Как подойти к задаче формирования предодобренного предложения для клиента?

Что проверяют

Умеете ли вы превратить расплывчатую бизнес-задачу в набор моделей и правил и видите ли две противоположные цели: клиент должен откликнуться и при этом вернуть деньги. Следом обычно спрашивают, как проверять результат, если дефолты проявятся только через полгода.

Как отвечать

Если у вас был такой проект, стройте ответ на нём: продукт, модели, как изменились отклик и риск, в ваших цифрах. Если не было, так и скажите и покажите, как разбили бы задачу и какие вопросы задали бы бизнесу. Каркас:

• постановка: какой продукт (кредит наличными, карта, лимит), что считается успехом (выдачи, прибыль, доля просрочки), какие ограничения ставит риск-политика;
• риск-модель: вероятность дефолта (PD), таргет часто «просрочка 90+ дней в первые 12 месяцев». Классика это логистическая регрессия на WoE-признаках, её легко объяснить валидации. Бустинг точнее, но требует объяснений через SHAP;
• модель отклика: вероятность, что клиент возьмёт продукт. Сильнее uplift-модель, которая ищет тех, кто откликнется именно благодаря предложению;
• сумма и ставка: от оценки дохода и долговой нагрузки. В России на ПДН смотрит ЦБ, для банков действуют макропруденциальные лимиты;
• решение: ожидаемая прибыль по клиенту с учётом отклика, PD и потерь при дефолте, а поверх неё жёсткие правила и стоп-листы.

Данные: транзакции, история продуктов, кредитная история из БКИ. Валидация out-of-time, метрики Gini и стабильность PSI. Модель учится только на одобренных в прошлом клиентах, об этом смещении стоит сказать (reject inference). Запуск через A/B с контрольной группой, а риск сначала оценивают по ранним индикаторам вроде дефолта на первом платеже. Предодобрение не финальное решение: при заявке клиент проходит обычную проверку.

Где спотыкаются

Строят одну модель отклика. Охотнее всего на кредит откликаются самые рискованные клиенты, и без риск-модели предложение уходит именно им.

Делят выборку случайно. Данные одного периода попадают в обе части, и Gini на тесте выше, чем в проде.

Оценивают модель по accuracy или F1 при фиксированном пороге. Для скоринга важнее ранжирование и калибровка PD: от вероятности считаются деньги.