Как вы определяете и предлагаете кредит нужным заемщикам? Как вы можете помочь своим андеррайтерам одобрять больше хороших заемщиков и меньше плохих?

Недавно мы обсуждали с глобальным банком, что в команде андеррайтеров банка, состоящей из 25 человек, есть около 3 старших андеррайтеров, которые рассматривают квалифицированные заявки, которым требуется их опыт для тщательной оценки. Напротив, работа по устранению плохих потенциальных клиентов и передаче квалифицированных заявок старшим андеррайтерам лежит на остальных 22 членах команды младших андеррайтеров.

Банк не возражает против такого подхода, поскольку механизм правил, который у них есть в настоящее время, хорошо работает для них. Команда младших андеррайтеров следует бизнес-правилам и делает хорошую работу по выявлению хороших приложений. Но каждый день поступает 400 входящих запросов на получение кредита, и они ищут способы увеличить количество «хороших» заемщиков и устранить плохих.

Помогают ли Rule Engine ускорить процесс кредитования и сделать его менее затратным?

Приведенный выше сценарий является общим для любого финансового учреждения, такого как кредитные союзы, специализированные кредиторы или компании по выдаче наличных, которые занимаются кредитованием. Сегодня большинство этих учреждений используют механизмы правил, которые были тщательно разработаны с учетом потребностей их кредитного рынка, и они хорошо работают. Однако цель состоит в том, чтобы увеличить количество «хороших» заемщиков, которые могут быть постоянными клиентами, источником дохода, который ведет к их существованию и росту. Как они могут их идентифицировать?

Должны ли они продолжать добавлять в команду дополнительных андеррайтеров, которые могут следовать механизму правил и выявлять новых заемщиков? "Человеческое тело вырабатывает больше биоэлектричества, чем 120-вольтовая батарея и более 25 000 БТЕ тепла тела",  с сожалением отмечает Морфеус в научно-фантастическом фильме "Матрица", вышедшем на экраны. 20 лет назад, и продолжает объяснять ужасное решение (использование человеческой силы), к которому прибегли машины, чтобы выжить.

Является ли это мифом, который нужно развенчать, или правдой, которую нужно ждать и наблюдать, речь идет о задействованной «человеческой силе». Например, в вышеупомянутом банковском сценарии построение системы, «эмулирующей» то, что команда андеррайтеров может помочь в достижении цели. По мере того, как система «имитации» начинает предлагать новых заемщиков, все, что должны сделать андеррайтеры, не являющиеся старшими, — это проверить и посмотреть, одобрили бы они их в отсутствие системы.

Системы машинного обучения для построения матрицы принятия решений

Теперь, как мы создадим такую ​​систему? Система «контролируемого» машинного обучения (подмножество искусственного интеллекта) — хороший подход к созданию таких систем. Как здесь может помочь контролируемая система машинного обучения? Помните фильм «Игра в имитацию», где Алан Тьюринг строит машину для взлома кодов?

Дорог ли ИИ?

И, как думает большинство из нас, использование искусственного интеллекта в сценарии, о котором мы говорим, не будет очень дорогим. На самом деле, использование инструмента рабочего процесса, основанного на правилах, может оказаться дорогостоящим с коммерческой и иной точки зрения в долгосрочной перспективе по следующим причинам:

  • Системы, основанные на правилах, строятся на наборе фактов о ситуации и наборе правил того, как поступать с этими фактами.
  • Системы, основанные на правилах, являются детерминированными системами, и отсутствие правильных правил может быть сложной задачей.
  • По мере того, как добавляется все больше и больше правил, системы, основанные на правилах, могут становиться громоздкими.

С другой стороны, в отличие от систем, основанных на правилах, машинное обучение является вероятностным и использует статистические методы, а не детерминированные правила. Как упоминалось выше, исторический контекст играет решающую роль в том, что машинное обучение говорит о будущих результатах.

Сказав это, хотя системы искусственного интеллекта могут обеспечить эффективность, которой жаждут кредитные учреждения и директора по доходам, и прозрачность, которую требуют потребители, люди, такие как андеррайтеры, всегда будут играть решающую роль в принятии решений.

Дополнительная информация:

Понять, почему традиционного кредитного скоринга недостаточно для кредитования бизнеса; о проблемах, связанных с внедрением машинного обучения, о том, как их преодолеть, и о том, как подобные учреждения, такие как ваше, используют искусственный интеллект и машинное обучение для повышения рентабельности инвестиций и снижения уровня дефолтов, загрузите нашу белую книгу Применение науки о данных к финансовому кредитованию.

О Зучи

Zuci революционизирует способ разработки программных платформ с помощью запатентованных моделей искусственного интеллекта и глубокого обучения. Узнайте больше о Zuci на www.zucisystems.com

об авторе

Васудеван Сваминатан — президент и главный консультант Zuci. Васу является доверенным советником и деловым партнером клиентов, способным понять их видение программного обеспечения. Загляните к нему в Васудеван Сваминатан