Fabryka i3 Machine Learning w analizie ryzyka kredytowego
Big Data, Machine Learning czy to dla mnie?
Od perceptronu do oceny ryzyka
MACHINE LEARNING CZŁOWIEK Jak działa machine learning? Doświadczenie życiowe Perspektywa Stan umysłu Emocje Pytanie Odpowiedź Dane System Wyjście Dane treningowe Model Algorytm
Czy ML jest prosty? Nie musisz wiedzieć jak działa ML, by korzystać z potęgi rozwiązania. Nie musisz rozumieć zasad działania silnika, żeby jeździć samochodem. Nie musisz też rozumieć ML, żeby właściwie przewidywać zachowanie kontrahentów. Jedyną rzeczą, którą musisz wiedzieć to ta, że ML odnajduje wzory w danych historycznych w celu wykonania użytecznych przewidywań zdarzeń w przyszłości.
MACHINE LEARNING SCORING Czy ML sprawdza się w windykacji i ocenie ryzyka, czyli jak to było ze scoringiem Ocena ryzyka w bankach Segmentacja klientów na potrzeby marketingu Ocena ryzyka w przedsiębiorstwach Rozpoznawanie obrazu Prowadzenie samochodów autonomicznych Ocena ryzyka w przedsiębiorstwach
Czy korzystacie Państwo dziś ze scoringu? Z Machine Learning?
Czym ML różni się od modeli scoringowych Scoring Machine Learning Model trzeba regularnie weryfikować Model uwzględnia małą ilość danych, bo jego trafność nie poprawia się wraz z dodawaniem wskaźników Model sam weryfikuje się Model może zawierać wiele cech zarówno wewnętrznych, jak i zewnętrznych Model rzadko kiedy jest specyficzny dla branży, regionu Przewiduje bankructwo binarnie (tak/nie) Model może zawierać dowolną ilość cech i jego skuteczność rośnie wraz z ich różnorodnością Przewiduje na przykład, czy kontrahent zapłaci na czas, w ciągu 3 miesięcy, czy w ogóle
Korzyści z ML vs scoring Szybsze podejmowanie decyzji, komu udzielić kredytu kupieckiego Wzrost efektywności działania (poprawa DSO, CCC) Dokładniejsze decyzje Ocena aktualnego ryzyka tak często, jak potrzeba Do KPI finansowych i ratingu oraz do segmentacji z SAP lub Oracle, dodajemy dane z otoczenia biznesowego, micro, makro, etc. Dajemy rekomendację, a ostateczna decyzja należy do analityka/specjalisty
Dlaczego nie ma odwrotu Podejmowanie decyzji w oparciu o twarde dane może prowadzić do dokładniejszych i korzystniejszych efektów. ML pozwala podejmować ostre jak brzytwa decyzje oparte o niewiarygodnie duże ilości danych. Czy kiedykolwiek zastanawiałaś/eś się dlaczego Amazon rośnie tak szybko? A co z Google? Facebook? Jednym słowem dane. Firmy rosną tak szybko, bo wiedzą, co robić z danymi. Wszystko zaczyna się od danych i kończy na danych. Dużej ilości danych. Im większej tym lepiej. Inaczej mówiąc im więcej danych, tym większa pewność decyzji. Coraz więcej z nas używa ML i jest tego kompletnie nieświadoma i tak powinno być. Świadomość technologii powinni mieć twórcy produktów i usług.
Jak działa propozycja dla Państwa Krok 1 Krok 2 Krok 3 Definiujemy i zbieramy dane (faktury, terminy płatności, wskaźniki branżowe, dane makro, etc) Budujemy model zależny od danych i relacji pomiędzy nimi Model przewiduje ryzyko niezapłacenia przez kontrahenta w terminie Nowe dane poprawiają dokładność oceny
Korzyści Dziś Rozwiązanie Fi3 Firma z portfolio 5000 kontrahentów Weryfikowanie limitu kredytowego codziennie Limit kredytowy sprawdzony raz w roku Odkrywanie ukrytych trendów poprzez interaktywne wizualizacje danych
Nie ma odwrotu, ale czy dam radę Właściwie, czy ja mam takie dane, które mogę wprowadzić do modelu? Co dostanę, jak już wprowadzę dane? Jak prosto będę mógł korzystać z rozwiązania?
Utracone status quo Firmy, które nie zaadaptują ML znikną z rynku w wyniku naturalnego wyparcia ich przez konkurencję. Kontrahenci zagłosują nogami.
Sense of urgency
Natura ludzka?
Natura ludzka!
Natura ludzka i Machine Learning
Czy to nowość, czy sprawdzone rozwiązanie?
Marcin Mazur, Data Science Leader email: marcin.mazur@fi3.pl; mobile: +48 605661636 Spółdzielnia Fabryka i 3 Ul. Marynarska 11, 02-674 Warszawa info@fi3.pl www.fi3.pl / www.marynarska11.pl