«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.
Презентация DataScoring: Big Data и кредитный скорингAnton Vokrug
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.
При массовой выдаче кредитов возникают множество рисков: мошенничество, неверная оценка финансовых возможностей, недостоверные данные и прочее. Для управления этими рисками необходимо применение методов глубокого анализа данных, позволяющих найти оптимальный компромисс между доходностью, рисками, охватом рынка и временем обработки заявки.
Deductor нацелен на формализацию логики принятия решений, повышение скорости прохождения заявок, управление кредитными рисками и снижению требований к линейному персоналу.
«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.
Презентация DataScoring: Big Data и кредитный скорингAnton Vokrug
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.
При массовой выдаче кредитов возникают множество рисков: мошенничество, неверная оценка финансовых возможностей, недостоверные данные и прочее. Для управления этими рисками необходимо применение методов глубокого анализа данных, позволяющих найти оптимальный компромисс между доходностью, рисками, охватом рынка и временем обработки заявки.
Deductor нацелен на формализацию логики принятия решений, повышение скорости прохождения заявок, управление кредитными рисками и снижению требований к линейному персоналу.
The second presentation from Vienna Value Investing meetup, wee discussed value decomposition, how to estimate asset value and how to predict future earnings of a stock.
Эффективный маркетинг с помощью Customer AdviserPeter-Service
Вебинар компании "Петер-Сервис" (22.09.2015).
Customer Adviser – это продукт класса Campaign Management, позволяющий проводить маркетинговые кампании, осуществлять сегментацию клиентов, агрегировать данные о потребителях, а также анализировать большие данные.
Решение Customer Adviser помогает развитию бизнеса в различных отраслях экономики: банковской и финансовой сферах, телекоммуникациях, рекламном бизнесе, Retail и HoReCa.
www.billing.ru
The second presentation from Vienna Value Investing meetup, wee discussed value decomposition, how to estimate asset value and how to predict future earnings of a stock.
Эффективный маркетинг с помощью Customer AdviserPeter-Service
Вебинар компании "Петер-Сервис" (22.09.2015).
Customer Adviser – это продукт класса Campaign Management, позволяющий проводить маркетинговые кампании, осуществлять сегментацию клиентов, агрегировать данные о потребителях, а также анализировать большие данные.
Решение Customer Adviser помогает развитию бизнеса в различных отраслях экономики: банковской и финансовой сферах, телекоммуникациях, рекламном бизнесе, Retail и HoReCa.
www.billing.ru
Семинар "Повышение доходности абонентской базы".
Подробнее о мероприятии http://www.croc.ru/action/detail/14839/
Презентация Александр Ефимов, руководитель практики data mining компании КРОК
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.
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.
2. ЗАЧЕМ НУЖЕН DATA MINING?
Использование алгоритмов прогнозирования и
некоторых других методик для получения двух
важных результатов:
› Новые знания о бизнес-проблеме
Какие факторы влияют на уход клиентов?
Каковы ключевые профили клиентов?
...
› Предиктивные (скоринговые) модели, которые
позволяют предсказать, что будет происходить в
различных ситуациях
Какие клиенты собираются уйти?
Какова склонность клиента к покупке конкретного
продукта?
...
2
6. УМНАЯ CRM-СИСТЕМА – ОСНОВА РАЗВИТИЯ БАНКА
› Продукты с высокой
доходностью,
максимально
соответствующие
потребностям
клиентов
› Личное общение с
каждым клиентом
› Рост продаж и рост
доходности
розничного бизнеса
6 6
7. 7
Аналитический CRM – пересечение анализа данных и
управления маркетинговыми кампаниями
Компонент Data Mining (SPSS) отвечает на вопрос:
• Кому предложить продукт?
• Какой продукт предложить?
• Через какой канал обратиться к клиенту?
• Когда предложить продукт?
Компонент Управления маркетинговыми кампаниями
(UNICA) отвечает за:
• Многошаговые взаимодействия с клиентом
• Многоканальные взаимодействия
• Организацию исходящих и входящих кампаний
• Оптимизацию маркетинговых кампаний на основе ограничений
(бюджет, пропускная способность каналов, контактная политика) и
максимизации продаж (отклика, нужный канал)
8. 8
Выявление потребностей клиентов на основе
Анализа
последовательностей
покупки продуктов
Результатов
сегментации
Анализа рыночных
трендов
Код
клиента
Пол Возраст
Сред. месяч
остаток
… … Онлайнер … Отклик
20957305 Муж 23 200 50 … Нет … Да
49302857 Жен 19 340 100 … Нет … Нет
39572048 Муж 46 200 100 … Нет … Нет
… … … … … … … …
Анализ исторических данных
Построение прогнозной модели
определения склонности клиента
к отклику
ЗАДАЧА УВЕЛИЧЕНИЯ ПЕРЕКРЕСТНЫХ ПРОДАЖ
8
9. ПРИМЕРЫ КАМПАНИЙ ДЛЯ РОЗНИЧНОГО БАНКА
› Продажа депозитов продуктов держателям зарплатной карты:
Построение аналитического «портрета» клиентов, приобретающих депозиты
› Продажа кредитных продуктов держателям зарплатных и дебетовых
карт:
Построение прогнозных моделей по данным проведенных кампаний
› Продажа кобрэнд-карт:
Построение аналитического «портрета» пользователя кобрэнд-карты
› Повышение статуса дебетовой / кредитной карты (акция VISA):
Построение профиля «золотого» клиента
› Информирование новых клиентов о продуктах и услугах Банка / on-
boarding:
Подключение интернет-банка, оплата коммунальных услуг
Выявление предпочитаемого канала коммуникации с клиентом
› Удержание клиентов / off-boarding:
Снижение ставки / отмена комиссий для клиентов, снизивших
транзакционную активность
Предложение кредитной карты клиентам, погасившим потребительский
кредит или cash-кредит 9
11. Задача 2: Сбор задолженности с заемщиков
Оценка заемщика,
кредита, включая
вероятность
возврата кредита
Сегментация,
профилирование
клиентов
Подбор стратегии
воздействия на
клиента в
определенный
момент времени
Проектирование и
выполнение
кампаний по сбору
задолженности
Оценка
результатов
Определение
типов стратегий
воздействия
Получение данных
банка по
просроченным
кредитам
Оценка рисков и
дохода по
портфелю
(кредитам)
Построение прогнозных
моделей, сегментации
Принятие решения
об обслуживании
кредитов (покупке)
Задача 1: Оценка портфеля просроченных кредитов, полученных от банка
ОПТИМИЗАЦИЯ СБОРА ПРОСРОЧЕННОЙ ЗАДОЛЖЕННОСТИ
11
12. ПОРТРЕТЫ СЕГМЕНТОВ
1 (1846) 2 (2838) 3(17444) 4(6310) overall
(Min;Max) Среднее Range Mean Range Mean Range Mean Mean
Возраст (19;71) 36,89 (20;71) 37,83 (19;72) 36,82 (19;70) 37,70 37,12
Возраст счета (108;1547) 1006,69 (104;1411) 448,24 (104;1688) 448,38 (104;1588) 436,48 483,14
Размер кредита (0;319440) 13 258,03р. (2000;500000) 26 441,42р. (0;1029525) 23 054,27р. (0;1256474) 35 057,57р. 25 399,09р.
Кол-во дней до
начала просрочки (24;844) 106,03 (12;1294) 227,58 (2;1154) 162,47 (3;1176) 198,59 172,93
Отношение долга
к сумме кредита (1,65;5,39) 2,38 (0;2,84) 0,73 (0;1,68) 0,97 (0;2,06) 0,78 1,00
Глубина
просрочки (84;1130) 909,82 (28;1121) 242,28 (7;1130) 308,27 (10;1130) 253,72 328,63
Эффективность
дозвона (0;1) 0,07 (0;1) 0,77 (0;0,33) 0,03 (0,08;1) 0,48 0,20
Начальный долг (2601;749931) 30 064,87р. (11,68;533824,15) 21 267,39р. (19;1098701) 22 703,20р. (3,19;1323196) 31 831,57р. 25 063,24р.
Интенсивность (0,03;1) 0,22 (0,03;1,5) 0,27 (0;0,6) 0,18 (0;1,46) 0,17 0,19
Вероятность
возврата (0,002;0,74) 0,03 (0,34;1) 0,74 (0;0,37) 0,03 (0,01;0,6) 0,17 0,13
«Мошенники»
- Взяли небольшой кредит
- Не берут трубку
- Ни разу не платили
НЕ ЗАПЛАТЯТ
«Друзья»
- Взяли средний
кредит
- Берут трубку
ЗАПЛАТЯТ
«Опасные»
- Большие кредиты
- Не берут трубку
НЕ ЗАПЛАТЯТ
«Вруны» –
дозвониться легко, но
не платят
НУЖНА ДОП. РАБОТА
12
13. 8
ЧТО ЭТО ДАЕТ?
› Возможность проводить превентивные меры по клиентам,
потенциально склонным к наступлению дефолта
› Возможность выработки предложений по увеличению
«портфеля» используемых продуктов у клиента с
действующим или закрытым кредитом
› Возможность проводить корректировку скоринговых карт
› Возможность выбирать оптимальный вариант взаимодействия
с должником для достижения лучшей эффективности в
кратчайшие сроки
› Возможность оценки эффективности работы коллекторской
службы и прогноз планируемых к взысканию сумм
› Контроль за объемом резервов банка путем более раннего
списания и продажи безнадежных кредитов
13
17. SPSS Data Collection
SPSS Statistics
SPSS Modeler
SPSS Collaboration &
Deployment Services
SPSS Decision Manager
СЕМЕЙСТВА ПРОДУКТОВ SPSS
› Сбор данных
Инфраструктура опроса клиентов
Сбор структурированных и
неструктурированных данных
› Предсказание поведения и предпочтений
Использование статистики для проверки
гипотез, реализация собственных процедур
Data mining для построения моделей
прогнозирования
› Воздействие на основе результатов
анализа
Управление моделями прогнозирования,
автоматизация прогнозирования и совместная
работа
Простой инструментарий принятия решений,
оптимизированный под конкретные задачи
17
18. SPSS
Decision Manager
Уровень знаний методов анализа данных
Маркетологи
› Знание сегментов клиентов
› Знание рынка
› Понимание предпочтений
клиентов
Аналитики
› Знание источников данных
› Знание принципов
моделирования
› Понимание методов data mining
Эксперты
› Знание источников данных
› Навыки программирования
› Знание статистических
методов
› Тестирование акций
› Создание маркетинговых
кампаний
› Построение скоринговых
моделей
› Выделение сегментов клиентов
› Проверка гипотез
› Реализация новых
алгоритмов
SPSS
Modeler
SPSS
Statistics
SPSS: УРОВНИ АНАЛИЗА ДАННЫХ
18
20. Data Collection Interviewer Server
Data Collection Interviewer
Data Collection Remote Administrato
Data Collection Paper
Reports for Surveys
Data Collection Interviewer Phone
Data Collection Author
Data Collection Interviewer Web
Surveys Repository
Взаимодействие с респондентом
Отчетность
Администрирование
Созданиеопросов
SPSS DATA COLLECTION – АВТОМАТИЗАЦИЯ ПРОВЕДЕНИЯ
ОПРОСОВ
20
21. SPSS: ОСНОВНЫЕ ПРЕИМУЩЕСТВА
› Прост в обучении / Интуитивный
интерфейс
Визуальный подход – не нужно
программировать
Огромное количество методик анализа данных
Гибкие возможности развертывания
› Мощное средство моделирования
Автоматическая подготовка данных и выбор
алгоритмов построения моделей
Построение композиций моделей и оценка их
качества
Интегрированный анализ данных из интернета,
баз данных и файлов
› Масштабируемая архитектура
Подключается к существующим источникам
Использование существующих алгоритмов data
mining в базах данных с SQL pushback
Возможность переноса вычислений на сервер
21
22. MODELER – ДЛЯ БИЗНЕС-ПОЛЬЗОВАТЕЛЕЙ
Автоматическая
подготовка данных
Автоматическая
корректировка проблем с
качеством данных
Автоматическое
построение модели
Автоматический выбор
наилучшего алгоритма для
построения модели
Автоматическая
сегментация
Автоматический выбор
наилучшего алгоритма для
кластеризации
22
25. 25
IBM SPSS MODELER SERVER: АНАЛИЗ БОЛЬШИХ ОБЪЕМОВ
ДАННЫХ
IBM SPSS Modeler: использование DWH для анализа больших объемов данных
› Автоматическое преобразование операций над данными в SQL запросы
› Автоматическое изменение порядка выполнения операций для максимизации производительности
› Кэширование промежуточных результатов в DWH
› Поддержка пакетной загрузки (bulk loading) в DWH
DWH
Modeler Server
Modeler desktop client
Использование
серверных ресурсов
для анализа
Локальные ресурсы
используются для
других задач
Большие объемы данных
передаются только между
Modeler Server и DWH
Существенно уменьшен
трафик – передаются только
команды и результаты
Выполняемые в DWH операции визуально
выделяются во время выполнения
25
26. IBM SPSS COLLABORATION AND DEPLOYMENT SERVICES:
CОВМЕСТНАЯ РАБОТА
DWH
Modeler Server
SQL Pushback
Collaboration and Deployment Services
Modeler Client
Analytics Repository
Модели
Описания
источников
ЗаданияОтчеты
Automation Service
Scoring Service
Notification service
Deployment
Web portal
Публикация результатов
› Просмотр через веб динамики качества
моделей и результатов анализа
Analytics Repository
› Единый репозитарий хранения моделей,
результатов анализа, заданий на прогноз
› Разграничение прав доступа и действий
пользователей
› Хранение полной истории версий всех
объектов репозитария
› Аудит доступа к объектам репозитария
Автоматизация
› На основе моделей, созданных в
Modeler, создание заданий на
обновление и запуск по расписанию или
по запросу
› Создание заданий на регулярную оценку
качества моделей и выбора лучшей
› Рассылка оповещений в случае неуспеха
прогнозирования
26
27. ОПТИМИЗАЦИЯ ВЗАИМОДЕЙСТВИЯ С КЛИЕНТАМИ
Лучшее предложение?
<данные об операции>
<профиль клиента>
C
C
Potential
Campaign
Business
Rules
Margin
Response
Probability
Expected
Value
A
B
CC
90
200
54%
32%
49
64
- - - - -- - -
Текущие
кампании
Бизнес-
правила
PLTV
Вероят-
ность
отклика
Ожидае-
мая
прибыль
Модель
PLTV
Модель
отклика
Кампания по удержанию:
Если <вероятность ухода> больше 50%
Модель
ухода
27
28. C&DS
IBM SPSS DECISION MANAGEMENT ДОБАВЛЯЕТ БИЗНЕС-КОНТЕКСТ
Пользователь Modeler
1. Пользователь SPSS Modeler создает точную прогнозную модель
2. Пользователь сохраняет модель в репозитарий C&DS
3. Бизнес-пользователь создает бизнес-контекст, в котором должна
применяться модель
4. C&DS использует результирующий проект для принятия решений в реальном
времени (real time) или для скоринга по расписанию (batch)
Пользователь Decision
Management
Бизнес-
контекст
Decision Management позволяет описать бизнес контекст, в
котором развертывается прогнозная модель.
Прогнозная
модель
Real Time Application:
• Интернет-портал
• Оператор колл-центра
• Продавец на точке продаж
• …
Batch Scoring
28
29. ПОЛОЖЕНИЕ НА РЫНКЕ: IBM SPSS
Gartner Magic Quadrant
For Customer Data Mining Applications
(Интеллектуальный анализ данных)
*
*сейчас в составе Teradata Interaction Advisor
Данные последнего обзора Gartner. Более новых обзоров для
инструментов Data Mining не проводилось.
29
30. 30
СПАСИБО ЗА ВНИМАНИЕ! ИТОГИ
Если вы слышите от заказчиков следующие слова/фразы:
› Прогнозирование / Нам хотелось бы спрогнозировать…
› Выделение групп / сегментация / кластеризация …
› Выяснение причин / what-if анализ …
› Математические модели / Построение матмоделей …
› Поиск закономерностей / Закономерности …
› Поиск похожих / Выделение похожих / Мера сходства …
› Автоматический анализ данных / проверка гипотез /
статистика …
› …
То, скорее всего, SPSS может помочь!
30
31. СПАСИБО ЗА ВНИМАНИЕ!
31
Компания АйТи
115280, г. Москва, ул. Ленинская Слобода, д. 19, стр. 6,
(БЦ «Омега-Плаза»)
Тел.: +7 (495) 974-79-79, 974-79-80
Факс: +7 (495) 974-79-90
Ярослав Макаров
Коммерческий директор
Центр заказной разработки ПО
E-mail: Ymakarov@it.ru