Кредитный скоринг, как известно, призван упростить оценку добросовестности заёмщика, полагаясь на алгоритмический анализ ряда социальных данных, таких как пол, возраст, наличие детей, образование и тому подобное. Информация, грамотно извлечённая из этих данных, может более планомерно регулировать риски выдачи кредитов, устраняя субъективизм в принятии решений.
Использование сторонних скоринг-систем небольшими компаниями может столкнуться с препятствиями в виде слишком высокого порога вхождения и непрозрачности этих систем. В таком случае можно рассмотреть возможность создания собственной скоринг-системы, на основе собственных исторических данных. К сожалению, типичные данные, из которых следует извлекать информацию о потенциальной добросовестности, бывают неполны и скудны.
Решением может быть привлечение анализа социальных сетей.
Сервис MCLtech предоставляет API для анализа профилей ВКонтакте, с помощью которого можно получить вектор данных из 122 факторов, для каждого пользователя. Для построения системы кредитного скоринга полученные векторы своих заёмщиков следует объединить с их исторической классификацией и с помощью машинного обучения построить на основе этих данных модель для классификации. За счёт индивидуализированного подхода к описанию людей в идеале можно добиться эффективности сопоставимой с лучшими скоринг-системами, обученными на огромном количестве данных.