Задача

Требуется разработать систему ML-моделей, которые помогут коллекторскому агентству эффективно управлять задолженностями. Система должна предсказывать вероятность возврата долга, рекомендовать наилучший способ и время контакта, а также выявлять должников с высоким риском затяжного дефолта.

Основные компоненты модели

Модель предсказания вероятности возврата долга (Payment Propensity Score)

• Оценить для каждого должника вероятность погашения задолженности от 0% до 100%
• Разделить должников на сегменты по уровню риска: высокий, средний, низкий
• Формировать приоритетный список для контактов коллекторов

Модель оптимальной стратегии взыскания

• Рекомендовать подходящий канал связи: звонок, SMS, email или судебное взыскание
• Прогнозировать лучшее время для контакта
• Определить оптимальный формат оплаты: единовременно или в рассрочку

Модель раннего предупреждения дефолта

• Выявлять должников с высокой вероятностью перехода в затяжной дефолт (просрочка более 180 дней)
• Прогнозировать самостоятельное погашение долга (self-cure) без вмешательства коллекторов

Ожидаемые входные данные

Поведенческие данные:

• Частота входов в личный кабинет платежного портала
• Реакции на предыдущие уведомления: ответы на звонки, SMS
• История взаимодействия с коллекторами
• Метаданные разговоров: время отклика, тон разговора, настроение должника

Социально-демографические данные:

• Возраст, регион проживания, сведения о занятости
• Стабильность дохода
• Тип задолженности: кредит, услуги ЖКХ, микрозайм и т.д.

Ключевые требования

• Язык реализации: Python версия 3.9 и выше
• Использовать алгоритмы градиентного бустинга: XGBoost, LightGBM, CatBoost (или их аналоги)
• Модели должны иметь высокую точность прогнозов.