GCI2020_Summer_Final_Task

D8e1d59ff9bef142ecfd98e531c77b6f?s=47 Hirochi
August 17, 2020

 GCI2020_Summer_Final_Task

GCI2020Summer(東京大学グローバル消費インテリジェンス寄附講座)にて課された最終課題になります。

★課題(以下のような状況を仮定します。)
あなたはデータサイエンティストとしてHome Credit Groupから業務委託され,事業モデルを提案することになりました。
以下の要件を満たす事業モデルについての資料を提出してください。

★要件
・提出はスライド形式で、15スライド以内のPDFとしてください。
・本講座で学んだ内容(データの可視化・機械学習技術など)を用いてください。
・機械学習に関して事前知識をもたない人間に対する資料としてふさわしいものとしてください。

★データについて
・データは過去にKaggleで開催されたコンペティション「Home Credit Default Risk」で配布されたものを主として使用してください。(第二回コンペで配布されたデータセットではなく、Kaggleで配布されているデータセットを使用することに注意してください。ここで、データセットが複数に分かれていますが、その全てを使用する必要はありません。)
・誰でも無償でアクセス可能なオープンデータは用いても構いませんが,その際には出典を明記してください。

D8e1d59ff9bef142ecfd98e531c77b6f?s=128

Hirochi

August 17, 2020
Tweet

Transcript

  1. AIを用いた融資の 改善案について ひろち (Hirochi) GitHub ID: Hirochon Twitter ID: heacet43

  2. 弊社AIが融資を最適化し 利益を生み出します 債務不履行による損失が削減できます。 現実的な融資をお客様へ提示できます。 お客様の負担を減らし、支払い遅延の可能性を減らします。 ① 弊社が実現できること 2

  3. データで見るHome Credit社の現状① 3 債務不履行となった融資の合計を換算すると、 ※ 約138億にものぼる。 ② 弊社が見る問題点 8.1% 91.9%

    債務不履行数 24,825件 債務履行数 282,686件 Home Credit社2020年7月総融資数との比較をしてみると…? 総数 307,511件 ※通貨単位が不明なため単位は明記し ておりません。 弊社が頂いた過去約30万件の顧客データ[1]を調査 8.1%(約25,000件)が債務不履行
  4. 債務不履行は125,000件と予想 → 692億損失の可能性 債務不履行は25,000件 → 138億損失 データで見るHome Credit社の現状② 150万件中8%のデータ数 →約125,000件が債務

    不履行(総額692億相当) であることが予想される。 頂いた過去30万件の8%が債務不履行である顧客 データが、2020年7月の150万件の融資件数か ら無作為に抽出されたデータと仮定すると… 頂いた顧客データ 300,000件 2020年7月の融資件数1,500,000件 2020年7月HomeCredit社の総融資数は1,500,000件[2] 8% 月に総額692億が債務不履行となる可能性がございます。 4 ② 弊社が見る問題点 8%
  5. 債務不履行による損失額 692億が意味すること 月に692億の損失に対して、0.5%の改善でも大きく損失の改善が見込めます。 → 0.5%の改善が見込めると仮定して、692 × 0.005 ≒ 3.46 →

    月に3.46億となる。 3.46 × 12(ヶ月) = 41.5 → 年に約41.5億の損失の改善が見込めます。 5 ③ 弊社の提案による効果
  6. 6 弊社AIが0.5%以上の 改善を実現します 弊社が開発したAIを用いると以下の効果がございました。 債務不履行となる融資総額138億のうち、8000万 の削減に成功。 → (80,000,000 / 1,380,000,000)

    × 100(%) = 0.58 % の削減となります。 つまり0.5%以上の改善に成功。 → 年間に41.5億以上の損失の削減が見込めます。 ③ 弊社の提案による効果
  7. 本提案におけるAIとは ①過去のデータを使用して、AIが学習します。 ②学習したAIに分析したいデータを与えます。 ③AIが学習したデータを元に予測した結果を出力します。 7 ④ 弊社が提案するAIの説明 ・勾配ブースティング木(LightGBM)による回帰分析に よって、予測する仕組み。 ・上図のように木の構造のように条件を並べ、分岐を

    行います。これを複数の木で行い、集合させ複雑な予 測を行います。 AI技術について AIの役割について 過去のデータ 学習 予測 AI 予測した結果 分析したいデータ ① ② ③ 条件 結果 結果 ・・・ 予測 条件 条件 条件 条件 条件
  8. 弊社AIによる効果検証 8 ④ 弊社が提案するAIの説明 損失を減らせることが 検証により実証された 債務不履行を除いた 顧客データ ①頂いた過去30万件の顧客データを学習用と検証用に 分けます。

    ②分割した25万件の債務不履行を除いた顧客 データのみを使用して、AIが融資額の成功例 を正解として適切な融資額を学習します。 ③分割した5万件の債務履行/債務不履行どちらも等し く含まれたデータをAIに与えます。 学習 予測 AI 最適な融資を予測 債務履行/不履行の 両方を含む顧客データ ② ③ ④ 頂いた全ての 顧客データ ① ④事前に債務履行/不履行が分かっているデータを用いてAIの精度を検証します。  〜正常な債務履行のお客様への融資額について〜  AIが予測した最適な融資の総額 →  14,942,482,421  実際に融資した総額      → −)14,950,722,154   −8,239,733(−0.055%)  〜債務不履行のお客様への融資額について〜  AIが予測した最適な融資の総額 →  13,758,105,320  実際に融資した総額      → −)13,846,851,949     −88,746,629(−0.64%)  → 損失を0.5%以上削減することが実証できました。 25万件 5万件 30万件 分割する
  9. AIによる融資額の予測結果について 9 ④ 弊社が提案するAIの説明 債務不履行のお客様への実際の融資額とAIが提案する融資額を比較した図 実際の融資額は高額な融資額付近で多くの融資数がみられる。 AIが提案する融資額は低い融資額付近で多くの融資件数がみられる。 → つまりAIが債務不履行への融資額を抑えています。 AIが融資額を予測する際に重要とした特徴5つについて

    重要度 特徴の説明 1 融資を受ける際の商品の価格 2 ローン年金 3 現在の雇用は申請の何日前に開始したか 4 お客様が住む地域の人口 5 お客様のローン年金を収入で割ったもの こんなことも分かり ます!
  10. 弊社AIを扱う際の注意点について 10 ⑤ 弊社AI使用上の注意点 → 一度人為的な確認の上で扱って頂けると、よりAIに よる融資提案の効果が期待できます。 正常に債務履行しているお客様への融資額を大幅に引き下げてしまう/上げてしまうケースが稀にございます。 融資数 平均

    最小値 25% 50% 75% 最大値 24825 331.91 -513910 -15114 -468.06 13976 318796 左図は下式の値を最小値から見て何%の位置にいるかを表した図に なります。 <<正常に債務履行しているお客様限定での>> 実際の融資額 − AIの提案する融資額 = 融資額の差分 特に注目していただきたいのは緑の吹き出しの       の 部分です。 最小値から見て0.5%と99.5%間は狭いにも関わらず、全融資数の 99%を占めています。ですが残りの1%がハズレ値として広い範囲 に分布しており、大きな差が見られるケースも稀にございます。 0.5% 99.5% 0.5% 99.5%
  11. 弊社AIのお見積り 11 ⑥ 弊社AIの見積もり額 機能 債務不履行への融資の改善が可能になります。 効果 債務不履行による損失額を削減できます。 よりお客様に合った融資額を提案できます。 価格(2種類ご用意しております)

    ①弊社AIの買い取り 50,000,000 ②10,000件の顧客分析につき 1,000,000 実現性の高いAIと考えており、お試し価格もご用意しております。 HomeCrdit様が利益を拡大できる価格を提示させて頂いております。
  12. 参考資料 [1] Home Credit Default Risk | Kaggle (https://www.kaggle.com/c/home-credit-default-risk/data) [2]

    Loans Tool – Home Credit (https://www.homecredit.net/about-us/loans-tool.aspx) 12 ⑦ 参考資料