Réduction des actifs non performants grâce à l’apprentissage automatique pour une banque centenaire en Asie

Notre client bancaire avait pour objectif de réduire ses actifs non performants dans le portefeuille d’assurance temporaire en construisant un modèle ML capable de prédire les profils NPA au cours de la phase de décaissement du prêt. Leur objectif principal était d’équiper le responsable du déboursement des prêts d’un mécanisme permettant d’identifier les profils susceptibles de devenir des NPA.

Datant des années 1940, notre client est l’une des plus anciennes banques d’Asie du Sud, offrant une large gamme de produits et de services bancaires aux MPME, aux entreprises et aux particuliers.

• Mettre en œuvre des mesures visant à réduire efficacement le risque d’insolvabilité au sein du portefeuille d’assurance temporaire afin d’améliorer la performance du portefeuille et de maintenir la rentabilité.
• Mettre en place un système robuste de score de risque d’acquisition (ARS) pour évaluer la solvabilité des clients potentiels et la probabilité de défaillance, afin de permettre aux personnes chargées d’approuver les prêts de prendre des décisions en connaissance de cause et de minimiser l’exposition à l’encours des créances douteuses.
• Mettre en œuvre une intégration transparente de l’ARS dans le système d’émission de prêts de la banque afin d’effectuer une évaluation complète des risques au cours du processus d’approbation des prêts.