2006年5月（Ver 3.3) Ｔｏｔａｌ Ｒｉｓｋ Ｍａｎａｇｅｍｅｎｔ Ｓｅｒｖｉｃｅのご Ｔｏｔａｌ Ｒｉｓｋ Ｍａｎａｇｅｍｅｎｔ Ｓｅｒｖｉｃｅのご案内 のご案内 第２ｿﾘｭｰｼｮﾝ事業部 Ｓ－ｿﾘｭｰｼｮﾝ部 ﾘｽｸﾏﾈｰｼﾞﾒﾝﾄＧ 1 リスク管理（与信審査）の目的 何を目的とするか 目的とするか、 とするか、はっきりと定義 はっきりと定義すること 定義すること １．優良（ 優良（正常） 正常）顧客の 顧客の獲得 ２．優良（ 優良（正常） 正常）顧客への 顧客への優遇 への優遇・ 優遇・積極与信 ３．不良（ 不良（異常） 異常）顧客にはなんらかの 顧客にはなんらかの制御 にはなんらかの制御 ４．与信／ 与信／管理業務オペレーション 管理業務オペレーションの オペレーションの効率化 2006/5/10 そのためには・・・・・ １：優／良／可をはかる「 をはかる「モノサシ」 モノサシ」を作る ①リスクを リスクを予測する 予測するモノサシ するモノサシ ②利用を 利用を予測する 予測するモノサシ するモノサシ ③収益・ 収益・損益を 損益を予測する 予測するモノサシ するモノサシ ２：正しいモノサシ しいモノサシは モノサシは客観的な 客観的なデータ分析結果 データ分析結果から 分析結果から ①スコアリング・ スコアリング・モデル ②判別ツリー 判別ツリー ③クロス分析 クロス分析 ３：モノサシと モノサシとルールを ルールを組み合わせた与信 わせた与信システム 与信システム 機械的システム 機械的システムと システムと人的システム 人的システムを システムを融合させることが 融合させることが重要 させることが重要 3 TRIMSの基本概念 ・企画立案・企画見 直し ・入会審査 ・融資審査 ・ローン審査 ・回収・移管・償却 ・顧客獲得 各リスク管理 における データ 項目は お互いにリン クし、 データの流 れ を追 うこと が可能 にする 各ユニッ トに おけるアプリ ケーシ ョン、 ソフト、メーカーは 必ずしも同一であ る 必要はない 各ユニッ トごとに繰り 返し作業 ・途上与信 ・不正検知 ・利用促進 ・退会阻止 ・DM応答率 ・顧客セグ メンテ ーショ ン ・マーケティング・ プロモ ーショ ン策定 ・DM発送、サ ービス 案内 ・キャンペーンの実施 ・結果の解析 ・債権管理（督促・回収） ・収益管理（ハ イリスクハ イリターン） ・戦略評価 検討 ・実績・予 測の効 果 4 TRIMSの問題解決の手順 ・戦略、目的の確認 ・企画書の作成 企画・要件定義 ・本格運用 ・モデルの効果検証 本番運用 効果測定 データ基礎分析 スパイラル な運用 試行運用 効果測定 ・本番環境にて試行運用評価 ・モデル及びシステムの評価 データマイニング システム設計 モデル評価検証 システム検証 ・ヒストグラム ・統計量 ・簡易加工 ・クレンジング ・感度分析 ・TREE分析 ・初期与信 ・途上与信 ・融資審査 ・利用促進・退会阻止 ・債権・督促管理 ・DM応答率 ・顧客セグメント ・加盟店審査管理 ・他 ・データ加工 ・TREEモデル作成 ・ニューロモデル作成 ・運用システム設計 ・本番データによる精度検証 ・システムパフォーマンス検証 ・モデルの修正評価 5 具体的提供物（保守容易な形態） １．モデルの改善（データ駆動型の強み） Ｘ 旧データ 新データ 学習エンジン 学習エンジン モデル モデル ファイル 新モデル ファイル ファイル CSMDＴＭ 新データで データで再学習させれば 再学習させれば良 させれば良い ２．業務システムへの影響（開発レス） Ｘ 旧モデル 新モデル 業務システム 業務システム スコアリングエンジン E-TRIMＴＭ 審査業務 処理（ 処理（与信） 与信） 新モデルに モデルに入れ替えれば良 えれば良い プログラムの プログラムの修正はなし 修正はなし 6 ◆スコアリングモデル性能検証（K-S値） 良客 不良客 不良率 スコア 件数比率による精度 100 90 80 70 60 50 40 30 ％ 20 10 0 累積件数（％）における良客と不良客 のグラフの間隔幅が広い程（つまりK-S 値が大きい程）高精度モデルといえる （ 累 積 件 数 ） 良客 不良客 不良率 100 0 90 0 80 0 70 0 60 0 50 0 40 0 30 0 20 0 10 0 スコア順実数分布 スコア順件数(%) 5,500 5,000 件 4,500 数 4,000 3,500 3,000 頻 2,500 度 2,000 1,500 1,000 500 0 80 （ 60 0 90 0 0 0 0 80 70 60 50 0 0 0 40 30 20 0 0 10 0 ％ ） 20 （ 40 ） スコア値を閾値として、どれ だけ正常、不良を目的に応 じて抽出できるかがキー 不 良 率 スコア 7 自動審査による省力化 ●スコア区分による3分割で80％以上を自動化 グレイゾーン 自動OK 低 スコア閾値 リスク 自動NG 高 ●グレイゾーンのみ人手によるチェック ●人手によるチェックも判定の基準項目の重要度一覧が出力 ●さらに数値化された一定基準を ベースにチェック可能 リスクに対する感度（影響度）を視覚的 に把握することが可能 ニューロはブラックボックスではない 8 他社運用例（運用マトリクス） スコア 自社 ルール 低リスク （優良顧客） 中リスク （一般顧客） 高リスク （不良顧客） 低リスク 【最優良対象】 ・希望融資額 ・督促無 ・低金利 【優良対象】 ・希望融資額 ・督促無 ・低金利 【モニタリング対象】 ・最低額融資 ・通常督促／優先催促 ・高金利 中リスク 【優良対象】 ・希望融資額 ・督促無 ・中程度金利 【一般対象】 ・希望融資額ダウン ・フレンドリー督促 ・中金利 【警告対象】 ・最低額融資 ・返戻即時回収 ・優先督促／担当移管 高リスク 【モニタリング対象】 ・希望融資額ダウン ・通常督促 ・高金利 【モニタリング対象】 ・希望融資額ダウン ・優先督促 ・高金利 【モニタリング対象】 ・希望融資額ダウン ・停止／回収 ・特別回収部隊へ移管 9 対象業務 初期与信 カード発行センター 途上与信／管理 債権管理（回収） オーソリセンター 信用管理 コールセンター 債権管理 カスタマーセンター等 融資審査 イレギュラー利用 イレギュラー利用 （不良会員管理） 不良会員管理） 入会審査 カード更新 カード更新・ 更新・再発行 限度額調整 収益管理 紛失・ 紛失・盗難受付 第三者利用 （不正利用管理） 不正利用管理） 初期未入金 中・長期未入金 特別管理 偽装検知 加盟店管理 10 ◆初期与信 個人信用情報 機関とリンク 外部情報の詳細情報から 時系列的な利用、支払い履 歴状態を把握することで高 精度の与信判定が可能 CIC (CRIN) CCB 無人受付窓口 インターネット 携帯 TEL & FAX 申込み 簡単な申込み スピーディな申込み 安全な申込み TERA （JDB) 顧客 ： サーバ スコアリング アルゴリズム データ蓄積 データ蓄積 不正データベース 社内顧客管理DB 即時審査 即時契約 即時カード発行 11 ◆途上与信 入会経路 利用状況 返済状況 他社利用状況 データ収集 データ収集 ●限度額アップ データ分析 データ分析 稼動客に対し、返済履歴及び、必要に応じ現時 点の外部情報を元に各顧客のリスク度（安全度） を算出する。 与信タイミングがキーワード 途上与信 ●異常使用停止 ●限度額ダウン ●回収 ●商品紹介 12 ◆延滞督促・回収 電話のみ 電話のみ 督促レベル 督促レベル 算出 一定期間 回収リスト 回収状況管理 返済プラン提供 回収 保留 督促状発送 延滞者予測 初期延滞者抽出 オートコールシステム接続 督促状況管理 個人のリスクの積上げと収益実績 によるセグメントが可能 積上利益 13 入手可能な属性 １．業種 ２．設立年月（営業年数） ３．資本金 ４．従業員数 ５．年商（経常利益） 代表者 の個 人信 用情報 事業性融資審査での留意点(TDB評点が無い場合） 大部分は代表者個人のクレジットヒストリによる 14 事業性融資審査での留意点(TDB評点が無い場合） 途上与信の重要度が大きい ●限度額アップ 限度額アップ 外部信用情報 （現時点） 現時点） （履歴情報） 履歴情報） モデル 途上審査 入出金履歴 決算書 ●異常使用停止 ●機能停止 ●限度額ダウン 限度額ダウン ●回収 15 ◆不正利用検知（ＦＤＳ） オーソリ ホスト 電文チェック 電文チェック ＦＤＳ ネガ・ ネガ・偽造チェック 偽造チェック オーソリ データ 会員 データ 加盟店 データ データ加工 データ加工 ツリー判定 ツリー判定 危険度大 販売保留 ニューロ判定 ニューロ判定 販売ＮＧ 販売ＮＧ 不正使用 危険度小 与信判定 ロジック 正常 16 ニューロへの取り組み ・開始：１９８９年末～ （ＡＩ：人工知能領域への進出） ・目的：制御システムへの応用 審査システム 審査システムに システムに有効 ・当時のＡＩの主流（知識駆動型） ①エキスパートシステム ②ファジーシステム ・ＬＷの選択（データ駆動型） ニューラル・ネットワークシステム データを与えて、出来るだけ正解に近い解をだせる様にな るまで、教え込むシステム 2006/5/10 ◆ニューラルネットワーク技術とは ニューラルネットワーク （ニューロ （ニューロ） ニューロ）は脳の神経回路を 神経回路を 正規モデル化された データ分布 現実のデータ 分布 工学的に 工学的にモデル化 モデル化したもの 多変量非線形の 多変量非線形の学習アルゴリズム 学習アルゴリズム 従来の 従来の統計や 統計や数量化理論のように 数量化理論のように データの データの分布や 分布や形状に 形状に関する制約 する制約を えずにデータを データを解析 制約を加えずに 局部の 局部の差異も 差異も許容しつつ 許容しつつ総体的 しつつ総体的な 総体的な特性を 特性を検出 データを データをニューロが ニューロが自己学習し 自己学習しデータ間 データ間の因果関係を 因果関係を発見する 発見する 18 スコアリングシステムの考え方 １：過去に 過去に起きた事象 きた事象が 事象が近い将来にも 将来にも同様 にも同様に 同様に起こることを仮定 こることを仮定 与信方法 与信方法や 与信方法や、マーケティングを マーケティングを変更してしまうと 変更してしまうとモデル してしまうとモデルが モデルが予測出来ない 予測出来ない 部分 部分が 発生する。 部分が発生する する。 ２：データをそのまま データをそのまま与 をそのまま与えても良 えても良い結果は 結果は出せない データの データの事前分析が 事前分析が重要 ３：ニューロや 対応は ニューロや統計手法による 統計手法による自動化 による自動化で 自動化で100%対応 対応は出来ない 出来ない “ “人“による部分 による部分を 部分を極小にしつつも 極小にしつつも、 にしつつも、機械化対応出来ない 機械化対応出来ない部分 ない部分などは 部分などは “ “人”による与信 による与信で 与信で補間を 補間を行う。 ４：効率と 効率と収益と 収益と損益 あらゆる指標 あらゆる指標で 指標で評価を 評価を行う必要がある 必要がある 自動化手法＋ 自動化手法＋人的与信の 人的与信の最適な 最適な組 み合わせが成功 わせが成功への 成功へのキー へのキーとなる キーとなる 2006/5/10 ◆手法の組み合わせ ツリーモデル、ニューロモデルなどの互いの長所を組み合わせることで高精度 の審査モデルを実現 2 1 リスク高 ニューロ 判別モデル 統計 過去利用：有 融資額：20万円未満 融資額：20万以上 リスク低 住居区分 未完済件数 完済件数 利用パターン トリーで判別しにくいデータを ニューロで再審査させる 残債額 月々支払金額 複雑なデータ分布に対しては、ニューロは統計 やトリー判別より高精度の判別結果を出す 20 外部情報の重要性（リスク 収益） 1： ：本人の 本人のクレジットヒストリーから クレジットヒストリーから信用度 から信用度を 信用度を算出 （動態を 動態を把握する 把握する事 する事が重要） 重要） 現在 現在に 現在に至る理由を 理由をヒストリーから ヒストリーから導出 から導出 ２：外部情報の 外部情報の特性（ 特性（外部機関毎） 外部機関毎） ①自社顧客層に 自社顧客層に有効な 有効な項目の 項目の分析選択 ②組み合わせ ３：外部情報の 外部情報の入手コスト 入手コスト ①外部情報の 外部情報の必要性の 必要性の検出 外部１ 外部１ 外部２ 外部２ 自社のみ 自社のみ 21 外部情報の違いによる精度(例) 級内分布図 60 50 40 件 数 比 率 30 （ 正常 不良 CIC＆CCB 双方利用 CIC 単独 級内分布図 ） ％ 20 70 10 60 0 950～ 850～ 750～ 650～ 550～ 450～ スコア 350～ 250～ 150～ 50 件 数 比 40 率 30 ％ 50～ 正常 不良 （ 級内分布図 ） 60 20 50 10 40 件 数 比 率 30 （ 正常 不良 ） ％ CCB 単独 0 950～ 850～ 750～ 650～ 550～ 450～ 350～ 250～ 150～ 50～ スコア 20 組み合わせによって、 わせによって、判別精度が 判別精度が高くなる 10 0 950～ 850～ 750～ 650～ 550～ 450～ スコア 350～ 250～ 150～ 50～ 22 あらゆる稼動環境に対応 運用形態（バッチ、オンライン） システム構築環境例 23 ◆運用形態（バッチ、オンライン） バッチ処理系 オンライン系 ホストもしくは サーバー Ｗｅｂ端末 ホストもしくは サーバー スケジューラー による自動処理 データ入力 データ入力、 入力、分析は 分析はＷｅｂ端末 Ｗｅｂ端末 スコアリングサーバーは スコアリングサーバーはホスト、ＷＳ、 ホスト、ＷＳ、 ＰＣ－サーバー ＰＣ－サーバーいずれも サーバーいずれも可能 いずれも可能 スコアリングタイミングは スコアリングタイミングはバッチ、 バッチ、オン ライン共可能 ライン共可能 スコア返送 ＷＳ スコアリング 実 行 処理サーバー （ホストの場合 もあり） 顧客ＩＤ スコア スコアリスト作成 与信対象者 選定 スコアリング PGM起動 データ転送 スコアリング用 データベース ＷＳ 判定結果転送 Ｗｅｂ端末 ： ： ： ： スコアリング スコア返送 実 行 24 システム構築環境例 各種 照会 外部信用情報機関（CCB,CIC,他）、TDB、他 基幹システム（勘定系システム） メタデータ・レガシーデータ 照会・結果 ロード 標準I/F 自店・全店取引状況 ・貸出金 ・家族情報 ・属性情報 ユーザー端末 アプリケーションシステム 顧客データベース ・スケーラビリティ ・アベイラビリティ ・処理負荷分散 ・採算管理・信用情報 ・マーケット情報 ・顧客ﾏｽﾀｰﾌｧｲﾙ 並列処理マシン 郵送 申込み 顧客情報システム ・総合顧客採算管理 ・総合顧客元帳 収益管理システム ・加盟店別収益 ・マーケット別収益 債権管理システム ・再振分類 ・管理債権分類 顧客別採算情報 ・取引情報 ・店別コスト グループ別取引情報 ・JCB・VISA・MASTER,UC ・採算状況 リスク管理システム ・入会審査(照会データ) ・途上与信(取引情報) ・不正使用防止(利用履歴) ・融資審査(取引情報) 営業支援システム ・顧客情報 ・取引情報 ・アンケート情報 FAX/TEL ACM 25 導入の標準ステップ 1 2 3 month 4 5 6 要件定義 データ加工 データ加工 モデル作成 モデル作成・ 作成・検証 運用システム 運用システム構築 システム構築 試行運用 約6ヶ月の標準工期でシス テムを構築いたします。 導入 26 他社運用例（実績例） 初期与信（メーカー系ローン、信販系ローン、オートローン） 目的ローンの受け付け審査を自動化することにより、従来の受付処理可能量が 倍増し、かつ利用顧客の利用が増大した 初期与信（銀行系無担保ローン、ネットローン） 個人事業者の審査を汎化モデルにて開始、審査にメリハリをつけるとともにデー タを自動的に蓄積中（特に履歴として蓄積） 初期与信（流通系カード） カード発行時に、１ヶ月度以上の延滞を起こす顧客を予測。 外部情報を盛り込み精度が向上、督促にも流用 途上与信（銀行系カード） 返戻発生者を対象とし、翌月以降債権の悪化する顧客を予測。 督促の優先度を設定することや従来の業務量の2倍をこなせる。 途上与信（流通系カード、信販系） 再融資顧客の信用情報解除時に翌月に延滞を発生し、長期債権化する顧客を 予測。 外部情報は不用意に照会することなく絞り込まれた特定の顧客リスクを判定する ために実施し、コスト削減 27 ありがとうございました ＴＨＥ ＥＮＤ 28
© Copyright 2024 ExpyDoc
