Що таке скоринг і як він рахує ризик
Скоринг перетворює набір ознак на бал ризику для контрагента, покупця, заявки чи повідомлення. Як будується формула, коли потрібна модель і як їх перевірити.
Скоринг це оцінка обʼєкта одним числом за набором ознак. Кожна ознака отримує вагу, ваги складаються у бал, а бал потрапляє у рівень ризику. Банк так оцінює позичальника, комплаєнс оцінює контрагента, відділ продажів оцінює ліда, антиспам оцінює повідомлення. Сила скорингу в тому, що він перетворює десятки розрізнених фактів на рішення, яке можна пояснити і повторити.
Нижче розбираємо, як будується скоринг, чим формула відрізняється від моделі, і показуємо дві наші системи, де скоринг рахує формула з відкритими вагами.
Як влаштований скоринг
- Ознаки. Факти про обʼєкт: є в санкційному переліку, відсутній у реєстрі, прострочив оплату, новий акаунт у групі.
- Ваги. Скільки балів додає кожна ознака. Сильні сигнали важать більше.
- Модифікатори. Обставини, що посилюють чи послаблюють бал: довіра до автора, підтвердженість збігу, давність події.
- Сума і пороги. Бал порівнюється з порогами: нижче одного нічого не робимо, між порогами людина перевіряє, вище іншого діємо автоматично.
- Пояснення. Перелік ознак, що дали бал, з джерелом кожної.
Формула чи модель
Є два способи отримати ваги.
Формула з відкритими вагами. Ваги задає експерт на основі досвіду і правил. Плюси: кожне рішення пояснюється рядком, результат однаковий на однакових даних, формулу можна показати аудитору і змінити за хвилину. Мінуси: складні взаємодії ознак формула бачить гірше.
Модель машинного навчання. Ваги підбираються автоматично на історії з відомими результатами: хто повернув кредит, хто ні. Плюси: вища точність на великих даних. Мінуси: потрібна довга історія, пояснення складніше, модель треба перенавчати.
| Ситуація | Що обрати |
|---|---|
| Рішення показують аудитору чи регулятору | Формула |
| Історії з результатами мало | Формула |
| Правила галузі відомі і стабільні | Формула |
| Великий потік, тисячі випадків з відомим результатом | Модель, часто разом з формулою |
Приклад: скоринг контрагента
У перевірці контрагентів рівень ризику рахує детермінована формула з відкритими вагами. Ваги опубліковані на сторінці продукту:
- санкційний збіг дає 60 балів;
- відсутність у реєстрі 40;
- нерозкритий бенефіціар 28;
- розбіжність заявленої діяльності 26;
- суди 12;
- негативні медіа 10.
Непідтверджений збіг важить половину і сам по собі рівень високим не робить. Кожен факт має посилання на першоджерело і дату переліку, звіт має окремий розділ «Першоджерела».
Окремо розвʼязано найпідступніше питання скорингу: брак даних. Коли фактів мало, система видає чесне «недостатньо даних для висновку», і низький ризик з порожнечі не малюється. У кейсі служби комплаєнсу це сформульовано як принцип: мало фактів означає «недостатньо даних». Скоринг тут враховує і вагу ознак, і покриття джерел.
Чому саме формула? Бо офіцер комплаєнсу має показати аудитору, за що виставлено рівень ризику. Відповідь «так вирішила модель» аудит не приймає.
Приклад: скоринг повідомлення в Telegram-групі
Наш антиспам для Telegram-груп рахує вердикт кожного повідомлення формулою без штучного інтелекту:
- у кожного сигналу (посилання на крипту, вербувальні фрази, ставки) є вага;
- довіра до автора множить суму: новачок 1, постійний учасник 0,3, старожил 0,15, адміни і білий список не перевіряються;
- той самий текст від іншого акаунта додає 30 балів, так ловиться розсилка;
- від 45 балів повідомлення прибирається, а автор блокується, від 25 адмін отримує картку з кнопками.
Кожне рішення показується рядком «за що саме», тому адмін бачить логіку і може виправити помилку однією кнопкою на картці модерації: вона знімає бан і повертає текст у групу. Цей приклад добре показує роль модифікаторів: однаковий текст від нового акаунта і від старожила групи отримує різний бал, бо довіра до автора важить більше за слова.
Скоринг і штучний інтелект: хто що робить
Часто питають: навіщо формула, якщо є ШІ? У робочих системах вони ділять ролі. Мовна модель добре збирає і читає факти: знаходить згадки компанії у медіа мовою країни реєстрації, розбирає витяг з реєстру, класифікує судову справу за суттю. Кожен такий факт стає ознакою з джерелом і датою. А бал з цих ознак рахує формула, яку можна показати і перевірити.
Такий поділ дає найкраще з обох світів. ШІ розширює покриття джерел і прискорює збір у рази, формула гарантує, що однаковий набір фактів завжди дає однаковий результат. Якщо модель помилилась при читанні джерела, це видно у переліку ознак з посиланням, і людина виправляє конкретний факт у переліку.
Де ще працює скоринг
- Кредитні ліміти покупців. Бал за історією оплат, прострочками і обсягом визначає, скільки відвантажувати в борг. Див. рішення кредитні ліміти і прогноз надходжень.
- Кваліфікація лідів. Бал за бюджетом, повноваженнями, потребою і строком підказує менеджеру, кому дзвонити першим. Див. агента кваліфікації лідів.
- Боротьба з шахрайством. Бал за нетиповістю платежу. Див. агента AML.
- Пріоритет звернень. Бал за тональністю, сумою і статусом клієнта.
Як перевірити, що скоринг працює
- Звірка на історії. Прогнати формулу по минулих випадках з відомим результатом і подивитись, скільки ризикових вона спіймала і скільки чистих позначила даремно.
- Режим спостереження. Перші тижні система лише показує, що зробила б, і людина порівнює зі своїм рішенням.
- Журнал помилок. Кожне виправлення людиною фіксується і стає підставою переглянути вагу.
- Перегляд порогів. Раз на місяць чи квартал, за фактами з журналу.
Типові помилки
- Нуль означає «чисто». Бал нуль через брак даних і бал нуль через перевірену чисту історію мусять відрізнятись.
- Непояснені ваги. Ніхто не памʼятає, чому ознака важить саме стільки.
- Один поріг на все. Для малої угоди і для великого контракту поріг може бути різним.
- Автоматичні дії без людини. Відмова чи блокування за самим балом без перевірки у спірній зоні.
Як ми будуємо скоринг
Починаємо з ваших правил і рішень, які люди вже ухвалюють: чек-лист комплаєнсу, кредитна політика, критерії якісного ліда. Переносимо їх у формулу з відкритими вагами, проганяємо на історії, запускаємо у режимі спостереження, а автоматичні дії вмикаємо після перевірки. Якщо даних достатньо і пояснюваність не критична, поруч додаємо модель машинного навчання і порівнюємо результати.
Скоринг під ваші правила ми розробляємо в напрямі розробки програмного забезпечення, а агентів, що збирають дані для нього, у напрямі розробки AI-агентів. Опишіть задачу у формі на головній, оцінку дамо після брифу за робочий день.
Згадані агенти
Часті запитання
Що таке скоринг простими словами?
Скоринг це спосіб оцінити обʼєкт одним числом за набором ознак. Кожна ознака має вагу, сума ваг дає бал, а бал потрапляє у рівень: низький, середній чи високий ризик. Так оцінюють контрагентів, позичальників, ліди і навіть повідомлення у чаті.
Чим скоринг-формула відрізняється від скорингу на машинному навчанні?
Формула має відкриті ваги, які задала людина, і кожен бал пояснюється рядком. Модель машинного навчання сама підбирає ваги на історії, буває точнішою, але її рішення важче пояснити аудитору чи клієнту.
Що робити, коли даних для скорингу мало?
Показувати це окремо. Низький бал через брак фактів і низький бал через чисту історію означають різне. Добра система видає «недостатньо даних для висновку» замість оманливого низького ризику.
Хто ухвалює рішення за скорингом?
Людина. Скоринг дає підставу і пріоритет: кого перевірити першим, де погоджувати, де відмовити. Фінальне рішення про угоду, кредитний ліміт чи блокування лишається за відповідальним працівником.
Потрібен такий агент у вашому бізнесі?
Проєктуємо, будуємо і запускаємо AI-агентів під ваш процес, зазвичай за 3-5 тижнів.