|
|
| |  Обнаружение признаков мошеннических схем
Прогноз взыскания и оценка портфеля
| | В отличие от традиционных систем анализа данных Collect Advantage не требует наличия математических навыков у пользователя. SAS, SPSS и другие популярные аналитические пакеты включают в себя множество инструментов глубокого анализа данных для ученых. В этом наш подход отличается: мы предоставляем лаконичное, легкое в освоении решение для вертикального рынка для ежедневного практического использования. |  | 
Нечеткие поисковые алгоритмы широко используются в Collect Advantage для поиска скрытых взаимосвязей между должниками. Эти взяимосвязи графически отображаются в дружественном пользователю интерфейсе.
Нечеткие правила широко используются для оценки рисков. Они естественно вписываются в систему анализа нечетких данных и эффективно использовать данные, полученные из алгоритмов поиска нечеткого текста. | Обнаружение признаков мошеннических схемЛегкие в использовании и эффективные средства для анализа рисков оптимизированы под работу с потребительскими кредитами и могут обнаруживать:
- Признаки мошенничества
- Признаки проблемного клиента
- Операционные риски для погашения долга
Легкость в использовании:
- В продукт включены сценарии анализа и ноу-хау, которые не требуют наличия у пользователя специальных навыков или глубоких знаний математики
- Генерация понятных всеобъемлющих отчетов и выгрузка данных в плоскую таблицы
- Правила обнаружения факторов риска основаны на понятной логике "ЕСЛИ ... ТО ..."
- Использование единого файла для ввода данных: плоская таблица в текстовом (CSV) файле
- Требуется минимальный набор данных для анализа и обучения, не требует дополнительных затрат на интеграцию
- Может работать в пакетном режиме, например для планового мониторинга кредитного портфеля или для интеграции в процесс авторизации выдачи кредитов.
Одна из полезных функций модуля оценки факторов риска - формирование графиков взаимосвязей между должниками. Например, на следующем графике выявлены взаимосвязи между Кушнаревым Олегом Юрьевичем и Кушнаревым Сергеем Юрьевичем через фамилию и отчество (возможно, они братья), а также между несколькими другими заемщиками через домашний адрес и/или номера телефонов. (Все ФИО вымышленные!) .jpg)
| | | Эффективность
- Механизм обнаружения признаков мошеннических схем и база знаний факторов рисков неплатежеспособности используют нечеткую логику, адаптирующуюся под входные данные
- Для анализа используется поведенческая статистика
- Анализ производится с точки зрения Коллектора (в отличии от традиционного подхода к анализу рисков, основанном в большинстве на демографической статистике)
- Доступные информативные отчеты дают возможность досконального мониторинга рисков в различных аспектах
Результат
- Легкие в понимании подробные отчеты: объективный и точный инструмент для принятия решений
- Таблица должников для интеграции в IT инфраструктуру содержит детальные определения факторов риска и количественных показателей
- Экономия рабочего времени на ежедневный анализ данных (более 100 человеко-часов на портфель из 1000 должников в сравнении с ручным анализом)
| | | 
Прогноз взыскания
Легкий в использовании инструмент для точных прогнозов погашения задолженности и оценки малоперспективных кредитов:
- Прогноз денежного потока по погашению кредитов
- Сегментирование клиентов
- Оценка долгового портфеля
Удобство использования - Запуск "одной кнопкой" не требует высокой квалификации от пользователя
- Методика прогнозирования включена в состав продукта
- Генерирует понятный всеобъемлющий отчет и плоскую таблицу выходных данных
- Включает возможность настройки параметров прогнозирования и оценки потрфелей
- Использует один файл на входе: плоскую таблицу в текстовом формате
- Использует минимум данных для анализа и обучения, не предъявляя излишних требований к выгрузке данных
| 
Нейронные сети работают эффективнее, когда входные данные являются не физическими величинами, а степенями принадлежности какому-либо классу. Это делает нечеткие множества идеальным методом предобработки данных. | Эффективность
- В качестве механизма прогнозирования используется нейронная сеть
- Входными данными для нейронной сети являются степени принадлежности к нечетким множествам
- Применена инновационная математическая модель календарных денежных потоков от взыскания
- Ошибки классификации в пределах 15%, ошибки в точности прогнозирования денежных потоков в пределах 10% для портфеля из 1000 должников
Результат
- Информативный подробный отчет: наглядное представление информации для принятия решений
- Таблица должников для интеграции в IT инфраструктуру содержит детальные определения факторов риска и количественных показателей
- Календарный прогноз взыскания по каждому должнику, а также для всего кредитного портфеля
- Выделение малоперспективных долгов из общего портфеля для продажи или передачи на аутсорсинг
- Снижение затрат банка на управление портфелем потребительских кредитов
- Дает возможность избавляться от малоперспективных долгов на ранней стадии
- Позволяет сконцентрироваться на работе по взысканию перспективных долгов
| | | 
|
| |
|
|
|
|
Закажите выездную презентацию
наших программных продуктов
В ВАШЕМ ОФИСЕ
по телефону (495) 913-84-42
|
|
|
|
Представляем новый продукт
"Portfolio Advantage":
хранилище данных,
OLAP-отчеты,
скоринг, антифрод
для мониторинга портфеля
потребительских кредитов
|
|
|
|
Создание коллекторского подразделения «под ключ».
Предлагаем региональным банкам консалтинг в области создания подразделения по взысканию просроченной задолженности по потребительских кредитов.
Предлагаем предпринимателям, юридическим компаниям и охранным агентствам в кратчайшие сроки освоить новый динамично развивающийся вид бизнеса.
Подробнее...
|
|
|
|
География посетителей сайта
|
|
|
 |
|
|
