<h3>Задача</h3>

<p>Кредитный скоринг &ndash; важнейшая банковская задача. Стандартным подходом к ее решению является построение классических моделей машинного обучения, таких как логистическая регрессия и градиентный бустинг, на табличных данных, в том числе используя агрегации от каких-нибудь последовательных данных, например, транзакционных историй клиентов. Альтернативный подход заключается в использовании последовательных данных &ldquo;как есть&rdquo;, подавая их на вход рекуррентной нейронной сети.&nbsp;</p>

<p>В этом соревновании участникам предлагается решить задачу кредитного скоринга клиентов Альфа-Банка, используя только данные кредитных историй.</p>

<h3>Данные</h3>

<p>Датасет соревнования устроен таким образом, что кредиты для тренировочной выборки взяты за период в М месяцев, а кредиты для тестовой выборки взяты за последующие K месяцев.</p>

<p>Каждая запись кредитной истории содержит самую разнообразную информацию о прошлом кредите клиента, например, сумму, отношение клиента к кредиту, дату открытия и закрытия, информацию о просрочках по платежам и др. Все публикуемые данные тщательно анонимизированы.</p>

<p>Целевая переменная &ndash; бинарная величина, принимающая значения 0 и 1, где 1 соответствует дефолту клиента по кредиту.</p>

<p>Подробное описание файлов и полей датасета соревнования участники могут найти во вкладке <a href="https://ods.ai/competitions/dl-fintech-bki/data" rel="noopener noreferrer" target="_blank">Данные</a>.</p>

<h3>Проверка решений</h3>

<p>Метрика соревнования &ndash; <strong>ROC AUC</strong>. Подробнее про метрику можно почитать, например, <a href="https://dyakonov.org/2017/07/28/auc-roc-площадь-под-кривой-ошибок/" rel="noopener noreferrer" target="_blank">здесь</a>.</p>

<p>Решения принимаются в виде csv-файла с двумя колонками: &ldquo;id&rdquo; &ndash; уникальный идентификтор и &ldquo;score&rdquo; &ndash; предсказание дефолта клиента по кредиту. Пример самбита можно найти в файле sample_submission.csv.</p>

<p>Промежуточные итоги подводятся на public-части тестовой выборки. Победители и призеры определяются на private-части тестовой выборки. И промежуточную, и окончательную таблицу лидеров можно найти во вкладке <a href="https://ods.ai/competitions/dl-fintech-bki/leaderboard" rel="noopener noreferrer" target="_blank">Таблица лидеров</a>.</p>

<p>Для получения денежных призов победителям и призерам соревнования необходимо прислать свое решение в виде docker контейнера, содержащего код для обучения и инференса лучшей модели на языке Python.</p>

<p>&nbsp;</p>

<h3><strong>Объединение в команды&nbsp;</strong></h3>

<p><br />
В соревновании разрешено объединение участников в команды до 4 человек. Возможность объединения в команды закрывается за 2 недели до окончания соревнования.</p>

<p>&nbsp;</p>

<h3><strong>Базовые решения и полезные функции</strong></h3>

<p><br />
Чтобы объем данных не стал препятствием для участия пользователей с небольшим количеством доступных вычислительных ресурсов, организаторами подготовлен набор полезных функций для пакетной обработки данных.</p>

<p>Кроме того, чтобы помочь участникам быстрее влиться в задачу соревнования, организаторами подготовлены несколько базовых решений задачи.</p>

<p>Все эти материалы можно найти в репозитории по <a href="https://github.com/SmirnovValeriy/dl-fintech-bki" rel="noopener noreferrer" target="_blank">ссылке</a>.</p>

<p>&nbsp;</p>

<h3>Улучшить нейросетевой бэйзлайн</h3>

<p>Потренироваться в решении задачи кредитного скоринга на последовательных банковских данных можно в учебном <a href="https://ods.ai/competitions/dl-fintech-card-transactions" rel="noopener noreferrer" target="_blank">Соревновании на данных карточных транзакций</a>. Кроме того, в этом соревновании можно почерпнуть идеи для усовершенствования нейросетевого бейзлайна: к нему опубликован <a href="https://github.com/smirnovevgeny/AlfaBattle2.0/tree/master/rnn_baseline/advanced_baseline" rel="noopener noreferrer" target="_blank">продвинутый нейросетевой бейзлайн</a>, <a href="https://youtu.be/3aWaoB_9AfY" rel="noopener noreferrer" target="_blank">видео с его подробным объяснением</a>, а также <a href="https://habr.com/ru/company/alfa/blog/551130/" rel="noopener noreferrer" target="_blank">статья на хабр</a>.</p>

<p>Все участники учебного соревнования получат бесценный опыт для решения основного Соревнования на данных кредитных историй, а победителям и призерам учебного соревнования мы подарим фирменный мерч Альфа-Банка.</p>

<p>&nbsp;</p>

<h3>Призовой фонд</h3>

<p>Призовой фонд разделят авторы 3 решений с наибольшей метрикой на private-части тестовой выборки:<br />
&nbsp;&nbsp; &nbsp;1 место &ndash; <strong>300 000 рублей</strong><br />
&nbsp;&nbsp; &nbsp;2 место &ndash; <strong>200 000 рублей</strong><br />
&nbsp;&nbsp; &nbsp;3 место &ndash; <strong>100 000 рублей</strong></p>

<p>Также мы подарим фирменный мерч Альфа-Банка участникам, которые первые побьют нейросетевое базовое решение на <strong>2 пункта ROC AUC</strong>.</p>

Предсказание кредитного дефолта по данным кредитных историй

Public

User Agreement

<p>I accept <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">Terms of User Agreement and Privacy Policy</a></p>

Privacy Policy

<p>I give my <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Consent.pdf" rel="noopener noreferrer" target="_blank">consent</a> to &laquo;Sorevnovaniya Analiza Dannykh&raquo; LLC to process and transfer my personal data to the partners of the event for information interaction</p>

Consent

<p>I <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf" rel="noopener noreferrer" target="_blank">agree</a> to receive newsletters from &laquo;Sorevnovaniya Analiza Dannykh&raquo; LLC&nbsp;about key ODS.AI activities</p>

#	Teams (63)	ROC AUC	Last	Entries
1	alchemist	0.779468	2d	22
2	seed95	0.777122	8d	2
3	Скоринг и точка	0.775187	9h	7
4	Andrey Chubin	0.774825	3d	20
5	Aleksei Vert-Miller	0.773965	9h	27
6	vkost	0.773717	17d	9
7	Stanislav Chistyakov	0.773558	3d	12
8	Nikita Nikonov	0.773557	17d	6
9	kirill golenkov	0.773537	5d	12
10	Yury Bolkonsky	0.773223	4d	12
11	Nikita Elenberger	0.773081	6d	6
12	Dmitry Vaskin	0.772894	8d	20
13	Eskender Dzhemadinov	0.772766	3d	15
14	Room722	0.772376	4d	4
15	Sergey Evstafev	0.77226	18d	2
16	Aydar Khisamov	0.772073	5d	1
17	smpl	0.771114	21d	1
18	Mikhail Kostin	0.771114	18d	3
19	c1afde418b0e	0.771087	1d	11
20	2 points	0.770822	12h	19
21	Egor Pustovit	0.770585	17d	2
22	amulikhov	0.769978	5d	6
23	Ilia Kuleshov	0.769515	8d	5
24	Alexandro Alexander	0.76934	2d	8
25	Danila Milovanov	0.76887	3d	3
26	Aleksandr Surzhikov	0.768845	3d	10
27	Oganes Manasian	0.76882	3d	4
28	Andrey M	0.768422	9d	1
29	e2e-nn	0.76813	6d	5
30	plusultra	0.767658	4d	1
31	SergeyXY	0.767648	1h	6
32	control	0.767423	17d	2
33	Mikhail Trofimov	0.766046	4d	3
34	mmlunov	0.765965	4d	5
35	Pavel Orlov	0.765423	17d	3
36	Saveliy Karpushkin	0.764911	3d	2
37	Ilya Zuev	0.76475	3d	5
OOC	Maria Potapova	0.764601	22d	3
RNN Baseline -		0.764601
38	Dan As	0.758553	9d	2
39	Pavel Kamenev	0.756377	14h	6
40	Kurban Kodirov	0.755584	3d	5
41	AssistantUz AssistantUz	0.755584	17h	14
42	Evgeny Kazenov	0.753578	19d	2
43	Wanderer	0.75312	13d	11
OOC	Andrey Sviridov	0.752141	26d	1
44	David Romanov	0.752141	21d	2
45	Victor Krasilnikov	0.752141	20d	1
Gradient Boosting Baseline -		0.752141
46	Aleksei Poliaev	0.752023	5d	2