Przejdź do głównej sekcji
Decyzje kredytowe oparte o machine learning
10 min

Decyzje kredytowe oparte o machine learning

Długie oczekiwanie na decyzję kredytową jest bolączką, na którą wskazuje duża część klientów banków.

Decyzje kredytowe oparte o machine learning
Lorem ipsum

Długie oczekiwanie   na   decyzję   kredytową jest bolączką, na którą wskazuje duża część klientów banków.   Sformułowanie   wniosku,   ocena zdolności   kredytowej, zabezpieczenia,   ryzyk, analiza, opiniowanie   i   akceptacja to kroki procesowe niezbędne dla przyznania kredytu z punktu widzenia banku.    Proces decyzyjny może wyglądać   nieco inaczej jeżeli pożyczkobiorcą jest klient obsługiwany przez   instytucję finansową 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 z  e   strony   klienta.   Artykuł przedstawia realizację modułu    wspierającego   generowanie   indywidualnych ofert kredytowych   z wykorzystaniem   Machine Learning.

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

  Zadanie podzielono na kilka kroków:

  •     Kolekcja i ocena kompletności, wiarygodności oraz przydatności dostępnych danych 
  •     Analiza danych,   wstępna   klasyfikacja klientów
  •     Przygotowanie modelu analitycznego,   testy   i weryfikacja wyników
  •     Budowa rozwiązania na bazie modułów Machine Learning
  •     Testy, tuning
  •     Implementacja w zintegrowanym środowisku IT klienta

  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   Amazon.   Dostępne zbiory informacji o  prócz tego, że różnią się merytorycznie, obejmują różne okresy czasu (od dwuletnich do półrocznych).

  Drugi zbiór to dane bieżące   opisujące działalność sprzedawców na Amazonie   –   aktualne informacje statusowe, informacje o sprzedaży, oferowanych produktach, finansowo – rozliczeniowe, informacje o udzielonych   (aktualnie spłacanych)   pożyczkach   itp.

 Analiza   dostępnych   informacji   oraz wypracowanie modelu decyzyjnego to   kluczowy   element projektu.   W praktyce   jest zadaniem ciągłym   wykonywanym cały czas w trakcie realizacji projektu  . Uzyskiwane   wyniki   pośrednie, wnioski,   zdiagnozowane   przypadki szczególne, ujawniające się w trakcie prac oraz rosnąca wiedza w zespole skutkują ewolucją modeli, metod   oraz listy   zbiorów danych we  j  ściowych. W efekcie prowadzą do doskonalenia systemu. Intensywnie wykorzystywane są metody klasyfikacji danych,   które ułatwiają odkrycie prawidłowości i zależności.   Nie do przecenienia jest wiedza oraz doświadczenie specjalistów klienta. Dobra współpraca, wspólnie wypracowywane rozwiązania   i   na bieżąco   dokonywana   ocena wyników pozwalają na szybkie postępy prac. 

  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 systemy 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.

System decyzyjny generuje dla każdego klienta ranking (  Scoring behawioralny  , odpowiadający stopniowi ryzyka kredytowego) oraz propozycję kwoty pożyczki. Udostępnia także szereg informacji pomocniczych, ułatwiających weryfikację ale także uzasadnienie decyzji. Architektura składa się łącznie z siedmiu modułów Machine Learning – pięć z nich dokonuje analizy danych historycznych. Zastosowano różne modele dostępne w pakiecie O.ai. Dodatkowo zaimplementowano szereg reguł i algorytmów stanowiących moduł kalkulacyjny. Uczenie modułów ML 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. 

Realizacja projektu wymagała poznania modelu informacji, modelu danych i modelu biznesowego Firmy Klienta (nie tylko w odniesieniu do produktu, który był przedmiotem prac). Dobra współpraca i wysoko ocenione wyniki pozwoliły na określenie kolejnych celów i kontynuację współpracy.

Najnowsze wpisy

Innowator Śląska 2020

Whiteaster otrzymał wyróżnienie w Konkursie Innowator Śląska 2020

Otwarte Dane – otwarte możliwości

W bieżącym roku Polska odnotowała kolejny sukces w zakresie rankingu Open Data Maturity 2020.

PROsystem. Aplikacja wspierająca realizację projektów oraz publikację informacji.

Projekty realizowane przez Miasto to temat budzący żywe zainteresowanie szerokiego grona mieszkańców. Inwestycje i remonty to podstawowe elementy rozwoju infrastruktury miejskiej.

Interfejs mózg-komputer – czym jest i jaki ma potencjał dla biznesu?

Sterowanie umysłem od zawsze stanowiło jedno z kluczowych marzeń ludzkości. Urządzenia umożliwiające komunikację oraz sterowanie za pomocą ludzkich myśli nie należą już tylko do świata science-fiction, ale aktualnej rzeczywistości, kryjącej w sobie olbrzymi, biznesowy potencjał.

Sztuczna inteligencja w przemyśle – to się opłaca!

Myślicie, że przemysł po prostu nie pasuje do świata IT? Wprost przeciwnie! Przekonajcie się jak wiele zyskać może produkcja przemysłowa, gdy otworzy się na sztuczną inteligencję.
PRACUJEMY DLA
APA Group
Urban Lab
UM Krakow
UM Jaworzno
UM Rzeszów
deegitals
Strefa Energii
ZOO Chorzów
Tarnopol

Copyrights © 2022 Whiteaster

crafted by: mastafu design