Максимум полезной информации для банков и МФО по управлению кредитными рисками. Уникальный кейс по описанию природы рисков и способов их оценки. Описана вся необходимая аналитика для разработки собственного кредитного конвейера. Есть решение на базе Deductor.
Выступление по презентации - https://www.youtube.com/watch?v=raDDegn5d8o
Очевидно, что огромные массивы данных, накопленные в организациях, содержат много полезной информации, которую можно и нужно использовать для оптимизации работы.
Для этого требуется обобщить прошлый опыт, найти закономерности, извлечь правила и использовать эти знания в процессе управления.
В презентации рассмотрены этапы процесса анализа данных, определение и классы задач Data Mining, их бизнес-применение.
Deductor data quality – очистка персональных данныхLoginom
Плохое качество данных является одной из самых больших проблем при построении аналитических решений, т.к. на основе некорректной информации делаются неверные выводы. Даже самые совершенные методы анализа не помогают, необходимо использовать специальные механизмы очистки.
Решение Deductor Data Quality позволяет автоматически распознавать, проверять, стандартизировать и очищать любые контактные данные; выявлять дубликаты и взаимосвязи между данными; создавать эталонные «золотые» записи. Решение представляет собой не одноразовую процедуру обработки данных, а полноценный комплекс проверки информации каждый день.
Выступление по презентации - https://www.youtube.com/watch?v=1vP90X3SwPc
Российский банковский сектор развивается высокими темпами. С каждым годом растет список услуг, предлагаемых кредитными организациями населению и бизнесу. Нарастающая конкуренция заставляет банки применять эффективные методики оценки заемщиков, сокращать время принятия решений, использовать аналитическую отчетность для выработки стратегических планов.
Решения на базе Deductor позволяют автоматизировать процессы выработки решений по клиентам банка, находить закономерности в огромных объемах данных и эффективно управлять рисками.
Deductor способен решить и другие задачи, актуальные для банков, кредитных брокеров и финансовых организаций: программы лояльности и кросс-продажи кредитных продуктов, управление портфелем ценных бумаг, выявление мошеннических схем, оценка прибыльности инвестиционных проектов, скоринг юридических лиц и многие другие.
Управление запасами является самой сложной и самой насущной задачей для предприятия. Неликвидные товары, неудовлетворенность спроса, недобросовестные поставщики и недостаток оборотных средств только усугубляют проблемы с планированием процесса закупок и логистики.
Deductor Demand Planning позволяет автоматизировать процесс оптимизации складских запасов: прогноз спроса, расчет оптимального страхового запаса, формирование автозаказа и прочее. Решение предназначено для торговых сетей, дистрибьюторов, складских комплексов и производственных компаний. Оно построено на базе аналитической платформы Deductor, которое имея развитые инструменты Data Mining, позволяет разработать полноценную цепочку оптимального формирования страховых запасов от выбора и сравнения подрядчиков до распределения продукции по сети.
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.
Управление взаимоотношениями с клиентами (Customer Relationship Management, CRM) является важным элементом корпоративной стратегии большинства преприятий. Компании внедряют и активно используют CRM-системы, но большинство подобных программ имеют слабые аналитические возможности и ориентированы на решение задач по сбору данных и автоматизации рутинных операций. В результате возникает парадоксальная ситуация - собрано много интересной и ценной информации о клиенте, но нет возможности превратить эти знания в конкурентные преимущества.
Для того чтобы получить пользу от собранной информации, не достаточно получить отчеты, необходимо находить закономерности в больших объемах данных и учитывать их при работе с клиентами. Целью применения подобных методов является "персонификация" работы с каждым потребителем, учет его интересов, предпочтений, возможностей.
Deductor - мощный инструмент для всеобъемлющего анализа клиентской базы: обладает развитыми инструментами кластеризации и классификации, позволяет оценить покупательский потенциал на основе разнообразных поведенческих характеристик клиентов.
Deductor содержит множество других механизмов, используемых для анализа клиентской базы: консолидация, отчетность, обогащение и очистка данных. При этом можно использовать как внутреннюю информацию, так и сведения из сторонних источников: рыночные тенденции, конкурентная среда, демографические параметры и информация о местоположении
Очевидно, что огромные массивы данных, накопленные в организациях, содержат много полезной информации, которую можно и нужно использовать для оптимизации работы.
Для этого требуется обобщить прошлый опыт, найти закономерности, извлечь правила и использовать эти знания в процессе управления.
В презентации рассмотрены этапы процесса анализа данных, определение и классы задач Data Mining, их бизнес-применение.
Deductor data quality – очистка персональных данныхLoginom
Плохое качество данных является одной из самых больших проблем при построении аналитических решений, т.к. на основе некорректной информации делаются неверные выводы. Даже самые совершенные методы анализа не помогают, необходимо использовать специальные механизмы очистки.
Решение Deductor Data Quality позволяет автоматически распознавать, проверять, стандартизировать и очищать любые контактные данные; выявлять дубликаты и взаимосвязи между данными; создавать эталонные «золотые» записи. Решение представляет собой не одноразовую процедуру обработки данных, а полноценный комплекс проверки информации каждый день.
Выступление по презентации - https://www.youtube.com/watch?v=1vP90X3SwPc
Российский банковский сектор развивается высокими темпами. С каждым годом растет список услуг, предлагаемых кредитными организациями населению и бизнесу. Нарастающая конкуренция заставляет банки применять эффективные методики оценки заемщиков, сокращать время принятия решений, использовать аналитическую отчетность для выработки стратегических планов.
Решения на базе Deductor позволяют автоматизировать процессы выработки решений по клиентам банка, находить закономерности в огромных объемах данных и эффективно управлять рисками.
Deductor способен решить и другие задачи, актуальные для банков, кредитных брокеров и финансовых организаций: программы лояльности и кросс-продажи кредитных продуктов, управление портфелем ценных бумаг, выявление мошеннических схем, оценка прибыльности инвестиционных проектов, скоринг юридических лиц и многие другие.
Управление запасами является самой сложной и самой насущной задачей для предприятия. Неликвидные товары, неудовлетворенность спроса, недобросовестные поставщики и недостаток оборотных средств только усугубляют проблемы с планированием процесса закупок и логистики.
Deductor Demand Planning позволяет автоматизировать процесс оптимизации складских запасов: прогноз спроса, расчет оптимального страхового запаса, формирование автозаказа и прочее. Решение предназначено для торговых сетей, дистрибьюторов, складских комплексов и производственных компаний. Оно построено на базе аналитической платформы Deductor, которое имея развитые инструменты Data Mining, позволяет разработать полноценную цепочку оптимального формирования страховых запасов от выбора и сравнения подрядчиков до распределения продукции по сети.
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.
Управление взаимоотношениями с клиентами (Customer Relationship Management, CRM) является важным элементом корпоративной стратегии большинства преприятий. Компании внедряют и активно используют CRM-системы, но большинство подобных программ имеют слабые аналитические возможности и ориентированы на решение задач по сбору данных и автоматизации рутинных операций. В результате возникает парадоксальная ситуация - собрано много интересной и ценной информации о клиенте, но нет возможности превратить эти знания в конкурентные преимущества.
Для того чтобы получить пользу от собранной информации, не достаточно получить отчеты, необходимо находить закономерности в больших объемах данных и учитывать их при работе с клиентами. Целью применения подобных методов является "персонификация" работы с каждым потребителем, учет его интересов, предпочтений, возможностей.
Deductor - мощный инструмент для всеобъемлющего анализа клиентской базы: обладает развитыми инструментами кластеризации и классификации, позволяет оценить покупательский потенциал на основе разнообразных поведенческих характеристик клиентов.
Deductor содержит множество других механизмов, используемых для анализа клиентской базы: консолидация, отчетность, обогащение и очистка данных. При этом можно использовать как внутреннюю информацию, так и сведения из сторонних источников: рыночные тенденции, конкурентная среда, демографические параметры и информация о местоположении
Описание новых возможностей аналитической платформы Deductor 5.3: новые алгоритмы анализа, управление качеством данных, веб-сервисы (аналитика как сервис), Big Data.
Deductor Credit Scorecard Modeler (DCSM) - отраслевое бизнес-решение, предназначенное для подразделений и отделов розничного риск-менеджмента в банках и финансовых организациях. DCSM позволяет автоматизировать весь процесс разработки кредитных скоринговых карт (анкетный, поведенческий и коллекторский скоринг), выбрать оптимальную карту, внедрить ее в конвейер кредитных заявок и проводить регулярный мониторинг на предмет ее актуальности.
Подробности: http://www.basegroup.ru/solutions/scm/
Клиентская аналитика - методы принятия решенийLoginom
Подробно изложены простые и продвинутые методы бизнес-аналитики, направленные на повышение лояльности клиентов, минимизации оттока и увеличения отклика на предложения. Все методы привлечения клиентов могут быть реализованы на базе системы бизнес-аналитики Deductor.
3. Не существует одного способа управления
всеми рисками.
Для каждой категории рисков:
1. Формализовать логику оценки
2. Оценить риск количественно
3. Встроить в бизнес-процесс
Оценка рисков
6. Поле Значение Ошибка
Имя Cергей Первая буква - латинская
Фамилия Петрович Значение из другого поля
Город Мсква Опечатка
Доходы 100 руб. Подозрительная сумма
Телефон 000-00-01 Несуществующий номер
Качество данных: примеры
7. Соответствие
шаблонам
Сайт, e-mail
Телефон
Номер документа
Почтовый Индекс
Оценка
корректности
Отсутствие опечаток
Фамилия, имя,
отчество найдены в
справочнике
Адрес есть в
КЛАДР/ФИАС
Нет перестановок в
полях
Нет дублей и
противоречий
Отсутствие полных
дублей
Отсутствие
противоречивых
записей
Анализ «похожих»
записей
Соответствие
ожиданиям
Зарплата
Стаж работы
Код телефона и город
E-mail и фамилия
Качество данных: проверки
8. Качество данных: сервис очистки
Система
выдачи
кредитов
Deductor
Data Quality-
веб-сервис
очистки и
обогащения
данных
Грязные
данные
Чистые,
обогащенные
данные
11. Веб-сервис интеграции с БКИ
Полнота данных: работа с БКИ
Система выдачи кредитов
Подготовка
данных
Разбор
ответа
Запрос в
БКИ
Решение
Анкета клиента
Отказать / Продолжить
работу
12. Федеральная
налоговая
служба
- 4 млн. предприятий
- 4 млн. ИП
Федеральная
служба гос.
статистики
- 7 млн. предприятий
- 4 млн. ИП
Высший
арбитражный суд
- 3 млн. документов
Система анализа
рынков и
компаний
- 20 источников данных
- 3 страны
Полнота данных: госорганы
13. 53 млн. 43 млн.
25 млн. 12 млн.
Много
данных
•Окружение
•Интересы
•Поведение
Много
мусора
•Нет доверия
•Нет связности
•95-99% - шум
Полнота данных: соцсети
15. Средний размер потерь от мошеннического
кредита*
~100 000 р.
*Эквифакс 2012 г.
Антифрод: проблема
16. Антифрод: внешние сервисы
Заемщик
Банк 1
Банк 2
Ваш Банк
National Hunter
Equifax FPS
Факт обращения
+
результат проверки
службой
безопасности
Предыдущие
обращения и
проверки
17. Антифрод: схема работы
Интеграция с внешними антифрод-сервисами
Система выдачи кредитов
Подготовка
данных
Проверяемые
правила
Запрос к
сервису
Матрица
принятия
решения
Правило 1
Правило 2
Правило 3
Анкета клиента Мошенник / Не мошенник
18. Данные полные
• Вся информация по
заемщику
• Сложные стратегии
оценки
• Отсутствие платы за
обращение к сервису
Данных мало
• Только свои
заемщики
• Сложно оценивать
впервые
обратившихся
Антифрод: внутренние данные
19. Тип Пример
Криминал Судимость, розыск
Спецучет Наркоман, психически больной
Документы Утерянный/недействительный паспорт
Правонарушения Штрафы, алименты, нарушение ПДД
Подставное лицо Зарегистрировано много фирм
Контакты Адресная яма, мошеннический телефон
Работодатель Банкротство/ликвидация предприятия
Черные списки: негатив
20. Баз негатива много, источники разные,
следовательно:
1. Информация разнородна
2. По разному структурирована
3. Имеет различную значимость
4. Содержит ошибки
Черные списки: проблема
23. Службы безопасности банков обмениваются
неструктурированной информацией о негативе:
Списки мошенников
Справки из правоохранительных органов
Выписки из документов
Электронные письма
Базы данных
Формат произвольный: Word, Excel, PDF…
Межбанковский обмен
24. Межбанковский обмен: проверки
Веб-сервис поиска по неструктурированным данным
Система выдачи кредитов
Поиск про проиндексированным документам
Высокий риск Низкий риск
Анкета клиента Найденный негатив
26. Документы
• Удостоверение личности
• Гражданство
• Место регистрации
Работа
• Место работы
• Отрасль экономики
• Стаж работы
• Специальность
Доходы
• Справка 2-НДФЛ
• Долговая нагрузка
• Дополнительные доходы
Бизнес-правила
28. Подготовка
скоринговой выборки
Анализ жизненных
циклов счетов
Сэмплинг
Двумерный анализ –
конечные классы
(одобренные)
Моделирование
(предварительная
карта)
Добавление в выборку
отказов (Reject
Inference)
Перестройка карт с
учетом отказов
(окончательная карта)
Сравнение качества
карт и выбор
оптимальной
Тестовая эксплуатация
и мониторинг
Скоринг: разработка карты
33. Выгода Основание
Регламент Гарантии выполнения
Время Принятие решения за 2-3 минуты
Персонал Система - «Черный ящик»
Портфель Количественная оценка рисков
Гибкость Логика в аналитическим блоке
Промышленное решение
Это стандартные методики, для работы которых важен только порядок, в котором модель выстроила счета, и знание метки плохой/хороший для каждого из них. Принципы расчета Gini и K-S схожи: очередь заемщиков перебирается, начиная от самых плохих до самых хороших, при этом на каждом шаге вычисляются:
Доля Ag хороших заемщиков, оказавшихся в очереди хуже данного, среди всех хороших;
Доля Ab плохих заемщиков, оказавшихся в очереди хуже данного, среди всех плохих.
Статистика K-S является максимальной разницей Ab-Ag по всем точкам очереди.
Gini = 2*AUC-1, где AUC – площадь под ROC-кривой.
Чем больше Gini и KS, тем лучше прогностическая сила скоринговой карты.