Hvordan transaktionsniveau-data hjælper långivere med at se mere og risikere mindre

AI i långivning bliver ofte misrepræsenteret som en mirakelkugle, der enten accelererer eksisterende underwriting-processer eller som en sort boks-funktion, der i virkeligheden aldrig ville kunne bestå compliance-tjek. Disse beskrivelser kunne ikke være længere væk fra sandheden om, hvad der former fremtiden for underwriting og långivning på branchens forefront.

Den AI, der faktisk ændrer fremtiden for underwriting og långivning, stammer fra en kraftfuld kombination af deterministisk kode, machine learning og transaktionsniveau-data. Denne forskel er vigtig fra både en praktisk og juridisk synsvinkel; det betyder et system, hvor hver beslutning er forklarlig, og hvor kreditadgang udvides ansvarligt i stedet for at gentage eksisterende fordomme.

Dette handler om teknologi, der både hjælper en kreditværdig låntagers profil med at undgå afvisningshøjen og reducerer risikoen til fordel for flere muligheder for finansinstitutioner. Her er hvorfor denne vej fremad er værd at forfølge, og hvordan man gør det.

En omstrukturering er nødvendig

Traditionelle underwriting-modeller er baseret på en relativt enkel basis: en låntagers historie, herunder deres tidligere adfærd, fanget i bureau-scores og udsagn, er et tilstrækkeligt pålideligt mål for deres kreditværdighed. I det sidste århundrede har denne tilgang, defineret af efterfølgende indikatorer, været god nok, primært fordi data ikke var let tilgængelig.

Dette har alle ændret sig nu. Traditionelle underwriting- og kreditvurderingsmodeller er retrospektive, hvilende tungt på et enkelt øjeblik, der ikke nødvendigvis afbilder den fulde billed af en potentiel låntagers finansielle sundhed. Det er nu mere end to årtier siden, at digital datamanagement overtog analog, hvor øjeblikkeligt tilgængelig information har været normen i lang tid. En kreditfil, der tager måneder om at nå en underwriters indbakke, er et tegn på, at den nuværende model er en åndssvag måde at behandle information på.

Og, væsentligt, denne forældede, ofte upræcise data-infrastruktur øger kun truslen om den usynlige låntager, som finanssektoren ikke kan ignorere. Markederne har ændret sig dramatisk i de sidste halvtreds år. Nu udgør tidlige SMB’er en stor del af den private sektor i USA, og den største andel i Europa. De ses som ryggraden i den fremtidige økonomi, men infrastrukturfejl i kreditvurdering efterlader dem i kulissen.

Og mennesker på et individuelt niveau oplever også følgerne. I Storbritannien fandt en undersøgelse, at banker måske afviser 80% af lånsøgere med tynde kreditprofiler – som i virkeligheden er lavrisiko. Det er 4 milliarder dollars (3 milliarder pund) i tabt lavrisiko-långivning. Eksperter peger på traditionel bureau-data som en kerneforbryder.

Dette er præcis, hvad transaktionsniveau-AI løser. I stedet for at afhænge af efterfølgende indikatorer, der er plukket fra historiske optegnelser, der kan være måneder forældede, analyserer disse systemer her og nu. Underwriters og långivere får virkelig indsigt i en potentielt låntagers adfærd og finansielle sundhed lige nu, ikke uger eller måneder tilbage. Hvordan? Transaktionsniveau-AI, der udtrækker indsigt som kontantstrømme, betalingsmønstre, udgiftsdynamik og indtægt direkte fra bankkontoen.

Dette giver underwriters en kontinuerlig strøm af pålidelig, relevant data til at fuldt ud vurdere en låntagers finansielle adfærd og sundhed. Og der er betydelige resultater knyttet til denne tilgang. Långiveres godkendelsesrater øges med 10-35%, uden at tage på ekstra risiko. De accelererer også lånebeslutninger med op til fem gange, og reducerer portefølje-tab med 15-40%.

Det er værd at bemærke, at dette ikke er en situation, hvor långivere pludselig tager en chance på højrisiko-låntagere. Flere låntagere betyder ikke nødvendigvis mere risiko. Hvad der sker, er, at flere låntagere bliver synlige – SME’er og enkeltpersoner – i takt med en metode, der er forklarlig fra A til Z.

Det er naturligvis, at AI ikke kan supplere menneskelig dømmekraft, og det bør det heller ikke. Kreditanalytikere og underwriters er stadig nødvendige i processen fremad. AI’s rolle bør være at udvide tillid, kapacitet, forklarbarhed og nøjagtighed uden at ofre ansvar og menneskelig input. Efter alt, er finanser et meget følsomt område i forhold til forbruger-tillid: mennesker vil have, at der er en menneskelig involveret.

Hvad transaktionsniveau-analyse afslører

At forstå, hvad AI analyserer, er lige så vigtigt som hvorfor det er værd at indføre i underwriting-processen fra starten.

En bureau-score fortæller en underwriter, at en person eller virksomhed historisk har betalt deres gæld. Men dette giver ikke underwriters og långivere mulighed for at læse mellem linjerne på en sag-for-sag-basis. Da det i sidste ende kun er et snapshot, hviler afhængighed af indikatorer som bureau-scores underwriters og långivere blinde for bredere mønstre, der fortæller den fulde historie om en låntager.

Tag f.eks. tilfældet med sæsonbestemte indtægtsmønstre. For mange SME’er er indtægten ikke en flad linje, men en, der har toppe og dybder, der genskaber sig i cyklusser. Disse er fuldstændig normale i forskellige sektorer, men lyder af alarmklokker, når de tages ud af kontekst – som ofte er tilfældet i en dokument, der fanget øjeblikket, men intet andet.

Transaktionsdata, der strømmer direkte fra bankkontoen, giver et vindue ind i en virksomheds overordnede robusthed: hvordan de genskaber indtægten og håndterer hullerne mellem toppe og dybder. Det giver langt mere indsigt i en virksomheds robusthed, samt mulighed for proaktivitet i stedet for en retrospektiv tilgang til en låntagers finansielle udsigter. Traditionel data adskiller ikke nødvendigvis mellem en virksomhed, der dygtigt og ansvarligt navigerer en langsom kvartal, og en, der stadig taber penge uden ende i sigte. Transaktionsniveau-data gør.

Det kan også forbinde punkterne omkring leverandørkoncentration, der ellers kunne blive overset, indtil langt senere i en traditionel underwriting-model. Virksomheder med smalle leverandør- eller kunde-baser har en helt anden risikoprofil end de med en bredere base. En kreditfil fanget ikke fuldstændigt sårbarhederne, der hæfter sig ved dette, hvilket kan afgøre eller bryde en långivers beslutning.

Og kontantomløbscyklusser, den tid det tager virksomheder at omdanne lager til kontanter, bliver også belyst med transaktionsanalyse, ikke kun en balance. En SME med en langt mere beskeden indtægt, men velhåndteret, tættere cyklus kunne være langt mere robust på lang sigt i forhold til en større modpart med stærk rapporteret indtægt, men langsom kontantomløbscyklus.

Den samme logik gælder for variable indtægtsmønstre, der bliver mere almindelige midt i en stigende gig-økonomi og en opblomstring af freelancing og startups. Det er sværere for låntagere og lånsøgere fra disse puljer at undgå afvisning, hvor indtægtsvariabilitet er en rød flag fra starten. Transaktionsanalyse identificerer dog den underliggende mønster og bredere tendenser omkring deres udgiftsvaner, betalingsfrekvens, indtægt versus udgifter og generelle finansielle vaner.

Dette er præcis, hvor det reelle, digitale, transaktionsanalytiske aspekt er kritisk. Indikatorerne, der er nødvendige for at få den fulde læsning af risiko og tilbagebetaling, er ikke generelt statiske. Et enkelt snapshot er mindre præcist, fordi det ikke er kontinuerligt. Kombinationen af en indikator, der blev overset tidligt, og forsinket handling er, hvor de fleste portefølje-tab og øgede risici findes.

Gørende data demokratiske og sikring af ansvarlig AI-brug

Følges korrekt, faciliterer transaktionsniveau-analyse-tilgangen også en fairere, mere gennemsigtig underwriting-proces. Lange-brugte parametre som balancesummer og bureau-data viser en låntagers historie med det formelle kreditsystem. Dette fungerer nogenlunde tilstrækkeligt for dem, der har en længere historie med dette system. For dem, der ikke har, herunder freelancere og unge SME’er, gør det dem usynlige.

Transaktionsniveau-data handler om synlighed, selv. Det ser, hvad traditionelle mål overser, fordi det ser, hvordan penge håndteres og adfærd ændrer sig fra øjeblik til øjeblik. Underwriters får adgang til en langt dybere forståelse af en låntagers kreditværdighed. Fordi af denne grund er datastrukturen designet til at være mere demokratiske.

En væsentlig betingelse: intet af dette betyder, at AI automatisk fører til et fairere system. Algoritmer trænes på historiske data og lånebeslutninger. Fordomme, der findes i data, der bruges til at træne AI, gør det sårbart over for fordomme. Hvis, historisk, visse grupper blev ekskluderet fra lånebeslutninger, vil en dårligt designet model kun bidrage til at reproducere denne fordom og diskrimination.

Desværre har der været registrerede tilfælde af fastholdt diskrimination på grund af manglende gennemsigtighed og mangel på revision af AI-systemer – en ny undersøgelse fandt, at kvinder konsekvent blev tildelt lavere kreditvurderinger end mænd.

Designvalg omkring data-infrastruktur og workflow-management i forbindelse med AI bestemmer, om retfærdighed bliver en garanti. AI må implementeres ansvarligt, og det inkluderer at indbygge gennemsigtighed, revision, ansvar og sikkerhed på hvert trin. Hvad data, der bruges, og deres kilder og destinationer dikterer, hvad transaktionsniveau-AI ser og genererer indsigt om. Konsistente standarder for data-nøjagtighed er direkte forbundet med disse værktøjs pålidelighed. Endelig er sporing og forklarbarhed de kanaler, der er nødvendige for at identificere, hvor en model går galt eller har brug for at forbedre sig, og hvad den gør rigtigt.

Disse egenskaber er ikke længere valgfrie. Regulatorer kræver faktisk revisionerede, gennemsigtige arkitekturer, der udvisker risikoen for fordomme og diskrimination. EU’s Forbruger-kreditdirektiv 2 (CCD2) fastsætter f.eks. eksplisitte standarder for automatiserede kreditbeslutninger, herunder låntageres ret til forklaring og menneskelig revision. I virkeligheden har denne regulering lige undergået revisioner, der vil gøre det væsentligt strengere senere i år.

Mens hastighed er en vigtig faktor, er det ikke det eneste, der definerer. Nøjagtighed, retfærdighed, gennemsigtighed og synlighed er lige så vigtige for finansinstitutioner, der vil holde trit med udviklende markeder og reguleringer. Transaktionsniveau-AI, bygget inden for arkitektur-rammer, der har revision og ansvar indbygget i deres kerne, giver dem mulighed for at gøre det.