Case Study

Długie oczekiwanie na decyzję kredytową jest bolączką, na którą wskazuje duża część klientów banków. Samouczenie się maszyn mogłoby skrócić ten proces, opierając się na modułach wspierających generowanie indywidualnych ofert kredytowych z wykorzystaniem Machine Learning.

Machine Learning w sektorze finansowym

Geneza

Realizacja projektu

Sformułowanie wniosku, ocena zdolności kredytowej, zabezpieczenia, ryzyk, analiza, opiniowanie i akceptacja to kroki procesowe niezbędne dla przyznania kredytu z punktu widzenia instytucji finansowej.

Proces decyzyjny może wyglądać nieco inaczej jeżeli pożyczkobiorcą jest klient obsługiwany od dłuższego czasu. W takich przypadkach kredytodawca dysponuje dużą wiedzą o historii współpracy - można nie tylko przyspieszyć proces weryfikacji wniosku, ale nawet przygotować ofertę kredytową bez wniosku ze strony klienta.

Cel

Automatyczna analiza zdolności kredytowej i ocena ryzyka

Zadanie, jakie postawiono Whiteaster polegało na przygotowaniu automatyzacji oceny zdolności kredytowej klienta firmy finansowej. Klientami tej firmy są handlowcy prowadzący swoją sprzedaż poprzez jedną z największych na świecie Internetowych platform sprzedażowych.

Oferta kredytowa miała być oparta na analizie zdolności kredytowej oraz ryzyka. Założono, że kredyt powinien być możliwy do spłacenia dzięki wynikom sprzedaży na tej platformie. Przedmiotowe kredyty są nowym produktem – firma nie dysponowała danymi opisującymi historię ich przyznawania i spłacania.

Wyzwanie

Zaprojektowanie siedmiu modeli Machine Learning oraz modułu kalkulacyjnego

Ponieważ w pierwszym etapie oferta kierowana jest do aktualnych klientów (korzystających z innych produktów finansowych) firma dysponuje sporą ilością danych. Podzielono je na dwie główne grupy:

  • Dane historyczne
  • Dane bieżące
Dane historyczne dotyczą sprzedaży, jakości obsługi klientów oraz statusów na platformie sprzedażowej. Dostępne zbiory informacji oprócz tego, że różnią się merytorycznie, obejmują różne okresy czasu (od dwuletnich do półrocznych).
Drugi zbiór to dane bieżące, opisujące działalność sprzedawców na platformie Klienta - aktualne informacje statusowe, informacje o sprzedaży, oferowanych produktach, finansowo - rozliczeniowe, informacje o udzielonych (aktualnie spłacanych) pożyczkach itp.

Model analityczny oparty został na wnioskach z analizy danych oraz ich wpływu na decyzje kredytowe. Ostateczna oferta pożyczki wynika z wielu czynników, zarówno o charakterze historycznym, jak i bieżącym. Można zaryzykować stwierdzenie, że obserwowany wzrost ich ilości jest dobrym zobrazowaniem dojrzewania systemu decyzyjnego. Na architekturę rozwiązania ma wpływ także sposób pozyskiwania danych, częstotliwość ich aktualizacji oraz merytoryczne znaczenie – sposób wpływu na końcową rekomendację. Ponieważ wyniki analityki zmieniają się – ewoluują w trakcie trwania projektu, podobnie za jej zmianami podążają zmiany modelu. W efekcie realizacji projektu powstało rozwiązanie składające się z siedmiu modeli Machine Learning oraz modułu kalkulacyjnego, opartego na zaprojektowanych algorytmach.

Efekt

Aplikacja do rekomendacji decyzji kredytowych oparta o machine learning

Uczenie modułów Machine Learning oraz doskonalenie algorytmów to proces czasochłonny. Wymaga wielu testów, zmian, powtórzeń, analiz wyników, diagnoz przypadków szczególnych itp. Rozwiązanie zaakceptowane do produkcyjnego wykorzystania - oparcia na jego rekomendacjach decyzji kredytowych - powstało w niecałe 1,5 miesiąca. Integracja z systemem zintegrowanym klienta zajęła kolejny miesiąc.

Informujemy, iż w celu optymalizacji treści dostępnych w naszym serwisie, dostosowania ich do Państwa indywidualnych potrzeb korzystamy z informacji zapisanych za pomocą plików cookies na urządzeniach końcowych użytkowników. Pliki cookies użytkownik może kontrolować za pomocą ustawień swojej przeglądarki internetowej. Akceptuję