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.

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.

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.

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.