Par DelfinGroup
DelfinGroup ir Latvijas finanšu tehnoloģiju (fintech) uzņēmums, kas piedāvā pieejamus, vienkāršus un uz klientiem vērstus finanšu un lombardu pakalpojumus.
DelfinGroup lielie dati
DelfinGroup izmanto lielos datus (Big Data), kas 11 darbības gadu laikā rūpīgi ievākti no simtiem tūkstošu klientu un miljoniem darbību.
Prognozējošie modeļi tiek veidoti, balstoties uz vēsturiskiem datiem, izmantojot mašīnmācīšanās algoritmus, lai identificētu datu modeļus un tendences, ko var izmantot efektīvāku biznesa lēmumu pieņemšanai. Mašīnmācīšanās algoritmi tiek veidoti iekšēji, izmantojot populārākās programmēšanas valodas, piemēram, R un Python. DelfinGroup datu analītiķi izmanto plašu statistikas un uzņēmējdarbības analītikas programmatūru klāstu, tostarp Power BI, Jasp, KNIME, Anaconda un citas. DelfinGroup uzņēmējdarbības analītikas sistēmas izmanto datus no mākonī izvietotu datu ezeriem.
ETL rīki ir apvienoti ar Microsoft Power BI vizualizācijas iespējām, lai vizualizētu un parādītu datus tiešsaistes pārskatos, kas pieejami jebkurā laikā un vietā. Informācijas paneļi ar rūpīgi izvēlētiem KPI tiek izmantoti, lai uzraudzītu un novērtētu galveno uzņēmējdarbības funkciju un nodaļu darbību. Piekļuve reāllaika un gandrīz reāllaika vizuāli visaptverošiem un interaktīviem ieskatiem ļauj vadībai īstenot ātrus un pārliecinošus uz datiem balstītus lēmumus.
Pieteikumu vērtēšanas programma ir izstrādāta, izmantojot kombinētu klasifikācijas algoritmu kopu, piemēram, nejaušu lēmumu mežus, lēmumu kokus un loģistikas regresiju. Statistikas modeļi ir veidoti uz 100 000+ datu punktiem, ieskaitot datus, ko klienti sniedz, aizpildot aizdevuma pieteikumu, datus par iekšējo kredītvēsturi un kredītuzvedību, kā arī datus no ārējiem avotiem, piemēram, kredītinformācijas birojiem, parādu atgūšanas uzņēmumiem, Valsts ieņēmumu dienesta un citām publiski pieejamām datubāzēm. Vērtēšanas rezultāti sniedz ne tikai bināru atbildi par to, vai apstiprināt pieteikumu, bet arī novērtē maksimālo kredītrisku un maksimālo aizdevuma summu katram pieteikumam. Krāpšanas novēršana tiek veikta, automātiski atzīmējot netipisku klientu uzvedību un analizējot tālruņa, e-pasta un atrašanās vietas datus, kas ir īpaši svarīgi tiešsaistes klientiem. Parādu athūšanas process ir daļēji automatizēts, izmantojot mašīnmācīšanās modeļus, kas novērtē neiekasēšanas iespējamību un pēc tam pārveido atgūšanas saziņu. Piedziņas lietas tiek piešķirtas piedziņas speciālistiem, pamatojoties uz to vēsturisko sniegumu. Mārketinga un pārdošanas komunikācija ir balstīta uz vēsturiskiem modeļiem, kas parāda, kā dažādi klientu profili reaģē uz dažādiem komunikācijas kanāliem un ziņojumiem. Komunikācijas stratēģijas tiek pastāvīgi pielāgotas, izmantojot jaunākos datus no mārketinga un pārdošanas kampaņām.