Šis sprendimas pagerino kredito rizikos prognozių tikslumą, pagreitino įtraukimo į rinką procesą ir sumažino gyvybingų įmonių atmetimo atvejų skaičių. Projektas padėjo „Factris“ nustatyti didelės vertės klientų prioritetus ir efektyviau valdyti finansinę riziką. Nuo to laiko modeliai buvo visiškai integruoti į „Factris“ sistemas, o sprendimas gali būti pritaikytas kitoms pramonės šakoms, įskaitant mažmeninę prekybą, logistiką ir sveikatos priežiūrą, kad būtų galima valdyti duomenimis pagrįstą riziką.

Iššūkis

Faktoringo pramonėje tikslus kredito vertinimas yra labai svarbus vertinant su MVĮ finansavimu susijusią riziką. Tradiciniai kredito vertinimo modeliai paprastai yra riboti, ypač kai taikomi mažesnėms įmonėms, nes jiems dažnai trūksta duomenų, reikalingų tiksliems vertinimams atlikti. „Factris“ tai lėmė lėtesnius procesus ir galimą įmonių, kurios galėjo sėkmingai grąžinti paskolas, atmetimą.

Be to, klientui reikėjo sprendimo, kuriuo būtų galima ne tik numatyti, ar skola bus grąžinta laiku, bet ir atsižvelgti į nedidelius vėlavimus bei kitus kintamuosius. Sistema turėjo būti pritaikoma, gebėti atlikti naujų klientų ir esamų skolininkų vertinimus ir būti keičiama daugelyje regionų, kuriuose taikomi skirtingi reguliavimo standartai.

Sprendimas

Sukūrėme mašininiu mokymusi pagrįstą kredito vertinimo sistemą. Sistema prognozuoja skolos grąžinimo tikimybę ir kredito riziką, specialiai pritaikyta MVĮ faktoringo sričiai. Modeliai naudoja daugybę įvesties duomenų, įskaitant įmonės finansinius duomenis, teismo įrašus ir istorinę mokėjimų elgseną, kad sukurtų tikslias prognozes ir padėtų „Factris“ priimti geresnius sprendimus dėl paskolų. Tarp svarbiausių funkcijų - API integracija, leidžianti realiuoju laiku nustatyti balus ir tvarkyti finansiškai reikšmingiausių įmonių nukrypimus.

Diegimo procesas

Duomenų paruošimas ir funkcijų inžinerija apėmė duomenų valymą ir tikslinimą, pagrindinių prognozių nustatymą ir naujų funkcijų kūrimą, siekiant padidinti modelio tikslumą. Buvo sukurti du pagrindiniai modeliai: vienas skirtas grąžinimo prognozavimui, o kitas - nukrypimams, pavyzdžiui, daugiausiai pajamų gaunančioms bendrovėms, vertinti. Integravimas ir testavimas apėmė modelio įterpimą tiesiogiai į „Factris“ sistemas, naudojant API ir „Docker“ konteinerius, skirtus apdorojimui realiuoju laiku. Norint pritaikyti regionams, reikėjo sukurti atskirus modelius Lietuvai, Latvijai ir Nyderlandams, kad būtų atsižvelgta į regioninius duomenų ir reguliavimo aplinkos skirtumus, o šie modeliai buvo permokyti remiantis naujomis įžvalgomis iš kiekvienos rinkos. Užbaigus projektą, „Factris“ visiškai perėmė modelių priežiūrą, o „AAI Labs“ užtikrino sklandų įdarbinimo procesą ir visapusišką žinių perdavimą.

Rezultatai

Mašininio mokymosi modeliai pagreitino kreditų vertinimo procesą, todėl naujų klientų priėmimas tapo greitesnis. Įgyvendinant projektą buvo pasiektas 96% teisingai įvertintų priimtų atvejų sėkmės rodiklis ir tik 4% klaidų rodiklis dėl vėlavimo nepavykusių atvejų. Tai leido mažosioms ir vidutinėms įmonėms (MVĮ) greičiau gauti finansavimą.

Pagerėjęs modelių tikslumas taip pat reiškė, kad mažiau įmonių buvo klaidingai atmesta, todėl padidėjo patvirtintų paskolų skaičius ir bendros „Factris“ pajamos. 20% įmonių suteikė 80% pajamų, o tai rodo, kaip modelis padėjo nustatyti didelės vertės klientų prioritetus ir valdyti finansinę riziką.

Pritaikomumo galimybės

Nors sprendimas buvo sukurtas konkrečiai šiam klientui, pagrindinius principus galima pritaikyti kitiems regionams ir pramonės šakoms. Pagrindinis iššūkis perkeliant šį sprendimą yra regioniniai reglamentų ir ataskaitų teikimo standartų skirtumai. Tačiau turint tvirtą pagrindą ir gerai suprantant, kokie modeliai ir duomenų transformacijos veikia geriausiai, ateityje pritaikyti sprendimą galima greičiau nei pradėti nuo nulio.

Be to, tokios pramonės šakos kaip mažmeninė prekyba, gamyba ir sveikatos priežiūra gali naudoti šiuos modelius įvairioms reikmėms, pavyzdžiui, rizikos vertinimui, klientų kreditų analizei ir veiklos efektyvumui didinti. Pavyzdžiui, mažmenininkai gali pagerinti paklausos prognozavimą, o gamintojai - optimizuoti atsargų valdymą. Logistikos ir tiekimo grandinės valdymo srityje prognozavimo modeliai gali prognozuoti pardavėjų patikimumą ir sumažinti finansinę riziką sudėtingose tiekimo grandinėse. Šie modeliai taip pat gali būti taikomi draudimo, energetikos ar nekilnojamojo turto srityse, kur tikslios rizikos prognozės ir finansinės prognozės yra labai svarbios duomenimis pagrįstų sprendimų priėmimui ir veiklos sėkmei.