Bankininkystė

DI bankininkystėje: mažiau sukčiavimo, didesnė personalizuotų pasiūlymų konversija.

Bankai, taupomosios kasos ir fintech įmonės apdoroja milijonus operacijų, kredito sprendimų ir sąveikų su klientais sistemomis, kurios turi duomenų, bet neturi juos išnaudojančio intelekto. Tikslesnis kreditingumo vertinimas, greičiau aptinkamas sukčiavimas, produktų pasiūlymai, pasiekiantys klientą tada, kai jam jų reikia – visa tai ant esamos pagrindinės bankinės sistemos.

Užsisakyti nemokamą pokalbį Žiūrėti DI konsultacijas

Dirbame su finansų įstaigomis ir fintech įmonėmis Ispanijoje

Iššūkis

Bankininkystėje rizika ir galimybė slypi tuose pačiuose duomenyse.

Kiekviena finansų įstaiga turi operacijų elgsenos duomenų, kredito istoriją ir naudojimosi modelius, kurie galėtų prognozuoti riziką, aptikti sukčiavimą ir personalizuoti pasiūlymus. Problema ta, kad duomenys yra izoliuoti atskirose sistemose – o juos išnaudotų galintys modeliai metų metus stovi veiksmų plane, taip ir nepaleisti.

  • Kreditingumo vertinimas su nepakankamais kintamaisiais

    Tvirtinimo modeliai, paremti tradiciniais kintamaisiais, kurie nuvertina mokius klientus be formalios kredito istorijos arba nepastebi ankstyvų blogėjimo signalų esamame portfelyje.

  • Sukčiavimas plinta greičiau nei jo aptikimas

    Sukčiavimo schemos nuolat kinta – kortelės, pervedimai, paskyrų užvaldymas – o taisyklėmis grįstos sistemos atnaujinamos keliomis savaitėmis vėliau.

  • Produktų pasiūlymai be tikro personalizavimo

    Masinės kampanijos su maža konversija, nes produktas pasiekia netinkamą segmentą netinkamu metu. Klientas būsto paskolos pasiūlymą pamato praėjus trims mėnesiams po to, kai jos reikėjo.

  • Klientų aptarnavimas, kurio neįmanoma išplėsti

    Klausimai apie operacijas, produktus ir veiksmus perkrauna skambučių centrą ir programėlę užklausomis, kurias modelis galėtų išspręsti per kelias sekundes.

Panaudojimo atvejai

Kur DI keičia finansų įstaigos maržą

Penki pritaikymai su dokumentuojama grąža per 12–18 mėnesių. Visiems panaudojimo atvejams reikia operacijų duomenų ir klientų istorijos – kurie bankininkystėje, išskyrus labai jaunas fintech įmones, jau yra.

  • 01

    Kreditingumo vertinimas su DI pagalba

    Modeliai papildo tradicinį kreditingumo vertinimą operacijų elgsenos kintamaisiais, sąskaitų naudojimo modeliais, mokėjimų elgsenos signalais ir alternatyviais duomenų šaltiniais. Geriau atskiriami geri ir blogi mokėtojai – ir atsiveria prieiga prie segmentų, kuriuos klasikinis vertinimas nepakankamai aptarnauja.

    Kas pasikeičia

    Ankstyvasis mokėjimų vėlavimas naujame portfelyje, kuriam taikomas modelis, sumažėja 15–25 %. Pagerėja tvirtinimo rodiklis mokiems klientams be formalios istorijos.

  • 02

    Sukčiavimo aptikimas realiuoju laiku

    Modeliai per milisekundes įvertina kiekvieną operaciją, palygindami ją su įprasta sąskaitos turėtojo elgsena: suma, laiku, geografine vieta, dažniu ir seka. Įtartinos operacijos blokuojamos arba papildomai tikrinamos – įprastos nesukelia jokios trinties.

    Kas pasikeičia

    Sukčiavimo aptikimo rodiklis pagerėja 40–60 %, palyginti su statinėmis taisyklių sistemomis. Mažiau klaidingai teigiamų atvejų (užblokuotų teisėtų operacijų) – mažiau trinties klientui.

  • 03

    Personalizuoti finansinių produktų pasiūlymai

    Produktų polinkio modelis (būsto paskola, vartojimo paskola, fondai, draudimas), apmokytas pagal klientų elgseną: atlyginimo pokyčius, santaupų judėjimą, artėjančius terminus. Klientų vadybininkas gauna tinkamą pasiūlymą tinkamam klientui tinkamu metu.

    Kas pasikeičia

    Kampanijų konversija pagerėja 25–40 %, palyginti su nepersonalizuotomis kampanijomis. Klientams siūlomi aktualūs pasiūlymai – o ne visas katalogas.

  • 04

    Pokalbių bankininkystės asistentas

    Asistentas programėlėje, svetainėje ir WhatsApp atsako į klausimus apie operacijas, likučius, produktus, veiksmus ir skundus. Jis žino kliento kontekstą ir perduoda pokalbį vadybininkui, kai reikia derybų ar iškyla tikras sudėtingumas.

    Kas pasikeičia

    Paprastų užklausų skambučių centre sumažėja 55–70 %. Banko programėlėje akimirksniu atsakoma į 80 dažniausių klausimų. Vadybininkai laiką skiria didelės vertės klientams.

  • 05

    Portfelio stebėsena ir ankstyvieji įspėjimai

    Modeliai aptinka kredito būklės blogėjimo signalus esamame portfelyje: išlaidų modelio pokyčius, didėjantį kredito limito naudojimą, mokėjimų nereguliarumą. Vadybininkas gauna įspėjimus likus 60–90 dienų iki praleisto mokėjimo.

    Kas pasikeičia

    Susigrąžinimo rodiklis taikant ankstyvąjį valdymą 3–5 kartus didesnis nei po įsipareigojimų nevykdymo. Atidėjiniai mažėja dėl mažesnio vėlavimo proaktyviai valdomuose portfeliuose.

Mūsų požiūris

Ant jūsų pagrindinės bankinės sistemos ir esamų duomenų. Su atitiktimi nuo pirmos dienos.

Dirbame su įstaigos sistemomis (Temenos, Finastra, nCino, Salesforce Financial Services, nuosavomis sistemomis) per API ar duomenų ežerą. Visi kreditingumo vertinimo ir sukčiavimo modeliai kuriami užtikrinant paaiškinamumą (to reikalauja Europos bankininkystės reguliavimas) ir dokumentuojant naudojamus kintamuosius – juos gali audituoti atitikties pareigūnas ir priežiūros institucija.

  • Duomenų ir galimybių diagnostika

    3–4 savaitės

    Turimų duomenų, kredito ir operacijų istorijos kokybės bei kritinių procesų auditas. Nustatome 2–3 atvejus, kurių grąžą galima pagrįsti rizikos komitetui.

    • Kredito ir operacijų duomenų kokybės peržiūra
    • Architektūros ir integracijos galimybių analizė
    • Prioritetizuotas panaudojimo atvejų katalogas
    • Atitikties sistema (BDAR, EBI gairės, paaiškinamumas)

  • Bandomasis projektas: vienas rizikos ar sukčiavimo modelis

    10–16 savaičių

    Patobulinto kreditingumo vertinimo, sukčiavimo aptikimo ar portfelio stebėsenos įgyvendinimas apibrėžtam produktui ar segmentui.

    • Duomenų srautas iš pagrindinės bankinės sistemos
    • Modelis, apmokytas ir patikrintas pagal nuosavą istoriją
    • Kintamųjų ir logikos dokumentacija (paaiškinamumas)
    • Atgalinis testavimas ir statistinis patikrinimas
    • Integracija su sprendimų priėmimo eiga ar įspėjimais
    • Poveikio matavimas 8 savaites gamybinėje aplinkoje

  • Finansinės analitikos platforma

    6–10 mėnesių

    Įstaigoms, norinčioms DI sujungti rizikos, sukčiavimo, pasiūlymų ir aptarnavimo srityse bendroje duomenų architektūroje.

    • Vieninga duomenų architektūra (feature store)
    • Keli modeliai su centralizuotu valdymu
    • Integracija su reguliacinėmis sistemomis (COREP, FINREP)
    • MLOps sistema permokymui ir modelių dreifo stebėsenai
    • Nuolatinė pagalba ir modelių peržiūra

Rezultatai

Kas pasikeičia įstaigoje per 12 mėnesių

  • Ankstyvasis vėlavimas naujame portfelyje, valdomame su patobulintu vertinimu, sumažėja 15–25 %.
  • Sukčiavimo aptikimas pagerėja 40–60 %, kartu mažėjant klaidingai teigiamų atvejų.
  • Produktų kampanijų konversija 25–40 % didesnė taikant elgsena grįstą personalizavimą.
  • Skambučių centras sulaukia 55–70 % mažiau paprastų užklausų – vadybininkai susitelkia į didelės vertės klientus.
  • Ankstyvieji blogėjimo įspėjimai likus 60–90 dienų iki praleisto mokėjimo – susigrąžinimas 3–5 kartus efektyvesnis.
  • Dokumentuota reguliacinė atitiktis: audituojami modeliai, integruotas paaiškinamumas.

Nemokamas išteklius

DI pasirengimo kontrolinis sąrašas.

12 klausimų, kuriuos užduodame kiekvieno projekto pradžioje, kad rastume, kur DI duotų daugiausia naudos. Atsiųsime jį el. paštu.

Gauti kontrolinį sąrašą

DUK

Ko klausia rizikos ir technologijų direktoriai

  • Ar modeliai atitinka Europos bankininkystės reguliavimą (EBI)?

    Atitiktis yra projektavimo apribojimas. Kreditingumo vertinimo ir sukčiavimo modeliai kuriami su dokumentuotu paaiškinamumu (naudojami kintamieji, santykinis svoris, sprendimo logika), formaliu statistiniu atgaliniu testavimu ir dokumentacija priežiūros institucijos ar vidinio atitikties pareigūno auditui. EBI gairės dėl mašininio mokymosi naudojimo kreditavime yra kūrimo sistemos dalis.

  • Ar galime naudoti operacijų elgsenos duomenis nepažeisdami BDAR?

    Turint tinkamą teisinį pagrindą (teisėtas interesas – sukčiavimo atveju, sutarties vykdymas – kreditingumo vertinimui), taip. Įstaigos duomenų apsaugos pareigūnas dalyvauja nuo pradžių, kad patvirtintų teisinį pagrindą ir duomenų tvarkymą. Duomenys nepalieka įstaigos perimetro.

  • O jei mūsų duomenys išskaidyti skirtingose sistemose?

    Duomenų konsolidavimas bankininkystės projektuose beveik visada yra pirmasis rezultatas. Diagnostika tiksliai nustato, kokie duomenys kurioje sistemoje yra, ir pasiūlo integracijos architektūrą. Tai ne kliūtis – tai projekto darbas.

  • Kiek kainuoja pradėti?

    Diagnostika: 8–15 tūkst. €. Bandomasis projektas (kreditingumo vertinimas ar sukčiavimas vienam produktui): 45–90 tūkst. €, priklausomai nuo apimties ir sudėtingumo. Visapusė platforma: 150–300 tūkst. € ir daugiau per kelis mėnesius. Vidutinio dydžio įstaigose grąža iš išvengto sukčiavimo ar sumažėjusio vėlavimo paprastai padengia bandomąjį projektą per pirmuosius metus.

  • O jei jau turime nuosavą kreditingumo vertinimo modelį?

    Puikus atspirties taškas. Jį audituojame, nustatome, kur jis praranda vertę (nepakankamai įvertinti segmentai, nenaudojami kintamieji, nepastebimi blogėjimo signalai), ir pasiūlome laipsniškus patobulinimus arba lygiagrečiai veikiantį alternatyvų modelį prieš keičiant dabartinį.

Norite pamatyti, kurie panaudojimo atvejai tinka jūsų įstaigai?

30 minučių pokalbis apie jūsų produktų portfelį, duomenų kokybę ir konkrečias rizikos ar sukčiavimo problemas. Išsiskirsime turėdami 2–3 galimus atvejus ir 12–18 mėnesių grąžos įvertį.

Užsisakyti pokalbį Žiūrėti DI konsultacijas