PKO BP: Machine learning przyśpieszy proces kredytowy

PKO Bank Polski zakończył prace nad nowym modelem automatycznej wyceny nieruchomości i wdrożył go w swoich procesach biznesowych. Narzędzie będzie wspierało pracę analityków szacujących wartość nieruchomości. Nowy model oparty jest o autorskie algorytmy uczenia maszynowego, które pozwalają usprawnić wycenę nieruchomości, także w lokalizacjach, gdzie ocena była utrudniona ze względu na małą liczbę dostępnych danych. Rozwiązanie pozwoli skrócić czas potrzebny na rozpatrzenie wniosku kredytowego.

- Nowy model automatycznej wyceny nieruchomości opracowany przez PKO Bank Polski wykorzystuje ważne przewagi konkurencyjne spółki takie jak dostęp do dobrej jakości danych o rynku nieruchomości i wiedza oraz doświadczenie najlepszego na rynku zespołu ekspertów technologicznych. Ponieważ jako bank finansujemy zakup największej liczby nieruchomości w Polsce, nasze algorytmy optymalizacji wyceny są najdokładniejsze i bezkonkurencyjne. Dzięki efektywnej agilowej współpracy zespołów IT, ekspertów od wyceny nieruchomości oraz najlepszych specjalistów od modeli statystycznych udało się nam stworzyć narzędzie, które pozwoli jeszcze lepiej wykorzystać atuty banku do wzmacniania pozycji lidera na rynku kredytów hipotecznych – mówi Jakub Grefling, Kierownik Zespołu Portfela Kredytów Hipotecznych w Pionie Ryzyka Kredytowego Klienta Rynku Detalicznego w PKO Banku Polskim.

Kolejny krok w optymalizacji procesów biznesowych

Wdrożenie AVM (ang. Automatic Valuation Model) jest kolejnym krokiem angażującym nowe technologie do optymalizacji procesów biznesowych w PKO Banku Polskim. Zautomatyzowane narzędzie będzie wspierało pracę analityków szacujących wartość rynkową nieruchomości. Bazuje ono na autorskich algorytmach opracowanych przez ekspertów z obszaru data science PKO Banku Polskiego i opiera się na metodologii oraz technikach wynikających z obowiązujących regulacji prawnych odnoszących się do wyceny nieruchomości.

Model uwzględnia dane o nieruchomościach znajdujące się m.in. w bankowej bazie danych, dane z GUS czy z Baz Danych Lokalnych. Rozwiązanie ocenia także atrakcyjność lokalizacji wykorzystując informacje o tzw. Points of Interest oraz danych warstwowych z interaktywnych map pochodzących ze źródeł zewnętrznych. Przy pomocy wbudowanych agregatów takich jak liczba restauracji, żłobków czy terenów zielonych w zadanym promieniu od wycenianej nieruchomości, potrafi bardzo precyzyjnie ocenić rynkową wartość nieruchomości.

Atutem modelu jest jego wysoka skuteczność także w lokalizacjach poza dużymi miastami, gdzie trudno dopasować analogiczne transakcje i wykorzystać je do procesu szacowania wartości nieruchomości. W trakcie wyceny, model daje możliwość wizualizacji na wykresie najbardziej istotnych atrybutów konkretnej nieruchomości takich jak lokalizacja, typ i wiek budynku, parametry techniczne, standard czy inne cechy wpływające na jej wartość. To znacząco ułatwia interpretację wyniku bankowym analitykom w trakcie procesowania wniosku kredytowego, co zwiększa dokładność oceny i skraca czas pomiędzy złożeniem przez klienta wniosku kredytowego, a podpisaniem finalnej umowy kredytowej.

Źródło: materiały prasowe