Reading Time: 24 mins

HOE HALO DE ONDERSCHRIJVING VOOR EEN FINANCILE INSTELLING IN ZUID-DAKOTA hielp automatiseren

CASESTUDY

Over het bedrijf

Onze klant is een snelgroeiend middelgroot financieel bedrijf in de VS dat uitbestede, volledige levenscyclusleningen levert, inclusief marketing, aanvraagverwerking, kredietbeoordeling, betalingsverwerking en incassodiensten aan de online leengemeenschap.

Onze rol

Om consumentenleningen goed te krijgen door de klant te helpen het proces nauwkeurig te automatiseren.

Zakelijke uitdaging

De identificatie door de klant van haalbare biedingen voor een lening was gebaseerd op stilzwijgende kennis en was duur ($ 50 tot $ 150 per succesvol bod). De klant wilde een nieuwe benadering van kredietbeslissingen die zou helpen het portefeuillerisico te verminderen zonder goedkeuringen op te offeren en nieuwe leningen te verstrekken aan betaalde leads en moeilijk te scoren kredietnemers.

Analyse

Zuci Systems is diep in het leenproces van de klant gedoken. En het resultaat was de analyse van de belangrijkste pijnpunten:

  • Stijgende wanbetalingen tegengaan door meer kredietwaardige leners te identificeren
  • Handmatige beoordeling, annotatie en evaluatie van papieren dossiers
  • Het identificeren van de juiste leads was tijdrovend
  • Ontwikkel een scorecard voor prospects naar klanten
  • Elimineer slechte leads uit marketingbronnen

Oplossing

Voorgestelde oplossing voor wrijvingsloos verzekeren

Zuci’s Heuristicly Programmed Algorithmic Output (HALO)-oplossing, aangedreven door het “Generative Adversarial Network”, een klasse van machine learning-algoritmen, hielp onze klant om hun leadidentificatie enorm te verbeteren en het acceptatieproces te automatiseren door het leadscoremechanisme en de filterpool van kandidaten te begrijpen en op te bouwen .

HALO was in staat om consistent hogere nauwkeurigheid te leveren bij het onderscheid tussen goede en slechte lead-applicaties door verkennende analyse van XML-dump, gegevensopschoning, feature-engineering, modeltraining en leveringsinzichten.

Voorspellende analyse met de geschiedenis van gegevens

Door gebruik te maken van realtime gegevens, stelde het continue leermodel van HALO onze klant in staat om onmiddellijk een nauwkeurig beeld te krijgen van de financiële gezondheid van kredietnemers en om te berekenen hoeveel krediet aan zowel bancaire als niet-gebankte klanten moest worden verleend, zelfs zonder gegevens van kredietbureaus.

Een scoremodel voorgesteld

GAN (Generative Adversarial Network): Verwachte resultaten

Algoritme 1 (leiden tot vooruitzicht) Uitkomsten

algoritme resultaat

Prospect naar klant (algoritme 2)

prospect naar klantacquisitie

Resultaten

HALO was in staat om de klant te helpen de algehele verzekeringsproductiviteit met 30% te verbeteren

Statistieken

0%
verlaging van de kosten voor het genereren van leads, zowel operationeel als inkoop
0%
toename van goedkeuringen
0%
verbeterde doorlooptijd van het proces
0weeks
Oplossing geïmplementeerd

Tech Stack: Python, Apache, JVM, Low-code Basics, gerustgesteld

Tech-stack

Dit is wat onze klant te zeggen had

De HALO-oplossing is opgezet om zelfstandig te leren, zonder dat handmatige aanpassingen aan de regels nodig zijn. Zuci’s team heeft dit model gebouwd op basis van historische gegevens van leads, sollicitanten en consumenten met de mogelijkheid zichzelf te trainen en opnieuw te trainen op basis van alle bijgewerkte gegevens die door het systeem zijn ontvangen.

Zuci Systems heeft de nauwkeurigheid van leadafwijzing en leadselectie binnen 6 maanden na implementatie aanzienlijk verbeterd. We zijn ervan overtuigd dat HALO ons in de loop van de tijd aanzienlijke verbeteringen zal blijven bieden.

James C. Jacobson
President at First Financial Service Center

OP ZOEK NAAR EEN VERGEMAKKELIJKHEID VAN HET LENINGPROCES AT
UW FINANCILE INSTELLING?

Download mijn exemplaar
Boek een consult