2013 Разработка программно-математического комплекса поддержки скоринга востребования
•Download as PPTX, PDF•
0 likes•760 views
ДИПЛОМНЫЙ ПРОЕКТ на тему «Разработка программно-математического комплекса поддержки скоринга востребования» Выполнил: Царьков Юрий Александрович Руководитель: Мельников Алексей Олегович
Recommended
Recommended
More Related Content
Similar to 2013 Разработка программно-математического комплекса поддержки скоринга востребования
Similar to 2013 Разработка программно-математического комплекса поддержки скоринга востребования (20)
More from RF-Lab
More from RF-Lab (20)
2013 Разработка программно-математического комплекса поддержки скоринга востребования
- 1. МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПРИБОРОСТРОЕНИЯ И ИНФОРМАТИКИ Кафедра ИТ6 «Управление и моделирование систем» ДИПЛОМНЫЙ ПРОЕКТ на тему «Разработка программно-математического комплекса поддержки скоринга востребования» Выполнил: Руководитель: Царьков Юрий Александрович Мельников Алексей Олегович Москва, 2013
- 2. Скоринг (от англ. score - счет) Кредитный система оценки заемщика, основанная на численных статистических методах оценка кредитоспособности заемщика при выдаче кредита Мошенничеств а оценка вероятности мошеннических действий со стороны потенциального заемщика Поведенческий анализ кредитной истории с целью изменения стратегии взаимодействия с заемщиком Востребования анализ информации о заемщике с целью возврата просроченного платежа Прекратить взыскание Продолжить прежним методом Установка контакта с должником Анализ результатов Принятие стратегическог о решения Изменить метод взыскания Списать задолженность 2
- 3. Разработка программно-математического комплекса, выполняющего кластеризацию новых задолженностей, основываясь на статистической информации о ранее осуществленных контактах с должниками Задачи: 1 • изучение существующих программных средств и математических методов скоринга 2 • выбор математического метода для использования в дипломном проекте 3 • разработка алгоритмов для реализации выбранного метода 4 • описание структуры программного комплекса и написание программного кода, реализующего разработанные алгоритмы 5 • анализ опасных для пользователя ПЭВМ факторов и разработка комплекса мероприятий по обеспечению безопасности эксплуатации ПЭВМ 6 • расчет экономической эффективности от реализации проекта 3
- 4. Разработать эффективный механизм кластеризации вновь поступивших задолженностей, основывающийся на информации, полученной в ходе работы по возврату других задолженностей, в результате работы которого, каждый долг можно было отнести к одной из двух групп – «плохие» или Критерий качества «хорошие» задолженностей «плохие» задолженности работа по взысканию признана неуспешной «хорошие» задолженности работа по взысканию признана успешной Да «Хороший» Нет «Плохой» 4
- 5. линейная регрессия логистическая регрессия метод ближайших соседей линейное программирование генетические алгоритмы Математические методы скоринга нейронные сети деревья решений байесовский подход Таблица 1 – Сравнение точности классификации различных методов*, % Линейная регрессия Логистическ ая регрессия Метод ближайш их соседей [43,4 – 87,5] 68,66 [43,3 – 89,3] 66,63 [43,8 – 93,2] 68,32 Линейное программ ирование Нейронны е сети [74,7 – 86,1] 80,4 [62 - 64] 63 Генетическ ий алгоритм Деревья решений 64,5 [78,5 – 92,1] 83,88 * Значения точности классификации для всех методов получены путем вычисления среднего арифметического результатов тестов, приведенных в таблице 1 пояснительной записки дипломного проекта. 5
- 6. IBM SPSS, пакет Clementine Scorto Ample Collection, пакет Loan Decision SAS, пакет Enterprise Miner Ksema TERN Group, пакет KXEN Analytic Framework Таблица 2 – Сравнительная характеристика программных продуктов в области ско Продукт Scorto IBM SPSS SAS KSEN Возможность Построен интеграции ие со стратеги сторонними й АС есть нет нет есть есть нет нет есть Наличие АРМ Используемые алгоритмы обработки данных Стоимость (минималь ная стоимость пакета, руб.) есть лог. регрессия, деревья решений 65 000 есть лог. регрессия, деревья решений, нейронные сети 82 000 нет лог. регрессия, деревья решений, нейронные сети 600 000 нет лог. регрессия, деревья решений, нейронные сети, сети Байеса 2 700 000 6
- 7. I >> 1 Коллектор Коллектор Контакт I Результат контакта (наблюдение) Результат контакта (наблюдение) БД Контакт 1 Должник Должник t I>1 Должник t 7
- 9. Таблица 4 – Возможные причины выхода на Состояние в просрочку Номер Значение Таблица 3 – Исходы, регистрируемые по результату контакта с Состояние в заемщиком Номер Значение 1 Автоответчик 2 Должник не берет трубку 3 Должник не дождался ответа оператора 4 Информация передана 5 Клиента знают, но связи не имеют 6 Клиента не знают 7 Нарушение обязательств 8 Не берут трубку 9 Необходимо перезвонить 10 Номер не существует 11 Обещание оплаты 12 Отказ от верификации 13 Отказ от оплаты 14 Отправлен факс 15 Подозрение на мошенничество (КЛИЕНТ) 16 Подтверждение оплаты 17 Полное погашение 18 Признак мошенничества (НЕ КЛИЕНТ) 19 Сброс со стороны абонента 20 Связаться с заемщиком невозможно 21 Связь прервалась 22 Сложный (в армии, в тюрьме, алкоголик, наркоман) СММ S1, S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S2, S3 S2, S3 S1, S2, S3 S1, S2, S3 S2 S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 S1, S2, S3 23 Сообщение прослушано не полностью (Автоинформатор) S1, S2, S3 24 Сообщение прослушано полностью (Автоинформатор) S1, S2, S3 25 Телефон занят S1, S2, S3 26 Третье лицо не знает о кредите/Отказ в передаче информации S1, S3 27 Тяжело болен/Инвалид 28 Умер/Пропал без вести 29 Частичное погашение S1, S2, S3 S1, S2, S3 S1, S2, S3 1 Нет данных в БД 2 Болезнь 3 Забыл 4 Кредит оформлял не для себя 5 Мошенничество 6 Находился в командировкеотпуске 7 Не разъяснены условия договора 8 Причина не установлена 9 Проблемы с досрочным погашением 10 Рекламация 11 Тяжелое материальное положение 12 Утеряны платежи (контроль по квитанциям) СММ S1 S2, S3 S1 S1, S3 S3 S1, S2 S1 S1, S2, S3 S2, S3 S2, S3 S2, S3 S2, S3 Таблица 5 – Правила изменения состояний СММ Переход Номер наблюдения (таблица 3) 1, 2, 3, 4, 8, 9, 10, 14, 20, 21, 23, 25 11, 16, 17, 23, 24, 29 5, 6, 7, 12, 13, 15, 18, 19, 22, 23, 24, 26, 27, 28 1, 2, 3, 4, 8, 9, 10, 11, 14, 16, 17, 20, 21, 23, 24, 25, 29 5, 6, 7, 12, 13, 15, 18, 19, 22, 23, 24, 26, 27, 28 11, 16, 17, 23, 24, 29 2, 3, 4, 5, 6, 7, 8, 9, Таблица1,6 24, Правила 10, 12, 13, 14, 15, 18, 19, 20, 21, 22, 23, – 25, 26, 27, 28 определения начальных 3, 4, 8, 9, 10, 14, 20, 21, 23, 25 состояний СММ 1, 2, Причина выхода Номер наблюдения на просрочку Состояние (таблица 3) 11, 16, 17, 23, 24, 29 (таблица 4) 5, 6, 7, 10, 11, 12, 13, 15, 16, S1 1 5, 6, 7, 12, 13, 15, 18, 19, 22, 23, 24, 26, 27, 28 17, 18, 20, 22, 26, 28 S2 2 – 12 11, 16, 17 5, 6, 7, 10, 12, 13, 15, 18, 20, S3 2 – 12 22, 26, 28 9
- 10. Задолженность Клиентский модуль Работа по возврату задолженности Информаци я о исследуемо м долге не учитываетс я при подготовке параметров модели История контактов Выбор по максимуму Индекс кластера Обучение моделей Сбор статистики Подготовка параметров моделей Серверный модуль 10
- 11. Алгоритм прямого хода (1) Инициализация: N – число состояний Вычисление: (2) (3) 11
- 12. Алгоритм обратного хода (4) Инициализация: N – число состояний Вычисление: (5) (6) 12
- 13. TScore.StartScore() quScoreDe bt.Eof InitHMMValues Да TScore.quScor eDebt.First P1 := 0 P2 := 0 P1 := HMM_Good.Get ForwardProbabil ity P2 := HMM_Bad.GetF orwardProbabilit y Нет Вычисление и сравнение вероятностей для каждого долга исследуемого множества P1 > P2 quScoreDebt_S coreResult := 0 quScoreDebt_S coreResult := 1 quScoreDebt.Po st Конец quScoreDebt.Ne xt 13
- 15. 15
- 16. Выбираются случайным образом из всех долгов, по которым уже завершена работа Отобрать 1000 задолженностей из БД По некоторым долгам Банки присылают обновленную информацию о погашении до начала работ по взысканию Подготовка данных Отфильтровать непригодные для использования данные Отобрать 15% в тестовую группу Выполнить сбор статистики и расчет параметров моделей по обучающей группе 1000 долгов Выполнить моделирование с использованием полученных входных параметров на тестовой группе Для того, чтобы в тестовой группе присутствовали как 116 «плохие», так и «хорошие» «хороших» задолженности, отдельно отбираются по 15% долгов с хорошими и плохими 17 для признаками тестирования 57 непригодных 943 831 «плохих» 99 для расчета параметров 108 для тестирования 723 для расчета параметров 16
- 17. Таблица 7 – Вероятности начальных состояний 10 – Вероятности начальных состояний Таблица для модели «хороших» задолженностей для модели «плохих» задолженностей π π1 π2 π3 π 1 0,262626 0,232323 0,505051 π1 π2 π3 1 0,876902 0,001383 0,121715 Таблица Таблица 8 – Вероятности изменения состояний 11 – Вероятности изменения состояний для модели «хороших» задолженностей для модели «плохих» задолженностей Таблица S S1 S2 S3 S S1 S2 S3 1 0,764151 0,018868 0,216981 2 0 0,889885 0,110115 3 0 0,191123 0,808877 13 – Результат работы ПО на тестовых «хороши е» «плохи е» 17 1 0,947418 0,003756 0,048826 2 0 0,792564 0,207436 3 0 0,018688 0,981312 108 Таблица 9 – Вероятности получения наблюдений 12 – Вероятности получения наблюдений Таблица Тестовое для модели «хороших» задолженностей для модели «плохих» задолженностей O S1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 0,009434 0,103774 0 0 0,009434 0,018868 0 0 0 0,528302 0 0 0 0 0 0 0 0 0,188679 0 0,009434 0 0,009434 0,018868 0,103774 0 0 0 0 S2 0,008323 0,067862 0,011524 0,020487 0,001921 0,011524 0 0,005122 0,016645 0,069782 0,028169 0 0,007042 0,00128 0 0,084507 0,021767 0 0,086428 0,072343 0,048015 0,00064 0,161332 0,224712 0,046095 0,002561 0 0 0,001921 S3 0,015399 0,070652 0,009964 0,008152 0,01087 0,014493 0,003623 0,007246 0,009964 0,224638 0,009058 0 0,006341 0,000906 0 0,011775 0,000906 0 0,347826 0,012681 0,029891 0 0,01721 0,152174 0,03442 0,001812 0 0 0 O S1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 0,001995 0,313967 0,00223 0,000469 0,001526 0,003873 0 0,006221 0,003052 0,524883 0 0 0,000117 0 0 0 0 0 0,043192 0,000469 0,006103 0 0,000587 0,003756 0,087441 0,000117 0 0 0 S2 0,019569 0,066536 0,013699 0,003914 0,020548 0,108611 0 0,007828 0,017613 0,093933 0,000978 0 0,001957 0,005871 0 0 0 0 0,07045 0,031311 0,053816 0 0,219178 0,216243 0,042074 0 0 0,005871 0 S3 0,0052327 0,2239768 0,0185947 0,0100916 0,0135489 0,0315829 0,0001869 0,0121473 0,0205569 0,2646234 0,0001869 9,34E-05 0,0001869 0,0020557 9,34E-05 9,34E-05 0 0,0001869 0,2883573 0,0067277 0,033732 0 0,0024295 0,0159783 0,0409269 0,0028967 0 0,005513 0 множество Правильно кластеризованно 15 СММ Правильно кластеризованно в СММ 92 Тестовое множество "хорошие" 15 17 92 "плохие" 108 Точность кластеризации 17
- 18. Таблица 14– Смета затрат на разработку и внедрение ПО Наименование Обозначение статей Основная Сосн заработная плата Дополнительная Сдоп заработная плата Отчисления на Ссоц социальные нужды Материалы Смат Сумма, руб. 210000 В % к итогу 45,15 21000 4,6 78540 16,89 2750 0,59 Стоимость С машинного времени маш.вр 26850 5,77 Накладные расходы Сн 126000 27 Итого: 465140 100 Спр Ленточный график разработки ПО Таблица 15– Основные технико-экономические показатели Наименован ие показателя Способ обработки информации Ед. измерения - Базовый вариант Проектный вариант Проектный вариант в % к базовому В ручную С применением ЭВМ и программных средств - Используемо Пишущие ПЭВМ, е машинки принтер оборудование Годовые затраты на Чел. ч. 1798 7192 обработку Маш. ч. 1259 информации Количество Чел 4 1 работников Потребность в производстве м2 12 6 нных площадях Капитальные Руб. 180000 238217,22 вложения Годовые текущие затраты на Руб. 4511508 1132384,75 обработку информации Годовые приведенные затраты на Руб. 4538508 1158117,33 обработку информации Расчетные результаты внедрения: Годовой • экономически годовой экономический эффект в размере 3380390,67 Руб. 3380390,67 рубля й эффект • снижение следующих экономических показателей: годовые приведенные затраты труда на 75% количество работников на 75% годовые текущие затраты на 75% - 25 25 50 132 25 25 - 18
- 19. В рамках дипломного проекта разработан программно-математический комплекс, использующий аппарат скрытых марковских моделей для кластеризации задолженностей, не требующий обучения по алгоритму Баума-Велча В ходе тестирования установлено, что разработанный комплекс выполняет кластеризацию с высокой точностью, позволяющей повысить эффективность работы специалистов за счет выявления перспективных задолженностей на ранних стадиях работы по взысканию Созданное ПО может быть использовано как в качестве самостоятельного средства анализа данных, так и в комплексе с системами учета проблемных активов 19