5. Если вся аналитика сводится к "6 моделей в год", "объем 100 000 заявок" можно просто любым табличным процессором (тот же Excel) обойтись. Честное слово - логистическую регрессию там не так уж сложно реализовать, как и расчет SSI, GINI и Хосмера-Лемешоу (стабильность потока, качество дискриминации, стабильность калибровки). Там дел на организацию процесса - на два-три дня (если дружишь с VBA и алгоритмами) с перерывами на треп, кофе и чтение хабры, да еще неделю на докручивание рюшечек к отчетам. А лес случайных деревьев и бустинг Вам в таком банке точно не пригодится, разве что для развития ЧСВ.
Вы изучите R-project, и начните его продавать от своего имени. Выпустите версию Rs-project (компания Apple успешно использует эту стратегию ;)
Честно говоря, не представляю как в R быстро пройти весь цикл построения скоринговой карты - от начальных данных, винтажного анализа для определения периода наблюдения до расчета PSI на последних счетах. Чтобы построить качественную карту, нужно перебрать несколько вариантов - с разными периодами наблюдения, с включением/исключением неопределенных счетов, hard-bads, разными вариантами квантования fine/coarse classing, уж молчу про Reject Inference - там мороки больше. И все это нужно делать быстро с возможностью сравнения всех вариантов построенных карт.
Любое же DM средство (пожалуй, кроме SAS EM, где есть дополнительные узлы для кредитного скоринга) - это конструктор, как и R. На реализацию в таком средстве модульной конфигурации для прохождения всего цикла построения скоринговой карты у нашей компании ушло несколько месяцев. Плюс 30-часовой тренинг по скоринговым картам. Что в итоге имеем: за вменяемые деньги вполне средний банк после тренинга аналитиков успешно и быстро строит скоринговые карты.
Вы изучите R-project, и начните его продавать от своего имени. Выпустите версию Rs-project (компания Apple успешно использует эту стратегию ;)
Честно говоря, не представляю как в R быстро пройти весь цикл построения скоринговой карты - от начальных данных, винтажного анализа для определения периода наблюдения до расчета PSI на последних счетах. Чтобы построить качественную карту, нужно перебрать несколько вариантов - с разными периодами наблюдения, с включением/исключением неопределенных счетов, hard-bads, разными вариантами квантования fine/coarse classing, уж молчу про Reject Inference - там мороки больше. И все это нужно делать быстро с возможностью сравнения всех вариантов построенных карт.
Любое же DM средство (пожалуй, кроме SAS EM, где есть дополнительные узлы для кредитного скоринга) - это конструктор, как и R. На реализацию в таком средстве модульной конфигурации для прохождения всего цикла построения скоринговой карты у нашей компании ушло несколько месяцев. Плюс 30-часовой тренинг по скоринговым картам. Что в итоге имеем: за вменяемые деньги вполне средний банк после тренинга аналитиков успешно и быстро строит скоринговые карты.
Комментариев нет:
Отправить комментарий