Объяснимость

. Еще одна важная характеристика хорошей методики – возможность объяснить, почему данный заемщик получил определенный кредитный рейтинг (например, почему ему следует отказать в выдаче кредита) или почему ему следует установить именно такой лимит кредита по карточке и т.д. У систем оценки, основанных на нейросетях, с этой характеристикой тоже трудности. Вообще нейросеть – это «черный ящик», внутреннее содержание которого (так называемые веса нейронов) –абстрактные числа, не имеющие конкретного смысла в терминах оценки риска. Такие методики не позволяют объяснить, почему данному заемщику следует отказать в кредите. Методики же, построенные на технологии data mining, наоборот, изначально устроены так, что объяснение рекомендаций заложено в их основу. Сама технология выявляет факторы, влияющие на риск, поэтому определить, из-за чего заемщик недобрал необходимые баллы (например, у него слишком старая иномарка, нет собственной квартиры или отсутствует кредитная история), она сможет автоматически.

У российского банка сегодня есть две возможности. Первая- применить готовый data mining продукт, и строить методику скоринга на его основе. Вторая возможность – воспользоваться услугами специалистов в области data mining, и совместно сними построить методику, адаптированную под себя. Первый вариант кажется более простым, однако банку придется втиснуть готовое решение в свою инфраструктуру, в свои условия – и не факт, что это закончится успехом. Кроме того, упомянутая выше проблема поиска грамотных специалистов в этом случае полностью ложится на банк: понадобятся эксперты, которые знают, когда какие алгоритмы нужно применять и что делать, если на ваших данных эти алгоритмы почему-то не работают, а также аналитики, которые смогут полученные результаты грамотно проинтерпретировать в понятиях скоринга.