Индустрия кредитных карт огромна, многие компании обслуживают сотни миллионов держателей кредитных карт. Как компании-эмитенты кредитных карт справляются с таким количеством клиентов? Есть так много решений, которые нужно оптимизировать, от определения того, кому выдать кредитную карту, сколько кредита предложить, какие преимущества предложить и когда, как защитить от мошенничества и многое другое.
Например, данные Федерального резервного банка Атланты, опубликованные в августе 2019 года, показали, что у 75,5% потребителей была хотя бы одна кредитная карта, определяемая как карта, которая позволяет держателю карты совершать покупки, занимая средства, которые будут возвращены на кредитную карту. компания позже. [1]
Модели машинного обучения все чаще используются как для развития кредитного бизнеса, так и для защиты от все более изощренных попыток мошенничества. Эта тенденция обязательно будет расти, поскольку актеры, как хорошие, так и плохие, продолжают активно инвестировать в эту технологию.
Модели машинного обучения ElectrifAi предварительно созданы на основе глубокого опыта в различных областях, особенно в области управления жизненным циклом кредитных карт и взаимодействия с клиентами. С 2004 года мы разрабатываем ведущие в отрасли технологии для нескольких ведущих финансовых институтов, поэтому мы понимаем сложности и риски как для эмитента, так и для заемщика (потребителей и предприятий).
Давайте углубимся в несколько лучших моделей машинного обучения, которые жизненно важны для успеха на протяжении всего жизненного цикла кредита. Прочитав этот список, сообщите нам, как мы можем начать или улучшить ваше путешествие по машинному обучению!
Разоблачить мошенничество
Выявление мошенничества — это когда кто-то действует как обычный потребитель, а затем внезапно увеличивает расходы на своей карте, не собираясь платить. По мере того, как заемщик использует карту в торговом центре, на заправке или в интернет-магазинах, модель Bust Out Fraud выявляет модели поведения и всплески использования, которые предшествуют отказу заемщика от счета без оплаты.
Чтобы предотвратить убытки, некоторые эмитенты могут вызвать ложную тревогу, не позволяя кому-либо использовать их кредит до тех пор, пока проблема не будет решена. Звонок клиенту, а затем предотвращение использования карты является ненужным расходом и подвергает риску действующую учетную запись. Ложные тревоги также отнимают время у предотвращения реальных потерь.
Существуют подходы искусственного интеллекта, которые не используют машинное обучение, а применяют ряд правил для обнаружения мошенничества. В чем машинное обучение помогает, так это в обнаружении сложных паттернов, которые появились в реальном использовании и слишком сложны для систем, основанных на правилах.
Системы, основанные на правилах, требуют постоянной настройки и корректировки, чтобы попытаться настроить их на реальный мир. С другой стороны, машинное обучение — это процесс использования примеров из реальной жизни для выполнения этой настройки за вас.
Благодаря гораздо более быстрому окупаемости и большей точности обнаружение мошенничества на основе машинного обучения сводит к минимуму количество ложных срабатываний без риска увеличения количества промахов.
Чтобы узнать больше о том, как работают наши модели машинного обучения, мы создали видео, используя в качестве примера нашу модель Bust Out Fraud. Проверь!
Управление кредитной линией
Традиционный взгляд эмитентов на управление кредитной линией заключается в присвоении баллов определенному поведению заемщиков. Например, у потребителя может быть семь кредитных карт, а система, основанная на правилах, говорит, что идеальное число — четыре. Потребитель получает более низкую оценку, независимо от фактического основного риска. Баллы добавляются или вычитаются из кредитного рейтинга на основе определенного поведения, которое, как ожидают эмитенты, статистически соответствует людям с хорошей кредитной историей.
Многим факторам присваиваются баллы, и все, что вызывает подозрения, может потерять баллы. Например, если кто-то внезапно вынет три кредитные карты, то, несмотря на высокий текущий счет и идеальные показатели своевременной оплаты счетов, кредитный рейтинг может быть снижен при условии риска. Машинное обучение имеет гораздо лучшую способность отделять случаи, когда это было правдой, от тех, где это не так. Система, основанная на правилах, может знать, что внезапное увеличение доступного кредита приводит к отрицательному результату, возможно, в 40% случаев. Машинное обучение изучает заемщиков, которые напоминают тех, кто продолжает платить, от тех, кто этого не делает, и может вернуть многих из оставшихся 60% заемщиков, которые не представляют риска.
Система, основанная на правилах, которая добавляет или вычитает баллы, упустит важные различия между этими группами. Если кто-то является профессиональным профессионалом и постоянно работал, но берет несколько кредитных карт, он не должен подвергаться такому же наказанию, как кто-то без большой занятости или кредитной истории. Всегда можно добавить больше правил, но создание этих правил становится очень сложным. Машинное обучение эффективно выводит эти правила из реальных данных, включая сложные взаимодействия между тысячами факторов, что выходит далеко за рамки возможностей любого аналитика извлечь данные из данных посредством проверки.
С помощью машинного обучения вы можете гораздо эффективнее сегментировать население. Модель управления кредитной линией ищет людей со схожим поведением и историей и определяет кредитоспособность на основе этих похожих людей. Те, кто, как и другие, с хорошим кредитным рейтингом, получат более высокий кредитный лимит. Поскольку люди многогранны и нужно учитывать множество факторов, чтобы найти истинное сходство, машинное обучение — единственный практичный способ добиться передовых результатов.
Кросс-продажи и допродажи
Cross-Sell и Upsell применяются ко многим продуктам, которые кредитное агентство или банк предоставляют клиентам. Сегментация клиентов эффективно определяет тип предложения, который является наиболее привлекательным для клиента, что приводит к гораздо более высокой вероятности покупки. Может быть, это другой тип программы кредитных карт, например, программа вознаграждения за путешествия, а не баллы за покупки в Интернете. Понимание склонности человека покупать каждый продукт имеет решающее значение для успеха продукта.
Если человек склонен к более низкому риску, попытка продать ему продукт с более высоким риском не сработает. А вот продажа полезного продукта в их зоне комфорта с гораздо большей вероятностью будет успешной. Вы должны понимать не только то, что, по вашему мнению, отвечает их финансовым интересам, но и то, что они считают своими собственными финансовыми интересами.
Вот где сияет машинное обучение. То, что человек может рассматривать как вероятный сценарий из-за своего собственного опыта и то, что, по их мнению, кого-то интересует, машина будет смотреть только на факты — фактические данные с обоснованными решениями. Машинное обучение может обрабатывать сотни тысяч факторов, которые помогают найти сходство между покупателями, чтобы понять, что их действительно привлекает и какой продукт действительно заставит их купить.
Прогноз вероятности контакта с вечеринкой
Когда учетная запись передается на взыскание, существует множество правил, касающихся того, что разрешено делать кредитору, например, как часто ему разрешено связываться с неплательщиком. Кредиторам должно быть разрешено собирать невыплаченные деньги, но иногда существует тонкая грань между взысканием и преследованием.
Одна из вещей, которая может сделать компанию намного более эффективной в процессе сбора платежей, — это понять, с кем им следует связываться по этому поводу, какой метод им следует использовать и когда им следует связываться. Если вы пытаетесь связаться с клиентом, чтобы сообщить ему, что он просрочил счет, но сейчас вторник, 10 утра, и вы знаете, что он на работе, у вас мало шансов заставить его заплатить. Но если вы свяжетесь с этим человеком в 19:00, у вас гораздо больше шансов заставить его выйти в интернет и заплатить.
Чтобы связаться с нужным человеком в нужное время, чтобы оплатить его счета, важно, чтобы вы понимали этого человека. Лучшее время дня и лучший способ сделать это можно определить с помощью модели прогнозирования вероятности контакта с вечеринкой. Модель учитывает различные факторы и пытается понять поведение клиентов и предсказать, когда они, вероятно, будут доступны, на какой метод они, скорее всего, отреагируют и даже с кем в учетной записи можно связаться.
Отыгрывать
Во многих случаях у вас могут быть спящие (неактивные) клиенты. Они использовали свои кредитные карты, но по какой-то причине перестали ими пользоваться. Может быть, у них есть другая кредитная карта, и они используют ее. Но это может быть даже так просто, как если бы они положили вашу карту в конец своего кошелька, и теперь они видят эту другую карту и используют ее чаще. Или, может быть, другая карта предлагает им лучшие награды.
Вопрос в том, как разбудить этого спящего клиента и вернуть его обратно? Это требует понимания клиента. Что мешает им использовать вашу карту? Что побудит их снова использовать вашу карту? Вы должны понять, как повторно привлечь клиента и вернуть того, кто был прибыльным клиентом.
Машинное обучение позволяет вам легко просматривать прошлые предложения, которые вы делали, смотреть на людей, которые хорошо отреагировали на эти предложения, и выполнять детальную сегментацию клиентов. Глядя на клиентов, которые похожи на того спящего клиента, посмотрите, что сработало, а что не сработало для похожих клиентов. А затем вы можете нацелить этого клиента на недорогую рекламу, чтобы вернуть ему привычку снова пользоваться вашей картой.
Вывод
В ElectrifAi мы обладаем глубокими знаниями в индустрии кредитных карт. Мы построили множество моделей, просмотрели огромное количество данных и работали со многими ведущими компаниями, выпускающими кредитные карты, и финансовыми учреждениями. Поскольку мы делали это несколько раз и действительно изучали проблемы, с которыми сталкивается эта отрасль с разных сторон, мы понимаем, как думают держатели кредитных карт и каковы их настроения. Именно такой тип отрасли и реальный опыт ставят нас выше других компаний, занимающихся машинным обучением.
Модели, которые мы перечислили в этом блоге, — это всего лишь небольшая часть обширной библиотеки моделей, которую мы создавали на протяжении многих лет. И этот список постоянно растет. Теперь, когда мы начинаем видеть свет в конце туннеля 2020 года и начинаем представлять себе, что может принести 2021 год, мы считаем, что управление кредитами будет совсем другим.
2020 год был очень разрушительным для жизни многих людей в финансовом отношении по разным причинам. Из-за этого многие старые системы и способы ведения дел, основанные на правилах, просто неприменимы. Наличие возможностей машинного обучения позволяет быстро улавливать все изменения на рынке и действительно понимать новые нормы. Это особенно важно для восстановления в 2021 году.
Дайте нам знать, как мы можем помочь вам восстановиться после 2020 года и с нетерпением ждать всех невероятных вещей, которые может принести 2021 год!
