Машинное обучение можно применять и в скоринге, и в идентификации пользователей, и во многих других вопросах финансового рынка.
Об этом рассказал CEO и основатель компании Artellence Владимир Лозовой на FinRetail2020.
“Машинное обучение работает таким образом: компьютеру на вход подаются массивы размеченных данных и он сам находит в них закономерность. Таким образом машинное обучение может помочь и в финансовой сфере”, – заявил эксперт.
Применение в финансах:
- кредитный скоринг;
- предиктивные (предсказательные — ред.) модели, маркетинговые коммуникации, персонализации продуктов и на этапе коллекшна;
- распознавание лиц.
Как применять предиктивные модели на практике:
- сначала нужно собрать внешние данные о клиентах, то есть провести анализ целевой аудитории и клиентов и собрать их в одну CRM;
- потом происходит лидогенерация. На этом этапе происходит персонализация лендинга;
- прогноз LTV (Lifetime Value) клиента и персонализация продуктов;
- вероятность возврата долга, мэтчинг и распознавание голоса.
Как связанны кредитный скориг и машинное обучение. По словам Лозового, эта связь в первую очередь в альтернативных данных.
“Внутренние данные или данные кредитной истории — они более простые, их можно проанализировать более простыми источниками. А когда мы смотрим на данные альтернативных источников, например соцсетей или смартфонов — их очень много и они неструктурированные и неоднородные. Для того чтобы их проанализировать, нужны алгоритмы другой сложности”, – рассказал Лозовой.
По его словам, машинное обучение позволяет из миллиона переменных (лайки, реакции на посты, количество “плохих” друзей, которые не вернули долг в МФО) составить финальную скоринговую модель. То же самое можно сделать и по телефону. Например, если человек записывает знакомых по имени и фамилии, шанс того, что он вернет заем в 16 раз выше, чем тот, у которого в контактной книге друзья записаны по никнеймам.
Источник: news.finance.ua
