Инновационные приложения машинного обучения трансформируют множество различных отраслей, и розничные банки, которые предоставляют клиентам депозитные и кредитные услуги, имеют значительные возможности для извлечения выгоды из этой революционной технологии. Действующие банки сталкиваются с растущей конкуренцией со стороны компаний, занимающихся финансовыми технологиями, однако в гонке вооружений за повышение качества обслуживания клиентов у них есть важное преимущество - огромные объемы исторических данных.

Машинное обучение дает компаниям возможность использовать свои исторические данные, и розничные банки и кредитные союзы должны использовать эту возможность. В этой статье обсуждаются несколько способов, которыми машинное обучение может помочь розничным банкам улучшить качество обслуживания клиентов и улучшить итоговые результаты. Общие сведения о машинном обучении см. В этом посте.

Примеры использования машинного обучения

1. Открытие банковского счета

Процесс открытия счета - это возможность произвести отличное первое впечатление на клиента и область, которую многие банки изо всех сил пытались автоматизировать из-за требований к процессу, рисков мошенничества и все более сложной нормативной базы.

Машинное обучение и прогнозная аналитика могут иметь огромное влияние на открытие счета. Путем автоматического анализа данных за прошлые периоды, которые обычно включают информацию о приложениях за прошлые периоды и о том, нарушало ли приложение какие-либо требования, можно обучить модели прогнозирования, которые оптимизируют процесс за счет автоматической пометки приложений для утверждения, проверки вручную или отклонения.

В некоторых случаях из-за требований соответствия «решения» модели машинного обучения может быть недостаточно. В этих ситуациях банки по-прежнему могут значительно улучшить процессы, используя прогнозные модели в качестве инструментов поддержки принятия решений, которые оценивают риск и предлагают рекомендуемые действия. Эта оценка становится частью более широкого обзора, сокращая ручные усилия, необходимые для принятия решений об открытии счета.

2. Обработка транзакций (обнаружение мошенничества)

Розничные банки также могут использовать машинное обучение для выявления подозрительных транзакций. Анализируя исторические транзакции, модели узнают, когда отмечать приложения для проверки. Когда происходят живые транзакции, программа предотвращает обработку транзакции без дополнительной проверки.

Такой быстрый ответ может значительно снизить количество случаев мошенничества с использованием электронных средств связи и отмывания денег. Однако у этого есть потенциальный недостаток - в некоторых случаях это ухудшает качество обслуживания клиентов, помеча законные транзакции для проверки. С развитием все более мощных алгоритмов машинного обучения и растущими наборами данных банков, автоматизированные платформы машинного обучения, такие как DigiFi, все в большей степени могут снижать этот риск за счет создания высокоточных моделей, которые выявляют реальные проблемы, не препятствуя законным транзакциям.

3. Решения об андеррайтинге кредита

Машинное обучение может значительно укрепить кредитное андеррайтинг несколькими способами:

  • Оценка вероятности дефолта заемщика в случае выдачи ссуды
  • Прогнозирование того, будет ли заявитель досрочно погашать кредит
  • Рекомендация идеальной процентной ставки (которую клиент примет, но также принесет прибыльную прибыль)

Андеррайтинг кредитов - обычно одна из самых простых областей для внедрения мощного машинного обучения, поскольку банки и кредитные союзы имеют большие архивы данных по выданным ими займам. Основные формы машинного обучения, включая логистическую и линейную регрессию, уже много лет используются крупнейшими банками, и в настоящее время отрасль начинает использовать формы «глубокого обучения», такие как искусственные нейронные сети, которые могут еще больше усилить прогностические модели. применительно к большим наборам данных.

4. Приоритезация рабочего процесса

Менее обсуждаемая возможность машинного обучения в банках связана с управлением рабочим процессом. Прогностические модели могут значительно повысить эффективность работы за счет исключения ключевых областей, в которых требуется выносить суждения вручную из бизнес-процессов, и правильной расстановки приоритетов для персонала.

Хорошим примером этого является приоритизация очереди заявок, которая относится к порядку, в котором кредитный специалист просматривает набор заявок. Во многих случаях кредитные специалисты принимают собственные решения относительно порядка рассмотрения заявок, что приводит к несоответствиям и неэффективности внутри банков. Машинное обучение можно использовать для прогнозирования таких вещей, как «Какое приложение будет закрыто с наибольшей вероятностью?», «Какое приложение будет наиболее прибыльным» или «Какой клиент, скорее всего, уйдет, если я не отвечу немедленно?». Ответы на эти вопросы можно использовать для автоматического определения приоритетов рабочих процессов, что приведет к лучшему клиентскому опыту и лучшим бизнес-результатам.

5. Прогнозирование NSF / невыплаты ссуд

Машинное обучение также можно использовать при обслуживании ссуд, чтобы предсказать, какие клиенты пропустят свои платежи, если не будут приняты меры.

Прогностические модели анализируют большие объемы данных, касающихся прошлых платежей, а затем точно определяют, какие клиенты вряд ли совершат следующий платеж. Эту ценную информацию можно использовать для определения приоритетов персонала банка, чтобы сосредоточить внимание на клиентах с высоким уровнем риска, подготовить банк к предстоящим дефолтам и в качестве раннего индикатора для выявления потенциальных проблем с процессом андеррайтинга.

6. Рекомендации по продукту

Знание того, какой продукт, скорее всего, заинтересует покупателя, - это очень ценная информация, которая может существенно повлиять на маркетинговые решения. Машинное обучение также может помочь в этом, анализируя предыдущую историю клиентов и рекомендуя, какой продукт они, скорее всего, захотят в будущем (конкретные кредитные карты, различные функции банковского счета и т. Д.).

Рекомендации могут принимать различные формы, в том числе:

  • Рекомендательные модели, дающие один результат (т. Е. Наиболее вероятный продукт)
  • Модели прогнозирования вероятности, которые предсказывают вероятность того, что покупатель захочет данный продукт (т.е. каждому продукту присваивается вероятность)

Механизмы рекомендаций обычно требуют значительных объемов данных, поскольку поведение потребителей может быстро измениться. Поэтому этот тип машинного обучения обычно доступен только крупным учреждениям с отличными методами управления данными.

Возможные проблемы с соблюдением нормативных требований

Реальность современного машинного обучения такова, что оно может давать чрезвычайно точные результаты, но, как правило, в стиле «черного ящика». Конкретные решения трудно объяснить, потому что модели, используемые для принятия решений, исключительно велики и сложны.

В большинстве случаев это нормально - мы также часто не понимаем, почему люди принимают определенные решения! Однако в жестко регулируемой банковской сфере это может быть поводом для беспокойства в таких областях, как андеррайтинг кредитов и открытие счетов.

Итак, как вы выиграете от машинного обучения, не нарушая правил? Ответ зависит от учреждения и конкретного случая использования, но хорошим вариантом может быть использование прогнозных моделей в качестве инструмента поддержки принятия решений, а не инструмента принятия решений, особенно при отклонении транзакций или приложений. Например, если модель прогнозирует низкий риск мошенничества, вы можете автоматически одобрить транзакцию, тогда как если модель предполагает высокий риск мошенничества, вам может потребоваться продолжить дополнительную проверку, чтобы подтвердить или отклонить решение модели.

Заключение

Мы по-прежнему видим, что все больше и больше розничных банков и кредитных союзов находят способы использовать машинное обучение в своей организации для значительных улучшений. Увеличивающиеся объемы данных, постоянное совершенствование моделей глубокого обучения и постоянное соблюдение нормативных требований ускорят темпы внедрения, что принесет пользу как розничным банкам, так и их клиентам.

Первоначально опубликовано на сайте digifi.io 12 сентября 2018 г.