貸し倒れ予測による査定の効率化
貸し倒れの判断基準のひとつに予測分析を採用することで
より高い精度でスピーディなリスク推定をできます
ビジネス課題
金融サービスでは、貸し倒れや事故などのリスク推定(融資判断や査定など)が主要な意思決定の1つです。 このリスク推定の精度が向上すると、顧客体験の向上、売り上げや利益の改善につながります。 また、リスク推定のスピードや作業工数もビジネス課題になっているケースがあります。 予測分析を利用すると、これまで扱えていなかった内容や規模のデータに対して最先端の機械学習を適用できます。その結果、従来よりも高い精度・高いスピードでのリスク推定が期待できます。
予測分析による解決
取引データごとに、貸倒する確率を知ることができます。 貸倒に関係のある情報をまとめることで、さらに高精度な予測が可能になります。
必要なデータ
顧客ID | 貸し倒れ | 希望融資タイプ | 事業内容 | 担保 | 申し込み金額(運用) | 申し込み金額(固定費・施設) | 他借入金融機関の数 | 希望返済期間 |
---|---|---|---|---|---|---|---|---|
ID0 | (a)貸し倒れ | 新規起業 | IT | あり | 2,000万円 | 2,100万円 | 0 | 40ヶ月 |
ID1 | (b)完済 | 運用改善 | 美容業 | なし | 3,700万円 | 1,700万円 | 1 | 43ヶ月 |
ID2 | (b)完済 | 企業力強化 | IT | なし | 1,100万円 | 3,000万円 | 2 | 32ヶ月 |
ID3 | (b)完済 | 企業力強化 | 医療 | あり | 2,800万円 | 3,200万円 | 1 | 38ヶ月 |
ID4 | (b)完済 | 新規起業 | 教育 | あり | 2,000万円 | 2,700万円 | 2 | 33ヶ月 |
結果の活用
例えば、予測結果は以下のような形式で出力できます。 各融資先に対して、貸し倒れの予測確率が算出されます。この確率を事前審査に活用できます。