L’une des plus anciennes banques d’Inde avec une histoire de plus de 100 ans, offrant une large gamme de services bancaires, dépôts, prêts, comptes d’épargne/courants, souhaitait une solution technologique intelligente pour transformer l’approche actuelle de souscription de ses prêts en or.

L’objectif de la banque était de réduire la dépendance à la souscription manuelle des prêts d’or et de mettre en œuvre une approche scientifique pour améliorer la précision de l’évaluation des risques avec des informations plus approfondies pour leurs emprunteurs potentiels existants et nouveaux.

Pour un prêt en or, la banque prête de l’argent à un emprunteur en mettant en gage ses articles en or. Et sur la base de la valeur marchande actuelle et de la qualité de l’or, le montant du prêt est fourni.

Selon notre client, le défi critique auquel la banque était confrontée était d’identifier le bon groupe d’emprunteurs et de défaillants solvables. Avant de nous contacter, l’évaluation des risques de la banque était uniquement basée sur les mains d’un directeur de succursale, qui évalue l’appétit pour le risque du client en fonction des documents, du bijou et de la situation financière.

De plus, la banque n’a fourni aucun avantage supplémentaire aux emprunteurs fidèles et solvables. De plus, aucune prime de risque n’a été ajoutée aux débiteurs défaillants. Au lieu de cela, la banque a juste offert un pourcentage d’intérêt à la vanille aux emprunteurs idéaux et aux défaillants.

Encore une fois, dans le cas d’un prêt complémentaire, le client doit être physiquement présent dans une agence, où la décision d’accorder un prêt complémentaire était uniquement basée sur une évaluation manuelle des risques par un directeur de banque.

Pour surmonter ces défis, le client voulait une solution très scientifique qui puisse l’aider à améliorer la précision de son évaluation des risques et à accélérer ses opérations en réduisant le temps de réponse.

Avec ces informations, nos ingénieurs de données ont collecté tous les champs de données pertinents nécessaires pour aider à déterminer un bon emprunteur d’un défaillant et les ont introduits dans notre solution de souscription de crédit maison pour l’extraction de caractéristiques.

La solution de souscription de crédit basée sur l’IA de Zuci, HALO, a analysé ces données alimentées et extrait des modèles et des comportements. Ces modèles ont ensuite été automatisés et ont été mis sous la forme correcte pour atteindre l’intégrité des données.

Après un nettoyage répété des données, l’algorithme d’apprentissage automatique de HALO a créé un modèle de souscription de crédit unique qui exploite ces modèles et comportements pour identifier les emprunteurs à haut risque et solvables lors de la souscription d’un nouveau client.

Enfin, le modèle a été formé en continu pour atteindre la plus grande précision dans la prédiction du risque de crédit pour un prêt en or avant son déploiement dans l’environnement de la banque.