Kodėl verta rinktis
Sprendimai optimizuoti kredito portfelio valdymui, mažinant nuostolius ir užtikrinant atitiktį reguliavimui (IFRS9).
- Greitos įžvalgos
- Scenarijų analizė
- Automatinės apskaitos žymos

Metodika ir duomenų šaltiniai
Modeliai kuriami taikant hibridinį metodą: tradicinė ekonometrika + papildant mašininio mokymosi įžvalgomis. Pagrindiniai duomenų šaltiniai:
- Istoriniai klientų mokėjimų duomenys
- Banko vidiniai kreditų portfelio rodikliai
- Makroekonominiai indikatoriai (Lietuva/ES)
- Trečiųjų šalių kredito biuro rodikliai

Pagrindiniai rodikliai (pavyzdinė lentelė)
| Metrika | Aprašymas | Naudojimas |
|---|---|---|
| PD (Probability of Default) | Tikimybė, kad skolininkas neįvykdys įsipareigojimų | Skolinimo sprendimams, rezervams |
| LGD (Loss Given Default) | Numatomas nuostolio procentas įvykus default'ui | Nuostolių apskaičiavimas |
| EAD (Exposure at Default) | Verta arba eksponuotumas default'o metu | Portfelio ekspozicijų vertinimas |
Įrankių rinkinys (Accordion)
Automatinis klientų reitingavimas su aiškiais predictoriais ir paaiškinamumo sluoksniu (SHAP), skirtas sprendimų palaikymui.
Segmentuoti modeliai pagal produktų klasę, su scenarijų analize įvairiems atgavimo greičiams ir sąnaudų parametrams.
Makroekonominių šokų įtakos portfeliui modeliavimas, integracija su IFRS9 ataskaitomis ir kapitalo planavimu.

Mūsų komanda
Komanda susideda iš kreditų rizikos analitikų, duomenų mokslininkų ir rizikos valdymo specialistų su patirtimi Baltijos ir Skandinavijos rinkose.
- Vadovas: rizikos modeliavimas ir reguliavimas
- Duomenų mokslininkai: ML sprendimai ir explainability
- Integracijos inžinieriai: API ir ETL sprendimai
Resursai ir dokumentacija
IFRS9 implementacijos gairės
Santrauka su praktiniais pavyzdžiais ir ataskaitų šablonais.
