Райффайзенбанк автоматизировал оценку залоговых объектов в корпоративном кредитовании
Технологии Machine Learning позволят ускорить выдачу кредитов и сократить рутинные задачи.
Райффайзенбанк автоматизировал оценку грузовых автомобилей и жилой недвижимости как залога в корпоративном кредитовании с помощью технологий машинного обучения (ML). Это позволит повысить скорость оценки (time to collateral) и выдачи кредитов клиентам. По данным экспертов банка, грузовой транспорт и жилая недвижимость выступают залогом по корпоративным кредитам в 10% случаев.
Эффективная оценка объектов залога в кредитовании — ключевой элемент сохранения высокого качества кредитного портфеля банка. В зависимости от опыта команды на этот механический процесс может уходить более 8 часов. Теперь для двух типов залога в корпоративном кредитовании — жилой недвижимости и грузовых автомобилей — оценка объектов в Райффайзенбанке происходит с помощью систем поддержки принятия решений, а в будущем станет полностью автоматической. При этом скорость оценки залога вырастет в три раза — с 8 до 2,5 часа.
— Мы используем большие данные и машинное обучение для того, чтобы повысить скорость кредитных решений и эффективность наших риск-моделей, — отметил Роланд Васс, руководитель дирекции рисков Райффайзенбанка. — Наша стратегическая цель — построить организацию, в которой решения принимаются на основе данных. Автоматизация оценки объектов залога в корпоративном кредитовании — это очень большой шаг вперед в создании data-driven-банка. При этом технологии машинного обучения позволяют не только повысить операционную эффективность нашего бизнеса, но и освободить время команды для более интересных задач.
Как работает ML-оценка объектов залога
Для того чтобы произвести оценку залога, эксперт вводит в специализированной системе данные: кадастровый номер в случае с квартирой и марку, модель и пробег в случае с грузовым автомобилем. ML-модель оценивает рыночную стоимость на основе данных всех сравнимых объектов. Аналитику остается только верифицировать оценку, предложенную моделью.
— Мы одними из первых на рынке автоматизировали оценку грузовых автомобилей как объекта залога. Разработка модели заняла у нашей команды около полугода, — рассказал Михаил Гриненко, руководитель управления кредитного контроля и работы с обеспечением Райффайзенбанка. – Основной вызов этого проекта был связан с формированием качественного датасета и его обработкой. Полученные показатели эффективности моделей превосходят аналогичные проекты других дочерних банков группы RBI.
Для оценки качества моделей использовался показатель MAPE (Mean Average Percentage Error), который составил 8,1% для квартир и 9,5% для грузовых автомобилей. Команда работы с залоговыми объектами Райффайзенбанка планирует расширить использование моделей для оценки залога. В частности, в список объектов будут включены личные автомобили, производственное оборудование, прицепы и полуприцепы, а также коммерческая недвижимость.
