В отличие от традиционных систем анализа данных Portfolio 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 Portfolio 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 схем
Легкие 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!)
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 30%, ошибки в точности прогнозирования денежных потоков в пределах 15% 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
Автоматический выбор стратегии взыскания
Интеллектуальная система оптимизации управления взыскания долгов
Рекомендации по выбору стратегии взыскания для каждого должника
Оптимизация на основании прогноза взыскания и себестоимости мероприятий по взысканию
Оптимизация загрузки ресурсов коллекторского подразделения
Возможности:
Система рекомендует оптимальную стратегию взыскания для каждого должника
Стратегия взыскания представляет собой mix коммуникаций, заданный регламентом банка, например:
интенсивный обзвон (попытки дозвониться через день)
отправка SMS и еженедельные звонки
передача должника в группу хард-коллекшн
судебное производство
Учитывается себестоимость:
прямые затраты на коммуникации с должниками
высчитывается себестоимость в процентах от суммы задолженности для каждого должника (судебные издержки, ставка дисконтирования, стоимость аутсорсинга)
учитываются налоги и скрытые затраты (например потери от обязательного резервирования)
Учитываются ограничения бизнеса:
ресурсы
приоритетность долговых портфелей
охват
и т.п.
Эффективность
Отлично зарекомендовавший себя математический метод линейной оптимизации обеспечивает ощутимые результаты
Гибкая настройка задачи линейного программирования с использованием языка GNU MathProg
Результат
Автоматический выбор стратегии взыскания для каждого должника в зависимости от прогноза взыскания и себестоимости мероприятий по взысканию
Оптимизация загрузки ресурсов коллекторского подразделения
Наибольшая эффективность достигается при автоматизации управления крупными коллекторскими подразделениями:
контакт-центры с 50-ю и более операторами
территориально распределенные организационные структуры (хард-коллекшн и юридические службы в региональных филиалах)
долговой портфель свыше 1000+ клиентов.
Хранилище данных и OLAP
OLAP (англ. online analytical processing, аналитическая обработка в реальном времени) — технология обработки информации, включающая составление и динамическую публикацию отчётов и документов. Используется аналитиками для быстрой обработки сложных запросов к базе данных.
Хранение больших объемов данных в хронологическом порядке
Быстрый доступ к отчетам по произвольно выбранным разрезам
Гибкая настройка иерархии разрезов для группировки данных
Возможности углубления в интересующие уровни иерархии данных.
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
.jpg)
