NAB нашла “сотни” вариантов использования по всему банку технологий машинного обучения и аналитики и находится в процессе их рассмотрения.
Выступая на саммите AWS в Сингапуре в прошлом месяце, исполнительный генеральный директор офиса управления программами банка Кайл Макнамара подробно рассказал об инициативах, о которых также говорилось на саммите AWS в Сиднее.
В Сиднее NAB объявила, что она поддерживает поддерживаемое AWS эластичное озеро данных под названием discovery cloud, которое будет служить основой для ее машинного обучения и аналитики.
Однако в Сингапуре NAB раскрыла первоначальный масштаб своих аналитических усилий.
“В NAB есть буквально сотни вариантов использования в маркетинге, рисках, операциях и комплаенсе, которые могут и начинают использовать аналитику и машинное обучение”, — сказал Макнамара.
“Мы встраиваем аналитику в нашу бизнес-стратегию и строим все эти варианты использования.”
Макнамара также подробно рассказал о некоторых ранних проектах машинного обучения, таких как платформа необеспеченного кредитования QuickBiz для малого бизнеса.
Мало что было сказано о QuickBiz в Сиднее, кроме того, что он рассматривался как пример разработки облачных продуктов в банке, учитывая, что теперь он решает один из каждых трех кредитов для малого бизнеса.
Макнамара сказал, что QuickBiz можно использовать для необеспеченных кредитов на сумму до 100 000 долларов.
“Клиенты могут выбрать финансовый вариант, который отвечает их потребностям, будь то бизнес-кредит, кредитная карта или овердрафт”, — сказал он.
“Приложение полностью онлайн и занимает всего пару минут. И если вы новичок в NAB, вы можете предоставить очень много … ваша финансовая информация поступает непосредственно из вашего бухгалтерского программного обеспечения, такого как Xero или MYOB, и мы можем провести анализ [на нем] таким образом.”
Макнамара сказал, что рассмотрение кредитных заявок требует, чтобы банк взял и рассмотрел целый ряд данных, таких как “финансовые и поведенческие характеристики, ваш баланс и графики платежей, долг, который вы должны, и ваше досье кредитного бюро”.
QuickBiz по-прежнему использует эти данные, но также просматривает текстовые детали записей транзакций, чтобы оценить и определить успех или неудачу кредитных заявок.
“Мы начали концентрироваться на деталях транзакции, в частности на тексте внутри транзакции и на том, что мы могли бы узнать из текста … чтобы помочь нам определить будущий потенциал дефолта”, — сказал Макнамара.
— Вот тут-то и пригодится машинное обучение.
“Самое главное, что использование этой информации не требует от клиента предоставления нам какой — либо дополнительной информации-у нас есть данные, это просто другой способ взглянуть на них.”
Макнамара сказал, что команда разработчиков QuickBiz использовала различные методы обработки естественного языка и алгоритмы машинного обучения для создания продукта принятия кредитных решений.
“В конечном итоге мы пришли к оптимальному решению, которое представляло собой модель с градиентным усилением”,-сказал он.
“Мы использовали модель с градиентным усилением, потому что она обеспечивала лучшее сочетание между производительностью модели, чтобы помочь нам отделить клиентов с высоким риском от клиентов с низким риском, и интерпретируемостью модели.
“Другими словами, модель позволила нам понять, почему заявка набрала высокий или низкий балл, а также обеспечила некоторую дополнительную прогностическую силу, которая в конце концов позволила нам одобрить больше клиентов, оставаясь при этом в рамках общего профиля банковского риска.”
Макнамара сказал, что QuickBiz потребовалось в общей сложности 14 недель, чтобы развиваться на вершине стека AWS.
Он повторил замечания, сделанные главным технологическим и операционным директором банка Патриком Райтом в Сиднее относительно успеха проекта.
“Это одна из самых высокорейтинговых цифровых услуг, основанная на показателях удовлетворенности клиентов, которые мы принимаем”, — добавил Макнамара.