DataScoring: Выдача потребительских кредитов на сегодняшний день одно из самых популярных и приоритетных направлений в финансовом секторе, но и требующее максимального внимания. Выдача кредитов потенциально неплатёжеспособным заемщикам способно нанести банку или кредитной организации существенный финансовый ущерб, поэтому к этому процессу необходимо подходить системно, наладив автоматический и эффективный процесс скоринга заемщиков.
Эту проблему и решает наш продукт:
1. Эффективный скоринг потенциального заемщика на основе анализа «больших данных».
2. Получение дополнительной статистики на основе анализа массива финансовых данных для дальнейшей коммуникации с клиентами.
3. Работа с кредитным портфелям клиента для минимизации просрочки и недопущения пропуска платежей по кредитам.
В процессе разработки программного обеспечения мы используем стек технологий от компании Microsoft: .Net, Azure cloud, C#, а также технологии CUDA.
Наши алгоритмы и модели анализа построены на основе: (1) группы самообучающихся нейронных сетей; (2) системы нормализации входных параметров и семантический анализатор для разбора текстовой информации; (3) составления психологического портрета потенциального клиента; (4) методов кластеризации данных; (5) классических скоринговых системах.
Оценка добросовестности заемщика в розничном кредитовании и микрофинансировании (Fraud-scoring) на основе психосемантических методов.
Метод: у добросовестных и недобросовестных заемщиков разное отношение к кредиту/займу. Это различие можно выявить психосемантическими методами по индивидуальным системам значений. Мы провели эксперимент и подтвердили наше предположение.
В настоящее время мы ищем пути для коммерческой реализации метода
Монетизация данных: могут ли банки зарабатывать на информацииMike Sverdlov
Как банк может монетизировать внутренние и внешние данные, есть ли шанс у Big Data и как строить взаимоотношения с клиентами, основываясь на данных. Живые кейсы, реальные факты, много ссылок и картинок.
Оценка добросовестности заемщика в розничном кредитовании и микрофинансировании (Fraud-scoring) на основе психосемантических методов.
Метод: у добросовестных и недобросовестных заемщиков разное отношение к кредиту/займу. Это различие можно выявить психосемантическими методами по индивидуальным системам значений. Мы провели эксперимент и подтвердили наше предположение.
В настоящее время мы ищем пути для коммерческой реализации метода
Монетизация данных: могут ли банки зарабатывать на информацииMike Sverdlov
Как банк может монетизировать внутренние и внешние данные, есть ли шанс у Big Data и как строить взаимоотношения с клиентами, основываясь на данных. Живые кейсы, реальные факты, много ссылок и картинок.
Кредитование - один из ключевых элементов экосистемы системы онлайн-банкаSME Banking Club
Презентация компании "Системные Технологии" о трендах и реализации онлайн-кредитования в цифровых сервисах для бизнес-клиентов.
Ключевые разделы:
- «ритейлизация» процессов и продуктов SME
- математические методы и модели в алгоритмах расчета показателей
- построение скоринговых моделей
- онлайн-сделки с несколькими контрагентами
- системы онлайн-мониторинга
Специалисты компании USABILITYLAB провели исследование удобства 16 интернет-банков. В нем приняли участие 128 человек, каждое приложение тестировали по 8 пользователей.
Для тестирования были отобраны базовые задачи пользователей:
• вход в интернет-банк;
• просмотр информации по счетам;
• просмотр истории операций по счету;
• перевод между своими счетами;
• перевод в другой банк по реквизитам;
• оплата мобильной связи;
• оплата коммунальных услуг.
Сергей Кашпоров — Frank Research Group — ICBDA 2015rusbase
Выступление Сергея Кашпорова (Frank Research Group) на International Conference on Big Data and its Applications (ICBDA).
ICBDA — конференция для предпринимателей и разработчиков о том, как эффективно решать бизнес-задачи с помощью анализа больших данных.
http://icbda2015.org/
«Кредитный конвейер» позволяет организовать выдачу кредитов в финансовых организация, ранее не осуществлявших такую деятельность. Он автоматизирует работу с кредитом от момента принятия решения о его выдаче до закрытия кредитного договора, в том числе через взыскание проблемной задолженности.
Кредитование - один из ключевых элементов экосистемы системы онлайн-банкаSME Banking Club
Презентация компании "Системные Технологии" о трендах и реализации онлайн-кредитования в цифровых сервисах для бизнес-клиентов.
Ключевые разделы:
- «ритейлизация» процессов и продуктов SME
- математические методы и модели в алгоритмах расчета показателей
- построение скоринговых моделей
- онлайн-сделки с несколькими контрагентами
- системы онлайн-мониторинга
Специалисты компании USABILITYLAB провели исследование удобства 16 интернет-банков. В нем приняли участие 128 человек, каждое приложение тестировали по 8 пользователей.
Для тестирования были отобраны базовые задачи пользователей:
• вход в интернет-банк;
• просмотр информации по счетам;
• просмотр истории операций по счету;
• перевод между своими счетами;
• перевод в другой банк по реквизитам;
• оплата мобильной связи;
• оплата коммунальных услуг.
Сергей Кашпоров — Frank Research Group — ICBDA 2015rusbase
Выступление Сергея Кашпорова (Frank Research Group) на International Conference on Big Data and its Applications (ICBDA).
ICBDA — конференция для предпринимателей и разработчиков о том, как эффективно решать бизнес-задачи с помощью анализа больших данных.
http://icbda2015.org/
«Кредитный конвейер» позволяет организовать выдачу кредитов в финансовых организация, ранее не осуществлявших такую деятельность. Он автоматизирует работу с кредитом от момента принятия решения о его выдаче до закрытия кредитного договора, в том числе через взыскание проблемной задолженности.
Intro to Data Science for Enterprise Big DataPaco Nathan
If you need a different format (PDF, PPT) instead of Keynote, please email me: pnathan AT concurrentinc DOT com
An overview of Data Science for Enterprise Big Data. In other words, how to combine structured and unstructured data, leveraging the tools of automation and mathematics, for highly scalable businesses. We discuss management strategy for building Data Science teams, basic requirements of the "science" in Data Science, and typical data access patterns for working with Big Data. We review some great algorithms, tools, and truisms for building a Data Science practice, and provide plus some great references to read for further study.
Presented initially at the Enterprise Big Data meetup at Tata Consultancy Services, Santa Clara, 2012-08-20 http://www.meetup.com/Enterprise-Big-Data/events/77635202/
Myths and Mathemagical Superpowers of Data ScientistsDavid Pittman
Some people think data scientists are mythical beings, like unicorns, or they are some sort of nouveau fad that will quickly fade. Not true, says IBM big data evangelist James Kobielus. In this engaging presentation, with artwork created by Angela Tuminello, Kobielus debunks 10 myths about data scientists and their role in analytics and big data. You might also want to read the full blog by Kobielus that spawned this presentation: "Data Scientists: Myths and Mathemagical Superpowers" - http://ibm.co/PqF7Jn
For more information, visit http://www.ibmbigdatahub.com
A graph is a data structure composed of vertices/dots and edges/lines. A graph database is a software system used to persist and process graphs. The common conception in today's database community is that there is a tradeoff between the scale of data and the complexity/interlinking of data. To challenge this understanding, Aurelius has developed Titan under the liberal Apache 2 license. Titan supports both the size of modern data and the modeling power of graphs to usher in the era of Big Graph Data. Novel techniques in edge compression, data layout, and vertex-centric indices that exploit significant orders are used to facilitate the representation and processing of a single atomic graph structure across a multi-machine cluster. To ensure ease of adoption by the graph community, Titan natively implements the TinkerPop 2 Blueprints API. This presentation will review the graph landscape, Titan's techniques for scale by distribution, and a collection of satellite graph technologies to be released by Aurelius in the coming summer months of 2012.
How To Interview a Data Scientist
Daniel Tunkelang
Presented at the O'Reilly Strata 2013 Conference
Video: https://www.youtube.com/watch?v=gUTuESHKbXI
Interviewing data scientists is hard. The tech press sporadically publishes “best” interview questions that are cringe-worthy.
At LinkedIn, we put a heavy emphasis on the ability to think through the problems we work on. For example, if someone claims expertise in machine learning, we ask them to apply it to one of our recommendation problems. And, when we test coding and algorithmic problem solving, we do it with real problems that we’ve faced in the course of our day jobs. In general, we try as hard as possible to make the interview process representative of actual work.
In this session, I’ll offer general principles and concrete examples of how to interview data scientists. I’ll also touch on the challenges of sourcing and closing top candidates.
Titan is an open source distributed graph database build on top of Cassandra that can power real-time applications with thousands of concurrent users over graphs with billions of edges. Graphs are a versatile data model for capturing and analyzing rich relational structures. Graphs are an increasingly popular way to represent data in a wide range of domains such as social networking, recommendation engines, advertisement optimization, knowledge representation, health care, education, and security.
This presentation discusses Titan's data model, query language, and novel techniques in edge compression, data layout, and vertex-centric indices which facilitate the representation and processing of Big Graph Data across a Cassandra cluster. We demonstrate Titan's performance on a large scale benchmark evaluation using Twitter data.
Presented at the Cassandra 2012 Summit.
Presentation given by Dr. Diego Kuonen, CStat PStat CSci, on November 20, 2013, at the "IBM Developer Days 2013" in Zurich, Switzerland.
ABSTRACT
There is no question that big data has hit the business, government and scientific sectors. The demand for skills in data science is unprecedented in sectors where value, competitiveness and efficiency are driven by data. However, there is plenty of misleading hype around the terms big data and data science. This presentation gives a professional statistician's view on these terms and illustrates the connection between data science and statistics.
The presentation is also available at http://www.statoo.com/BigDataDataScience/.
We at Revolution Analytics are often asked “What is the best way to learn R?” While acknowledging that there may be as many effective learning styles as there are people we have identified three factors that greatly facilitate learning R. For a quick start:
- Find a way of orienting yourself in the open source R world
- Have a definite application area in mind
- Set an initial goal of doing something useful and then build on it
In this webinar, we focus on data mining as the application area and show how anyone with just a basic knowledge of elementary data mining techniques can become immediately productive in R. We will:
- Provide an orientation to R’s data mining resources
- Show how to use the "point and click" open source data mining GUI, rattle, to perform the basic data mining functions of exploring and visualizing data, building classification models on training data sets, and using these models to classify new data.
- Show the simple R commands to accomplish these same tasks without the GUI
- Demonstrate how to build on these fundamental skills to gain further competence in R
- Move away from using small test data sets and show with the same level of skill one could analyze some fairly large data sets with RevoScaleR
Data scientists and analysts using other statistical software as well as students who are new to data mining should come away with a plan for getting started with R.
Big Data [sorry] & Data Science: What Does a Data Scientist Do?Data Science London
What 'kind of things' does a data scientist do? What are the foundations and principles of data science? What is a Data Product? What does the data science process looks like? Learning from data: Data Modeling or Algorithmic Modeling? - talk by Carlos Somohano @ds_ldn at The Cloud and Big Data: HDInsight on Azure London 25/01/13
This presentation, by big data guru Bernard Marr, outlines in simple terms what Big Data is and how it is used today. It covers the 5 V's of Big Data as well as a number of high value use cases.
ATK QlikView For Microfinance: решение и опытMarina Payvina
28 августа 2014 г. Консультационная Группа АТК провела практический вебинар «ATK QlikView for Microfinance», где было представлено инновационное бизнес-аналитическое решение на основе платформы QlikView для микрофинансовых организаций, которое объединяет все аналитические данные компании в одном интерфейсе, включая финансовую, маркетинговую и операционную аналитику. Также в процессе онлайн-трансляции слушатели вебинара познакомились с опытом работы Консультационной Группы АТК с микрофинансовыми компаниями и узнали о том, как развивался проект по внедрению QlikView в компании Быстроденьги, входящей в ТОП-20 российских микрофинансовых организаций по версии РА Эксперт.
Перспективы развития Партнерской программы АО «Деловая среда»Деловая среда
Презентация Ивана Степановича Буртника, заместителя генерального директора компании Деловая среда на Конференции партнеров Сбербанка в Крыму 22 октября 2015 года
Credit Sputnik программный продукты, который автоматизирует все бизнес-процессы кредитной организации и позволяет выдавать кредиты/займы полностью online. Платформа включает прием и учет заявок, интеграцию с продуктами поставщиков кредитных историй, собственные сервисы оценки кредитоспособности клиента, антимошенические сервисы, а также данные из социальных сетей, выдачу и погашение займов и др. Подробнее в презентации.
Вопросы и предложения можно присылать на почту - s@asap.digital.
Основные направления разработки ПО для банков:
Фронт-офисные и бек-офисные системы (BPM, ESB)
Автоматизация бизнес процессов для кредитования, денежных переводов, согласования
Денежные переводы с использованием международных платежных систем
Интеграция с АБС и Карточными системами
Системы массового обслуживания клиентов, системы принятий решений
Обеспечение безопасности данных внутри сети и для внешнего доступа с помощью программных и аппаратных средств: цифровая подпись, цифровые сертификаты
Высоконагруженные и масштабируемые решения
Этапы и стратегия вывода банковских продуктов в онлайн с целью увеличения доли присутствия и получения новых качественных лидов. В докладе приведен краткий анализ ведущих игроков рынка, таких как Тинькофф, БинБанк, Русский стандарт, ХоумКредит. Доклад носит очень поверхностный характер и является больше информационным.
Presentation DataScoring: Big Data and credit scoreAnton Vokrug
DataScoring: Retail lending is one of the most popular and prioritized businesses in financial industry as well as demanding the most attention. Lending to potentially bad borrowers may substantially harm bank or credit union therefore this process must be addressed systematically by setting up automated and effective borrowers scoring process.
This problem is solved by our product:
1. We effectively score borrowers using big data.
2. We retrieve additional statistical data to conduct further communications with existing borrowers.
3. Optimize credit portfolio to minimize payment overdues and defaults.
We stack Microsoft technologies in production of the product - .Net, Azure Cloud, C# and CUDA.
Our algorithms and models are built upon (1) group of self-learning neuron networks, (2) system of input data normalization and semantic analyzer for text inputs; (3) customer psychological image design; (4) data clustering; (5) vanilla scoring systems.
2. • Выдача потребительских креди-
тов на сегодняшний день одно из
самых приоритетных направле-
ний в финансовом секторе, и тре-
бующее максимального внима-
ния, к этому процессу необходимо
подходить системно, наладив
автоматический и эффективный
процесс проверки заемщиков.
• Организация беспрерывной рабо-
та над возвратом уже выданных
кредитов.
• Подготовка кредитного портфеля
к продаже или передаче коллек-
торам.
Проблемы и наше решение
• Эффективный скоринг потенциаль-
ного заемщика на основе анализа
«больших данных».
• Получение дополнительной стати-
стики на основе анализа массива
финансовых и нефинансовых дан-
ных для дальнейшей коммуникации
с клиентами.
• Работа с кредитным портфелям
клиента для минимизации просроч-
ки и недопущения пропуска плате-
жей по кредитам.
• Подготовка кредитного портфеля к
продаже или передаче коллекторам
Проблемы Решение
3. В процессе разработки программного обеспечения мы используем стек технологий от
компании Microsoft: .Net, Azure cloud, C#, а также технологии CUDA.
Технологии и алгоритмы
Наши алгоритмы и модели анализа построены на основе:
• Группы самообучающихся нейронных сетей;
• Системы нормализации входных параметров и семантического
анализатора для разбора текстовой информации;
• Составления психологического портрета потенциального клиента;
• Методов кластеризации данных;
• Классических скоринговых системах.
4. Нашими клиентами являются любые
финансовые организации предоставля-
ющие услуги кредитования:
Кто наши клиенты?
Банки
Кредитные
организации
Системы
р2р-кредитования
5. Выгоды для клиента
• Эффективный скоринг (скоринг в реальном времени на основе по-
веденческого анализа) потенциального заемщика на основе анали-
за «больших данных» в момент оформления займа, сопровождения
займа и постпродажного обслуживания;
• Получение дополнительной статистики на основе анализа массива
финансовых данных для дальнейшей коммуникации с клиентами с
целью увеличения конверсии предлагаемых финансовых и не фи-
нансовых продуктов;
• Автоматизация рабочего места кредитного аналитика, создание це-
лого спектра ролей в системе для автоматизации процесса выдачи
займов, сопровождения кредитного портфеля и предложения кли-
ентам релевантных услуг в режиме реального времени.
6. Бизнес-модели
Мы используем два варианта бизнес-моделей:
Покупка ежегодной лицензии на
использование программного обеспечения
(Банки, кредитные организации)
Предоставление сервиса на основе оплаты за
анализ одной анкеты потенциального заемщика
(для малых кредитных организаций, для систем
р2р-кредитования)
7. Команда и контакты
CEO, 32 года, Киев
Более 10 лет опыта в ИТ-предпринима-
тельстве. Успешная продажа несколь-
ких бизнесов. Управление несколькими
ИТ-компаниями (Eureka! Solutions, Ticket
Solutions). Работа техническим аналити-
ком в фонде FISON.
Образование: Менеджмент на рынке
товаров и услуг, Киевский национальный
торгово-экономический Университет,
факультет Экономики.
Anton Vokrug
anton.vokrug@gmail.com
+38 (093) 414-29-32
https://www.linkedin.com/in/antonvokrug
https://www.facebook.com/anton.vokrug
CТO, 36 лет, Киев
Более 15 лет опыта в разработке про-
граммного обеспечение и веб-сервисов,
доскональное знание веб-технологий (.Ne
t, C#, C++, MS Azure, Java, PHP, Ruby).
Образование: Прикладная математика,
Киевский Национальный Университет
им. Тараса Шевченка, факультет Киберне-
тики.
Alexander Gandzha
sasha.gandzha@gmail.com
https://www.linkedin.com/pub/sasha-
gandzha/18/921/a59
https://www.facebook.com/sasha.gandzha
8. Команда и контакты
Marketing, 32 года, Киев
Образование: ПГАСА, специальность:
компьютерно-интегрированные техноло-
гии.
Академия бизнеса и права: менеджмент
инновационной деятельности.
Больше 10 лет работы в сфере маркетин-
га и продвижения. Сооснователь фонда
венчурных инвестиций FISON. 1 год рабо-
ты в качестве члена правления украин-
ского синдиката UAngels.
Elena Khlevnaya
lena@fison.org
+38 (063) 845-36-74
https://www.linkedin.com/pub/elena-khlevnaya/9a/643/2a
https://www.facebook.com/lena.euro