Pour rationaliser le traitement des demandes de crédits, les banques ont besoin de solutions couvrant un large éventail facteurs déterminants l’aptitude du client à rembourser ses crédits en respectant les échéances. Les solutions intégrées facilitent l'exploitation des informations et assurent une mise en conformité rapide et fiable. Face à la complexité et à la diversité des bases et critères d’étude de dossier de crédit et au taux de données immense à analyser, il est nécessaire d’adopter de nouvelles approches plus innovantes fondées sur des algorithmes et technologies d’analyse de larges volumes de données générées et traitées à grande vitesse.
La plupart des banques s’occupent des crédits, mais le processus d’acceptation de ce dernier prend assez de temps vu l'étude et l'analyse que doit s’effectuer afin de décider au sujet de cette opération. Pour garantir une sélection équitable, plusieurs paramètres sont pris en charge. Ces paramètres doivent être traités minutieusement afin de garantir une bonne d'estimation de la probabilité que la personne soit capable de rembourser le prêt à temps.
Pour résoudre cette préoccupation mathématique du monde moderne, nous avons décidé d’exploiter le machine learning afin d’automatiser la gestion des risques liés aux crédits en se basant sur les détails du client, à travers la modélisation des risques de crédit en utilisant différents algorithmes voire la régression linéaire, la régression logistique, K plus proches Voisins, Arbres de décision, ainsi que les réseaux de neurones.
- GOOGLE COLLAB : [https://colab.research.google.com/]
- TENSERFLOW : [https://www.tensorflow.org/]
- Schikit Learn : [https://scikit-learn.org/]
- linear regression
- logistic regression
- dicision Trees
- Neural network