Профессиональная конференция разработчиков высоконагруженных систем

Collection. Темная сторона Data Science

BigData и машинное обучение

Доклад принят в программу конференции

Мнение Программного комитета о докладе

Взыскание банком долга может выглядеть как консервативный процесс. Но прогресс не остановить — ML и здесь. Ольга расскажет про модельный скоринг, возможно ли подобрать идеальный мэтч между оператором и клиентом, почему не ко всем должникам приезжают домой, а также о будущем этой области.

Целевая аудитория

* Для всех желающих заглянуть под капот data science в процессах взыскания. * Для data scientist'ов, интересующихся, как работает процесс Collection в финтехе. * Для наших коллег DS из сферы collection, желающих расширить профессиональный кругозор. * Для представителей бизнеса Collection, ведущих охоту за новыми идеями автоматизации и оптимизации процессов.

Тезисы

Что первое приходит на ум, когда вы слышите фразу «банковское взыскание»? Незамолкающий телефон? Стук в дверь? Примитивные методы, основанные на примитивной логике?

Мы сломаем это клише и расскажем вам, как распределенная команда дата-сайентистов, дата-инженеров и автоматизаторов за несколько лет изменила подход к системе Collection, повернув ее вектор в сторону заботы о клиентах и сотрудниках.

Расскажем, как мы применяем data science в погоне за мечтой о взаимности:
1. розничное взыскание — крайний, но не последней по значимости этап жизни кредита;
2. данные для Collection: что собираем и как агрегируем;
3. автоматизация: как и с помощью каких инструментов мы организуем процессы, почему без слаженного взаимодействия
нам никак;
4. водопад моделей Collection от предварительного скоринга до выездной работы:
4.1. модели Precollection: как мы помогаем клиенту не забыть о платеже и сохранить хорошую кредитную историю,
оставаясь ненавязчивыми;
4.2. модели реструктуризации в связке с ранним скорингом: как мы предсказываем возникающие у клиента сложности и
заранее протягиваем руку помощи, подбирая оптимальное предложение и коммуникацию;
4.3. модели средней просрочки и эмоциональные технологии: что такое Персональный Ассистент, как он может
«чувствовать» клиентов и операторов, что мы с этим делаем сейчас и планируем делать в будущем;
4.4. глубокая просрочка. Если все же необходимо выезжать, то как мы определяем, к кому стоит ехать, а для кого это
станет лишь усугубляющим фактором.

Ольга Кравченко

Газпромбанк.Тех

Data Scientist блока Collection Газпромбанка. Создает эффективные ML-решения для розничного взыскания, опираясь на принципы заботы о клиентах и сотрудниках.

Газпромбанк.Тех

Газпромбанк.Тех — это цифровая дата-центричная организация, в центре которой человек. Их команда создает классные клиентоориентированные сервисы, развивает собственную Data Science-экспертизу, внедряет гибкие практики разработки продуктов и инвестирует в инновации. Главное внутри — gazprombank.tech.

Видео