Success Story - rus

Скоринг корпоративных заемщиков

Описание: на оценку платежеспособности компаний-клиентов банка влияют многие событие, происходящие в индустрии, и большая их часть имеет отражение в открытых новостных источниках. Помощь аналитикам банка в анализе разнородных рисков компании-заемщика по новостному потоку заключается в автоматизации процесса сбора и анализа новостей путем создания решения тегирования и категоризации новостей по заданному набору рисков.


Контекст: у компании много корпоративных клиентов-заемщиков, по которым необходимо постоянно отслеживать кредитные риски, чтобы правильно управлять портфелем клиентов. Один из способов оценки возможных рисков - это упоминания о специфичных событиях заемщика в новостном потоке (например, о смене генерального директора). Анализ новостного потока возможно автоматизировать для роста эффективности.


Решение: была предложена модель тегирования новости на основе 17 основных возможных рисков. При помощи модели для каждого корпоративного клиента строился индекс, демонстрирующий реальный уровень риска по всем новостям.


Итоги:
Интеграция в бизнес-процесс отдела анализа кредитного портфеля банка:
  • Автоматизация 60% персонала, осуществляющего поиск релевантной информации;
  • Снижение нагрузки на аналитика до 70% по различным категориям риска;
  • Повышение точности прогнозов отдела на 15%;
  • Увеличение числа подробных отчетов о портфеле в 2 раза;
  • Составление семантического ядра для 80% компаний-клиентов.


Для построения модели были использованы:
  • Новостной поток по выбранной компании-заемщику;
  • Набор заданных банком рисков;
  • Разметка новостей согласно рискам от аналитиков.


Результаты моделирования:
Модель оценки вероятности наличия рисков для заданной компании-заемщика на основании предшествующих новостей.


Заказчик: Финансы, Банкинг


Технологический стек: Python, nltk, gensim, PyTorch.
NLP Research Group