Прогнозирование просрочки клиентов-компаний по кредитам

Задача

Просрочка по корпоративным кредитам обходится банку дороже всего, потому что суммы крупнее, чем в рознице. Реагировать на дефолт постфактум поздно: к этому моменту риск уже реализовался. В большинстве банков кредитные риски компаний-заёмщиков анализируются ежемесячно вручную, причём выборочно — только для части компаний из всего портфеля.

Банку нужна модель, которая оценивает вероятность дефолта компании-заёмщика заранее, до того как просрочка произошла, чтобы управлять кредитным портфелем осознанно.

Решение

Мы разработали NPL-модель (Metascoring) — систему раннего обнаружения компаний с высокой вероятностью выхода в просрочку. Модель объединяет два источника данных:

Внутрибанковские данные: ЕКС, картотеки, кредитный портфель, ковенанты.

Внешние данные: новостной поток по компании из СМИ (тональность, упоминания судов, арестов, смены управляющего состава, техногенных катастроф, сделок), данные о судебных делах компании.

Архитектура Metascoring:

• Модуль предобработки: агрегация данных, приведение к единому виду, генерация новых признаков
• Модуль обработки текста: NER по компании и ключевым лицам, извлечение событий из новостного потока
• Прогностический ML-модуль: обученный на исторических данных алгоритм
• Интерфейс оповещения: уведомление менеджера о возможной просрочке (веб-приложение или плагин в действующие системы заказчика)

Технологии

Модели машинного обучения для оценки вероятности дефолта корпоративного заёмщика. Пайплайн подготовки признаков по компании, обучение скоринговой модели и расчёт вероятности просрочки. Модуль NLP для обработки новостного потока и извлечения событий. Регулярная переоценка модели на актуальных данных, чтобы скоринг отражал текущую ситуацию по портфелю.

Результат

Банк получает оценку вероятности дефолта по каждому корпоративному заёмщику до того, как просрочка случилась. Это переводит управление кредитным риском в проактивный режим: решения по выдаче и лимитам опираются на прогноз, проблемные заёмщики попадают в фокус заранее. Снижается доля невозвратов, портфель управляется на основе количественной оценки риска.

Результаты пилота в банке-заказчике (12 месяцев):

• Кредитный портфель: 500 компаний
• Ежемесячно уходит в просрочку: 50 компаний
• Модель предсказывает заранее: 40 из 50
• Индекс Джини: до 0.8 на горизонте до 6 месяцев

Сроки реализации: разработка 3-6 месяцев, интеграция 2-8 месяцев. Средний бюджет проекта: 10 млн рублей.