оценок и прогнозов много — важно понять, для каких задач они подойдут и как их можно комбинировать.

Команде продвинутой аналитики Альфа-Банка надо было разделить компании, у которых есть расчётный счёт в банке, на группы и спрогнозировать, какие бизнесы будут приносить больше денег, а какие меньше. На основе прогнозов разным компаниям можно делать разные предложения.

Мы выяснили, что лучше всего работает разбивка компаний на классы по прогнозируемому уровню медианного годового дохода и сроку сотрудничества с банком. Точность такого прогноза составляет 82%. Используем эту модель в маркетинговых кампаниях — для привлечения, удержания и развития отношений с клиентами.

Для оценки платёжеспособности заёмщиков мы в банке применяем машинное обучение. Можно просто загрузить в нейросеть данные о выданных кредитах и просроченных платежах. Но тогда при обучении теряется информация о тех, кому кредит не выдали. Чтобы решить эту проблему, команда продвинутой аналитики добавила данные бюро кредитных историй — это позволило охватить заёмщиков других банков.

Чтобы актуализировать информацию, стали использовать данные о просроченных кредитах не за год, а за 4 и 6 месяцев. А ещё предложили выдать кредиты небольшому количеству клиентов с высокой вероятностью дефолта, чтобы сформировать выборку Challenger. Для получения наиболее точной картины взяли взвешенное значение. Главная трудность была в правильном определении веса каждой выборки — но и с этим справились. Теперь мы можем выдавать кредиты быстрее и точнее при неизменном риске.

Подобные митапы мы проводим регулярно — скоро расскажем о новом. Если не готовы ждать и хотите присоединиться к команде Альфа-Банка прямо сейчас, посмотрите, кого мы ищем.