Оценка надежности клиентов финансовой ОРГАНИЗАЦИИ ПО ИХ ПРОФИЛЯМ В СОЦИАЛЬНЫХ СЕТЯХ

1 Введение 3
2 Постановка задачи 5
3 Обзор литературы 7
4 Сбор данных 8
4.1 База данных мфо 8
4.2 Социальная сеть ВКонтакте 9
5 Анализ данных 12
6 Архитектура текущей системы 15
7 Сервис 16
7.1 Транспортный слой 16
7.2 Бизнес логика 16
7.3 Middlewares 18
8 Интеграция 21
9 Заключение 22
Список литературы 23
Приложение 27
Купить

В сфере микрокредитования решение о выдаче займа принимается на ос­новании анкеты клиента и кредитной истории гражданина. Процессы ручного рассмотрения каждой заявки уже сейчас начинают уходить на второй план. До появления систем авто-скоринга андеррайтеры занимались обработкой все­го трафика заявок и принимали свое субъективное решение. Большие компании стремятся заменить своих сотрудников алгоритмическими системами [1]. Уже сейчас большой процент заявок на кредит (если быть точнее, то 90%) в микро- финансовой организации, для которой компания Devim разрабатывает и внед­ряет алгоритмы оценки, обрабатываются автоматически, а остальные уходят на ручное рассмотрение андеррайтерам соответствующей мфо (микрофинансовая организация). И многие заявки возвращаются клиентам в статусе «Отказано», что негативно сказывается и на жизни гражданина, и на прибыли микрофинансовой организации. Предугадать кредитную историю можно попробовать из общедоступных данных о клиенте из социальных сетей. В социальных се­тях пользователи легко делятся своей приватной и публичной информацией, которую можно добавлять к данным анкеты, не указанным клиентом. Так как при подаче заявки в микрофинансовую организацию клиент обязуется указы­вать свои паспортные данные, о чем сказано в договоре, то несовпадение этих данных с информацией из социальной сети может трактоваться как попытка мошенничества.
Пока что сервисы скоринга не обучены звонить клиентам, оценивать их эмоциональное и физическое состояние, задавать косвенные вопросы и нечетко анализировать данные и поведение пользователя в социальных сетях. Google показала на своем фестивале разработчиков Google I/O 2018 [2], что их Асси­стент движется в этом направлении - понимании общего смысла устной речи [3]. Внедрение таких алгоритмов общения с клиентами вместо андеррайтеров очень рискованная и трудозатратная задача. В такой ситуации человек обла­дает преимуществом - он может позвонить и лично пообщаться с клиентом, подробнее спросить его про заявку. А для получения каких-то дополнительных данных они просматривают профили клиентов из социальных сетей, а также профили друзей и родственников. Автоматизация обхода профилей и их анализ облегчит монотонную работу андеррайтера и ускорит принятие решение, время на вынесение которого может быть ограничено политикой компании.
Бывают ситуации, когда в займе было отказано, так как клиент не име­ет кредитной истории. Клиентами без кредитной истории могут быть моло­дые люди, которые в силу своего возраста не могли брать займы, и мигран­ты, кредитную историю которых затруднительно получить в силу языковых, географических и технологических барьеров. Например, пока что сложно ин­тегрироваться с бюро кредитных историй каждого государства, даже если оно имеет собственное API для таких целей. В таких случаях предсказывающие модели могут давать некорректные решения. Оценка кредитоспособности для таких клиентов зависит от конкретной системы, её архитектуры и встроенных алгоритмов. Так, заявки без кредитной истории могут отклоняться в 100% слу­чаев или перенаправляться андеррайтерам. Анализ профиля социальной сети в некоторых случаях может помочь заполнить пробелы в анкете клиента для корректировки входящих данных в модель.
Купить