Вход
Мы в социальных сетях

Аналитика и комментарии

20 сентября 2019

Иван Прошин, Bell Integrator: Ориентация на отраслевой спрос – как искусственный интеллект трансформирует банки

A A A

Аналитики всего мира сходятся во мнении: искусственный интеллект (ИИ) – это новый и главный тренд в мировой ИТ-отрасли. И, несмотря на то, что ИИ в Россию пришел с запозданием, уровень развития технологий ИИ в нашей стране близок к мировому. В этом ключе эксперты отмечают существенную роль инвестиций для развития интеллектуальных систем, делая акцент на том, что их практическое применение должно ориентироваться на отраслевой спрос. Одной из наиболее перспективных сфер применения искусственного интеллекта является финансовый сектор. Так как большая часть банков уже сегодня является симбиозом ИТ и финансов, они открыты новым технологиям и не боятся их.  NBJ публикует обзорный материал по этой теме доктора технических наук Ивана Прошина, ведущего специалиста data science компания Bell Integrator.

Все ключевые российские банки из первой десятки пилотируют проекты на основе инновационных технологий, часть – уже активно использует их, сокращая издержки и повышая конкурентоспособность. Глобальная международная компания Bell Integrator с опытом выполнения сложных наукоемких проектов по всему миру плотно сотрудничает с представителями финансового сектора, решая сложные алгоритмические проблемы и повышая уровень оснащения бизнеса заказчиков до самых современных цифровых стандартов. Наиболее часто банки обращаются к нашим экспертам по проблемам автоматизации финансовых процессов за прогнозированием и разработкой специальных предложений под клиентов.

Кредитный скоринг

Кредитный скоринг или проверка благонадежности клиентов – один из самых популярных запросов банков в области искусственного интеллекта. Банки используют балльную систему для оценки кредитных рисков, связанных с их потенциальными заемщиками. Традиционный кредитный скоринг учитывает такие факторы, как кредитная история и зарплата, часто отвергая заемщиков, которые являются кредитоспособными, но не соответствуют требованиям – это молодые специалисты, предприниматели-иммигранты и другие. С другой стороны, могут происходить ошибки, в результате которых банки кредитуют потребителей, которые не являются платежеспособными.

Решения на основе машинного обучения создают индивидуальный подход к каждому заёмщику. Модель нейронной сети позволяет более точно оценивать каждого человека на основе большого количества сложных и углубленных правил и увеличивать пул кредитоспособных клиентов,  минимизируя уровень риска. Кроме того, модель постоянно улучшается, самообучаясь по мере поступления новых данных в систему. В этом ключе предложенные нами нейронные сети проводили более быструю и точную оценку потенциального заемщика, обеспечивая тем самым поддержку принятия оперативных решений, позволяя банкам увеличивать количество выданных кредитов с меньшим риском, что напрямую влияет на увеличение их прибыльности.

Предиктивная аналитика о банкротстве и дефолтах

Прогнозирование банкротства и дефолта – это один из наиболее важных компонентов продолжительного функционирования банков. Одним из новых методов прогнозирования в этом направлении считается использование искусственного интеллекта, а именно нейронных сетей. Они способны выстраивать эффективные системы, исходя из накопленного опыта и обучения на ошибках.

Наши специалисты уже долгое время занимаются построением моделей с помощью нейросетевых технологий. Среди показателей, которые анализируются сетями – ликвидность и риск неплатежеспособности. Определяются коэффициенты, характеризующие финансовую устойчивость: коэффициент автономии (финансовой независимости), коэффициент обеспеченности собственными оборотными средствами, доля просроченной кредиторской задолженности в пассивах, показатель отношения дебиторской задолженности к совокупным активам. При правильном обучении нейронные сети легко справляются с поставленной задачей по прогнозированию банкротств и дефолтов, практически безошибочно определяя финал.

«Основной секрет успеха построения предиктивной модели высокого качества лежит в области определения наиболее значимых факторов, влияющих на прогнозируемую величину. Часто эти факторы видны невооруженным глазом, но есть и такие, которые можно обнаружить, только применив соответствующий математический аппарат. Далее, исходя из опыта, выбираются наиболее эффективные одна или несколько технологий построения модели, позволяющие достичь высокой точности в предсказании», – отмечает Иван Прошин, ведущий специалист Bell Integrator, доктор технических наук.

Предотвращение мошенничества

Обеспечение безопасности финансовой системы строится на опережении и предотвращении мошеннических действий, что является основой стабильного и успешного развития банковского бизнеса. Прогнозная аналитика дает финансовым организациям возможность выявлять мошеннические действия при заключении различных сделок. В круг возможных сценариев входит обнаружение резко выделяющихся параметров или сравнительное моделирование «нормальных» и мошеннических сделок. В дальнейшем эта модель используется при анализе новых сделок, чтобы проверить, попадают ли они в «мошеннический» сегмент.

Проекты внедрения комплексной системы противодействия мошенничеству еще очень редки на российском рынке, однако ряд крупных финансовых компаний уже работают с такой системой защиты. Bell Integrator, как компания, разрабатывающая и внедряющая системы ИИ, берет на себя просчет требуемого уровня защищенности операций в дистанционных каналах для пользователей интернет-банка и мобильных приложений. Это касается как розничных клиентов, так и корпоративного бизнеса. Многокомпонентная система позволяет обеспечивать активное противодействие мошеннической активности при обнаружении подозрительных транзакций уже на этапе их совершения. Модели машинного обучения используют данные о транзакционной и мошеннической активности, а также обобщают информацию о потенциальных угрозах. Это позволяет предпринимать оперативные действия реагирования для предотвращения мошенничества.

Определение перспективных клиентов

В высококонкурентной банковской среде компании развивают свой портфель банковских продуктов, и тут очень важно знать, какие именно продукты будут востребованы у клиентов, и какие клиенты с высокой вероятностью ими заинтересуются.

Для составления таких прогнозов используются мощные инструменты машинного обучения, основанные на математических моделях, которые, в свою очередь, строятся на базе накапливаемых событий. Рассмотрим один из кейсов, когда перед научным отделом Bell Integrator была поставлена задача разработать рекомендательную систему продуктов. Проект выполнялся для решения задач внешней экономической деятельности одного российского банка из ТОП-3. Предиктивную аналитику для определения вероятности приобретения разрабатывали под такие продукты, как экспортные аккредитивы, импортные аккредитивы, гарантии, валютный контроль и валютный счет. В результате аналитики представили банку список потенциально заинтересованных клиентов. После обзвона более 900 наиболее перспективных клиентов, предсказанных разработанной моделью, подавляющее большинство из них проявило заинтересованность в продуктах банка, что говорит об эффективности созданной системы прогнозирования. Результаты тестирования разработанной системы по точности и скорости прогнозирования значительно превзошли аналогичные системы, в результате чего разработанная нами система была признана наиболее эффективной.

Предотвращение оттока клиентов

Клиенты банков могут расторгнуть контракт в силу различных причин. Оптимально, если бы банки могли знать, когда вероятность наступления этого события наиболее велика. Именно в этом состоит идея борьбы с оттоком клиентов: создать прогнозные модели, в рамках которых рассчитывается вероятность скорого расторжения контракта, что позволит принять превентивные меры, развивать взаимодействие с клиентами, предлагать им дополнительные стимулы и т.д.  «Умная» аналитика в проектах Bell Integrator позволяет прогнозировать объём оттока клиентов на основе анализа даже неполного массива клиентских данных. Искусственный интеллект помогает оценить целесообразность удержания или потери каждого отдельного клиента и работать персонально с потенциально полезными для банка. Нейронная сеть комбинирует различные алгоритмы и обрабатывает имеющиеся данные, что позволяет быстрее и качественнее подобрать переменные для составления предиктивных моделей.

Искусственный интеллект может быстро выявить ключевые нужды и желания клиента, выделить закономерности и взаимосвязи, незаметные для человека, он постоянно на связи для того, чтобы облегчить работу банковским служащим и улучшить опыт взаимодействия со стороны клиента. Bell Integrator активно ведет разработку механизмов, позволяющих применять ИИ для сокращения издержек, снижения рисков и облегчения взаимодействия с клиентом во многих финансовых компаниях. Ведь преимущества инновационной технологии очевидны.

  • Currently 10/10

Всего проголосовало: 1

10.0

Поделиться:

Комментировать могут только зарегистрированные пользователи

Новости банков и компаний

Новикомбанк примет участие в заседании рабочей подгруппы Государственного совета Российской Федерации
ОТР на международном форуме ВБА 2019 представила локализованную версию интеллектуального робота IQBot
Chevrolet компенсирует клиентам «Балтийского лизинга» затраты на КАСКО, шины и шиномонтаж
АО «Банк ЖилФинанс» официально переехал

Календарь мероприятий

Октябрь, 2019
««
«
Сегодня
»
»»
Пн Вт Ср Чт Пт Сб Вс
  1 2 3 4 5 6
7 8 9 10 11 12 13
14 15 16 17 18 19 20
21 22 23 24 25 26 27
28 29 30 31
Ближайшие мероприятия