Tradycyjne metody wyceny stosowane dla specyficznych rodzajów portfeli wierzytelności nie dawały wystarczająco precyzyjnych rezultatów. Firmie zależało na stworzeniu modelu, który nie tylko dokonywałby automatycznej wyceny, ale również dostarczałby dodatkowych informacji wspierających analityków w podejmowaniu decyzji podczas przetargów. Konieczne było zaprojektowanie elastycznego i dopasowanego do specyfiki spraw podejścia, które uwzględniałoby zarówno jakość, dostępność i wielkość danych, jak i specyfikę poszczególnych portfeli.

Prace rozpoczęto od dogłębnego poznania specyfiki portfeli, dla których modele miały być zastosowane. Analiza obejmowała szczegółowe zrozumienie charakterystyki wierzytelności, czynników wpływających na ich wartość oraz metod ich odzyskiwania. Kluczowym elementem projektu było określenie sposobu walidacji oraz zakresu niezbędnych danych, a także ocena ich spójności i poprawności.
Na podstawie analizy danych wybrano odpowiednie algorytmy uczenia maszynowego, które zapewniały wystarczającą elastyczność i złożoność, aby dopasować się do różnorodnych portfeli wierzytelności. Pierwsze modele zostały zbudowane i przetestowane w kontrolowanych warunkach, aby porównać ich skuteczność z metodami stosowanymi wcześniej. Kolejnym krokiem była integracja modelu z wewnętrznym systemem IT firmy oraz przeprowadzenie testów porównawczych pomiędzy wersją deweloperską a produkcyjną.
Po finalnej optymalizacji modeli przeprowadzono ich wszechstronną walidację, co pozwoliło na dostosowanie algorytmów do rzeczywistych uwarunkowań biznesowych. Dodatkowo, na podstawie analizy potrzeb analityków, uzupełniono moduł wyceny o narzędzia raportujące, dostarczające szczegółowych informacji na temat rekomendacji modelu co do wyceny. Bazując na tych informacjach możliwe było podejmowanie decyzji co do finalnej wyceny analizowanego pakietu długów.
Przed wdrożeniem w trybie produkcyjnym system działał w trybie „shadow mode”, co oznaczało testowanie wycen na rzeczywistych portfelach wierzytelności bez wpływu na rzeczywiste decyzje firmy. Po zakończeniu tego etapu nastąpiło pełne wdrożenie systemu.

Projekt obejmował analizę specyfiki portfeli wierzytelności, określenie kluczowych czynników wpływających na ich wartość oraz identyfikację niezbędnych danych do budowy modeli. Po ocenie jakości i spójności danych wybrano odpowiednie algorytmy uczenia maszynowego i przeprowadzono pierwsze testy modeli. Kolejnym krokiem było wsparcie w integracji modeli z systemem IT firmy oraz przeprowadzenie testów porównawczych. Po ostatecznej kalibracji modeli system został wzbogacony o moduł raportujący, a przed wdrożeniem przeprowadzono testy w trybie „shadow mode”. Ostatecznym etapem było wdrożenie systemu do produkcji.

Projekt obejmował analizę specyfiki portfeli wierzytelności, określenie kluczowych czynników wpływających na ich wartość oraz identyfikację niezbędnych danych do budowy modeli. Po ocenie jakości i spójności danych wybrano odpowiednie algorytmy uczenia maszynowego i przeprowadzono pierwsze testy modeli. Kolejnym krokiem było wsparcie w integracji modeli z systemem IT firmy oraz przeprowadzenie testów porównawczych. Po ostatecznej kalibracji modeli system został wzbogacony o moduł raportujący, a przed wdrożeniem przeprowadzono testy w trybie „shadow mode”. Ostatecznym etapem było wdrożenie systemu do produkcji.

Zastosowano autorskie algorytmy uczenia maszynowego, które umożliwiły precyzyjne modelowanie wartości portfeli wierzytelności. Model został również zoptymalizowany pod kątem interpretowalności wyników, co umożliwiało lepsze wsparcie analityków w podejmowaniu decyzji.
Wdrożone rozwiązanie umożliwiło automatyzację wyceny portfeli wierzytelności, poprawę trafności prognoz oraz dostarczenie analitykom cennych informacji wspierających proces decyzyjny podczas przetargów.