Een van de oudste banken in India met een geschiedenis van meer dan 100 jaar, die een breed scala aan bankdiensten aanbiedt, zoals deposito’s, leningen en spaarrekeningen, wilde een intelligente technologische oplossing om de huidige acceptatiebenadering voor hun goudleningen te veranderen.

Het doel van de bank was om de afhankelijkheid van handmatige acceptatie van goudleningen te verminderen en een wetenschappelijke aanpak te implementeren om de nauwkeurigheid van de risicobeoordeling te verbeteren met diepere inzichten voor hun bestaande en nieuwe potentiële leners.

Bij een goudlening leent de bank geld aan een lener door zijn gouden voorwerpen in onderpand te geven. En op basis van de huidige marktwaarde en kwaliteit van het goud wordt het leenbedrag verstrekt.

Volgens onze klant was de belangrijkste uitdaging voor de bank het identificeren van de juiste groep kredietwaardige leners en wanbetalers. Voordat de bank ons benaderde, was haar risicobeoordeling uitsluitend gebaseerd op de handen van een filiaalmanager, die de risicobereidheid van de klant beoordeelde op basis van documenten, juwelen en financiële status.

Bovendien gaf de bank geen extra voordelen aan trouwe en kredietwaardige kredietnemers. Er werd ook geen risicopremie toegevoegd aan wanbetalers van leningen. In plaats daarvan bood de bank een gewoon rentepercentage aan zowel ideale leners als wanbetalers.

Nogmaals, in het geval van een herlaadkrediet moet de klant fysiek aanwezig zijn in een filiaal, waarbij de beslissing om een herlaadkrediet te verstrekken uitsluitend gebaseerd was op een handmatige risicobeoordeling door een bankmanager.

Om deze uitdagingen te overwinnen, wilde de klant een zeer wetenschappelijke oplossing die hen kan helpen de nauwkeurigheid van hun risicobeoordeling te verbeteren en hun activiteiten te versnellen door de time-to-yes te verkorten.

Met deze informatie verzamelden onze data-engineers alle relevante datavelden die nodig zijn om een goede kredietnemer te onderscheiden van een wanbetaler en voerden ze in onze eigen kredietacceptatieoplossing in voor extractie van kenmerken.

HALO, de AI-gebaseerde kredietacceptatieoplossing van Zuci, analyseerde deze ingevoerde gegevens en destilleerde patronen en gedragingen. Deze patronen werden vervolgens geautomatiseerd en in de juiste vorm gebracht om gegevensintegriteit te bereiken.

Na het herhaaldelijk opschonen van gegevens creëerde het machine learning-algoritme van HALO een uniek kredietacceptatiemodel dat deze patronen en gedragingen gebruikt om kredietnemers met een hoog risico en kredietwaardigheid te identificeren bij het acceptatieproces van een nieuwe klant.

Ten slotte werd het model voortdurend getraind om de hoogste nauwkeurigheid te bereiken in het voorspellen van het kredietrisico voor een goudlening voordat het werd ingezet in de omgeving van de bank.