Профилирование заемщиков

Высокая конкуренция на рынке финансовых услуг в большой степени связана с сокращением числа потенциальных и удержанием существующих клиентов банков.

Такие параметры профилей клинетов, как сводная история транзакций, факты недобросовестного поведения, возникновения задолженностей, позволяют сегментировать клиентскую базу и совершенствовать свою продуктовую и тарифную политику, повышать прибыльность на отдельного клиента. В результате реальные и потенциальные клиенты получают большой выбор сервисов и продуктов и чувствуют заинтересованность в себе со стороны банка.

Технологии Data Mining в банковской сфере.

Применение технологий Big Data дает банкам преимущества перед конкурентами. Оперативное извлечение полезной информации из больших архивов данных и ее анализ в разных аспектах повышает эффективность работы банка в целом и позволяет лучше понять поведение клиентов. Технологии Big Data позволяют банку использовать полуструктурированные данные, чтобы выявить скрытые связи между клиентами для определения уровня их кредитоспособности.

Благодаря технологиям Big Data банки получают возможность привнести в свою деятельность качественно новую аналитику и элементы искусственного интеллекта. Информация о клиентах, поставщиках, операциях компании и многом другом рассредоточена между десятками операционных систем и систем обработки транзакций, расположенных в разных бизнес-подразделениях. Data Mining позволяет объединить всю информацию вместе с целью получить настоящую картину.

Технология Data Mining используется в банковской сфере для решения ряда типовых задач:

  1. Определение возможной некредитоспособности клиента банка или так называемая задача «Выдавать ли кредит клиенту?»

    Системы Data Mining решат задачи примерно по той же схеме, на основе исторической (ретроспективной) информации и при помощи методов классификации выявляют клиентов, которые в прошлом не вернули кредит. Инструменты Data Mining профилируют клиентов, разделяя их на добросовестных и неблагонадежных заемщиков. Кроме того, возможно классифицировать заемщика по группам риска, то есть не только решить вопрос о возможности кредитования, но и установить лимит кредита, проценты по нему и срок возврата.

  2. Выявление мошенничества.

    Для определения подозрительных случаев используется совокупность последовательных операций на определенном временном интервале. Если система Data Mining считает очередную операцию подозрительной, банковский работник может, ориентируясь на эту информацию, например, заблокировать операции с определенной карточкой.

  3. Сегментация клиентов.

    Позволяет найти «профиль» наиболее выгодных клиентов и далее акцентировать свою маркетинговую политику для активного привлечения таких клиентов, сделать политику банка более целенаправленной и результативной, различные виды услуг предлагать разным группам клиентов.

  4. Управление ликвидностью банка.

    Проводя прогнозирования временного ряда с информацией об остатках на счетах клиентов за предыдущие периоды с помощью методов Data Mining, банк получает прогноз остатка на счетах в определенный момент в будущем.

  5. Привлечение новых клиентов.

    После профилирования клиентов банк проводит более активную маркетинговую политику по привлечению клиентов именно среди группы «более выгодных» клиентов.

СИСТЕМА СКОРИНГА В БАНКАХ.

Скоринг на основе Data Mining генерирует инновационные технологии, решающие все выше перечисленные задачи интеллектуального анализа данных в сфере банковских услуг. Скорингом называют метод разграничения различных групп потенциальных клиентов в условиях, когда доступна информация не о параметрах, разделяющих эти группы, а только о некоторых характеризующих их переменных. К таким переменным (признакам) могут относиться анкетные данные, информация из кредитной истории и другие, имеющиеся в банке сведения о ранее кредитовавшихся заемщиках, а также результат кредитования, например, погашение кредита, наличие просрочки с длительностью более заданной.