<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>

<p>I am Interested in receiving job offers</p>

first_name

First name

last_name

Last name

country

Country (lat)

city

City (lat)

email

Email

slack_name

Your ODS Slack nickname

study_place

Study place

study_specialty

Study specialty

work_place

Work place

work_position

Work position

expectations

Expectations

interests

Interests

preferred_language

Preferred language

about

About

Registration application for Data Fest 2022

Соревнование на данных кредитных историй

Predictions

В видео будет рассказано какие в банке существуют последовательные данные,  какие задачи и как с помощью них решаются

Теория

Видео 1: Нейросетевой подход для обработки последовательных данных

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по первому видео: "Нейросетевой подход для обработки последовательных данных"

Квест

Квиз по видео 1

В этом видео мы расскажем, как в Альфа-Банке применяются нейросетевые модели на последовательностях карточных транзакций для предсказания вероятности дефолта

Видео 2: Нейросетевые модели на карточных транзакциях

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень)  по второму видео "Нейросетевые модели на карточных транзакциях"

Квиз по видео 2

Соревнование на данных карточных транзакций

В этом соревновании предлагается решить задачу кредитного скоринга клиентов Альфа-Банка, используя историю карточных транзакций

Соревнование

В этом видео мы расскажем, как в Альфа-Банке применяются нейросетевые модели на последовательностях транзакций расчетного счета для задачи кредитного скоринга

Видео 3: Нейросетевые модели на транзакциях расчетного счета

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень)  по третьему видео "Нейросетевые модели на транзакциях расчетного счета"

Квиз по видео 3

В этом видео мы расскажем, как мы в Альфа-Банке используем данные кредитных историй для предсказания дефолта клиентов по кредитам, а также анонсируем соревнование по анализу данных с призовым фондом в 600 тысяч рублей

Видео 4: Нейросетевой кредитный скоринг на данных кредитных историй

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по четвертому видео "Нейросетевой кредитный скоринг на данных кредитных историй"

Квиз по видео 4

В этом соревновании предлагается решить задачу кредитного скоринга клиентов Альфа-Банка, используя только данные их кредитных историй

В этом видео мы расскажем, как в Альфа-Банке применяются нейросетевые модели на транзакциях для решения задач склонности и оттока.

Видео 5: Задачи склонности и оттока

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по пятому видео "Задачи склонности и оттока"

Квиз по видео 5

В этом видео мы поделимся полученными результатами, процессом внедрения наших решений в продакшн, а также дальнейшими планами

Видео 6: Основные результаты, продакшн и новые вызовы

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по шестому видео "Основные результаты, продакшн и новые вызовы"

Квиз по видео 6

Как выровнять распределения данных на трейне и проде, как изменится процесс обучения нейронных сетей и, конечно, про бизнес-эффект.

Видео 7: Побеждаем смещение распределения в задаче нейросетевого кредитного скоринга

Видео 8: Социальный скоринг и модель одобрения

Видео 9: Сиквел «DL in finance»: рассеивая туман бэклога | DL in finance

Видео 10: Социальный скоринг и модель одобрения | DL in finance

Видео 11: Нейросетевые модели на последовательностях чеков ОФД | DL in finance

Видео 12: Единая нейросетевая модель кредитного скоринга | DL in finance

alfa-tg-notboring

Telegram-канал Нескучный Data Science

FeaturedBanner-7cef0ecc

Магистратура Альфа-Банк x МФТИ

alfa-cardtr

Карточные транзакции

alfa-tranrasch

Транзакции расчетного счета

alfa-habr

Данные бюро кредитных историй

<p>&nbsp;</p>

<p>Привет! В треке Лаборатории машинного обучения вы узнаете, как при помощи нейронных сетей можно значительно улучшить метрики в классических банковские задачах: кредитный скоринг, склонность к продуктам и предсказание оттока. В банках нативным образом собираются огромные массивы данных по транзакциям, кредитным историям, коммуникациям с клиентами и логам из мобильного приложения. Каждый источник &mdash; это многомерный временной содержащий до 10000 элементов последовательности, а каждый элемент до 100 признаков. Архитектуры нейронных сетей позволяют выжимать из этих данных максимум за счет обработки в сыром виде. Из цикла видео вы узнаете об источниках данных, архитектурах нейронных сетей и приемах для их обучения и устройстве нашего продакшна. По окончанию трека вы сможете применить новые знания в решении двух задач на реальных данных с совокупным призовым фондом 600 000 рублей.&nbsp;</p>

<p>&nbsp;</p>

<figure class="media">
<div data-oembed-url="https://www.youtube.com/watch?v=XEwBuc3Dp18">
<div style="position: relative; padding-bottom: 100%; height: 0; padding-bottom: 56.2493%;"><iframe allow="autoplay; encrypted-media" allowfullscreen="" frameborder="0" src="https://www.youtube.com/embed/XEwBuc3Dp18" style="position: absolute; width: 100%; height: 100%; top: 0; left: 0;"></iframe></div>
</div>
</figure>

<p>&nbsp;</p>

Применение нейронных сетей на многомерных временных данных для решения классических банковских задач

Добро пожаловать на ежегодное мероприятие сообщества Open Data Science - Data Fest.
Это наш третий фестиваль в онлайне, где мы обновим версию ODS до 3.0 🎉  Жми "Участвовать" чтобы получать наши рассылки и апдейты на почту.

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