Ich arbeite mit einem großen Portfolio an Hypothekenforderungen und versuche, eine zuverlässigere Methode zu entwickeln, um Datenprobleme zu erkennen, bevor die Vermögenswerte einer eingehenderen Due-Diligence-Prüfung unterzogen werden.
Das Portfolio enthält Felder wie Darlehenssaldo, Zahlungshistorie, Zinssatz, Fälligkeitsdatum, Objektinformationen, Grundschuldenstellung, Steuerstatus und Abtretungsdatensätze. Die Herausforderung besteht darin, dass einige Datensätze unvollständig sind, einige Werte in verschiedenen Dateien nicht übereinstimmen und einige Objekte ungewöhnliche Zahlungs- oder Grundschulddaten aufweisen.
Ich möchte Datenanalysen nutzen, um diese Ausnahmen automatisch zu finden, anstatt jeden Datensatz manuell zu prüfen. Beispielsweise wäre es hilfreich, fehlende Werte, doppelte Datensätze, ungewöhnliche Darlehensstände, inkonsistente Datumsangaben oder Vermögenswerte zu identifizieren, bei denen die gemeldete Pfandrechtsposition nicht mit einer anderen Datenquelle übereinstimmt.
Welchen Ansatz würden Sie verwenden, um einen wiederholbaren Workflow für dieses Problem der Datenqualität bei Hypothekenpapieren zu erstellen, wenn Sie mit JMP oder ähnlichen Analysetools arbeiten?
Würden Sie statistische Ausreißererkennung, Datenvalidierungsregeln, visuelle Dashboards oder eine andere Methode verwenden, um die Datensätze zu identifizieren, die einer eingehenderen Überprüfung bedürfen?
