Применение методов машинного обучения в банковской сфере

1. Сегментация клиентов. Цель сегментации – деление клиентов на группы (кластеры) со схожим поведением. Методы машинного обучения, которые применяются для решения данной задачи – это методы кластерного анализа. Метод k-средних (k-means) в большинстве случаев довольно хорошо справляется с задачей кластеризации по клиентам банка.

Одной из интересных идей сегментации клиентов является идея группировки клиентов на основе результатов семантического анализа общения с клиентами. Для этой задачи источниками данных являются записи разговоров с клиентом в call-центре, история переписки со службой поддержки банка, анализ публичных постов клиента, оставленных в социальных сетях.

2. Обнаружение мошенничества. Одно из наиболее интересных решений у проблемы по выявлению мошенничества при online-оплате посредством пластиковых карт – одна из наиболее интересных историй использования data science в банковском секторе. Так известно, что международная платежная система Visa в 2011 году разработала новую версию антифрод-системы с использованием методов big data. Заявлено, что за год система останавливает на сумму ~ $2 млрд. Компания IBM в своем отчете заявила, что использование методов машинного обучения в антифрод-системе позволило «отлавливать» на 15% больше мошеннических платежей и на 50% уменьшить ложное срабатывание антифрод-системы. Антифрод-системы, спроектированные с использованием концепций Больших Данных – одна из тем конференции «Big Data and Analytics for Banking Summit 2015», среди участников которой такие гиганты финансовой индустрии как JPMorgan, Morgan Stanley, Bank of America, Barclays.

Еще одна интересная идея по улучшению работы подобных систем – использования геолокационных данных о нахождении клиента, предоставляемых сотовым оператором. С развитием технологий Apple Pay, Android Pay, Samsung Pay учет информации о географическом нахождение клиента для принятия решения о том, является ли платеж мошенническим, кажется вполне логичным элементом системы безопасности проведения финансовых транзакций.

3. Кредитный скоринг. Оценка кредитоспособности клиента. Анализ анкеты клиента и данных НБКИ производится с помощью элементарных статистический методов, и в этих методах сложно что-то качественно улучшить. А вот применение методов семантического анализа к сообщениям потенциального заемщика и графовых алгоритмов к его друзьям в соцсетях позволит сделать более глубокие выводы о его социальной активности. В целом, идея анализа кредитоспособности по соцсетям нова и пока не имеет описанных отраслевых best practices.

Полную версию статьи вы найдете на: http://www.codeinstinct.pro/2015/07/big-data-in-banking.html

Источник: www.codeinstinct.pro

Комментарии: