Для повышения конверсии кредитных заявок компания решила сократить количество анкетных данных до минимально необходимых, а также создать модель, прогнозирующую вероятность положительного ответа банка. Определение минимального набора данных и построение прототипа компания MoneyCare доверила экспертам Columbus.
Современные технологии позволяют финансовым компаниям работать с большим набором данных быстрее и эффективнее, представляя собой совокупность различных методов обнаружения знаний. Например, машинное обучение — это очень комплексное применение статистики для поиска закономерностей в данных и создание на их основе прогнозов будущего поведения, результатов и тенденций. Выбирая платформу машинного обучения, специалисты MoneyCare остановились на облачном сервисе Azure Machine Learning, который позволяет оперативно создавать и развертывать полнофункциональные прогнозные модели в качестве решений аналитики.
Использование облачных решений позволяет быстро развернуть желаемую инфраструктуру с минимальными инвестициями. Облачные технологии открывают широкое поле для экспериментов – например, использовать машинное обучение для прогнозирования, не вкладываясь в развитие вычислительных мощностей или аналитических инструментов.
На первом этапе проекта был создан прототип классификатора в Azure Machine Learning, задача которого – отбор более 60% заявок на кредит с вероятностью одобрения более 80%. При этом были использованы такие методы, как дискриминантный анализ, регрессионный анализ, кластеризация, классификация на основе разделимости, а также алгоритмы сокращения размерности.
Второй частью проекта стало обучение сотрудников MoneyCare принципам работы и совместный воркшоп по совершенствованию прототипа. В этот этап вошло консультирование по настройке моделей, типовым задачам машинного обучения, а также определение следующих шагов по улучшению прототипа.
.jpg)
.jpg)
.jpg)
