VERANDERDE RISICOBEOORDELING VAN LENINGPORTEFEUILLE VOOR EEN TOONAANGEVENDE AZIATISCHE BANK

CASESTUDY

EEN CASE STUDY OVER AI-GEDREVEN KREDIET ONDERSCHRIJVING OPLOSSING

Een grote Aziatische bank met een marktkapitalisatie van US$ 1,8 miljard, die een breed scala aan bankdiensten, deposito’s, leningen, spaar-/zichtrekeningen aanbiedt, wilde het acceptatieproces en de goedkeuringspercentages voor Overdispositie (OD) en Cash Credit (CC) verbeteren lening producten.

EEN CASE STUDY OVER AI-GEDREVEN KREDIET ONDERSCHRIJVING OPLOSSING

Een grote Aziatische bank met een marktkapitalisatie van US$ 1,8 miljard, die een breed scala aan bankdiensten, deposito’s, leningen, spaar-/zichtrekeningen aanbiedt, wilde het acceptatieproces en de goedkeuringspercentages voor Overdispositie (OD) en Cash Credit (CC) verbeteren lening producten.

Probleemstelling

Onze klant is een van Azië’s meest vooraanstaande banken met een balanstotaal van meer dan US$10 miljard. De bank bedient een brede demografische groep klanten met verschillende kredietproducten – van rood staan tot kredietproducten voor mkb’s en bedrijven.

Met een enorm klantenbestand stond de bank onder enorme druk om alle rekening-courantrekeningen en kaskredietproducten op een rekening-naar-rekening basis bij te houden.

Onze klant heeft handmatig de kredietlimieten voor rekening-courant (OD) gecontroleerd om inzicht te krijgen in het gebruik van de lener om de kredietlimieten te verhogen of te verlagen op basis van de kredietgeschiedenis van klanten. Ook identificeerde de bank handmatig rekeningen die geen rekening-courantlimieten gebruikten en wees deze toe aan potentiële kredietwaardige kredietnemers die de kredietlimieten overschreden.

Maar de handmatige toewijzing, beoordeling en controle van rekeningen was vermoeiend, foutgevoelig en remde de totale leninginkomsten van de bank.

Evenzo ondervond de bank moeilijkheden bij het valideren van het kredietgebruik van bedrijven voor contante kredietproducten om de kredietlimieten te verhogen of te verlagen en om eventuele persoonlijke uitgaven van het verstrekte krediet te onderzoeken.

Ten slotte was de risicobeoordeling van de bank uitsluitend gebaseerd op de handen van een filiaalmanager, die de risicobereidheid van de klant evalueert op basis van de resultatenrekening, de balans en andere verstrekte zekerheden. Dit leidde tot een hoger wanbetalingsrisico.

Om deze uitdagingen het hoofd te bieden en het OD/CC-delinquentiepercentage te verlagen, de goedkeuringspercentages te verhogen en de netto rente-inkomsten te maximaliseren, wilde de klant zijn huidige risicobeoordelingssysteem voor portefeuilles transformeren met een innovatieve en schaalbare automatiseringsoplossing.

ZAKELIJKE DOELEN

ZAKELIJKE DOELEN

Ons team van datawetenschappers heeft het project geïnitieerd door inzicht te krijgen in het huidige end-to-end kredietbeoordelings- en goedkeuringsproces bij het verstrekken van een kredietlimiet voor debet- en geldkredietproducten. Dit hielp ons team om verschillende zakelijke uitdagingen te identificeren en vooraf de succesmaatstaf te definiëren.

Na de ontdekkingsfase verzamelde ons team van data-ingenieurs alle relevante gegevensvelden die nodig zijn om de kredietwaardigheid van klanten te helpen bepalen uit verschillende ongelijksoortige systemen met behulp van onze Enterprise Data Bus (EDB)-oplossing, ZIO.

Na het verzamelen hielp de datapijplijn van ZIO bij de continue integratie van data in onze eigen Op AI gebaseerde oplossing voor kredietacceptatie, HALO.

Door gebruik te maken van een combinatie van traditionele financiële gegevens, historische terugbetalingsgegevens en alternatieve gegevens, identificeerde onze machine learning-technologie genuanceerde patronen en creëerde een uniek kredietacceptatiemodel dat gebruikmaakt van deze patronen om risicovolle kredietnemers te identificeren op het moment van acceptatie. Ook hielp het HALO machine learning-model de bank met continue risicobeoordeling en het in realtime onderzoeken van goedgekeurde kredietportefeuilles.

Ten slotte is het model continu getraind om het kredietrisico voor verschillende leningproducten te voorspellen en te monitoren en de oplossing in te zetten in de omgeving van de bank.

OPLOSSING

OPLOSSING

Ons team van datawetenschappers heeft het project geïnitieerd door inzicht te krijgen in het huidige end-to-end kredietbeoordelings- en goedkeuringsproces bij het verstrekken van een kredietlimiet voor debet- en geldkredietproducten. Dit hielp ons team om verschillende zakelijke uitdagingen te identificeren en vooraf de succesmaatstaf te definiëren.

Na de ontdekkingsfase verzamelde ons team van data-ingenieurs alle relevante gegevensvelden die nodig zijn om de kredietwaardigheid van klanten te helpen bepalen uit verschillende ongelijksoortige systemen met behulp van onze Enterprise Data Bus (EDB)-oplossing, ZIO.

Na het verzamelen hielp de datapijplijn van ZIO bij de continue integratie van data in onze eigen Op AI gebaseerde oplossing voor kredietacceptatie, HALO.

Door gebruik te maken van een combinatie van traditionele financiële gegevens, historische terugbetalingsgegevens en alternatieve gegevens, identificeerde onze machine learning-technologie genuanceerde patronen en creëerde een uniek kredietacceptatiemodel dat gebruikmaakt van deze patronen om risicovolle kredietnemers te identificeren op het moment van acceptatie. Ook hielp het HALO machine learning-model de bank met continue risicobeoordeling en het in realtime onderzoeken van goedgekeurde kredietportefeuilles.

Ten slotte is het model continu getraind om het kredietrisico voor verschillende leningproducten te voorspellen en te monitoren en de oplossing in te zetten in de omgeving van de bank.

HOE ZUCI-SYSTEMEN HELPEN?

HOE ZUCI-SYSTEMEN HELPEN?

HOE ZUCI-SYSTEMEN HELPEN?

HOE ZUCI-SYSTEMEN HELPEN?

BEDRIJFSRESULTAAT

0%
Transparantie in het goedkeuringsproces voor leningen
0%
Daling van achterstallige betalingen
0x
Snellere goedkeuring van leningen
0%
stijging van de inkomsten uit leningen
0%
Vermindering van risicobeoordelingsinspanningen (gelijk aan 800 fte’s)
0 Months
ROI gerealiseerd

BEDRIJFSRESULTAAT

0%
Transparantie in het goedkeuringsproces voor leningen
0%
Daling van achterstallige betalingen
0x
Snellere goedkeuring van leningen
0%
stijging van de inkomsten uit leningen
0%
Vermindering van risicobeoordelingsinspanningen (gelijk aan 800 fte’s)
0 Months
ROI gerealiseerd

OP AI GEBASEERDE KREDIET ONDERSCHRIJVING OPLOSSING

ENTERPRISE DATA BUS (EDB) OPLOSSING

TECH STACK

TECH STACK

OP AI GEBASEERDE KREDIET ONDERSCHRIJVING OPLOSSING

ENTERPRISE DATA BUS (EDB) OPLOSSING

WIL RISICO EN BIAS VERMINDEREN MET
AI-GEDREVEN KREDIETONDERSCHRIJVING? HALO KAN HELPEN!