HOE HALO HIELP BIJ HET AUTOMATISEREN VAN ACCEPTATIE VOOR EEN FINANCIËLE INSTELLING IN ZUID-DAKOTA
CASESTUDY
Over het bedrijf
Onze klant is een snelgroeiende middelgrote financiële onderneming in de VS die uitbestede, volledige levenscyclusdiensten voor leningen levert, waaronder marketing, aanvraagverwerking, kredietbeoordeling, betalingsverwerking en incassodiensten aan de online kredietgemeenschap.
Onze rol
Consumentenkrediet goed regelen door de klant te helpen het proces nauwkeurig te automatiseren.
Uitdaging
De identificatie door de klant van levensvatbare biedingen voor leningen 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 verlagen zonder dat dit ten koste zou gaan van goedkeuringen en nieuwe leningen zou verstrekken aan betaalde leads en leners die moeilijk te scoren zijn.
Analyse
Zuci Systems nam een diepe duik in het leenproces van de klant. En het resultaat was de analyse van de belangrijkste pijnpunten: :
- Stijgende wanbetalingen bestrijden door meer kredietwaardige leners te identificeren
- Handmatig beoordelen, annoteren en evalueren van papieren dossiers
- Het identificeren van de juiste leads was tijdrovend
- Ontwikkel een scorekaart voor prospects naar klanten
- Slechte leads uit marketingbronnen elimineren
Oplossing
Voorgestelde oplossing voor wrijvingsvrije acceptatie
Zuci’s Heuristically 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 lead scoringsmechanisme en de filterpool van kandidaten te begrijpen en op te bouwen.
HALO was in staat om consistent een hogere nauwkeurigheid te leveren in het onderscheid tussen goede en slechte leadapplicaties door verkennende analyse van XML-dumps, opschonen van gegevens, feature engineering, modeltraining en inzichten in de levering.
Voorspellende analyse met gegevens uit het verleden
Met behulp van realtime gegevens kon onze klant dankzij HALO’s model voor continu leren onmiddellijk een nauwkeurig beeld krijgen van de financiële gezondheid van leners en berekenen hoeveel krediet ze moesten verlenen aan zowel bank- als unbanked klanten, zelfs zonder gegevens van kredietbureaus.
Een scoringsmodel voorgesteld
GAN (Generatief Adversarisch Netwerk) : Uitkomsten verwachting
Algoritme 1 (leiden tot prospect) Uitkomsten
Prospect naar klant (algoritme 2)
Resultaten
HALO kon de klant helpen de algehele acceptatieproductiviteit met 30% te verbeteren.
Stats
Tech Stack: Python, Apache, JVM, Low-code Basis, Rust verzekerd
Dit is wat onze klant te zeggen had
De HALO-oplossing is ingesteld om uit zichzelf te leren, zonder dat het nodig is om de regels handmatig aan te passen. Het team van Zuci bouwde dit model op basis van historische gegevens over leads, sollicitanten en consumenten, met de mogelijkheid om zichzelf te trainen en te hertrainen op basis van alle bijgewerkte gegevens die het systeem ontvangt.
Zuci Systems hielp de nauwkeurigheid bij het afwijzen van leads en de nauwkeurigheid bij het selecteren van leads aanzienlijk te verbeteren binnen 6 maanden na de implementatie. We zijn ervan overtuigd dat HALO ons in de loop van de tijd aanzienlijke verbeteringen zal blijven bieden.
James C. Jacobson
President bij First Financial Service Center
