CC BY
7
Б01 10.46320/2077-7639-2024-5-126-29-35
Применение графовых нейронных сетей для построения цифрового двойника клиента в сфере ипотечного жилищного кредитования
Бова Р.Ю.
Ипотечное жилищное кредитование - важный инструмент современной экономики. Он выполняет важную социальную функцию, поддерживая население страны при приобретении новых жилых площадей. На данный момент ипотечного жилищного кредитования находится в стадии активного развития. Принимая во внимание внешние и внутренние факторы, экономика, и в том числе сфера ипотечного колебания подвергается значительным изменениям. Это создаёт повышенный научный интерес для развития существующих подходов к моделированию поведения потребителей и к созданию новых подходов и инструментов. С развитием современных методов сбора информации, всеобщей глобальной цифровизации, всё чаще стали открываться возможности для создания систем принятия решений на основе цифровых моделей. Одна из популярных и важных сфер исследований для ипотечного жилищного кредитования - создание цифровых двойников клиента, с помощью современных технологий анализа данных и машинного обучения. В статье рассмотрен способ организации цифрового двойника клиента для ипотечного жилищного кредитования. Рассмотрен способ реализации такого двойника с помощью технологий графовых нейронных сетей.
ДЛЯ ЦИТИРОВАНИЯ ГОСТ 7.1-2003
Бова Р.Ю. Применение графовых нейронных сетей для построения цифрового двойника клиента в сфере ипотечного жилищного кредитования // Дискуссия. - 2024. - Вып. 126. - С. 29-35.
КЛЮЧЕВЫЕ СЛОВА
Data mining, графовые нейронные сети (gnn), цифровой двойник, ипотечное жилищное кредитование, моделирование поведения потребителей.
DOI 10.46320/2077-7639-2024-5-126-29-35
The use of graph neural networks to build a digital double of a client in the field of housing mortgage lending
Bova R.Yu.
Housing mortgage lending is an important tool of the modern economy. It performs an important social function, supporting the population of the country when purchasing new residential areas. At the moment, housing mortgage lending is under active development. Taking into account external and internal factors, the economy, including the sphere of mortgage fluctuations, is undergoing significant changes. This creates increased scientific interest for the development of existing approaches to modeling consumer behavior and for the creation of new approaches and tools. With the development of modern methods of information collection and universal global digitalization, opportunities for creating decision-making systems based on digital models have increasingly begun to open up. One of the most popular and important research areas for residential mortgage lending is the creation of digital client twins using modern data analysis and machine learning technologies. The article considers a way to organize a digital double of a client for residential mortgage lending. A method for the realization of such a double using graph neural network technologies is considered.
FOR CITATION APA
Bova R.Yu. The use of graph neural networks to build a digital double of a client in the field of housing mortgage lending. Diskussiya [Discussion], 126, 29-35.
KEYWORDS
Data mining, graph neural networks (GNN), digital twin, residential mortgage lending, consumer behavior modeling.
ВВЕДЕНИЕ
Ипотечное жилищное кредитование является важным инструментом в руках органов государственного управления. Он реализует различные функции. Большая группа граждан не в состоянии приобрести жильё на свои накопления, ввиду активного роста цен на жильё и инфляции. Потребность в собственном жилье всегда оставалась важным аспектом жизни человека. Одна из возможных функций - это обеспечение граждан жилой площадью. Необходимость в доступном жилье возникает у разных групп населения. Эта потребность возникает у обычных, трудоспособных граждан, например у молодых семей,
отдельных лиц, которым нужно своё собственное жильё, военных, которым нужно своё жильё и прочим подобным социальным группам лиц. Так же потребность в жилье возникает у групп населения, с дополнительными потребностями. Другая из возможных функций - это привлечение дополнительного внимания к определённому роду деятельности, за счёт предоставления людям, занимающимся этой деятельностью, льготных программ по ипотечному кредитованию жилой недвижимости.
На данный момент рынок ИЖК очень сильно вырос, в 2023 году рост рынка составил практически 50% (по данным ЦБ РФ). Это говорит о
том, что направление живое и перспективное, а главное - важное и нужное людям. Социальная значимость, а также активное развитие рынка порождает научных интерес к его изучению.
В условиях постоянных колебаний, обусловленных как внешними, так и внутренними факторами, появляется необходимость в развитии существующих подходов к моделированию поведения потребителей ипотечного жилищного кредитования, а также в создании новых. Одним из главных ограничивающих факторов при моделировании рынка ИЖК является недостаточное количество статистически значимых и подготовленных к анализу открытых данных. В текущих реалиях необходимо применение технологий Data Mining и технологий машинного обучения, которые могли бы более эффективно работать с существующими данными, чем более классические подходы.
Решения, принимаемые государственными и коммерческими организациями, в сфере ипотечного жилищного кредитования могут оказаться достаточно важными. Перед их принятием важно оценить эффект этих решений. Как правило необходимо оценить, возымеет ли принятое решение ожидаемый эффект и каков риск провала. Для этого часто применяются экспериментальные методы, такие как тестирование на пилотных группах. Но в настоящее время, с развитием современных методов сбора информации и моделирования, всё чаще стали применяться методы оценки эффекта решений на основе цифровых моделей. Одной из таких технологий является создание цифрового двойника клиента. В том числе создаются цифровые двойники финансового поведения клиента.
КОНЦЕПЦИЯ ЦИФРОВОГО ДВОЙНИКА КЛИЕНТА В СФЕРЕ ИПОТЕЧНОГО ЖИЛИЩНОГО КРЕДИТОВАНИИЯ
В работах, посвящённых вопросам построения цифровых двойников, упоминаются различные варианты их построения. В зависимости от области исследования приводятся различные классификации. Получило популярность следующее разделение цифровых двойников на типы: прототип цифрового двойника, агрегированный цифровой двойник и экземпляр цифрового двойника. Цифровой двойник клиента относят ко второму типу - агрегированному.
Как правило, использование цифрового двойника клиента сводится к следующему. Заинтересованная сторона собирает данные о целевом поведении клиента, например предпо-
чтениях в выборе определённой группы товаров или услуг, хранит их в информационной системе предприятия, проводит аналитику над этими данными, строит цифровой двойник клиента. После чего для клиента формируются наиболее релевантные предложения, релевантность предложений оценивается с помощью построенного цифрового двойника. Происходит коммуникация по доступным компании каналам связи. В результате коммуникации клиент генерирует отклик на предоставленное ему предложение. Данные об отклике также собираются и добавляются к данным о предпочтениях. На основе этой объединённой информации строится следующая стратегия коммуникации [1].
Цифровой двойник клиента - это важная технология, в современных условиях высокого уровня цифровизации экономики и бизнеса. Она обладает как положительными сторонами, так и недостатками. Авторами научных работ выделяются такие преимущества от внедрения цифровых двойников как: снижение издержек для компании, увеличение производительности бизнес-процессов компании, улучшение клиентского опыта.
Так же, авторами научных работ отмечены трудности, с которыми может столкнуться компания при внедрении цифровых двойников. Одной из проблем является проблема конфиденциальности и безопасности при работе с данными клиентов. Компаниям необходимо выделять дополнительные ресурсы, для того чтобы сделать работу с этими данными безопасной. Другой проблемой является то, что аналитика данных о предпочтениях клиентов как правило подразумевает под собой аналитику больших данных и применение инструментов машинного обучения. Для аналитики больших данных и машинного обучения как правило требуется развитая информационно-технологическая инфраструктура внутри предприятия, либо арендованная. Также, для качественной работы с моделями машинного обучения требуются соответствующие специалисты в штате организации или нанятые на аутсорсе. Такие специалисты обладают достаточно высокой квалификацией и как правило их услуги могут стоить выше, чем работа рядовых сотрудников. Однако несмотря на имеющиеся недостатки, часто польза от внедрения современных технологий бывает больше, чем сопутствующие этому внедрению затраты.
Применительно к ипотечному жилищному кредитованию представляет научный и практический интерес моделирование финансового
поведения клиента ИЖК. Финансовое поведение в сфере ИЖК заключается в деятельности индивида или домохозяйства, в процессе которой происходит заимствование денежных средств, предполагающее их обязательное последующее возвращение [ 2 ]. Интересны такие аспекты поведения как, причины и мотивация взятия различных вариаций кредитных программ, сроков, сумм, то, как кредит будет выплачиваться (с досрочным погашением или без, насколько будет досрочное погашение, просрочки по платежам), риски принятия клиентом решения о невыплате кредита или банкротстве.
Среди основных объективных и субъективных факторов, которые оказывают влияние на стратегию кредитного поведения граждан, можно выделить уровень денежных доходов заемщиков, их доверие банковским организациям, оценка ими благоприятности экономической обстановки для взятия кредита, уровень финансовой грамот-
ности населения, экономическое положение в стране, включающее уровень инфляции, безработицы [2]. Уровень этих показателей можно отследить, если проанализировать соответствующие данные.
Некоторые компании обладают подходящей информацией о клиенте. Также есть некоторые открытые данные. Открытые данные как правило деперсонализированы, поэтому позволяют только оценить параметры для цифрового двойника среднестатистического клиента.
Система по получению из данных и использованию цифровых двойников может выглядеть следующим образом (рис 1). Основной частью системы является модель оценки эффекта управленческого решения. Например, это могут быть решения о ценности той или иной коммуникации с клиентом, либо решения о том, насколько проводимая социальная или рекламная кампания будет иметь ожидаемый эффект.
Система по работе с цифровыми двойниками
Данные о клиенте
Данные об эффективности решений
Сообщает данные о " Формируются новые
своих предпочтениях Ц коммуникации с клиентом
t
Клиент
Рисунок 1. Схема использования цифрового двойника клиента
Другой важной частью системы является модель построения цифровых двойников финансового поведения клиента. Она отвечает за Data Mining информации о клиенте, преобразованию её в формализованный вид, который может быть потом использован для дальнейшего применения в аналитических моделях. Модель оценки управленческого решения должна уметь взаимодействовать с полученными такими образом цифровыми двойниками и прогнозировать результат управленческого решения исходя из результата взаимодействия с двойниками.
Таким образом происходит автоматизация аналитики успешности управленческих решений. С учётом общей цифровизации всех коммуникаций с клиентами во всех сферах, в том числе и в сфере ипотечного жилищного кредитования, сбор информации о клиенте и формирование цифровых двойников может быть почти полностью автоматизирован. Система, которая осуществляет взаимодействие с цифровыми двойниками, тоже может быть полностью автоматизирована. Сама модель управленческих решений в большом числе случаев всё ещё потребует ручной разработки и
валидации. Однако, даже при таком уровне автоматизации может быть достигнуто значительное повышение эффективности бизнес-процесса организации.
ПОСТРОЕНИЕ ЦИФРОВОГО ДВОЙНИКА КЛИЕНТА С ПОМОЩЬЮ ГРАФОВЫХ НЕЙРОННЫХ СЕТЕЙ
В качестве способа реализации цифрового профиля клиента в данной статье рассматривается способ представления в виде графов знаний. Данный способ представления данных используется во многих областях, в том числе и для представления информации о клиентах. Данная структура данных достаточно хорошо подходит под представление информации о поведении потребителей ипотечного жилищного кредитования. Она позволяет описать клиента, его окружение, различные сущности, описывающие мотивацию принятия решений о взятии ипотечного кредита, а также связи между всеми этими объектами.
В рамках построения профиля клиента в виде графа знаний, интересны к рассмотрению две группы сущностей. Первая группа сущностей - факторы, которые влияют на финансовое поведение клиента. Вторая группа - элементы финансового поведения, от которых зависит целевая деятельность организации, проводящей моделирование. В качестве целевых действий могут выступать следующие: вероятность приобретения различных вариаций кредитных программ, вероятности рисков принятия клиентом решения о невыплате кредита [3].
Среди факторов можно выделить несколько подгрупп. Первая подгруппа факторов относится к состоянию жилищного фонда в регионе исследования спроса. Согласно мнению авторов, товарные характеристики жилищного фонда, его состояние, его пригодность и привлекательность как объект инвестиций, так и для использования в качестве жилья. Может включать себя такие показатели как: стоимость жилья, общая площадь жилых помещений, приходящаяся в среднем на одного жителя, индексы цен на жилую недвижимость, доля обустроенности жилищного фонда в регионе различными благами цивилизации, такими как водопровод, электричество канализация.
Вторая подгруппа факторов относится к интенсивности и эффективности мероприятий по формированию спроса, совершаемыми заинтересованными лицами, - кредитными организациям, застройщиками, государственными деятелями и организациями. В эту группу входят такие факторы как: количество активных объявлений о про-
даже, наличие различных рекламных кампаний, инвестиционная привлекательность, финансовая привлекательность.
Третья подгруппа факторов относится к покупательской способности и интересу потребителя ИЖК в приобретении ИЖК. Так как спрос на ИЖК напрямую зависит от наличия свободных средств и уверенности в том, что кредит можно будет выплатить. Может включать в себя такие показатели как: индекс потребительской уверенности, ИПЦ, реальные денежные доходы населения, уровень безработицы [4].
Четвёртая подгруппа факторов относится к внешним по отношению к процессу ипотечного кредитования, в том числе макроэкономическим тенденциям в стране и регионе исследования. Важно учитывать эти показатели, так как спрос и предложения зависит от состояния экономики региона и страны в целом. В эти показатели может быть включены: медианная заработная плата, соотношение браков и разводов, обращающейся в экономике региона денежная масса, процентная ставка, номинальный среднедушевой доход, ввод жилья на душу населения [ 5 ].
В качестве модели для проведения аналитики над цифровыми профилями клиента в данной работе выбраны графовые нейронные сети. Графовые нейронные сети представляют собой приложение концепции нейронных сетей к данным в форме графов. Так как графы не обладают регулярной структурой, использование их в качестве исходных данных для обучения, ставших стандартными архитектур нейросетевых моделей, не представляется возможным. Для них нужна специализированная архитектура. Пример архитектуры нейронной сети, использованной в данной работе представлен на рисунке 2 [6], [7], [8].
В настоящий момент, многие авторы рассматривают графовые нейронные сети как основной инструмент для анализа данных в различных областях. В сфере исследований естественной науки они применяются для представления связей между элементарными частицами в молекуле, а также для прогнозирования свойств новых материалов. В области решения задач комбинаторной оптимизации применяются в сфере финансов, энергетики, логистики, проектировании электроники. В рамках моделирования пользовательского поведения графовые нейронные сети применяются для моделирования взаимодействия пользователей и клиентов с продуктами и услугами компаний. Происходит обучение графовых
эмбеддингов с помощью специально подобранной выборки. Полученные эмбеддинги позволяют оценить корреляцию между различными признаками, после чего появляется возможность про-
изводится ранжирование персонализированных предложений, или скоринг клиента, относительно вероятности той или иной его реакции при взаимодействии с компанией.
Рисунок 2. Архитектура графовой нейронной сети, использованной в работе
Опишем подход к построению и аналитике данных о клиенте, на примере предсказания уровня спроса на ипотечную программу. Он состоит из двух этапов. С помощью инструментов парсинга данных о клиенте и подмешивания уже формализованных данных, формируются трёхкомпонентные векторы А={Х, I, У], содержащие в себе заявленные ранее элементы графа знаний. Компонента У представляет собой временной ряд, отображающий показатель целевого действия клиента, например, уровень спроса на ипотечную программу. Компонента X представляет собой временные ряды количественных факторов. Компонента Z представляет собой набор статических, по большей части категориальных показателей.
Далее, на основе этих векторов строится граф, где каждый клиент представлен отдельным узлом графа, а рёбра между вершинами показывают отношения между клиентами. Граф состоит из набора узлов Ж, который включает в себя изменяющиеся во времени характеристики узлов статей из А, которые наблюдаются в момент времени Набор ребер Е обеспечивает попарные соединения узлов и содержит статические элементы ребер, представляющие отношения между параметрами, присущими клиентам. Так же стоит заметить, что все ребра в построенном графе ненаправлены.
В качестве методики для построения рёбер в данной статье рассматривается использование автоматического определения сходства клиентов на основе факторов. Для расчёта сходства используются показатели попарного косинусного сходства между клиентами, используя статические факторы клиентов:
сходство (Л1, Лу) = С05(у?1,7/) =
И * 1]
№\\*т\
Также в данной модели используется гиперпараметр - порог сходства клиентов. Таким образом ребро между двумя статьями определяется, если их сходство превышает заданный порог. Такой подход позволяет осуществлять автоматическую идентификацию ребер. Факторы, содержащиеся в узле Же содержат информацию о клиентах, используемую моделью для прогнозирования спроса.
Данные графы используются как входные данные для графовых свёрток. Выходными данными из графовой части модели являются графовые эмбеддинги, которые обобщают информацию о клиентах. Далее эти эмбеддинги передаются в компонент модели, основанный на архитектуре БеерЛЯ (использующей ЬБТМ), для прогнозирования целевого действия, в данном случае спроса на приобретение ипотечной программы.
ЗАКЛЮЧЕНИЕ
В данной статье был описан подход по формированию и использованию цифрового двойника клиента при моделировании поведения потребителя в сфере ипотечного жилищного кредитования на основе графовых нейронных сетей. Для построения графовых эмбеддингов поведения клиента были использованы нейросети на основе графовых свёрточных слоёв, а для предсказания был использован слой нейросети архитектуры БеерЛЯ.
Цифровые двойники на данный момент - это активно развивающаяся технология, представляющая большой интерес для изучения. Благодаря тому, что они становятся задействованными во всё больших сферах, становится возможным пе-
реиспользование опыта моделирования в других областях, и формирование единого, универсального стандарта для построения цифровых двойников.
Предполагается, что цифровой двойник клиента сможет улучшить методологии по проведении аналитики над клиентами, в том числе в ипотечном жилищном кредитовании.
Список литературы
1. Минаева Е. А. Цифровой двойник клиента / Е. А. Минаева // Международный журнал информационных технологий и энергоэффективности. - 2024. - Т. 9, № 3(41). - С. 53-59. -ЕРМ иШШРШ.
2. Ладина Д. А. Кредитное поведение россиян в условиях экономической неопределенности / Д. А. Ладина // Аллея науки.
- 2017. - № 6. - С. 138-141. - ЕРМ УНПУХ.
3. Плесовских К. Ю. Прогнозирование поведения потребителей на платформах пользовательских данных на основе цифровых двойников / К. Ю. Плесовских, М. Х. Мухарьямов, Н. П. Ямпурин // Научно-технический вестник Поволжья. -2020. - № 7. - С. 14-17. - ЕРМ НН^Т.
4. Булдакова А. А. Социально-экономические факторы, стимулирующие развитие ипотечного кредитования в регионах России / А. А. Булдакова, Е. В. Королева, А. А. Медведева // Фундаментальные исследования. - 2024. - № 2. - С. 6-11.
- РО! 10.17513Дг.43563. - ЕРМ РУТСАО.
5. Синякова Е. В. Факторы формирования спроса на ипотечные продукты банка на рынке кредитования физических лиц / Е. В. Синякова // Дайджест-финансы. - 2023. - Т. 28, № 2(266).
- С. 200-218. - DOI: 10.24891/fc.26.1.125. - EDN NOVSIU.
6. Kozodoi N., Zinovyeva E., Valentin S., Pereira J., Agundez R. Probabilistic Demand Forecasting with Graph Neural Networks.
- 2024. - DOI: https://doi.org/10.48550/arXiv.2401.13096.
7. Geleta G, Nikolov D, ODonoghue A, Rozemberczki M, Gogleva B, Tamma A, Payne V, Terry P. Rayne. OntoMerger: An Ontology Integration Library for Deduplicating and Connecting Knowledge Graph Nodes. - 2022. - DOI: https://doi. org/10.48550/arXiv.2206.02238.
8. Gao Qian & Ma Pengcheng. Graph Neural Network and Context-Aware Based User Behavior Prediction and Recommendation System Research. Computational Intelligence and Neuroscience.
- 2020. - DOI: https://doi.org/10.1155/2020/8812370.
References
1. Minaeva E. A. The digital double of the client / E. A. Minaeva // International Journal of Information Technology and Energy Efficiency. - 2024. - Vol. 9, No. 3(41). - Pp. 53-59. - EDN UWUIPW.
2. Ladina D. A. Credit behavior of Russians in conditions of economic uncertainty / D. A. Ladina // Alley of Science. - 2017. -No. 6. - Pp. 138-141. - EDN YHFJVX.
3. Plesovskikh K. Y. Forecasting consumer behavior on user data platforms based on digital twins / K. Y. Plesovskikh, M. H. Mukharyamov, N. P. Yampurin // Scientific and Technical Bulletin of the Volga region. - 2020. - No. 7. - Pp. 14-17. - EDN HHIFZT.
4. Buldakova A. A. Socio-economic factors stimulating the development of mortgage lending in the regions of Russia / A. A. Buldakova, E. V. Koroleva, A. A. Medvedeva // Fundamental research. - 2024. - No. 2. - Pp. 6-11. - DOI 10.17513/fr.43563.
- EDN DVTCAO.
5. Sinyakova E. V. Factors of formation of demand for mortgage
products of the bank in the market of lending to individuals / E. V. Sinyakova // Digest-finance. - 2023. - Vol. 28, No. 2(266).
- Pp. 200-218. - DOI: 10.24891/fc.26.1.125. - EDN NOVSIU.
6. Kozodoi N., Zinovyeva E., Valentin S., Pereira J., Agundez R. Probabilistic Demand Forecasting with Graph Neural Networks.
- 2024. - DOI: https://doi.org/10.48550/arXiv.2401.13096.
7. Geleta G, Nikolov D, ODonoghue A, Rozemberczki M, Gogleva B, Tamma A, Payne V, Terry P. Rayne. OntoMerger: An Ontology Integration Library for Deduplicating and Connecting Knowledge Graph Nodes. - 2022. - DOI: https://doi. org/10.48550/arXiv.2206.02238.
8. Gao Oian & Ma Pengcheng. Graph Neural Network and Context-Aware Based User Behavior Prediction and Recommendation System Research. Computational Intelligence and Neuroscience.
- 2020. - DOI: https://doi.org/10.1155/2020/8812370.Pp. 45-46. - DOI 10.14451/1.196.45. - EDN WUYMFO.
Информация об авторе
Бова Р.Ю., аспирант Негосударственного образовательного частного учреждения высшего образования «Московский финансово-промышленный университет «Синергия»» (г. Москва, Российская Федерация).
© Бова Р.Ю., 2024.
Information about the author
Bova R.Yu., postgraduate student of the Non-governmental educational private institution of Higher Education «Moscow Financial and Industrial University «Synergy»» (Moscow, Russian Federation).
© Bova R.Yu., 2024.
