• Raul Nugis, Author |
2 mins read

Принадлежащий корпорации Google конкурсный тендер для специалистов по анализу данных Kaggle включает ряд испытаний по прогнозированию кредитных и страховых рисков. Они довольно явно свидетельствуют – и читающие эту статью работники финансового сектора могут это подтвердить, – что на основании достаточного объема исторических данных можно неплохо оценить связанные с клиентом риски и спрогнозировать его поведение

Казусы машинного обучения в финансовом секторе

Какие же риски, связанные с клиентами из числа отдельных лиц, а иногда и предприятий, желают оценивать на практике? По данным Kaggle, в числе прочих, специалистам по анализу данных заказывали модели, способные делать как можно более точные прогнозы того, может ли клиент не продлить страховой договор. В многотысячной базе данных клиентов можно отыскать именно тех 50 клиентов, которые представляют самый серьезный риск с точки зрения расторжения или непродления договора. Поставщик услуг, которого обслуживают такие умные алгоритмы, сможет что-нибудь предпринять еще до того, как у клиента сформируется твердое желание расторгнуть договор, – например, внести персональное предложение о продлении договора. Такой алгоритм служит рычагом для получения дополнительного дохода.

Конечно же, представляют интерес и модели, которые прогнозируют, существует ли опасность, что клиент не выплатит кредит, и тем самым помогают сократить потребность в списании кредитов. При наличии достаточной информации, описывающей потенциального получателя кредита, его прошлое и источники доходов, алгоритм машинного обучения сможет отнести клиента к потенциальным плательщикам или неплательщикам. Огромное преимущество машинного обучения состоит в том, что оно может само выбрать из доступных данных те из них, которые релевантны для составления прогноза. Неожиданно может выясниться, что известное влияние оказывает, например, то, желает ли клиент сразу взять максимальную сумму кредита или ограничивается сначала частью того, что ему предлагают, или то, предпочитает ли клиент платить за договор наличными или банковской картой, и многие другие, незначительные на первый взгляд обстоятельства.

Практическое средство

Казусы машинного обучения обладают не только академической ценностью. Хотя искусственный интеллект звучит ужасающе сложно, вроде ракетостроения, на сегодня он стал важным практическим инструментом во многих секторах – в том числе, в финансовом и в различных секторах, связанных с торговлей. Государство также вносит активный вклад в распространение машинного обучения в публичном секторе, поставив перед собой цель к 2021 году увеличить количество роботов с искусственным интеллектом (Краттов) с 25 до 50.

Иллюстрация взята с сайта на тему машинного обучения https://scikit-learn.org/

 

Опыт Lighthouse

KPMG Lighthouse активно использует решения машинного обучения в работе с клиентами. Наш метод – испытывать различные алгоритмы контролируемого машинного обучения и близкие к ним, начиная с алгоритмов регрессионного типа и заканчивая популярными алгоритмами глубокого и стимулированного (с подкреплением) обучения. Так мы выясняем и настраиваем решение, наиболее подходящее для конкретного поставщика услуг. И оно может оказаться именно той соломинкой, которая перевесит финансовые результаты поставщика услуг на высококонкурентном рынке в сторону плюса.