Reading Time: 24 mins

ÉVALUATION DES RISQUES TRANSFORMÉE DES PORTEFEUILLES DE PRÊTS POUR UNE BANQUE ASIATIQUE LEADER

ÉTUDE DE CAS

UNE ÉTUDE DE CAS SUR LA SOLUTION DE SOUSCRIPTION DE CRÉDIT PAR L’IA

Une grande banque asiatique avec une capitalisation boursière de 1,8 milliard de dollars US, offrant une large gamme de services bancaires, dépôts, prêts, comptes d’épargne/courants, souhaitait améliorer le processus de souscription et les taux d’approbation des découverts (OD) et des crédits de trésorerie (CC) produits de prêt.

UNE ÉTUDE DE CAS SUR LA SOLUTION DE SOUSCRIPTION DE CRÉDIT PAR L’IA

Une grande banque asiatique avec une capitalisation boursière de 1,8 milliard de dollars US, offrant une large gamme de services bancaires, dépôts, prêts, comptes d’épargne/courants, souhaitait améliorer le processus de souscription et les taux d’approbation des découverts (OD) et des crédits de trésorerie (CC) produits de prêt.

Énoncé du problème

Notre client est l’une des banques les plus importantes d’Asie avec un actif total de plus de 10 milliards de dollars américains. La banque s’adresse à un large groupe démographique de clients avec différents produits de crédit – des prêts à découvert aux MPME et aux produits de prêt aux entreprises.

Avec une vaste clientèle, la banque a dû faire face à une énorme pression pour suivre tous les comptes à découvert et les produits de crédit en espèces sur une base de compte à compte.

Notre client surveillait manuellement les limites de crédit des comptes à découvert (OD) pour comprendre l’utilisation de l’emprunteur pour augmenter ou diminuer les limites de crédit en fonction de l’historique de crédit des clients. De plus, la banque identifiait manuellement les comptes qui n’utilisaient pas de limites de découvert et les attribuait à des emprunteurs potentiels solvables qui dépassaient les limites de crédit.

Mais l’attribution, l’examen et le suivi manuels des comptes étaient fastidieux, sujets aux erreurs et freinaient les revenus globaux des prêts de la banque.

De même, la banque a rencontré des difficultés pour valider l’utilisation du crédit des entreprises pour les produits de crédit en espèces afin d’augmenter ou de diminuer les limites de crédit et d’examiner toute dépense personnelle à partir du crédit fourni.

Enfin, l’évaluation des risques de la banque reposait uniquement sur les mains d’un directeur d’agence, qui évalue l’appétit pour le risque du client sur la base du compte de résultat, du bilan et d’autres garanties fournies. Cela a conduit à un risque de défaut plus élevé.

Pour surmonter ces défis et réduire le pourcentage d’impayés OD/CC, augmenter les taux d’approbation et maximiser le revenu net d’intérêts ajusté en fonction des pertes sur prêts, le client souhaitait transformer son système actuel d’évaluation des risques de portefeuille avec une solution d’automatisation innovante et évolutive.

OBJECTIFS D’AFFAIRES

OBJECTIFS D’AFFAIRES

Notre équipe de scientifiques des données a lancé le projet en comprenant le processus actuel d’évaluation et d’approbation de crédit de bout en bout en fournissant une limite de crédit pour les produits de découvert et de crédit en espèces. Cela a aidé notre équipe à identifier divers défis commerciaux et à définir au préalable la métrique de réussite.

Après la phase de découverte, notre équipe d’ingénieurs de données a collecté tous les champs de données pertinents nécessaires pour aider à déterminer la solvabilité des clients à partir de différents systèmes disparates à l’aide de notre solution Enterprise Data Bus (EDB), ZIO .

Après la collecte, le pipeline de données de ZIO a contribué à l’intégration continue des données dans notre solution de souscription de crédit basée sur l’IA, HALO .

En exploitant une combinaison de données financières traditionnelles, de données de remboursement historiques et de données alternatives, notre technologie d’apprentissage automatique a identifié des modèles nuancés et créé un modèle de souscription de crédit unique qui exploite ces modèles pour identifier les emprunteurs à risque au moment de la souscription. De plus, le modèle d’apprentissage automatique HALO a aidé la banque à évaluer en continu les risques et à examiner en temps réel les portefeuilles de prêts approuvés.

Enfin, le modèle a été formé en continu pour prévoir et surveiller le risque de crédit pour différents produits de prêt et a déployé la solution dans l’environnement de la banque.

LA SOLUTION

LA SOLUTION

Notre équipe de scientifiques des données a lancé le projet en comprenant le processus actuel d’évaluation et d’approbation de crédit de bout en bout en fournissant une limite de crédit pour les produits de découvert et de crédit en espèces. Cela a aidé notre équipe à identifier divers défis commerciaux et à définir au préalable la métrique de réussite.

Après la phase de découverte, notre équipe d’ingénieurs de données a collecté tous les champs de données pertinents nécessaires pour aider à déterminer la solvabilité des clients à partir de différents systèmes disparates à l’aide de notre solution Enterprise Data Bus (EDB), ZIO .

Après la collecte, le pipeline de données de ZIO a contribué à l’intégration continue des données dans notre solution de souscription de crédit basée sur l’IA, HALO .

En exploitant une combinaison de données financières traditionnelles, de données de remboursement historiques et de données alternatives, notre technologie d’apprentissage automatique a identifié des modèles nuancés et créé un modèle de souscription de crédit unique qui exploite ces modèles pour identifier les emprunteurs à risque au moment de la souscription. De plus, le modèle d’apprentissage automatique HALO a aidé la banque à évaluer en continu les risques et à examiner en temps réel les portefeuilles de prêts approuvés.

Enfin, le modèle a été formé en continu pour prévoir et surveiller le risque de crédit pour différents produits de prêt et a déployé la solution dans l’environnement de la banque.

COMMENT ZUCI SYSTEMS A AIDÉ

COMMENT ZUCI SYSTEMS A AIDÉ

COMMENT ZUCI SYSTEMS A AIDÉ

COMMENT ZUCI SYSTEMS A AIDÉ

RÉSULTAT COMMERCIAL

0%
Transparence dans le processus d’approbation des prêts
0%
Baisse des impayés
0x
Des approbations de prêt plus rapides
0%
augmentation des revenus des prêts
0%
Réduction de l’effort d’évaluation des risques (équivalent à 800 ETP)
0 Months
ROI réalisé

RÉSULTAT COMMERCIAL

0%
Transparence dans le processus d’approbation des prêts
0%
Baisse des impayés
0x
Des approbations de prêt plus rapides
0%
augmentation des revenus des prêts
0%
Réduction de l’effort d’évaluation des risques (équivalent à 800 ETP)
0 Months
ROI réalisé

SOLUTION DE SOUSCRIPTION DE CRÉDIT BASÉE SUR L’IA

SOLUTION DE BUS DE DONNÉES D’ENTREPRISE (EDB)

PILE TECHNIQUE

PILE TECHNIQUE

SOLUTION DE SOUSCRIPTION DE CRÉDIT BASÉE SUR L’IA

SOLUTION DE BUS DE DONNÉES D’ENTREPRISE (EDB)

VOULEZ ATTÉNUER LES RISQUES ET LES BIAIS AVEC
SOUSCRIPTION DE CRÉDIT GUIDÉE PAR L’IA ? HALO PEUT VOUS AIDER !