COMMENT HALO A AIDÉ À AUTOMATISER LA SOUSCRIPTION POUR UNE INSTITUTION FINANCIÈRE DANS LE DAKOTA DU SUD
ÉTUDE DE CAS
À propos de l’entreprise
Notre client est une société financière de taille moyenne en croissance rapide aux États-Unis qui fournit des services de prêt externalisés sur tout le cycle de vie, y compris le marketing, le traitement des demandes, l’examen du crédit, le traitement des paiements et les services de recouvrement à la communauté des prêteurs en ligne.
Notre rôle
Obtenir un prêt à la consommation correct en aidant le client à automatiser le processus avec précision.
Défi commercial
L’identification par le client d’offres de prêt viables était fondée sur une connaissance tacite et coûtait cher (50 à 150 $ par offre retenue). Le client souhaitait une nouvelle approche de la décision de crédit qui aiderait à réduire le risque du portefeuille sans sacrifier les approbations et à accorder de nouveaux prêts aux prospects rémunérés et aux emprunteurs difficiles à évaluer.
Une analyse
Zuci Systems a plongé profondément dans le processus de prêt du client. Et le résultat a été l’analyse des principaux points douloureux :
- Lutter contre la hausse des défauts de paiement en identifiant davantage d’emprunteurs solvables
- Examen manuel, annotation et évaluation des fichiers papier
- Identifier les bons prospects prenait du temps
- Développer un tableau de bord des prospects aux clients
- Éliminer les mauvaises pistes des sources marketing
La solution
Solution suggérée pour une souscription sans friction
La solution de sortie algorithmique programmée de manière heuristique (HALO) de Zuci, pilotée par le « réseau antagoniste génératif », une classe d’algorithmes d’apprentissage automatique, a aidé notre client à améliorer considérablement l’identification de ses prospects et à automatiser le processus de souscription en comprenant et en créant le mécanisme de notation des prospects et en filtrant le pool de candidats. .
HALO a été en mesure de fournir de manière constante une plus grande précision dans la distinction entre les bonnes et les mauvaises applications principales grâce à une analyse exploratoire du vidage XML, du nettoyage des données, de l’ingénierie des fonctionnalités, de la formation des modèles et des informations sur la livraison.
Analyse prédictive avec l’historique des données
À l’aide de données en temps réel, le modèle d’apprentissage continu de HALO a permis à notre client d’obtenir immédiatement une image précise de la santé financière des emprunteurs et de calculer le montant du crédit à accorder aux clients bancarisés et non bancarisés, même sans données du bureau de crédit.
Proposition d’un modèle de notation
GAN (Generative Adversarial Network) : résultats attendus
Algorithme 1 (Lead to Prospect) Résultats
Prospect à client (Algorithme 2)
Résultats
HALO a pu aider le client à améliorer la productivité globale de souscription de 30 %
Statistiques
Tech Stack : Python, Apache, JVM, Low-code Basics, Rassurez-vous
Voici ce que notre client avait à dire
La solution HALO est configurée pour apprendre par elle-même, sans qu’il soit nécessaire de s’adapter manuellement aux règles. L’équipe de Zuci a construit ce modèle sur la base des données historiques des prospects, des candidats et des consommateurs avec la possibilité de s’auto-former et de se recycler en fonction de toutes les données mises à jour reçues par le système.
Zuci Systems a contribué à améliorer considérablement la précision du rejet des prospects et la précision de la sélection des prospects dans les 6 mois suivant la mise en œuvre. Nous sommes convaincus que HALO continuera à nous apporter des améliorations significatives au fil du temps.
James C. Jacobson
Président chez First Financial Service Center
