قرض گرفتن فرایند مدل فروش

با ادامه تحولات دیجیتالی خود ، آنها می توانند چهار بهترین روش را برای مدل های تصویب اعتبار خودکار دنبال کنند تا بیشتر از داده های مناسب برای برآورده کردن چالش های آینده استفاده کنند.

پیشرفت های مداوم در داده های بزرگ ، دیجیتال و تجزیه و تحلیل ، فرصت های تازه ای را برای بانک ها ایجاد می کند تا مدل های تصمیم گیری اعتبار را که زیربنای فرآیندهای وام خود هستند ، بهبود بخشند. مدل های جدید و با کارایی بالا به بانک ها امکان می دهد تا پارامترهای وام (و سرمایه) را به طور دقیق تر تعریف کنند و بنابراین توانایی خود را در تأیید مشتریان قابل اعتبار و رد پیشنهاداتی از مشتریانی که یا اعتبار ندارند یا نمی توانند بدهی بیشتری را رد کنند. در حقیقت ، بانک ها (و شرکت های FinTech) که چنین مدل های جدیدی را به کار گرفته اند ، در حال حاضر درآمد را افزایش داده اند ، نرخ از دست دادن اعتبار را کاهش داده و به لطف تصمیم گیری دقیق تر و خودکار ، بهره وری قابل توجهی کسب کرده اند.

استفاده از مدل های جدید تصمیم گیری در طول همه گیر COVID-19 مزایای آنها را به نمایش گذاشت. آنها عملکرد خوبی داشته اند ، در حالی که مدل های سنتی تلاش کرده اند تا شرایط مشتری را تغییر دهند و بانک ها را مجبور به متوسل شدن به راه حل های باند کمک کنند (به عنوان مثال ، تنظیمات تخصصی نرخ پیش فرض در سطح بخش نمونه کارها). در این مقاله ، ما چهار بهترین شیوه ای را که هنگام طراحی مدل های جدید یا به روزرسانی موجود ، مشاهده کرده ایم ، به اشتراک می گذاریم.

چالش ها و مزایا

بسیاری از بانک ها با انتقال به یک مدل اعتباری پیشرفته تر می جنگند. آنها با قابلیت ، فناوری و موانع فرهنگی قابل توجهی روبرو هستند ، از جمله مجموعه محدودی از منابع داده. موتورهای تحلیلی ساده ؛اعتماد به نفس سنگین به ارزیابی های ذهنی از مدیران روابط (RMS) و کارگران. مدل های منسوخ و انعطاف پذیر که به مرور زمان وصله شده اند. و نگرانی در مورد طول اجرای و بررسی های نظارتی.

این چالش ها واقعی هستند و نباید کمرنگ شوند. اما مزایای غلبه بر آنها نیز نباید پایین بیاید. بانکهایی که قبلاً مدلهای اعتباری با کارایی بالا را در وام دیجیتال خود تعبیه کرده اند ، سه مزیت کلیدی را به دست آورده اند:

• افزایش درآمد. مدل های جدید منجر به افزایش درآمد 5 تا 15 درصد از طریق نرخ پذیرش بالاتر ، هزینه کمتر کسب و تجربه بهتر مشتری شده است. بانک ها با تمایز بهتر بین مشتریان معتبر و غیر قابل اعتبار ، می توانند نرخ پذیرش و قیمت گذاری را بهبود بخشند. در همین حال ، یک مدل تصمیم گیری اعتباری که بخش بزرگی از فرآیند ارزیابی را خودکار می کند و مراحل سنگین کاغذ را از بین می برد ، هزینه کسب را کاهش می دهد و تجربه مشتری را بهبود می بخشد. این همچنین منجر به اعدام های سریعتر می شود که کاهش قیمت معمولی مشاهده شده با جدول زمانی طولانی تر را کاهش می دهد.
• کاهش نرخ از دست دادن اعتبار. شرکت ها با استفاده از مدل هایی که می توانند دقیق تر احتمال مشتریان را به طور پیش فرض تعیین کنند ، 20 تا 40 درصد ضرر اعتباری خود را کاهش داده اند. این عنصر بر سطح مقررات و سرمایه ای که یک بانک باید در اختیار داشته باشد تأثیر می گذارد.
• بهره وریاستفاده از مدلهای جدید به لطف ترکیبی از استخراج داده های بسیار خودکار ، اولویت بندی مورد (به عنوان مثال ، استفاده از پردازش مستقیم برای موارد کم خطر در حالی که موارد در معرض خطر بالاتر را انجام می دهد ، 20 تا 40 درصد کارایی بهبود یافته است.) ، و توسعه مدل.

یک ضرورت رقابتی مهم تجاری

براساس این سه مزیت مدل های تصحیح اعتباری بهبود یافته ، متوسط بانک با دارایی 50 میلیارد یورو از شرکتهای کوچک و متوسط (SME) می تواند 100 میلیون یورو تا 200 میلیون یورو سود اضافی ببیند. علاوه بر این مزایا ، هنگامی که بانک ها مدل های اعتباری نسل بعدی را در جای خود قرار نمی دهند ، نقاط ضعف جدی وجود دارد. در گذشته ، بانک ها فقط هر پنج تا ده سال یکبار مدل ها را به روز می کردند. این امر زمانی قابل استفاده بود که بانک ها می توانند برای حفظ سهم بازار و سودآوری به موقعیت های فعلی خود اعتماد کنند. با این حال ، این استراتژی به طور قابل ملاحظه ای کمتر قابل تحمل است زیرا اطلاعات مشتری از طریق "بانکداری باز" و مقررات مانند PSD2 دموکراتیک تر می شود - و همانطور که شرکت های Fintech و بانک های مهاجم تکثیر می شوند و روی یک مشتری به طور فزاینده ای دیجیتالی متمرکز می شوند.

به ویژه نگران کننده است که امروزه بسیاری از مدل های تصویب اعتباری با توجه به اختلال در بازار ناشی از همه گیر Covid-19 ، به داده های تاریخی که تقریباً بی فایده هستند متکی هستند. برخی از بانکها پوشش های مدل را اعمال کرده اند که به صورت ذهنی مشتق شده اند و به اندازه کافی برای تحریریه نیستند - اغلب در یک صنعت یا جغرافیایی. به عنوان مثال ، چنین پوشش هایی ممکن است احتمال پیش فرض زیادی را به بخش مهمان نوازی در لندن اختصاص دهد بدون اینکه بین رستوران که به سرعت به یک مدل Omnichannel منتقل شده است (که به وقفه های تجاری و قفل های تجاری می پردازد) و یکی از مواردی که ندارد. با توجه به اینکه دولت ها شروع به عقب نشینی حمایت های بی سابقه خود می کنند ، موجب فوری تر شدن امور می شود. بانک ها باید چنین شرکت هایی را به سرعت شناسایی کنند.

به عبارت دیگر ، استفاده از مدلهای جدید برای تصمیم گیری اعتبار نه تنها یک روش قدرتمند برای تقویت سود بلکه یک ضرورت رقابتی مهم در تجارت است. بانکها باید مدلهای تصمیم گیری خودکار را به کار گیرند که بتوانند منابع جدید داده ها را مورد استفاده قرار دهند ، رفتارهای مشتری را به طور دقیق تر درک کنند ، بخش های جدید را باز کنند و سریعتر در برابر تغییرات در محیط کسب و کار واکنش نشان دهند. این امر به آنها امکان می دهد تا به مشتریان خود بهتر خدمت کنند ، تجارت خود را رشد دهند و با شرکت های FinTech و بانک های مهاجم که دائماً بازی های فناوری خود را بالا می برند و به دنبال گرفتن سهم بازار هستند ، رقابت کنند.

بانکها باید مدلهای تصمیم گیری خودکار را به کار گیرند که بتوانند منابع جدید داده ها را مورد استفاده قرار دهند ، رفتارهای مشتری را به طور دقیق تر درک کنند ، بخش های جدید را باز کنند و سریعتر در برابر تغییرات در محیط کسب و کار واکنش نشان دهند.

چهار روش بهترین

مک کینزی هنگام طراحی مدل های جدید برای تصمیم گیری ، چهار بهترین شیوه را شناسایی کرده است: اجرای یک معماری مدولار ، گسترش منابع داده ، داده های معدن برای سیگنال های اعتباری و تخصص کسب و کار. ما همچنین یک فرآیند چابک پنج مرحله ای را برای اجرای یک مدل جدید در کمتر از شش ماه تعریف کرده ایم ، بسیار سریعتر از 12 تا 24 ماه.

یک معماری مدولار را پیاده سازی کنید

از لحاظ تئوریکی ، یک الگوریتم بهینه سازی بر روی یک بانک اطلاعاتی تلفیقی که با مخلوط کردن تمام منابع داده زیربنایی ساخته شده است ، مدل بهینه (جهانی) را به دست می آورد. با این حال ، رهبران صنعت یک معماری ماژولار را ترجیح می دهند که زیر مجموعه های متعددی (یا ماژول ها) را بر اساس پوشش داده ها و اطلاعات مربوط به صنعت و تفاوت های جغرافیایی که برای ارائه یک سیگنال اعتباری متا ترکیب شده اند ، داشته باشد. از آنجا که این مدولار باعث اضافه شدن یا حذف ماژول ها می شود ، بانک ها می توانند داده های جدید یا متفاوت را در مدل ادغام کنند تا انعطاف پذیر و قوی باشد. عنصر اصلی در اینجا این است که چگونه یک بانک در مورد ادغام نمرات زیرمجموعه به یک امتیاز (نمایشگاه 1) می رود.

به عنوان مثال ، یک بانک می تواند از یک معماری مدولار برای واکنش سریع به یک اختلال شدید اقتصادی ، مانند همه گیر Covid-19 استفاده کند. این می تواند یک ماژول را با چنین بیماری همه گیر در ذهن طراحی کند (به عنوان مثال ، یک ماژول با تمرکز بر تغییر در موقعیت های پول نقد و درآمد) و به ماژول وزن بالاتری در مدل می دهد تا سیگنال های اعتباری با ظرافت تری دریافت کند.

این معماری فقط در مواقع پریشانی اقتصادی مفید نیست. پوشش دقیق تر از بخش های مختلف جمعیت می تواند مناطق رشد جدید را باز کند. بانکها ممکن است در گذشته از برخی مناطق بالقوه سودآور غافل شوند ، زیرا ممکن است تعداد زیادی از شاخص جینی اضافه نکند. به عنوان مثال ، یک ماژول کارگردان برای تعداد نسبتاً کمی از افراد اعمال می شود. اما روشی که مدیران با شرکتهای خود رفتار می کنند (به ویژه در فضای SME) پیش بینی کننده قدرتمندی برای پرداخت بدهی آینده است ، بنابراین این ماژول کوچک می تواند سیگنال های اعتباری بسیار مهمی را به همراه داشته باشد.

ما همچنین اغلب می دانیم که بانک ها از یک رویکرد محصول محور برای مدل های اعتباری پیروی می کنند ، و فقط داده های مربوط به آن محصول را تجزیه و تحلیل می کنند. یک رویکرد مشتری محور ، که ترکیبی از سیگنال های داده از کلیه مناطق محصول است که مشتری در آن تعامل دارد ، تقریباً همیشه یک مدل با کارایی بالاتر را به همراه دارد.

هماهنگی بین ذینفعان-تجارت ، تیم توسعه مدل و تیم نگهداری مدل-برای اجرای این معماری بسیار مهم است. در هنگام طراحی زیرمجموعه ها ، تیم های توسعه مدل برای اعتبار سنجی فرضیات باید با تجارت مشورت کنند. در عین حال ، توسعه مدل می تواند نشان دهد که آیا داده های موجود در هر زیرمجموعه به اندازه کافی متمایز هستند یا خیر. همپوشانی داده ها می تواند نتایج را کاهش دهد. به عنوان مثال ، تهیه اطلاعات مربوط به مالی هم از دفتر اعتبار و هم مالی شرکت می تواند منجر به یک عامل مالی دو بار در مدل شود ، بنابراین دو برابر تأثیر واقعی آن را شمارش می کند (نمایشگاه 2).

منابع داده را گسترش دهید

رهبران صنعت برای بهبود قدرت پیش بینی سیگنال های اعتباری به چندین منبع داده داخلی و خارجی ضربه می زنند. آنها کار بهتری نسبت به رقبای خود انجام می دهند که از منابع داخلی داده های سنتی استفاده می کنند ، آن را با داده های غیر سنتی داخلی غنی می کنند و آن را با داده های سنتی خارجی تکمیل می کنند. آنها همچنین سایر داده های غیر سنتی خارجی را کشف می کنند - و حتی برخی از داده های ذهنی از RMS و کارگران را برای پر کردن شکاف ها در بر می گیرند (نمایشگاه 3).

در کار ما با مشتری ، دریافتیم که داده های معامله ای به ویژه مفید هستند. به عنوان مثال ، رهبران در حال پذیرش بانکداری باز به عنوان راهی برای بهره برداری بهتر از داده های تراکنش سنتی هستند. در واقع ، این احتمال وجود دارد که بانکداری آزاد پایه و اساس تجزیه و تحلیل اعتبار نسل بعدی باشد. دلیل این امر این است که داده های بانکی باز می توانند دید کاملی از مشتری نسبت به سایر داده ها ارائه دهند ، زیرا می تواند به بانک ها نگاه کند-به عنوان مثال تخمین دقیق تری از درآمد. و API های بانکی باز می توانند به راحتی بسیاری از جزئیات معامله را بکشند.

در مورد داده های خارجی غیر سنتی که می توانند داده های داخلی را تکمیل کنند ، داده های مخابراتی نمونه ای عالی هستند. بسیاری از افراد فاقد سابقه اعتبار هستند. با این حال ، تلفن های همراه آنها داده های غنی در مورد رفتار فردی ، از جمله پرداخت صورتحساب برای استفاده از تلفن ، الگوهای تماس و متن و خریدهای انجام شده از طریق تلفن همراه ایجاد می کنند.

علاوه بر این ، از آنجا که آنچه مردم در شبکه های اجتماعی و حرفه ای خود به اشتراک می گذارند ، اغلب بسیار آشکار است ، این اطلاعات شبکه به طور فزاینده ای به عنوان منبع مهم داده های خارجی غیر سنتی شناخته می شود. آیا شخص با دیگران با تاریخ اعتبار بد یا کلاهبرداری ارتباط دارد؟آیا مکان شغلی شخص به طور مکرر تغییر کرده است؟شخص به کجا سفر کرده است؟

داده های معدن برای سیگنال های اعتباری

بانک های پیشرو به ویژه در استخراج داده های موجود داخلی خود و همچنین ترکیب منابع داده برای استخراج سیگنال های اعتباری با پیش بینی بسیار خوب هستند. این امر مستلزم تجزیه و تحلیل پیشرفته منابع داده های موجود است، مانند داده های تراکنش استخراج که بسیار فراتر از تعداد ساده روزهای گذشته است و تحلیل های ورودی و خروجی که معمولاً در مدل های رفتاری آنها یافت می شود. این بانک ها همچنین از داده های بانکداری باز (بر اساس حوزه قضایی) برای شناسایی الگوهای مخارج و درآمد پیچیده استفاده می کنند، صورت های مالی و جریان نقدی ترکیبی می سازند، سپس از صورت های ترکیبی برای حذف سیگنال های اعتباری و شناسایی راه های جدید برای تقسیم بندی پایگاه مشتری استفاده می کنند. بانک های پیشرو که دسترسی جزئی به داده های مشتریان خود دارند، از یادگیری ماشینی (ML) و هوش مصنوعی استفاده می کنند تا دید کامل تر، هرچند کمی مبهم تر از مشتریان ایجاد کنند.

تعداد انگشت شماری از بانک ها حتی پیشرفته تر هستند. در درون آنها، کارشناسان کسب و کار و مدل سازی بسیار هماهنگ هستند و از تجزیه و تحلیل عمیق برای استخراج مجموعه گسترده ای از داده ها برای سیگنال های اعتباری استفاده می کنند. برای مثال، آنها از تکنیک های متن کاوی و پردازش زبان طبیعی برای برچسب گذاری دقیق تر جزئیات تراکنش ها استفاده می کنند و فعالیت های شبکه را زیر نظر دارند تا فعالیت های شخصی و تجاری را در مدل های ریسک اعتباری خود بگنجانند. این بانک ها همچنین در سه حوزه پیشتاز به کارگیری ML و AI هستند:

• ایجاد قوانین تقسیم بندیبا استفاده از تکنیک های ML، بانک می تواند متغیرهای خاص را برای تعریف بخش های دقیق و گاهی جدید مشتریان شناسایی کند. به عنوان مثال، عوامل خطر مرتبط با جغرافیای محلی بیشتر مربوط به مشاغل کوچکتر است، در حالی که عوامل خطر ناشی از مالی شرکت ها برای مشاغل بزرگتر مرتبط هستند.
• استخراج سیگنال های اعتباریروش های مختلفی، از جمله تبدیل های متغیر سنتی (مثلاً از طریق توابع قدرت، اسپلاین ها و تحلیل روند) و استخراج نسبت های معقول تجاری، وجود دارد. به عنوان مثال، یک بانک ایالات متحده در یک سرمایه گذاری مشترک با یک سوپرمارکت می تواند ضریب جینی (قدرت پیش بینی) یک متغیر منفرد حاصل از SKU را با اعمال انواع تغییر شکل ها از 8 به 32 افزایش دهد. اخیراً بانک ها با استفاده از تکنیک های ML و AI به این زرادخانه اضافه کرده اند. به عنوان مثال، با استفاده از تکنیک های پردازش زبان طبیعی برای تراکنش های انجام شده در یک حساب، یک بانک می تواند تغییرات را در پرداخت های اجاره و تسهیلات از مشتریان فردی شناسایی کند و بنابراین تعیین کند که آیا مشتری با چالش های اعتباری مواجه است یا خیر.
• ساخت و اعتبار سنجی مدل های Challenger. یک بانک می تواند از تکنیک های ML برای توسعه مدل های Challenger به موازات مدل های ریسک اعتباری خود استفاده کند تا کشف کند که سایر سیگنال های اعتباری به طور بالقوه می توانند عملکرد را بالا ببرند.

به عنوان مثال ، ما با یک بانک خرده فروشی بزرگ کار کردیم که می خواست قدرت پیش بینی مدل رفتار مبتنی بر رگرسیون آن را برای نمونه کارها کارت اعتباری خود بهبود بخشد. اما بانک می خواست از استفاده از رویکرد "جعبه سیاه" خودداری کند که می تواند از درک کامل تصمیمات الگوریتم جلوگیری کند. این بانک از مدل ML خود برای درک بخش های خاص استفاده کرد که در آن می تواند مدل مبتنی بر رگرسیون را بهبود بخشد. سپس آن بخش ها را حک کرد و مدلهای اختصاصی ساخت که قدرت پیش بینی را به 75 درصد بهبود می بخشد ، از 67 درصد (بر خلاف 80 درصد در یک مدل ML خالص).

تخصص کسب و کار اهرم

ML و AI ابزارهای خارق العاده ای هستند ، اما مدل های اعتباری نباید فقط بر اساس روش های آماری بنا شوند. برای یک مدل واقعاً قوی و با عملکرد بالا ، بانک ها باید در طی فرآیند مدل سازی ، از تخصص داخلی تجارت خود استفاده کنند. این به آنها کمک می کند تا بهتر درک کنند که سیگنال های اعتباری از دست رفته و سپس سیگنال های اعتباری جدید را شناسایی و تأیید می کنند.

به عنوان مثال ، طراحان مدل باید در مورد مسائل مربوط به اعتبارات و RMS مصاحبه کنند و با آنها در مورد چگونگی ترجمه بینش خود به سؤالات کیفی برای سیگنالینگ اعتبار بهتر همکاری کنند. این کارشناسان تجاری همچنین می توانند بر اساس تعامل زندگی واقعی خود با مشتریان ، دانش فرآیندهای بانکی و درک انطباق ، به اعتبار سیگنال های اعتباری کمک کنند. به عنوان مثال ، کارشناسان تجاری در انگلستان اهمیت جریان تجارت پس از Brexit را برای درک عملکرد اعتبار مشاغل صادرات گرا برجسته کردند. این سیگنال ممکن است در مدل برجسته نباشد ، زیرا اختلالات تجاری از لحاظ تاریخی در مشاغل سودآور و در حال رشد تجربه نشده است.

یک رویکرد گام به گام به تحول

با دنبال کردن یک فرآیند پنج مرحله ای چابک ، بانک ها می توانند در کمتر از شش ماه یک مدل جدید برای تصمیم گیری اعتبار را اجرا کنند-خیلی سریعتر از 12 تا 24 ماه که امروزه هنجار صنعت است:

• راهپیمایی مدل اعتباری. تجزیه و تحلیل مدل اعتبار ، بررسی راه اندازی روش شناختی ، عملکرد و استفاده از آن برای شناسایی مناطق بالقوه بهبود.
• تشخیص و طراحی مدل اعتباری. وضعیت فعلی آمادگی داده ها را ارزیابی کنید، منابع داده ای را شناسایی کنید که به راحتی در مدل سازی گنجانده شوند، و سپس یک نقشه راه برای گنجاندن آن داده ها ایجاد کنید. عملکرد مدل را در بخش های مختلف و با عملکرد همتایان مقایسه کنید تا نقاط ضعف را شناسایی کنید.
• آماده سازی داده ها و مهندسی. داده ها را مهندسی کنید تا آنها را برای مدل سازی آماده کنید (به عنوان مثال، قالب بندی، آزمایش کامل، و انجام مقادیر از دست رفته و عملیات ثبت).
• توسعه نسل بعدی مدل های امتیازدهی اعتباری. یک محصول با حداقل قابلیت تولید آماده تولید کنید. به طور معمول، این نیاز به سه چرخه دو هفته ای مدل سازی دارد که شامل بازخورد کارشناسان و تحلیلی در هر چرخه می شود.
• ادغام امتیازدهی اعتباری در تحول وام. فرآیندهای وام دهی را خودکار کنید و مدل تصمیم گیری اعتبار را با مدل های جدید امتیازدهی اعتباری به روز کنید.

همانطور که بانک ها به دیجیتالی کردن شرکت های خود ادامه می دهند، به مدل های پیچیده تر و خودکار تصمیم گیری اعتباری نیاز دارند که بتواند طیف گسترده ای از داده های سنتی و غیرسنتی را از داخل و خارج سازمان ترکیب کند. این امر آنها را در شرایط اقتصادی چالش برانگیز و در برابر فشار شدید شرکت های فین تک و بانک های رقیب رقابتی تر و انعطاف پذیرتر می کند. چهار روش برتر مورد بحث در اینجا می تواند به هر بانکی کمک کند تا مدل اعتباری خود را ارتقا دهد.

راج داش یک کارشناس ارشد مستقر در دفتر مک کینزی در لندن است، جایی که الکساندر پتروف شریک ارشد است. آندریاس کرمر شریک دفتر برلین است.

نویسندگان مایلند از سیذارتا میسا و جاگریتی سینگ برای کمک به این مقاله تشکر کنند.