ООО "МДЦ - консалтинг"

Телефоны: +7 (495) 984 02 59

121165 г. Москва, Кутузовский проспект дом 26, стр.3

 
Функции
Спецификация
Ресурсы

Главная » Продукты » Portfolio Advantage

Спецификация


 Обнаружение признаков мошеннических схем Входные данные
Обнаружение признаков мошеннических схем Форматы файлов
Обнаружение признаков мошеннических схем Обнаружение признаков мошеннических схем
Обнаружение признаков мошеннических схем Прогноз взыскания
Обнаружение признаков мошеннических схем Автоматический выбор стратегии взыскания
Обнаружение признаков мошеннических схем Вывод данных
Обнаружение признаков мошеннических схем Пользовательский интерфейс
Обнаружение признаков мошеннических схем 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

Входные данные


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


Форматы файлов


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


Portfolio 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

Функция прибыли (подробнее)

Автоматический выбор стратегии взыскания


Методы:
  • Использование нейронной сети для прогноза погашения долга в зависимости от стратегии взыскания
  • Расчет себестоимости для различных стратегий взыскания, например:
    • прямые расходы (стоимость телефонных разговоров, почта, зарплаты сотрудников)
    • тарифы, основывающиеся на сумме долга (затраты на юридические услуги, налоги и т.п.)
  • Учет граничных условий, таких как ограничение на ресурсы, квалификацию персонала, бизнес-приоритеты
  • Прогноз максимизации общей прибыли по отношению к общим затратам

Средства
  • Нейронные сети
  • Дискретное линейное программирование

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


Portfolio Advantage был разработан с использованием выдающихся приложений с открытым кодом и поставляется клиентам с исходным кодом. Наиболее значимые компоненты:
  • web2pyTM Enterprise Web Framework
  • Язык программирования Python
  • jQuery и flot
  • NumPy - основной пакет, необходимый для научных вычислений в Python
  • matplotlib - библиотека построения 2D графиков для Python
  • ReportLab - ведущее в отрасли решение для генерации PDF
  • GLPK GNU - пакет линейного прогрммирования
  • Graphviz - приложение для визуализации графиков
ФИНАНСОВЫЙ МОНИТОРИНГ!
Закажите презентацию нашего нового программного продукта
AML ADVANTAGE
в Вашем Банке
по телефону
Представляем новый продукт
"Portfolio Advantage":
хранилище данных,
OLAP-отчеты,
скоринг, антифрод
для мониторинга портфеля
потребительских кредитов

География посетителей сайта

Locations of visitors to this page