{
  "fetched_at": "2026-10-19T08:28:36Z",
  "source_url": "https://www.kaggle.com/competitions/alfa-bank-pd-credit-history/data",
  "pages": [
    {
      "name": "data-description",
      "content": "# Описание файлов и полей датасета\n\n1\\. **{train/test}_target.csv** – тренировочная и тестовая выборки кредитов:\n- `id` – идентификатор заявки на кредит\n- `flag` – целевая переменная, 1 – факт ухода клиента в дефолт (есть только в файле train_target.csv)\n\n2\\. **{train/test}_data** – данные кредитных историй для тренировки и обучения модели:\n- `id` – идентификатор заявки\n- `rn` – порядковый номер кредита в кредитной истории\n- `pre_since_opened` – дней с даты открытия кредита до даты сбора данных\n- `pre_since_confirmed` – дней с даты подтверждения информации по кредиту до даты сбора данных\n- `pre_pterm` – плановое количество дней с даты открытия кредита до даты закрытия\n- `pre_fterm` – фактическое количество дней с даты открытия кредита до даты закрытия\n- `pre_till_pclose` – плановое количество дней с даты сбора данных до даты закрытия кредита\n- `pre_till_fclose` – фактическое количество дней с даты сбора данных до даты закрытия кредита\n- `pre_loans_credit_limit` – кредитный лимит\n- `pre_loans_next_pay_summ` – сумма следующего платежа по кредиту\n- `pre_loans_outstanding` – оставшаяся невыплаченная сумма кредита\n- `pre_loans_total_overdue` – текущая просроченная задолженность\n- `pre_loans_max_overdue_sum` – максимальная просроченная задолженность\n- `pre_loans_credit_cost_rate` – полная стоимость кредита\n- `pre_loans5` – число просрочек до 5 дней\n- `pre_loans530` – число просрочек от 5 до 30 дней\n- `pre_loans3060` – число просрочек от 30 до 60 дней\n- `pre_loans6090` – число просрочек от 60 до 90 дней\n- `pre_loans90` – число просрочек более, чем на 90 дней\n- `is_zero_loans_5` – флаг: нет просрочек до 5 дней\n- `is_zero_loans_530` – флаг: нет просрочек от 5 до 30 дней\n- `is_zero_loans_3060` – флаг: нет просрочек от 30 до 60 дней\n- `is_zero_loans_6090` – флаг: нет просрочек от 60 до 90 дней\n- `is_zero_loans90` – флаг: нет просрочек более, чем на 90 дней\n- `pre_util` – отношение оставшейся невыплаченной суммы кредита к кредитному лимиту\n- `pre_over2limit` – отношение текущей просроченной задолженности к кредитному лимиту\n- `pre_maxover2limit` – отношение максимальной просроченной задолженности к кредитному лимиту\n- `is_zero_util` – флаг: отношение оставшейся невыплаченной суммы кредита к кредитному лимиту равняется 0\n- `is_zero_over2limit` – флаг: отношение текущей просроченной задолженности к кредитному лимиту равняется 0\n- `is_zero_maxover2limit` – флаг: отношенение максимальной просроченной задолженности к кредитному лимиту равняется 0\n- `enc_paym_{0..N-1}` – статусы ежемесячных платежей за последние N месяцев\n- `enc_loans_account_holder_type` – тип отношения к кредиту\n- `enc_loans_credit_status` – статус кредита\n- `enc_loans_account_cur` – валюта кредита\n- `enc_loans_credit_type` – тип кредита\n- `pclose_flag` – флаг: плановое количество дней с даты открытия кредита до даты закрытия не определено\n- `fclose_flag` – флаг: фактическое количество дней с даты открытия кредита до даты закрытия не определено\n\n3\\. **description.xlsx** – описание полей в {train/test}_target.csv и {train/test}_datа\n\n4\\. **sample_submission.csv** – пример сабмита\n- `id` – идентификатор заявки на кредит\n- `score` – предсказание модели",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "## Задача\n\nКредитный скоринг – 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 “как есть”, подавая их на вход рекуррентной нейронной сети. \n\nВ этом соревновании участникам предлагается решить задачу кредитного скоринга клиентов Альфа-Банка, используя только данные кредитных историй.\n\n## Данные\nДатасет 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.\n\nКаждая 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.\n\nЦелевая переменная – бинарная величина, принимающая значения 0 и 1, где 1 соответствует дефолту клиента по кредиту.\n\nПодробное описание файлов и полей датасета соревнования участники могут найти во вкладке [Data](https://www.kaggle.com/competitions/alfa-bank-pd-credit-history/data).\n\n## Проверка решений\nМетрика соревнования – ROC AUC. Подробнее про метрику можно почитать, например, [здесь](https://dyakonov.org/2017/07/28/auc-roc-площадь-под-кривой-ошибок/).\n\nРешения принимаются в виде csv-файла с двумя колонками: “id” – уникальный идентификтор и “score” – предсказание дефолта клиента по кредиту. Пример самбита можно найти в файле sample_submission.csv.\n\nПромежуточные 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 [Leaderboard](https://www.kaggle.com/competitions/alfa-bank-pd-credit-history/leaderboard).\n\n## Объединение в команды\nВ рамках данного соревнования объединение участников в команды не предполагается.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "## Объединение в команды\nВ рамках данного соревнования объединение участников в команды не предполагается.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evalution",
      "content": "## Метрика\nМетрика соревнования – ROC AUC. Подробнее про метрику можно почитать, например, [здесь](https://dyakonov.org/2017/07/28/auc-roc-площадь-под-кривой-ошибок/).\n\n## Submission-файл\nРешения принимаются в виде csv-файла с двумя колонками: “id” – уникальный идентификтор и “score” – предсказание дефолта клиента по кредиту. Пример самбита можно найти в файле sample_submission.csv.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}