Детальная информация

Выпускная квалификационная работа посвящена разработке системы поддержки принятия решений (СППР) для кредитного скоринга для автоматизации процесса оценки кредитоспособности физических лиц при помощи использования ансамбля из пяти моделей машинного обучения с использованием альтернативных данных в виде платежей за ЖКУ для людей с короткой кредитной историей. В рамках работы были решены следующие задачи: 1) Анализ области кредитного скоринга с использованием моделей машинного обучения и сравнительный анализ существующих решений (FICO, SAS, Experian, НБКИ, ОКБ) 2) Обоснование выбранных методов машинного обучения и проектирование ансамбля моделей со схемой мягкого голосования на основе весов, рассчитанных по метрике ROC-AUC. 3) Разработка модуля обоснования решения на основе доменных правил. 4) Проектирование архитектуры клиент-серверного приложения с веб-интерфейсом на базе FastAPI. 5) Тестирование обучения ансамбля ML-моделей на датасете Home Credit Default Risk и синтетических данных ЖКУ за 2 года. Работа выполнена с использованием языка Python 3.10, библиотек XGBoost, LightGBM, CatBoost, scikit-learn, a также фреймворков FastAPI и SQLAlchemy. В результате была разработана полноценная корректно работающая двухрежимная (оценка по кредитной анкете и оценка по данным ЖКУ) СППР с трёхкатегориальной схемой принятия решения (одобрить, ручная проверка, отказать), кредитным баллом по российской шкале НБКИ от 1 до 999 и модулем формирования обоснованного текстом отказа. Сравнительный анализ показал, что разработанная СППР устраняет недостатки проприетарных решений в открытости системы, нулевой стоимости и независимости от бюро кредитных историй и вендоров, способна качественно (ROC-AUC = 0,8428) и быстро (скорость от-клика 105мс) выполнять отведенные ей функции.

This final qualifying work is devoted to the development of a decision support system (DSS) for credit scoring to automate the process of assessing the creditworthiness of individuals using an ensemble of five machine learning models using alterna-tive data in the form of utility payments for individuals with a short credit history. The following tasks were completed as part of this work: 1) Analysis of the credit scoring field using machine learning models and a comparative analysis of existing solutions (FICO, SAS, Experian, NBKI, OKB) 2) Justification of the selected machine learning methods and design of an ensemble of models with a soft voting scheme based on weights calculated using the ROC-AUC metric. 3) Development of a decision justification module based on domain rules. 4) Design of the architecture of a client-server application with a web interface based on FastAPI. 5) Testing the training of an ensemble of ML models on the Home Credit Default Risk dataset and synthetic housing and communal services data over two years. The work was completed using Python 3.10, XGBoost, LightGBM, CatBoost, scikit-learn libraries, and the FastAPI and SQLAlchemy frameworks. As a result, a fully functional, dual-mode (credit application assessment and housing and utility service data assessment) decision support system was developed, featuring a three-category decision-making process (approve, manual review, and reject), a credit score based on the Russian National Bureau of Credit Histories (NBKI) scale from 1 to 999, and a module for generating a justified refusal. A comparative analysis showed that the developed decision support system eliminates the shortcomings of proprietary solu-tions in terms of system openness, zero cost, and independence from credit bureaus and vendors. It is capable of performing its assigned functions efficiently (ROC-AUC = 0.8428) and quickly (response speed of 105 ms).