ИИ в банках: скоринг и управление рисками

Опубликовано: August 30, 2018

ИИ в банках: скоринг и управление рисками

Опубликовано: August 30, 2018

banking-today-risk-management-with-ai

Постоянно растущий объем данных требует тщательного анализа, который текущие инструменты зачастую обеспечить не способны. За счет этого в отчетах и моделях допускаются ошибки, что приводит к критическим последствиям. В качестве примера, крупный Азиатско-Тихоокеанский банк потерял $4 миллиарда, применив модель процентной ставки с неверными расчетами.

Неточности в системе управления рисками негативно сказываются не только на банках, но и на заемщиках.

«Если банки не способны отличить сомнительного заемщика от надежного, кредиторы вынуждены перестраховываться и повышать размеры процентной ставки. По итогу, страдают заемщики», прокомментировал ситуацию Ник Ларсон, менеджер по развитию бизнеса в компании LexisNexis Risk Solutions.

Традиционные методы управления рисками не справляются с потоком задач. Поэтому многие банки стремятся реорганизовать систему с помощью искусственного интеллекта.

Области применения искусственного интеллекта в банках

Внедрение искусственного интеллекта поможет банковской индустрии сэкономить $1 триллион к 2030 году. В частности, управление рисками и сбор данных с помощью ИИ поможет банкам сэкономить $31 биллион (согласно Autonomous).

Многие финансовые учреждения уже используют современные технологии машинного обучения:

  • Чат боты и виртуальные помощники
  • Операционная эффективность
  • Построение моделей риска и оценки платежеспособности заемщиков
  • Антифрод
  • Индивидуальные предложения и повышение лояльности

Источник: исследование Microsoft «Интеллектуальная экономика: трансформация индустрий и общества под влиянием искусственного интеллекта»

Банки с Уолл-стрит уже внедрили искусственный интеллект для автоматизации процессов, помощи сотрудникам и решения критических задач в процессе оценки кредитоспособности заемщиков.

«Слепые зоны» традиционного кредитования

  • Оптимизация бизнес-процессов. Реинжиниринг, оптимизация или автоматизация основных и вспомогательных бизнес-процессов повышают конкурентоспособность банков, сокращают затраты и повышают качество сервиса. Один из методов оптимизации– внедрение технологий на основе ИИ, которые возьмут на себя выполнение рутинных задач или задач, требующих высокой точности.
  • Моделирование. Чтобы построить устойчивую и качественную модель – нужны опыт и экспертиза. Но это не значит, что банкам нужно тратить время и ресурсы на это. Уже сейчас инновационные финтех проекты готовы строить модели кросс-продаж, оттока клиентов, покупки банковских продуктов всего за несколько часов.
  • Скоринг. Возможность быстро и качественно создать, настроить и запустить в работу скоринг систему может свести к минимуму кредитные риски.
  • Углубленная аналитика. Современные методы анализа данных тратят много времени и ресурсов на обработку имеющейся информации. Чтобы сократить это время и извлечь из данных максимум ценной информации, применяются решения, которые точно и быстро анализируют большие объемы данных.

Скоринг с помощью ИИ

Мы разработали GiniMachine для решения вопросов традиционного скоринга с помощью искусственного интеллекта. Платформа оптимизирует бизнес-процессы кредитования и помогает банкам увеличить доходность портфеля до 30%.

  • Глубокий анализ. За счет новейших технологий машинного обучения, GiniMachine выполняет разведочный анализ данных (РАД, Exploratory data analysis (EDA)) и на его основе создает аналитические отчеты. Платформа определяет скрытые зависимости переменных, автоматически обрабатывает неструктурированные данные, данные с пропусками и выбросами, а также Big Data.
  • Модели оценки кредитного риска. Ginimachine может составлять расчеты по сырым данным без их предварительного анализа и обработки. При наличии готового набора данных, построение и валидация модели занимают всего 2-10 минут вместо сотни часов ручного труда риск-менеджеров и аналитиков.
  • Сегментация рынка. GiniMachine адаптируется под различные рынки и предоставляет доступ к новым потенциальным потребителям, включая миллениалов или частных предпринимателей.
  • Прогнозирование мошенничества и оттока клиентов. Платформа определяет подозрительные операции и поведение заемщиков. GiniMachine определяет неочевидные зависимости переменных и оценивает вероятность мошенничества в ходе выдачи кредита. Платформа также может выявить основные причины оттока клиентов.

Заключение:

Согласно международной консалтинговой компании PwC, 82% банков планируют укреплять сотрудничество с финтех компаниями в течении следующих 3-5 лет. Если банки хотят достичь большей организационной гибкости, им стоит внедрять  инновационные технологии и рассматривать сотрудничество с финтехом.