- Lendtech
- 06.09.2023
Wg raportu Związku Przedsiębiorców Finansowych aż 38% profesjonalistów z sektora finansowego konfrontuje się z występowaniem nadużyć. Konieczność skutecznego przeciwdziałania tym zagrożeniom nabiera więc kluczowego znaczenia. Dane zgromadzone przez Algolytics jasno wskazują, że istnieje silna korelacja między danymi lokalizacyjnymi, a ryzykiem nadużycia. Analizy przestrzenne, znane jako „Location Intelligence”, prezentują ogromny potencjał w wykrywaniu ukrytych wzorców i powiązań, co otwiera nowe horyzonty w dziedzinie zarządzania ryzykiem w sektorze finansowym.
W tym artykule przyglądamy się praktycznym zastosowaniom Location Intelligence w firmach pożyczkowych, ilustrując, w jaki sposób to podejście może usprawnić procesy wykrywania i przeciwdziałania nadużyciom.
Dane lokalizacyjne a identyfikacja nadużyć?
Informacje ukryte w danych lokalizacyjnych mogą stać się kluczowym zasobem firm sektora finansowego w walce z rosnącym zjawiskiem nadużyć. Modele identyfikacji ryzyka nadużycia oparte wyłącznie na lokalizacji (adresie) wykazują wysoką skuteczność na poziomie ROC 69% w przypadku klientów indywidualnych i działalności gospodarczych do ROC 80% w przypadku spółek.
Nasze doświadczenia w różnych branżach pokazują, że dane lokalizacyjne mają duża siłę predykcyjną. Mogą stanowić pierwszą linię ochrony przed nadużyciami, działając samodzielnie lub też wzbogacając obecne modele w celu zwiększenia ich efektywności. Ponadto wykorzystanie wewnętrznych danych firm i wiedzy dot. specyfiki danej branży pozwala na osiągnięcie jeszcze lepszych rezultatów.
Chcąc lepiej wykorzystać potencjał analizy lokalizacyjnej, możemy pójść o krok dalej i stworzyć mapę oceny ryzyka. W zależności od liczby posiadanych danych ryzyko można zmapować na poziomie różnych jednostek podziału terytorialnego, schodząc nawet do poziomu budynku – tak, aby zachować odpowiednią skuteczność predykcji. Poniższa mapa przedstawia wizualizację oceny ryzyka do poziomu budynków dla miast Warszawy i Wrocławia. Czerwone plamy na mapie wskazują obszary o wyższym ryzyku, podczas gdy zielone obszary symbolizują niższe ryzyko.
Tego rodzaju dane pozwalają lepiej zrozumieć rozłożenie ryzyka w przestrzeni, co może zostać wykorzystane m.in. do segmentacji klientów i dostosowania ofert oraz strategii marketingowo-sprzedażowych do konkretnych grup, zwiększając ich skuteczność.
Dane lokalizacyjne elementem cyfrowej sygnatury użytkownika
Jeszcze lepsze efekty w przeciwdziałaniu nadużyciom osiągamy łącząc dane lokalizacyjne z innymi informacjami o kliencie, które tworzą cyfrową sygnaturę użytkownika (unikalny ślad danej osoby w przestrzeni cyfrowej) w trakcie realizacji wniosków on-line. Wykorzystanie danych pochodzących z cyfrowej sygnatury i lokalizacji pozwala firmom na kompleksową ocenę ryzyka transakcji. Grafika poniżej prezentuje wszystkie jej składowe.
Modele oparte o cyfrową sygnaturę użytkownika wykorzystujące dane o lokalizacji osiągają jeszcze wyższą skuteczność w zapobieganiu nadużyciom i wspólnie pozwalają skutecznie wykrywać próby nadużyć.
Dane z cyfrowej sygnatury i lokalizacji pozwalają można wykorzystać do analizy powiązań. Pozwala ona na identyfikację powtarzających się wzorców, które mogą świadczyć o próbie nadużycia. Przykładem może być sytuacja, w której z tego samego urządzenia wysłano 20 wniosków z 20 różnych tożsamości w ciągu ostatnich 24 dni, albo odnotowanie, że ten sam nr tel kontaktowego, adresowe pojawił się w 5 wnioskach w ciągu ostatnich 7 dni. Tego rodzaju wydarzenia są dla modelu znakiem, że transakcja może być obarczona podwyższonym ryzykiem.
Podsumowując – wykorzystanie modeli opartych o dane z cyfrowej sygnatury i lokalizacji (adres, geokordynaty) użytkownika pozwala na skuteczne identyfikowanie nadużyć i oceniać wiarygodność kredytową poprzez m.in. rozpoznawanie sytuacji, w których osoba próbuje zawrzeć umowę (np. pożyczkową) na dane innej osoby lub dane fałszywe (zmanipulowane), albo podejmuje próbę logowania się na nienależące do niej konto (tzw. account takeover).
Dane lokalizacyjne a ocena zdolności kredytowej
Dane lokalizacyjne okazują się być skutecznym predyktorem nie tylko w kontekście oceny ryzyka defaultu / nadużycia, ale także w kontekście szacowania zdolności kredytowej. Generyczne modele na podstawie adresu są w stanie ocenić prawdopodobieństwo osiągania określonego dochodu w danym przedziale z dokładnością na poziomie ROC = 75%.
Optymalizacja obsługi leadów dzięki danym przestrzennym
Dane lokalizacyjne mogą wspierać procesy optymalizacji działań sprzedażowych. Analiza cyfrowej sygnatury użytkownika (w tym: adresów) umożliwia stworzenie modelu opartego na uczeniu maszynowym prognozującego prawdopodobieństwo konwersji. W praktyce oznacza to, że zespół sprzedażowy może koncentrować swoje działania na osobach z większym potencjałem przekształcenia się w klientów. Takie rozwiązanie skutecznie skraca więc czas pracy zespołów sprzedażowych czy obsługi klienta i redukuje koszty.
Dane lokalizacyjne tajną bronią w sektorze finansowym
Podsumowując, dane lokalizacyjne stanowią istotny element walki firm sektora finansowego z nadużyciami. Dodatkowo, analiza lokalizacyjna znajduje zastosowanie także w ocenie zdolności kredytowej kontrahentów oraz optymalizacji procesów, takich jak np. obsługa leadów sprzedażowych. Jeśli zainteresowała Cię perspektywa wykorzystania lokalizacji w tych obszarach, zapraszamy do kontaktu z nami (info@algolytics.pl). Dostarczymy Ci wiedzę oraz konkretne rozwiązania, aby Twoja firma mogła skutecznie zarządzać ryzykiem finansowym i zwiększać efektywność operacyjną.
Źródło: Algolytics
Autor: Lendtech | Data publikacji: 06.09.2023