Bankszektor
Pénzintézetekkel és fintechekkel dolgozunk Spanyolországban
Hagyományos változókra épülő jóváhagyási modellek, amelyek alulértékelik a formális hiteltörténet nélküli, de hitelképes ügyfeleket, vagy nem veszik észre a romlás korai jeleit a meglévő állományban.
Folyamatosan fejlődő csalási minták – kártya, átutalás, fiókeltérítés –, miközben a szabályalapú rendszerek hetes késéssel frissülnek.
Alacsony konverziójú tömeges kampányok, mert a termék rossz időben jut el a rossz szegmenshez. Az ügyfél három hónappal azután látja a jelzáloghitel-ajánlatot, hogy szüksége lett volna rá.
Tranzakciókkal, termékekkel és műveletekkel kapcsolatos kérdések, amelyek elárasztják az ügyfélszolgálatot és az alkalmazást – olyan kérdésekkel, amelyeket egy modell másodpercek alatt megválaszolna.
01
Modellek, amelyek a hagyományos pontozást tranzakciós viselkedési változókkal, számlahasználati mintákkal, fizetési viselkedési jelekkel és alternatív adatforrásokkal gazdagítják. Jobb különbségtétel a jó és a rossz adósok között – és hozzáférés a klasszikus pontozással alulkiszolgált szegmensekhez.
Mi változik
A korai nemteljesítés 15–25%-kal csökken az új állományban, ahol a modellt alkalmazzák. Javul a jóváhagyási arány a formális előzmények nélküli hitelképes ügyfeleknél.
02
Modellek, amelyek ezredmásodpercek alatt pontoznak minden tranzakciót a számlatulajdonos szokásos viselkedési mintáihoz képest: összeg, időpont, földrajzi hely, gyakoriság és sorrend. A gyanús tranzakciókat blokkolják vagy további hitelesítést kérnek – a normálisak semmilyen súrlódást nem okoznak.
Mi változik
A csalásészlelési arány 40–60%-kal javul a statikus szabályalapú rendszerekhez képest. Csökkennek a téves riasztások (blokkolt jogszerű tranzakciók) – kevesebb súrlódás az ügyfél számára.
03
Termékhajlandósági modell (jelzáloghitel, személyi kölcsön, alapok, biztosítás), amelyet az ügyfél viselkedésén tanítunk: fizetésváltozások, megtakarítási mozgások, közelgő lejáratok. Az ügyfélreferens a megfelelő ajánlatot kapja a megfelelő ügyfélnek a megfelelő pillanatban.
Mi változik
A kampánykonverzió 25–40%-kal javul a nem személyre szabott kampányokhoz képest. Az ügyfeleket releváns ajánlatokkal keresik meg – nem a teljes kínálattal.
04
Asszisztens az alkalmazásban, a weben és WhatsAppon, amely megválaszolja a tranzakciókkal, egyenleggel, termékekkel, műveletekkel és panaszokkal kapcsolatos kérdéseket. Ismeri az ügyfél kontextusát, és emberi ügyintézőhöz kapcsol, ha tárgyalásra van szükség vagy valódi összetettség merül fel.
Mi változik
55–70%-kal kevesebb egyszerű megkeresés az ügyfélszolgálaton. A banki alkalmazás azonnal megoldja a 80 leggyakoribb kérdést. Az ügyintézők a magas értékű ügyfelekre fordítják idejüket.
05
Modellek, amelyek a meglévő állományban észlelik a hitelminőség romlásának jeleit: a költési minták változását, a hitelkeret-kihasználtság növekedését, a fizetési szabálytalanságokat. Az ügyintéző 60–90 nappal az elmaradt törlesztés előtt kap riasztást.
Mi változik
A korai kezelés behajtási aránya 3–5-ször nagyobb, mint a nemteljesítés utáni behajtásé. A proaktívan kezelt állományokban alacsonyabb nemteljesítés révén csökkennek a céltartalékok.
3–4 hét
A rendelkezésre álló adatok, a hitel- és tranzakciós előzmények minőségének és a kritikus folyamatoknak az auditja. Azonosítjuk azt a 2–3 esetet, amelynek megtérülése a kockázatkezelési bizottság előtt is megvédhető.
10–16 hét
Továbbfejlesztett pontozás, csalásészlelés vagy állományfigyelés bevezetése egy meghatározott terméken vagy szegmensen.
6–10 hónap
Intézményeknek, amelyek közös adatarchitektúrán szeretnék konszolidálni az MI-t a kockázatkezelésben, a csalásmegelőzésben, az ajánlatokban és az ügyfélszolgálatban.
A megfelelőség tervezési feltétel. A pontozó és csalásészlelő modelleket dokumentált magyarázhatósággal (használt változók, relatív súly, döntési logika), formális statisztikai visszateszteléssel és a felügyelet vagy a belső megfelelőségi vezető auditjához szükséges dokumentációval fejlesztjük. Az EBA gépi tanulás hitelezési alkalmazására vonatkozó iránymutatásai a fejlesztési keretrendszer részét képezik.
Megfelelő jogalappal (jogos érdek a csalásmegelőzésnél, szerződés teljesítése a pontozásnál) igen. Az intézmény adatvédelmi tisztviselője (DPO) a kezdetektől részt vesz a jogalap és az adatkezelés validálásában. Az adatok nem hagyják el az intézmény kereteit.
Banki projektekben az adatok konszolidálása szinte mindig az első eredménytermék. A diagnózis pontosan feltérképezi, melyik adat melyik rendszerben van, és javaslatot tesz az integrációs architektúrára. Ez nem akadály – hanem a projekt része.
Diagnózis: 8000–15 000 €. Pilot (pontozás vagy csalásészlelés egy terméken): 45 000–90 000 €, a volumentől és a bonyolultságtól függően. Teljes platform: 150 000–300 000 € vagy több, több hónap alatt. Középméretű intézményeknél az elkerült csalásból vagy a csökkenő nemteljesítésből származó megtérülés jellemzően már az első évben fedezi a pilotot.
Ideális kiindulópont. Átvilágítjuk, azonosítjuk, hol hagy értéket kihasználatlanul (alulpontozott szegmensek, nem használt változók, figyelmen kívül hagyott romlási jelek), és fokozatos fejlesztéseket vagy egy párhuzamosan futó kihívó (challenger) modellt javasolunk, mielőtt a jelenlegit leváltanánk.