Reading Time: 41 mins

EEN WETENSCHAPPELIJKE OPLOSSING IMPLEMENTEERDE OM GOUDLENINGEN TE ONDERSCHRIJVEN VOOR EEN EEUWEN OUDE BANK

CASESTUDY

EEN CASE STUDY OVER
AI-GEDREVEN KREDIET
ONDERSCHRIJVING OPLOSSING

HALO-logo

Een van de oudste banken in India met een geschiedenis van meer dan 100 jaar, die een breed scala aan bankdiensten, deposito’s, leningen, spaar-/zichtrekeningen aanbiedt, wilde een intelligente technologische oplossing om de huidige acceptatiebenadering voor hun goudleningen te transformeren.

Het doel van de bank was om de afhankelijkheid van handmatige acceptatie van goudleningen te verminderen en een wetenschappelijke benadering te implementeren om de nauwkeurigheid van de risicobeoordeling te verbeteren met diepere inzichten voor hun bestaande en nieuwe potentiële kredietnemers.

EEN CASE STUDY OVER
AI-GEDREVEN KREDIET
ONDERSCHRIJVING OPLOSSING

HALO-logo

Een van de oudste banken in India met een geschiedenis van meer dan 100 jaar, die een breed scala aan bankdiensten, deposito’s, leningen, spaar-/zichtrekeningen aanbiedt, wilde een intelligente technologische oplossing om de huidige acceptatiebenadering voor hun goudleningen te transformeren.

Het doel van de bank was om de afhankelijkheid van handmatige acceptatie van goudleningen te verminderen en een wetenschappelijke benadering te implementeren om de nauwkeurigheid van de risicobeoordeling te verbeteren met diepere inzichten voor hun bestaande en nieuwe potentiële kredietnemers.

De bank opereert vanuit meer dan 750 vestigingen en biedt een breed scala aan leningproducten om te voorzien in de financiële behoeften van kleine individuele klanten en grote industrieën. En een van de leningproducten is een goudlening.

Voor een goudlening leent de bank geld aan een lener door hun goudartikelen als onderpand te verpanden. En op basis van de huidige marktwaarde en kwaliteit van goud wordt het geleende bedrag verstrekt.

Volgens onze klant was de cruciale uitdaging waarmee de bank werd geconfronteerd, het identificeren van de juiste reeks kredietwaardige kredietnemers en wanbetalers. Alvorens contact met ons op te nemen, was de risicobeoordeling van de bank uitsluitend gebaseerd op de handen van een filiaalmanager, die de risicobereidheid van de klant evalueert op basis van documenten, juweel en financiële status.

PROBLEEMSTELLING

PROBLEEMSTELLING

De bank opereert vanuit meer dan 750 vestigingen en biedt een breed scala aan leningproducten om te voorzien in de financiële behoeften van kleine individuele klanten en grote industrieën. En een van de leningproducten is een goudlening.

Voor een goudlening leent de bank geld aan een lener door hun goudartikelen als onderpand te verpanden. En op basis van de huidige marktwaarde en kwaliteit van goud wordt het geleende bedrag verstrekt.

Volgens onze klant was de cruciale uitdaging waarmee de bank werd geconfronteerd, het identificeren van de juiste reeks kredietwaardige kredietnemers en wanbetalers. Alvorens contact met ons op te nemen, was de risicobeoordeling van de bank uitsluitend gebaseerd op de handen van een filiaalmanager, die de risicobereidheid van de klant evalueert op basis van documenten, juweel en financiële status.

PROBLEEMSTELLING

Bovendien bood de bank geen extra voordelen aan loyale en goede kredietwaardige kredietnemers. Ook werd er geen risicopremie toegevoegd aan wanbetalers. In plaats daarvan bood de bank gewoon een gewoon vanillerentepercentage aan zowel ideale kredietnemers als wanbetalers.

Nogmaals, in het geval van een opwaardeerlening moet de klant fysiek aanwezig zijn in een kantoor, waar de beslissing om een opwaardeerlening te verstrekken uitsluitend was gebaseerd op een handmatige risicobeoordeling door een bankmanager.

Om deze uitdagingen het hoofd te bieden, wilde de klant een zeer wetenschappelijke oplossing die hen kan helpen de nauwkeurigheid van hun risicobeoordeling te verbeteren en hun activiteiten te versnellen door de time-to-ja te verkorten.

PROBLEEMSTELLING

Bovendien bood de bank geen extra voordelen aan loyale en goede kredietwaardige kredietnemers. Ook werd er geen risicopremie toegevoegd aan wanbetalers. In plaats daarvan bood de bank gewoon een gewoon vanillerentepercentage aan zowel ideale kredietnemers als wanbetalers.

Nogmaals, in het geval van een opwaardeerlening moet de klant fysiek aanwezig zijn in een kantoor, waar de beslissing om een opwaardeerlening te verstrekken uitsluitend was gebaseerd op een handmatige risicobeoordeling door een bankmanager.

Om deze uitdagingen het hoofd te bieden, wilde de klant een zeer wetenschappelijke oplossing die hen kan helpen de nauwkeurigheid van hun risicobeoordeling te verbeteren en hun activiteiten te versnellen door de time-to-ja te verkorten.

ZAKELIJKE DOELEN

ZAKELIJKE DOELEN

OPLOSSING

De datawetenschappers van Zuci hebben dit project geïnitieerd door inzicht te krijgen in de bestaande workflow voor het goedkeuren van leningen en de verschillende zakelijke uitdagingen in de leningcyclus om vooraf de succesmaatstaf te bepalen.

Met deze informatie verzamelden onze data-engineers alle relevante gegevensvelden die nodig zijn om een goede lener van een wanbetaler te bepalen en voerden ze deze in onze eigen oplossing voor kredietacceptatie voor functie-extractie.

Zuci’s AI-gestuurde oplossing voor kredietacceptatie, HALO, analyseerde deze ingevoerde gegevens en haalde patronen en gedragingen op. Deze patronen werden vervolgens geautomatiseerd en in de juiste vorm gebracht om de gegevensintegriteit te bereiken.

Na herhaalde gegevensopschoning creëerde HALO’s machine learning-algoritme een uniek kredietacceptatiemodel dat deze patronen en gedragingen benut om risicovolle en kredietwaardige leners te identificeren bij het afsluiten van een nieuwe klant.

Ten slotte werd het model voortdurend getraind om de hoogste nauwkeurigheid te bereiken bij het voorspellen van het kredietrisico voor een goudlening voordat het in de omgeving van de bank werd ingezet.

OPLOSSING

De datawetenschappers van Zuci hebben dit project geïnitieerd door inzicht te krijgen in de bestaande workflow voor het goedkeuren van leningen en de verschillende zakelijke uitdagingen in de leningcyclus om vooraf de succesmaatstaf te bepalen.

Met deze informatie verzamelden onze data-engineers alle relevante gegevensvelden die nodig zijn om een goede lener van een wanbetaler te bepalen en voerden ze deze in onze eigen oplossing voor kredietacceptatie voor functie-extractie.

Zuci’s AI-gestuurde oplossing voor kredietacceptatie, HALO, analyseerde deze ingevoerde gegevens en haalde patronen en gedragingen op. Deze patronen werden vervolgens geautomatiseerd en in de juiste vorm gebracht om de gegevensintegriteit te bereiken.

Na herhaalde gegevensopschoning creëerde HALO’s machine learning-algoritme een uniek kredietacceptatiemodel dat deze patronen en gedragingen benut om risicovolle en kredietwaardige leners te identificeren bij het afsluiten van een nieuwe klant.

Ten slotte werd het model voortdurend getraind om de hoogste nauwkeurigheid te bereiken bij het voorspellen van het kredietrisico voor een goudlening voordat het in de omgeving van de bank werd ingezet.

HOE ZUCI-SYSTEMEN HELPEN?

HOE ZUCI-SYSTEMEN HELPEN?

HOE ZUCI-SYSTEMEN HELPEN?

HOE ZUCI-SYSTEMEN HELPEN?

0x
snellere goedkeuring van leningen
0%
transparantie in het goedkeuringsproces voor leningen
0%
toename van leningaanvragen
0%
vermindering van de inspanning voor risicobeoordeling (gelijk aan 800 fte’s)
0%
afname van achterstallige betalingen
0 Months
ROI gerealiseerd

BEDRIJFSRESULTAAT

BEDRIJFSRESULTAAT

0x
snellere goedkeuring van leningen
0%
transparantie in het goedkeuringsproces voor leningen
0%
toename van leningaanvragen
0%
vermindering van de inspanning voor risicobeoordeling (gelijk aan 800 fte’s)
0%
afname van achterstallige betalingen
0 Months
ROI gerealiseerd

WILT U RISICO EN BIAS VERMINDEREN MET AI-DRIVEN CREDIT UNDERWRITING? HALO KAN HELPEN!
LAAT ONS UW E-MAIL ACHTER, EN ONZE DESKUNDIGEN NEMEN CONTACT OP.

Download mijn exemplaar
Boek een consult