Transcript Цепочка принятия решений о выдаче кредита

Цепочка принятия
решений о выдаче
кредита в Deductor
Возможности Deductor
Благодаря широким возможностям
аналитической платформы Deductor можно
создать последовательную цепочку принятия
решения о выдаче кредита.
Это позволит с момента ввода в систему заявки
на кредит обеспечить ее автоматизированную
обработку и принятие решения по ней. Данный
функционал актуален для банков, занимающихся
экспресс-кредитованием и принимающих
решения в сжатые сроки.
BaseGroup Labs
Общая схема взаимодействия
Фронт-офис
Аналитическая платформа
Ввод заявки
Анализ достоверности данных
Андеррайтинг
Проверка по бизнес-правилам
Скоринг
Расчет по скоринговой модели
Проверка кредитной истории
Анализ кредитного отчета из БКИ
Проверка в СБ
Проверка по «черным» спискам
Параметры договора
Расчет лимитов по моделям
Открытие договора
Сохранение данных о договоре
BaseGroup Labs
Этап 1. Анализ достоверности данных
Важным этапом, особенно в случае полностью
автоматического скоринга (без участия эксперта),
является оценка достоверности анкеты
заемщика:
 Анкета с недостоверной информацией на
входе – ошибочное решение на выходе
 Выявление подозрительных моментов
 Обнаружение ошибок ввода данных
оператором.
5 сек
Анализ
достоверности
BaseGroup Labs
Андеррайтинг
Скоринг
БКИ
Черные списки
Расчет
лимитов
Этап 2. Андеррайтинг
Андеррайтинг или верификационный скоринг –
проверка заемщика на соответствие
минимальным требованиям банка:
 Реализация жесткого регламента проверки
 Возможность без участия сотрудников
«подтягивать» любую информацию из
различных источников
 Высокое качество анализа.
10 сек
Анализ
достоверности
BaseGroup Labs
Андеррайтинг
Скоринг
БКИ
Черные списки
Расчет
лимитов
Этап 3. Скоринг
Технологии скоринга – автоматическая оценка
кредитоспособности физического лица – в банковской
среде традиционно уделяется повышенное внимание.
Экспертные методы уходят в прошлое, и все чаще при
разработке скоринговых моделей обращаются к
алгоритмам Data Mining.
Наиболее мощные из них – это самообучающиеся
алгоритмы, обладающие способностью к адаптации, т.е.
автоматическому учету вновь поступающих данных и
подстройке модели.
10 сек
Анализ
достоверности
BaseGroup Labs
Андеррайтинг
Скоринг
БКИ
Черные списки
Расчет
лимитов
Скоринг: cамообучающиеся алгоритмы
В качестве подобных адаптивных механизмов
можно выделить 4 алгоритма:
 Логистическая регрессия
 Деревья решений
 Самообучающиеся карты
 Нейронные сети.
Все эти алгоритмы реализованы в Deductor и
с успехом применяются в разработке
скоринговых моделей.
BaseGroup Labs
Скоринг: логистическая регрессия
Логистическая регрессия – типовой алгоритм построения
скоринговых моделей:

Вычисление рейтинга заемщика либо вывода
«давать/не давать»
 Простота реализации и интерпретации результата.
Расчет
коэффициентов
BaseGroup Labs
Расчет
рейтинга
Скоринг: дерево решений
Дерево решений – иерархическая система правил:
 Простота интерпретации результата
 Автоматический выбор наиболее значимых
факторов.
Оценка
решения
Дерево
решений
Текст
правила
BaseGroup Labs
Скоринг: самоорганизующиеся карты
Самоорганизующиеся карты – кластеризация:
 Сравнение нового заемщика похожими на него
 Оценка риска возникновения ситуации.
Сумма
кредита
Разбивка на
кластеры
BaseGroup Labs
Скоринг: нейронные сети
Нейронные сети – наиболее сложный
самообучающийся алгоритм:
 Автоматическое определение вклада каждого
фактора в результат с учетом их сложного
взаимного влияния
 Поиск сложных нетривиальных зависимостей.
Зависимость
риска от суммы
кредита
BaseGroup Labs
Скоринг: сравнение алгоритмов
Точность
Чем более простой алгоритм, тем он грубее, но при этом легче
объяснить полученные результаты. Наиболее мощные
алгоритмы способны находить сложные нелинейные
зависимости, но их интерпретация является нетривиальной
задачей. На практике необходимо находить компромисс между
точностью и простотой.
Самоорганизующиеся карты
Нейронные сети
Деревья решений
Логистическая регрессия
Сложность
BaseGroup Labs
Скоринг: баланс между доходностью и риском
В Deductor встроены механизмы, позволяющие легко
варьировать параметры скоринговых моделей, тем самым меняя
баланс между доходностью и риском. Одним из таких
инструментов является ROC-анализ.
Параметры
модели
ROCкривая
BaseGroup Labs
Скоринг: результаты
Подобные алгоритмы могут использоваться
как по отдельности, так и совместно, повышая
качество модели.
Они позволяют:
 формализовать процесс оценки рисков
 быстро получать результат
 легко тиражировать модели
 постоянно адаптировать модель под
меняющиеся условия.
BaseGroup Labs
Этап 4. Проверка кредитной истории
Встроенные механизмы интеграции Deductor с БКИ
позволяют осуществить:
 быстрое получение кредитной истории;
 ее автоматическую обработку и анализ;
 подготовку к хранению и дальнейшему
использованию.
Банк 1
Наш Банк
…
БКИ
Банк N
25 сек
Анализ
достоверности
BaseGroup Labs
Андеррайтинг
Скоринг
БКИ
Черные списки
Расчет
лимитов
Проверка кредитной истории: пример с Equifax
Настройка параметров
запроса в Equifax при
помощи мастера
Автоматический
разбор ответа из бюро
кредитных историй
BaseGroup Labs
Этап 5. Проверка по «черным» спискам
Deductor позволяет значительно увеличить скорость
обработки «черных» списков без потери качества:
 Поддержка десятков источников данных
 Возможность комбинирования сведений из
всех доступных баз
 Очистка и разбор персональных данных
 Нечеткий поиск с учетом пропусков и опечаток
 Обнаружение связей между людьми.
5 сек
Анализ
достоверности
BaseGroup Labs
Андеррайтинг
Скоринг
БКИ
Черные списки
Расчет
лимитов
Черные списки: схема работы
Источники данных о негативе
Фронт-офис
Кронос
Запрос на
проверку
Найденный
негатив
Deductor Application
Server
14 стратегий
поиска негатива
BaseGroup Labs
АБС
…
Очистка,
дедубликация,
обогащение
данных
Нечеткий
поиск
Хранилище «черные
списки»
Этап 6. Расчет параметров договора
Возможность построения произвольных сценариев
позволяет реализовать в Deductor сложную логику
расчета оптимальных с точки зрения стратегии
банка параметров кредитного договора.
В процессе оптимизации учитываются не только
данные анкеты, но и информация, полученная из
множества сторонних источников: АБС, БКИ, базы
данных, файлы…
5 сек
Анализ
достоверности
BaseGroup Labs
Андеррайтинг
Скоринг
БКИ
Черные списки
Расчет
лимитов
Сравнение времени обработки
Сравним время выполнения этапов в единой цепочке Deductor и
действий сотрудника с использованием типовых средств.
Задачи
Оценка достоверности
Deductor
Типовые средства
5 сек
нет
Андеррайтинг
10 сек
> 120 сек
Скоринг
10 сек
экспертная оценка
> 180 сек
Запрос и обработка данных БКИ
25 сек
> 300 сек
«Черные» списки
5 сек
> 600 сек
Расчет параметров договора
5 сек
5 сек
1 минута
> 20 минут
Итого:
BaseGroup Labs
Сравнение времени обработки
Выигрыш
по времени
минимум
в 20 раз
BaseGroup Labs
Достоинства решения
Использование описанной цепочки принятия
решений о выдаче кредита позволяет:
 жестко регламентировать процесс
 сократить время ожидания ответа
 сократить трудозатраты
 снизить требования к квалификации
персонала
 повысить качество кредитного портфеля
 оперативно изменять кредитную политику.
BaseGroup Labs
Проектный опыт
В банках и финансовых организациях
реализовано множество проектов на базе
Deductor, автоматизирующих процесс
принятия решений о выдаче кредитов:
BaseGroup Labs
BaseGroup Labs
BaseGroup Labs – профессиональный
поставщик Data Warehouse, OLAP, KDD, Data
Mining решений и инструментов.
Web-сайт:
Образование:
E-mail:
BaseGroup Labs
www.basegroup.ru
edu.basegroup.ru
[email protected]