Чему вы научитесь
- Формулировать кредитное решение через eligibility, PD/score, affordability, policy rules и cut-off
- Определять default definition, performance window, maturity window, good/bad/indeterminate classes
- Собирать train population без leakage и объяснять ограничения accept-only данных
- Строить scorecard через binning, WoE, IV, logistic regression, odds и PDO
- Сравнивать scorecard с CatBoost/LightGBM/XGBoost по Gini, calibration, stability, explainability и production constraints
- Откалибровать PD и проверять observed vs predicted default rate по grades и сегментам
- Выбирать cut-off через approval rate, bad rate, expected loss/profit и manual review capacity
- Проектировать production decision engine: feature calculation, model registry, fallback, reason codes, decision logging и monitoring
- Защищать PD-модель перед risk committee или на собеседовании
О курсе
Data Scientist строит модель дефолта, получает Gini 0,48, но риск-команда не может запустить её в production. Модель не откалибрована: score 600 означает PD = 8% на обучающей выборке, но 3% в последней когорте. Cut-off выбран через threshold 0.5, хотя цена ошибки approve/reject различается в 10 раз. Reason codes не работают, потому что boosting выдаёт десятки фич, а андеррайтер ждёт объяснение на одной странице.
Модель умная, но не интегрирована: она не понимает кредитное решение.
В реальном кредитном риске модель PD (Probability of Default) живёт внутри decisioning-системы: за ней стоят eligibility rules, fraud checks, affordability calculation, policy constraints и cut-off — всё вместе превращается в approve/reject/manual review.
Курс разбирает полный production pipeline application scoring: от default definition и train population до scorecard/boosting, calibration, score scaling, risk grades, cut-off через expected profit, decision engine architecture, monitoring с delayed labels и model risk governance. Это не академический курс по классификации, а рабочий путь от заявки до production-системы, который используют банки, финтехи и МФО.
Этот курс разбирает кредитный скоринг как decisioning-систему, а не как тренировку классификатора.
Не «fit модели и посчитай ROC-AUC», а:
- Почему target — это не просто колонка
default, а результат default definition, performance window, maturity, censoring и delayed labels. - Как собирать train population, когда данные наследуют старую кредитную политику (accept-only bias и reject inference).
- Как сравнивать scorecard и boosting не только по Gini, но и по calibration, stability, explainability и production constraints.
- Почему cut-off не равен threshold 0.5, и как выбирать его через approval rate, bad rate, expected loss, expected profit и manual review capacity.
- Как запускать модель через decision engine, champion-challenger, controlled rollout, reason codes и fallback.
- Как мониторить PD-модель, когда performance labels приходят с задержкой 6–12 месяцев.
- Как защищать решение перед risk committee, model validation unit и на собеседовании Risk DS / Credit Scoring позиции.
Курс покрывает CatBoost, LightGBM, XGBoost, logistic regression, binning, WoE, IV, scorecard, calibration (Platt scaling, isotonic regression, calibration by grades), discrimination metrics (ROC-AUC, Gini, KS, PR-AUC, deciles, lift), stability metrics (PSI, CSI), score scaling (PD → odds → score, base score, PDO), risk grades, migration matrix, cut-off optimization, decision engine, monitoring (data drift, score drift, performance drift, concept drift, policy drift) и validation.
Внутри: 10 модулей, 57 уроков, 111 проверяемых заданий.
Практика распределена по всему курсу: choice-задания на понимание default definition, target design и production constraints; matching на соответствие feature/timing/leakage; sorting на порядок действий в validation или rollout; number на расчёт PD, odds, score, expected loss/profit, PSI, Gini; table на интерпретацию decile table, migration matrix и monitoring alerts; fill-blanks на формулы score scaling и calibration; free-answer L3-задания на создание производственных артефактов (cut-off memo, policy table, monitoring plan, rollback runbook, validation checklist, защита решения перед risk committee).
Финальный модуль — сквозной production-case: банк запускает необеспеченный потребительский кредит. Студент проходит весь путь от target definition до защиты решения перед risk committee, используя все инструменты курса.
Сквозной пример курса — финтех-команда (Data Scientist, risk analyst, product manager), которая запускает новый кредитный продукт: необеспеченный потребительский кредит (cash loan) для клиентов с коротким bureau history.
Реалистичный сценарий: с accept-only train population (отклонённые заявки не наблюдаемы), неоднородным портфелем (3 канала с разными approval rate), delayed labels (performance window 12 месяцев), scorecard vs boosting trade-off (explainability vs discrimination), calibration drift после смены политики, manual review capacity constraint (15% заявок максимум), monitoring с PSI и early performance indicators, rollback plan для случая WAF/bureau downtime.
Такой же, с каким вы столкнётесь через неделю на Risk DS позиции.
Для кого этот курс
Начальные требования
Базовое знакомство с машинным обучением: понимание классификации, ROC-AUC, train/test split, переобучение.
Знание Python на уровне чтения кода: pandas, numpy, scikit-learn, базовые графики. Курс не содержит код-заданий в текущей версии, но формулы и алгоритмы приводятся в виде псевдокода и примеров.
Понимание базовых финансовых понятий: кредит, заём, процентная ставка, дефолт, одобрение/отказ. Специфические термины кредитного риска (PD, LGD, EAD, Basel, IFRS 9) объясняются в курсе с нуля.
Наши преподаватели
Как проходит обучение
Курс построен как последовательный production pipeline: каждый модуль закрывает один этап пути от бизнес-вопроса до production-системы.
Формат уроков: теория + практика. Теория строится через сквозные примеры (банк/финтех/МФО), практика проверяет понимание через choice, matching, sorting, number, table, fill-blanks задания и free-answer L3-задания на создание производственных артефактов (memo, policy table, runbook, validation checklist).
Финальный модуль — полный сквозной production-case: банк запускает необеспеченный потребительский кредит. Студент проходит весь путь от target definition до защиты решения перед risk committee.
Оценка времени прохождения: 4–5 часов в неделю, 8–10 недель (зависит от темпа и глубины погружения в задания).
Программа курса
Что вы получаете
- Понимание полного production pipeline application scoring: от default definition до monitoring и validation
- Умение строить scorecard (binning, WoE, IV, score scaling, PDO, reason codes) и сравнивать его с boosting
- Умение откалибровать PD-модель и проверить observed vs predicted default rate
- Умение выбирать cut-off через approval rate, bad rate, expected loss/profit и manual review capacity
- Умение проектировать decision engine: feature calculation, model registry, fallback, reason codes, decision logging
- Умение мониторить PD-модель с delayed labels: PSI, CSI, early performance indicators, concept drift, policy drift
- Умение защищать модель перед risk committee или на собеседовании Risk DS / Credit Scoring позиции
- Производственные артефакты из финального кейса: target definition memo, model selection defense, cut-off memo, policy table, rollback runbook, monitoring plan, validation checklist, финальная защита перед risk committee