Кредитный скоринг и PD-модели: от заявки до production-системы

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.