Weitere Projekte ansehen
nda

Der Kunde hat beschlossen, seine vertraulichen Daten zu schützen

Eine Finanzlösung zur Kontrolle und Erleichterung der Kreditvergabe

Finanzdienstleistungen
Kundenbewertung
4.9
Diese Bewertung spiegelt unsere Kompetenz und unseren Erfolg wider
Eine Finanzlösung zur Kontrolle und Erleichterung der Kreditvergabe

Projektübersicht

Dieses IT-Projekt wurde für eine der größten Bankenholdings in Osteuropa umgesetzt. Dort ist man ständig mit unzähligen Prozessen rund um die Erstellung von Kreditangeboten und die Bearbeitung von Kreditanträgen beschäftigt. Diese Prozesse umfassen typischerweise mehrere wichtige Schritte, wie beispielsweise die Identitätsprüfung, die Kreditwürdigkeitsprüfung, die Prüfung der Produktberechtigung sowie die Festlegung der Konditionen und Beträge.

Vor der Einführung der IT-Lösung waren das Onboarding der Kunden und die Bearbeitung der Anträge manuell und ineffizient. Die Bankangestellten mussten die Kundendaten erfassen und die Systemeinträge von Hand aktualisieren. Auch die Prüfung der Förderkriterien und das anschließende Erstellen der Angebote erfolgte manuell. Dieser zeitaufwendige Verwaltungsprozess schränkte die Möglichkeiten der Banken stark ein.

Die Kreditfabrik sollte nun diesen komplexen und zeitintensiven Entscheidungsprozess automatisieren und vereinfachen. Sie basiert auf einer Microservice-Architektur mit einer zentralen KI-gesteuerten Plattform. Eine solche Technologie ermöglicht es, nicht nur schnell und effektiv auf Kundenanfragen zu reagieren, sondern diese auch vorherzusagen.

Somit kann der Kunde zeitnah Kreditangebote generieren, die bereits im voraus sicher bewilligt werden können.

DAUER12 Monate pro Phase
TECHNOLOGIEN
Java
Python
Scala
React.js
JavaScript
Dashboard mit umfassenden Kreditstatistiken
Dashboard mit umfassenden Kreditstatistiken

Technischer Ansatz

Die Mikroservice-Architektur der Kreditfabrik wurde auf der Grundlage der Camunda-BPM-Engine strukturiert und aufgebaut. Eine solche Engine ist eine Sammlung von Bibliotheken, die es ermöglichen, vordefinierte Prozesse auszuführen.

Dieser Ansatz ermöglichte es uns, eine flexible und skalierbare Architektur zu erstellen, die folgende Vorteile bietet:

  1. Die Möglichkeit, den Prozess ab dem Zeitpunkt eines kürzlichen technischen Fehlers wiederherzustellen; darüber hinaus ist eine solche Funktion direkt von Anfang an verfügbar;
  2. Die Integration der GUI ermöglicht Echtzeitüberwachung;
  3. Die Fähigkeit, Modultests zu schaffen, die sich nicht nur auf die Logik und Integration, sondern auch auf den Prozess selbst konzentrieren;
  • Die Microservices, die für die Phasen der Kreditfabrik verantwortlich sind, wurden als Java-Komponenten unter Verwendung des Spring-Frameworks bereitgestellt und über Spring Boot konfiguriert. Die Komponenten selbst stützen sich auf ihre eigenen Datenquellen, die auf dem PostgreSQL-DBMS basieren.
  • Da die Kreditfabrik darauf abzielt, Entscheidungen in kürzester Zeit zu treffen, erfolgt der Datenbankzugriff über Spring ORM, um schnelle und datenintensive Abfragen effizient zu bewältigen. Die Kommunikation zwischen den verschiedenen Systemkomponenten erfolgt asynchron und nutzt dazu Apache Kafka.
  • Zusätzlich dazu sind die Microservices mit externen Systemen über vielfältige Technologien und Protokolle integriert, darunter REST API, IBM MQ und Apache Kafka.
Schema der Interaktion von Systemkomponenten
Schema der Interaktion von Systemkomponenten

App-Funktionalität

Die Architektur der Kreditfabrik basierte auf statistischen Modellen, die sämtliche verfügbaren Informationen für die Bewertung heranzogen. Zu Beginn des Kreditfabrikbetriebs führte die Bank Modelle zur Beurteilung des Kreditrisikos und zur Ermittlung der Bereitschaft der Kunden zur Nutzung von Kreditprodukten ein. Das Besondere an dieser Kreditfabrik besteht darin, dass diese Modelle über Abfragen an eine zentrale Plattform verarbeitet werden, um die verschiedenen Betriebsmodi auszuführen.

Die Kreditfabrik nutzt mehrere Module, um verschiedene Aufgaben zu erfüllen:

  • Bewertung der Kreditwürdigkeit (Hauptquellen - Kreditbüros und interne Bankdaten);
  • Einschätzung des Risikos von Zahlungsausfällen;
  • Auswahl eines geeigneten Kreditprodukts für den Kunden basierend auf Neigungsmodellen;
  • Beurteilung der Verlässlichkeit;
  • Bewertung der Solvenz (Einkommen, Transaktionen und andere interne Daten);
  • Festlegung des Kreditlimits;
  • Spezifikationen für den Preis;

Diese statistischen Modelle tragen dazu bei, maßgeschneiderte Kreditangebote für Kunden zu erstellen. Dadurch erhalten Kreditnehmer von der Bank rechtzeitig, bequem und über den optimalen Servicekanal vorab genehmigte Kreditprodukte.

Die hochentwickelten analytischen Fähigkeiten sind direkt für die Auswahl spezifischer Kreditangebote verantwortlich. Das bedeutet, es handelt sich um eine KI-gesteuerte Plattform zur Anwendung und Verwaltung der im Prozess verwendeten Modelle. Diese Plattform kombiniert die Leistungsfähigkeit innovativer Modellierungs- und maschinelles Lernen-Methoden, einschließlich NLP, Graphenanalyse, Geoanalyse usw., und nutzt dabei eine breite Palette von internen und externen Daten.

Noch wichtiger ist, dass diese Modelle, die mithilfe der verfügbaren Algorithmen erstellt wurden, eigenständig lernen, während sie neue Daten verarbeiten, und somit aktiv und äußerst hilfreich sind. Zum Beispiel konnten mithilfe von ihnen Bewertungsmodelle für die Abwanderungsraten verschiedener Kunden- und Antwortgruppen auf Kreditprodukte in der gesamten Kundenbasis entwickelt und implementiert werden.

Schließlich haben wir erfolgreich Graphenanalysen, Beziehungsanalysen und Widerspruchsverfahren in die resultierende IT-Lösung integriert, um die Identifizierung, Untersuchung und Bekämpfung von Kreditbetrug zu unterstützen.

Lösung

Früher dauerte es bis zu einem Monat, um ein Drittel der Kundenbasis zu verarbeiten. Dank dieser Lösung ist der Prozess nun auf vier Tage verkürzt. Sowohl Bargeldkredite als auch Kreditkarten werden nun mithilfe dieser neuen Technologie vergeben. Als Ergebnis kann der Kunde den Prozess zur Kundenregistrierung weiter vereinfachen und die erforderlichen Informationen reduzieren. Abschließend stellt das aktualisierte Risikobewertungsmodell potenziellen Kreditnehmern maßgeschneiderte Kreditangebote bereit.

Um präzise und maßgeschneiderte Kreditangebote zu generieren, wendet ein Benutzer statistische Modelle zur Beurteilung des Kreditrisikos an. Zusätzlich dazu werden Modelle auf Grundlage von internen und externen Daten eingesetzt, um die Eignung eines Kunden für einen spezifischen Kredit zu bewerten. Es ist ebenfalls erwähnenswert, dass im Zuge der Einführung dieser Lösung ein neues Modell zur Bewertung des Einkommens und des geeigneten Kreditbetrags eingeführt wurde. Dadurch ist es nun möglich, den individuellen maximalen Kreditbetrag für jeden Kunden zu berechnen.

Die Lösung umfasst Module für die Berechnung von Kreditscores, für die Entscheidungsfindung, für die Interaktion mit externen Datenquellen, für die Verarbeitung von Kundeneinkünften und für die Erkennung und Bewertung von potenziellem Betrug.

Projektergebnisse

  • Die Zeit, die für die Erstellung vorab genehmigter Kreditangebote benötigt wird, wurde erheblich verkürzt, was den Kreditprozess effizienter und schneller macht;
  • Die von den verfügbaren Algorithmen erstellten Modelle lernen eigenständig aus neuen Daten, was sie für die Bewertung der Kundenabwanderungsraten und der Reaktionen auf Kreditprodukte nützlich macht;
  • Die Integration von Graphenanalyse und Beziehungsanalyse in die IT-Lösung unterstützt die Identifizierung, Untersuchung und Bekämpfung von Kreditbetrug.

Kostenlose Beratung anfordern

Weitere Schritte

Nachdem wir Ihre Anforderungen analysiert haben, meldet ein Experte bei Ihnen;

Bei Bedarf unterzeichnen wir ein NDA, um den höchsten Datenschutz sicherzustellen;

Wir legen ein umfassendes Projektangebot mit Schätzungen, Fristen, CVs usw. vor.

Kunden, die uns vertrauen:

SamsungVerivoxTUI

Kostenlose Beratung anfordern