|
|
| |  Входные данные
Форматы файлов
Обнаружение признаков мошеннических схем
Прогноз взыскания
Вывод данных
Пользовательский интерфейс
Технологии
| Системные требования:
Серверная платформа
Windows 2003 Server
Mac OS 10.5
Linux
Клиентская платформа
MS Internet Explorer
Apple Safari
Mozilla FireFox
Google Chrome
Базы данных
- Oracle
- MS SQL Server
- IBM DB2
- MySQL
- PostrgeSQL
- FireBird
- SQLite
Конфигурация сервера
- Dual Core processor
- 2Gb RAM
- 10Gb дискового пространства в год
| 
I. Основные данные для оценки рисков:
Данные о просроченной задолженности
- Сумма основного долга
- Сумма процентов, пеней, штрафов и комиссий
- Дата выдачи кредита
- Дата выхода на просрочку
- и т.п.
| | | Персональные данные заемщика:
- ФИО заемщика
- Адрес и телефон
- Место работы
- Рабочие телефоны
- и т.п.
Другие данные:
- Предпринято судебное производство
- Филиал банка и ФИО сотрудника, выдавшего кредит
- Скоринговый балл, полученный при оценке на стадии одобрения кредита
- и т.п.
II. Информация дла прогноза взыскания:
Выявленные факторы риска:
- Родственные отношения между должниками
- Совпадение адресов, телефонов, места работы
- Рискованность кредитного продукта
- Окончание срока давности
- и т.п.
Синтетические факторы для прогнозирования:
- Отношение суммы процентов к сумме основного долга
- Количество выполненных аннуитетных платежей
- Степень близости суммы задолженности к психологическим значениям "большая" или "малая"
- Степень близости задолженности к сумме выполненных платежей
- и т.п.
Накопленная статистика взыскания:
- Количество контактов с должником
- Количество неудачных попыток контакта
- Статистика взыскания по аналогичным долгам в форме нейронной сети
Производится периодическое "переобучение" нейронной сети на основе результатов взыскания предыдущих периодов (используются собственные данные заказчика)
| 
Нечеткое множество определяет степень достоверности реального значения
Для классификации поведенческих моделей и интенсивности взыскания используется кластеризация
Нечеткий текстовый поиск по доступным персональным данным позволяет отыскать скрытые взаимосвязи между должниками | III. Информация для автоматического выбора стратегии вызскания:
- Прогноз взыскания по каждому должнику
- Себестоимость мероприятий по взысканию
- Затраты на взыскание по каждому должнику
- Себестоимость простоя
- Численность персонала по взысканию
- Специализация персонала
- Ресурсные ограничения коллекторского подразделения
Для ввода данных используются простые текстовые файлы (формат CSV). В основном, большинство данных содержатся в одном файле, тогда как данные о платежах и событиях содержатся в отдельных файлах.
Другие методы интеграции данных возможны по запросу.
Обнаружение признаком мошеннических схем
Методы:
- Препроцессинг параметров долга по нечетким правилам, например:
- относится ли сумма долга к разряду "большой"?
- относится ли срок просрочки к разряду "длительный"?
- Поведенческая оценка
- количество и суммы платежей в срок
- насколько должник доступен для контакта
- интенсивность мероприятий по взысканию
- Определение мошенничества и факторов риска
- поиск взаимосвязей между должниками
- нечеткий текстовый поиск по всем доступным данным
- постоянное обновление базы знаний по факторам риска
Средства:
- Алгебра нечетких множеств
- Нечеткий текстовый поиск
- Кластеризация
|
Collect Advantage включает в себя инновационную математическую модель способную прогнозировать денежный поток по оси времени. | Прогноз взыскания
Методы:
- Индивидуальное прогнозирование скорости погашения от каждого должника
- Классификация должников
- Корректировка по степени риска
- Прогноз погашений с временным критерием
- Оценка стоимости портфеля долгов
Средства:
- Нейронные сети
- Финансовый анализ
| | |
Вывод данных:
- Простые текстовые файлы (в формате CSV) для интеграции в ИТ инфраструктуру содержат:
- значения всех вычислений
- значения прогнозируемого движения средств
- рекомендованные стратегии взыскания
- Отчеты в формате PDF
- Хранилище базы данных для нарративного анализа данных
| 
Комбинированный график истории и прогноза, например совершенные платежи и прогнозируемый денежный поток в будущем.
Условия фильтров выборки могут задаваться путем выделения интересующей области на графике.
| Пользовательский интерфейс
- Тонкий клиент - веб-браузер
- Веб 2.0 Ajax элементы управления
- Анимация нарративных данных (дисплей "Радар")
- Графические элементы выбора и фильтрации
- Совмещение на графике реальных исторических и прогнозируемых данных
- Графическое отображение взаимосвязей между заемщиками с возможностью перехода
- Использование реестров для сегментирования и управления долгами
- Графическое отображение нечетких правил учета рисков (причинно-следственная диаграмма)
- Возможность изменения специалистом данных о расчитанных факторах риска и прогнозе погашения долга
Технологии
Collect Advantage был разработан с использованием выдающихся приложений с открытым кодом и поставляется клиентам с исходным кодом. Наиболее значимые компоненты: |
|
|
|
|
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
|
|
|
 |
|
|
