<h3><strong>Правила участия</strong></h3>

<p>Нажимая кнопку &laquo;Участвовать&raquo; и/или &laquo;Отправить решение&raquo;, вы соглашаетесь с <a href="https://disk.yandex.ru/i/HX8340MrZXLy6A" rel="noopener noreferrer" target="_blank">Правилами проведения онлайн-соревнования &laquo;Data Fest 2022. Соревнование на данных кредитных историй&raquo;</a>.</p>

<p>&nbsp;</p>

<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>

<p>&nbsp;</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>

<p>&nbsp;</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

Private

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 (134)	ROC AUC	Last	Entries
1	Stanislav Chistyakov	0.784472	3m	73
2	seed95	0.782546	3m	11
3	Andrey Chubin	0.781248	3m	67
4	Room722	0.781018	3m	28
5	Rostislav Ilyk	0.780159	3m	24
6	mnnqnAI	0.78009	3m	66
7	Alexander Ershov	0.779789	3m	61
8	Vyacheslav Muzhichenko	0.779264	3m	15
9	Irina Lapenko	0.779138	3m	67
10	Mikhail Trofimov	0.7791	3m	13
11	Nikita Baramiia	0.779028	3m	20
12	c1afde418b0e	0.778693	3m	40
13	AVN	0.778565	3m	20
14	ca75fae67f30	0.77833	3m	7
15	Miko Tech	0.778324	3m	15
16	1e550bfec39f	0.778192	3m	6
17	Yury Bolkonsky	0.778114	3m	22
18	kirill golenkov	0.777519	3m	49
19	c1a2095ee1b6	0.777488	3m	32
20	Anastasia Bukatkina	0.777446	3m	22
21	Grigory Kulagin	0.777195	3m	15
22	2 points	0.776669	3m	83
23	SergeyXY	0.776193	3m	29
24	TeamA	0.775395	3m	21
25	Скоринг и точка	0.775187	3m	12
26	Sergey Mozzhukhin	0.775055	3m	47
27	e2e-nn	0.774968	3m	25
28	Dmitriy Kharchev	0.774709	3m	1
29	Oleg Diakov	0.774161	3m	11
30	Aleksei Vert-Miller	0.773965	3m	34
31	vkost	0.773717	3m	12
32	Aleksei Kravchenko	0.773573	3m	1
33	Nikita Nikonov	0.773557	4m	6
34	Aydar Khisamov	0.773469	3m	8
35	Igor Kozlov	0.773294	3m	6
36	Nikita Elenberger	0.773081	4m	6
37	Dmitry Vaskin	0.772894	4m	20
38	Eskender Dzhemadinov	0.772766	3m	23
39	Denis Shulakov	0.77233	3m	18
40	Sergey Evstafev	0.77226	4m	2
41	anti_djakonov_method	0.772171	3m	11
42	GigaChadScience	0.772081	3m	20
43	Bosphorus	0.771815	3m	13
44	Aleksey Kovalenko	0.771692	3m	2
45	joskie	0.771684	3m	6
46	Andrei Babkin	0.77137	3m	19
47	smpl	0.771114	4m	1
48	Mikhail Kostin	0.771114	4m	3
49	kamushekp kamenev	0.770602	3m	7
50	Egor Pustovit	0.770585	4m	2