Банки и страхование

Кейсы внедрения ML
Скоринговые модели
Предотвращение мошенничества
Рекомендательные системы
Оценка страховых договоров
Прогноз оборота денежных средств
Оценка залогового имущества

Скоринговые модели

Скоринговые модели на базе ML позволяют оценить кредитоспособность клиента точнее, чем традиционные методы.
Для обучения алгоритм использует демографические данные, кредитную историю клиента, данные о его доходах, занятости, образовании, активность в социальных сетях и другие данные. В результате, инструмент определяет кредитоспособность клиента.
Решение также может быть адаптировано под прогноз дефолта по платежам текущих заемщиков.
ML- модель позволяет снизить банковские риски и сократить расходы.

Эффект

до 10%
Рост комиссионных доходов банка

Выявление мошенничества

Антифрод-система на базе ML позволяет обезопасить банковские счета клиентов от кражи денежных средств.
Для определения подозрительных транзакций ML-модель обучается на исторических данных о клиентах (транзакции, паттерны поведения, локации и пр.) и уже выявленных мошеннических операциях.
При интеграции ML-решения с IT- инфраструктурой банка, система в реальном времени направляет клиенту предупреждение по операции либо автоматически останавливает ее.
Решение позволяет повысить уровень безопасности и доверия клиентов.

Эффект

до х2
Рост выявленных мошеннических операций

Прогноз оборота денежных средств

ML-модель прогнозирует оборот денежных средств в отделениях и банкоматах и определяет сумму, номинал, периодичность и время обслуживания объектов.
ML-модель учитывает данные по истории банковских операций на каждом объекте, количество обращений в отделение, поисковые запросы, погодные условия и заданные ограничения, связанные с работой инкассаторских служб.
Решение позволяет улучшить качество клиентского сервиса и минимизировать риски кассовых разрывов.

Эффект

Рост оборота
до 5%

Оценка страховых договоров

Решение на базе ML прогнозирует страховые расходы на каждого конкретного клиента, что позволяет персонализировать тарификацию эффективнее традиционных андеррайтинговых подходов.
Для прогноза ML-модель учитывает и сопоставляет данные о новом клиенте (например, возраст, данные медицинской карты, тип занятости) с данными клиентов, у которых уже случались страховые случаи.
Решение способствует снижению рисков и неоправданных расходов для компании

Эффект

до 5%
Снижение страховых расходов

Предсказание оттока клиентов

ML-решение определяет клиентов, которые склонны прекратить пользоваться банковским или страховым продуктом.
ML-модель сопоставляет признаки текущих и ушедших клиентов (например, вовлеченность, историю операций, динамику уровня доходов и пр.), что дает возможность спрогнозировать на ранних этапах, какие клиенты склонны к оттоку.
Благодаря полученным данным компании могут выстраивать своевременные и персонализированные коммуникации для удержания клиентов на платформе.

Эффект

до 30%
снижение оттока клиентов

Рекомендательные системы

МL-модель прогнозирует, какие банковские и страховые продукты могут быть интересны клиенту.
Модель анализирует историю операций клиента, текущие продукты, кредитный профиль, динамику доходов, взаимодействие с прошлыми предложениями и другие данные.
Решение позволяет лучше понимать поведение клиентов и создавать персонализированные предложения, что способствует росту продаж банковских и страховых продуктов.

Эффект

до 15%
Рост продаж

Оценка залогового имущества

Для оценки недвижимости в качестве залогового имущества ML-решение анализирует исторические данные о средней стоимости недвижимости в разных районах города с учетом года постройки дома, динамики спроса и других факторов, детализирующих жилой или коммерческой объект.
ML-модель предсказывает объективную стоимость недвижимости, что позволяет банку минимизировать риски при выдаче займов.
Аналогичная модель может быть использована для оценки других типов залогового имущества физических и юридических лиц: в том числе транспортных средств, оборудования и пр.

Эффект

до 5%
снижение издержек