Национальный Хантер

1.

НАЦИОНАЛЬНЫЙ
ХАНТЕР

2.

Вызовы рынка
Fraud по fake ID и КИ,
«подбор значений»,
«сговор»
Fraud потери —
~ 12 млрд руб. в год
Клиентам ошибочно
отказывают при неудобном
процессе
72% доля отказов
по кредитам
Бизнес переплачивает за inhouse, ограничен в росте
Оплата за
каждую доработку
Угроза Fraud в новых сегментах кредитования при снижающейся марже
Потребность клиентов в быстром и удобном пути кредитования

3.

Национальный Хантер
Anti-fraud сервис по кредитным заявкам для улучшения клиентского опыта
Anti-fraud поиск с
детализацией
(от правил до скоринга
на базе заявок >40% рынка)
Автоматизация KYC
( ответ — 3 сек., Fraud
update
on-line, Dashboard)
Outsourcing Fraud management
(оплата за запрос,
кастомизация, поддержка 24*7)
Снижает Fraud потери
Увеличивает продажи
Экономия расходов
Быстро, эффективно и незаметно для клиентов находит Fraud,
используя базу кредитных заявок России,
с оплатой пропорционально объему бизнеса

4.

Выгода для клиента
1,2
2,5 млн
заявок
22 тыс.
25%
Fraud suspect Fraud matching
220 тыс. ₽
ср. чек
млрд ₽
/мес
Ежемесячное предотвращение потенциальных потерь от Fraud

5.

Процесс работы сервиса
КЛИЕНТ
Отправка заявки на
кредит
34 поля
Передача данных БАНКОМ
в БЮРО в хешированном виде
БЮРО
Анализ по правилам/скорингу
544 правила
• Несоответствия и аномалии
• Негатив банков и рискфакторы
• Позитивные правила
Передача ответа БЮРО
в БАНК в формате XML
БАНК
Учитывает ответ бюро в
решении
1. Правило и статус
отработки/скоринг
2. Быстрый ответ по заявкам
без Fraud
3. Update бюро по Fraud
случаям
+ Ежемесячные отчеты
Он-лайн обработка запросов (более миллиона в месяц)
Пакетный режим для аналитики, CRM, Collection

6.

Рекомендация №1. Индивидуальный скоринг
ЦЕЛЬ:
Повысить точность предсказания Fraud,
эффективность модели и оптимизировать
расходы на использование ответа сервиса
ВЫГОДА КЛИЕНТУ:
• Регулярная кастомизация
• Экономия поддержки модели НХ
Тип модели
Выборка, на которой
протестирована модель
G/B
Gini
G/B
KS
Обобщенная
Общая выборка (все продукты)
21,
4
17,
2
Обобщенная
Лизинг, МФО
3,1
3,3
Обобщенная
Отдельный Банк А
8,5
9,2
Индивидуальная
Отдельный Банк А
35,
2
21,
1
Тип модели
Тип ответа
NH
Bining
частоты
срабатывания
правил
Обобщенная
Расширенный
Обобщенная
Стандартный
Более сложные
переменные на
основе правил
G/B
Gini
G/B
KS
Есть
Используются
40,
1
28,
9
Нет
Не используются
26,
6
21,
4
Индивидуальные модели для отдельных банков эффективнее в 4,1 раза
Расширенный ответ увеличивает точность предсказания моделей в 1,5 раза

7.

Рекомендация №2. Позитивные правила
ЦЕЛЬ:
Выделяют «хороших» клиентов, упрощая их
одобрение и сокращая расходы на
проверки
ВЫГОДА КЛИЕНТУ:
• Использовать все знания о клиенте
• Освободить клиента от вопросов
• Проверять актуальность контактов
National Hunter проверяет данные физ. лиц для целей CRM, Collection
Клиент увеличивает Phone Rate, Recovery Rate, снижает расходы

8.

Рекомендация №3. Графы
ЦЕЛЬ:
• Выделение групп данных, связанных одной схемой
мошенничества.
• Проверка контактных и персональных данных на
принадлежность выделенным группам негативного поведения
ВЫГОДА КЛИЕНТУ:
Раскрытие нестандартных схем
группового мошенничества
Выявление мошеннических групп на основе частей данных всех участников
сервиса