Minimalisering van non-performing assets met behulp van machine learning voor een eeuwenoude bank in Azië

Onze bankklant wilde zijn non-performing activa in de portefeuille van termijnverzekeringen verminderen door een ML-model te construeren dat NPA-profielen kan voorspellen tijdens de uitbetalingsfase van leningen. Hun belangrijkste doel was om de manager die de leningen uitbetaalt uit te rusten met een mechanisme om de profielen te identificeren die gevoelig zijn om NPA’s te worden.

Onze klant, die dateert uit de jaren 1940, is een van de oudste banken in Zuid-Azië en biedt een breed scala aan bankproducten en -diensten voor het midden- en kleinbedrijf, bedrijven en particulieren.

• Maatregelen implementeren om het risico van NPA’s binnen de portefeuille van termijnverzekeringen effectief te beperken voor betere prestaties van de portefeuille en duurzame winstgevendheid.
• Een robuust ARS-systeem (Acquisition Risk Score) opzetten om de kredietwaardigheid van potentiële klanten en de kans op wanbetaling te beoordelen, zodat kredietgoedkeurders weloverwogen beslissingen kunnen nemen en de blootstelling aan NPA kunnen minimaliseren.
• Het implementeren van een naadloze integratie van de ARS in het uitgiftesysteem voor leningen van de bank om uitgebreide risicobeoordelingsgegevens uit te voeren tijdens het goedkeuringsproces van leningen.