ML w automatyzacji procesu oceny ryzyka w branży finansowej

Quantup- ocena ryzyka
Kategoria:
Sztuczna inteligencja
Branża:
Fintech
Miasto:
Wrocław
Model:
Team Outsourcing
Model płatności:
Fixed price
Czas trwania:
5 miesięcy

Klient

Klientem jest przedsiębiorstwo zajmujące się  dbaniem o bezpieczeństwo finansowe firm z branży transportowej w spedycji krajowej i międzynarodowej. Do specjalizacji firmy należy m.in ibadanie wiarygodności kontrahentów, finansowanie faktur i monitorowanie płatności, windykacje polubowne oraz windykacje sądowe.

Wyzwanie

Proces oceny ryzyka kredytowego i podejmowania decyzji w faktoringu jest kluczowym obszarem działalności klienta. Kluczowe znaczenie ma w tej sytuacji osiąganie wysokiej skuteczności.

Dotychczas każda aplikacja była weryfikowana przy użyciu zasad eksperckich i ręcznej kontroli. Takie działanie nie było do końca skuteczne,  ponieważ trudno było dokonać całkowicie obiektywnej oceny, co więcej proces był niemożliwy do skalowania. Wskutek tego Klient postanowił zautomatyzować proces oceny klientów końcowych.

Rozwiązanie

Klient zdecydował się na współpracę z nami w ramach świadczenia usług konsultacji informatycznych i opracowywania oprogramowania dla klientów. Decydującym czynnikiem o współpracy było szerokie doświadczenie w projektach fintech (dla firm faktoringowych, windykacyjnych, banków) oraz wieloletnie doświadczenie w stosowaniu różnego rodzaju modeli matematycznych do rozwiązywania różnorodnych problemów.

W procesie rozwoju modelu brało udział 5 osób (starszych analityków danych, analityków danych, programistów) pod nadzorem eksperta dziedzinowego.

1. Analiza i przygotowanie danych 

  •  Warsztaty mające na celu analizę potrzeb biznesowych,
  •  Analiza procesu underwritingu, czyli działań mających na celu oszacowanie, zaakceptowanie lub odrzucenie ryzyka
  •  Przygotowanie i wstępna analiza danych zbieranych w trakcie tego procesu. Na tym etapie koncentrowaliśmy się na zrozumieniu cech danych, powiązań między różnymi zbiorami danych oraz ocenie (i poprawie) jakości danych.

2. Stworzenie odpowiedniego modelu ML i integracja 

  • Do wdrożenia rozwiązań zdecydowaliśmy się zastosować modele Black Box Machine Learning wyposażone w mechanizm wyjaśniający.
  • Wprowadziliśmy ogromnych ilości przykładowych danych do algorytmu i umożliwiliśmy mu samouczenie się.
  • Gotowy model uczenia maszynowego otrzymał od na rzeczywiste dane, przetworzył je i dostarczył wynik –  ocenę ryzyka.
  • Następnie kolejne modele były stopniowo udoskonalane. Ostateczne modele zostały dokładnie zweryfikowane, uwzględniając podejścia poza próbą i poza czasem.
  • Na koniec procesu modele zostały dodatkowo skalibrowane i zintegrowane z systemem informatycznym.

Rezultaty

Przeprowadziliśmy Klienta przez projekt, przewidując wszelkie pojawiające się zagrożenia i proponując alternatywne metody rozwiązania. Klient był zadowolony ze ścisłej współpracy, która zaowocowała bardzo wydajnym przepływem pracy. Dzięki otwartej i transparentnej komunikacji  udało się omówić trudne tematy w przystępny sposób tak by wszystkie etapy projektu i podejmowane decyzje w obszarze modelowania predykcyjnego były zrozumiałe.

Ostatecznie Klient zyskał możliwość automatycznego, obiektywnego i szybkiego oceniania wniosków o factoring 24/7, co stanowi dużą wartość dla klientów końcowych. Zyskał też możliwość wygodnej kontroli ryzyka, niezależnie od specjalistów obecnie analizujących wnioski oraz możliwość skalowania.

Technologie

python logo
Logo docker - 1
Automatisierung der Halbleiterproduktion

Automatyzacja produkcji dla klienta z branży półprzewodników

Design, Development, DevOps czy Cloud – jakiego zespołu potrzebujesz, aby przyspieszyć pracę nad swoimi projektami?
Porozmawiaj o swoich potrzebach z naszymi specjalistami.

Jakub Orczyk

Członek zarządu / Dyrektor sprzedaży
VM.PL

Zamów bezpłatną konsultację
kuba (1)