Πώς τα δεδομένα επιπέδου συναλλαγής βοηθούν τους δανειστές να δουν περισσότερα και να κινδυνεύουν λιγότερο

Το AI στο δανεισμό συχνά παρουσιάζεται ως μια μαγική λύση που είτε επιταχύνει τις υπάρχουσες διαδικασίες εγκρίσεων είτε ως một μαύρο κουτί που, στην πραγματικότητα, δεν θα περάσει ποτέ τους ελέγχους συμμόρφωσης. Αυτές οι απεικονίσεις δεν είναι πιο μακρές από την αλήθεια για το τι μεταμορφώνει την αξιολόγηση του κινδύνου πίστωσης στην πρωτοποριακή άκρη της βιομηχανίας.

Το AI που πραγματικά αλλάζει το μέλλον της εγκρίσεως και του δανεισμού προέρχεται από μια शकτική συνδυασμό από determinιστικό κώδικα, μηχανικής μάθησης και δεδομένων επιπέδου συναλλαγής. Αυτή η διάκριση έχει σημασία από πρακτική και νομική πλευρά· σημαίνει ένα σύστημα όπου κάθε απόφαση είναι εξηγήσιμη και όπου η πρόσβαση στο δάνειο διευρύνεται ευθύνη αντί να αναβίωσει τις υπάρχουσες προκαταλήψεις.

Πρόκειται για τεχνολογία που βοηθά ένα αξιοπρεπές δανειστή να αποφύγει τη στάση της απόρριψης και να μειώσει τον κίνδυνο υπέρ περισσότερων ευκαιριών για τις χρηματοοικονομικές εταιρείες. Εδώ είναι γιατί αυτή η πρόοδος αξίζει να ακολουθηθεί και πώς να το κάνει.

Μια ανακαίνιση είναι επειγόντως αναγκαία

Τα παραδοσιακά μοντέλα εγκρίσεως βασίζονται σε μια σχετικά απλή βάση: η ιστορία του δανειστή, συμπεριλαμβανομένης της προηγούμενης συμπεριφοράς του, που καταγράφεται σε βαθμολογίες γραφείων και δηλώσεων, είναι ένα αρκετά αξιόπιστο μέτρο της αξιοπιστίας του. Κατά τον τελευταίο αιώνα, αυτή η προσέγγιση, που ορίζεται από καθυστερούμενους δείκτες, ήταν αρκετά καλή, κυρίως επειδή τα δεδομένα δεν ήταν εύκολα διαθέσιμα.

Αυτό έχει αλλάξει τώρα. Τα παραδοσιακά μοντέλα εγκρίσεως και αξιολόγησης πίστωσης είναι αναδρομικά, βασισμένα σε μια στιγμή που δεν αναπαρίσταται απαραίτητα το πλήρες πορτρέτο της οικονομικής υγείας του υποψήφιου δανειστή. Είναι πλέον περισσότερο από δύο δεκαετίες από τότε που η ψηφιακή διαχείριση δεδομένων ξεπέρασε την αναλογική, όπου η αμέσως προσιτή πληροφορία έχει ήδη γίνει το κανονικό. Ένα αρχείο πίστωσης που χρειάζεται μήνες για να φτάσει στο γραφείο του εγκριστή είναι ένα σημάδι ότι το τρέχον μοντέλο είναι ένας παλαιός τρόπος επεξεργασίας πληροφοριών.

Και, κρίσιμο, αυτή η παλαιά και συχνά ανακριβής υποδομή δεδομένων αυξάνει μόνο την απειλή του αόρατου δανειστή, τον οποίο η χρηματοοικονομική βιομηχανία δεν πρέπει να αγνοήσει. Οι αγορές έχουν αλλάξει δραματικά τις τελευταίες πενήντα χρόνια. Τώρα, οι νεοσύστατες ΜΜΕ αποτελούν einen μεγάλο μέρος του ιδιωτικού τομέα στις ΗΠΑ και το μεγαλύτερο μέρος στην Ευρώπη. Είναι ολοένα και περισσότερο θεωρούνται ως η σπονδυλική στήλη της μελλοντικής οικονομίας, αλλά οι υποδομικές αποτυχίες στην αξιολόγηση πίστωσης τους αφήνουν στην άκρη.

Και οι άνθρωποι σε ατομικό επίπεδο αντιμετωπίζουν τις επιπτώσεις, επίσης. Στο Ηνωμένο Βασίλειο, μια μελέτη βρήκε ότι οι τράπεζες μπορεί να απορρίπτουν 80% των αιτήσεων δανείου με λεπτές προφίλ πίστωσης – οι οποίοι είναι στην πραγματικότητα χαμηλού κινδύνου. Αυτό είναι 4 δισεκατομμύρια λίρες (3 δισεκατομμύρια λίρες) σε χαμένο χαμηλού κινδύνου δανεισμό. Οι εμπειρογνώμονες δείχνουν στα παραδοσιακά δεδομένα γραφείου ως τον βασικό ένοχο.

Αυτό είναι ακριβώς τι αντιμετωπίζει η ανάλυση επιπέδου συναλλαγής. Αντί να βασίζεται σε καθυστερούμενους δείκτες που λαμβάνονται από ιστορικά αρχεία που μπορεί να είναι μηνών εκτός ημερομηνίας, αυτά τα συστήματα αναλύουν το εδώ και τώρα. Οι εγκριτές και οι δανειστές λαμβάνουν πραγματική ενημέρωση σχετικά με τη συμπεριφορά και την οικονομική υγεία του υποψήφιου δανειστή τώρα, όχι εβδομάδες ή μήνες πίσω. Πώς; Ανάλυση επιπέδου συναλλαγής, η οποία εξάγει ενημερώσεις όπως τα ρεύματα μετρητών, τα μοτίβα πληρωμών, τη δυναμική δαπανών και το εισόδημα απευθείας από το τραπεζικό λογαριασμό.

Αυτό δίνει στους εγκριτές μια συνεχή ροή αξιόπιστων και σχετικών δεδομένων για να αξιολογήσουν πλήρως τη συμπεριφορά και την υγεία του δανειστή. Και υπάρχουν σημαντικά αποτελέσματα που συνδέονται με αυτήν την προσέγγιση. Οι δανειστές βελτιώνουν τους ρυθμούς εγκρίσεως μεταξύ 10 και 35%, χωρίς να λαμβάνουν επιπλέον κίνδυνο. Επίσης, επιταχύνουν τις αποφάσεις δανείου μέχρι και πέντε φορές και μειώνουν τις απώλειες χαρτοφυλακίου κατά 15-40%.

Αξίζει να σημειωθεί ότι αυτό δεν είναι μια κατάσταση όπου οι δανειστές λαμβάνουν ξαφνικά την ευκαιρία να πάρουν υψηλού κινδύνου δανειστές. Περισσότεροι δανειστές δεν σημαίνει απαραίτητα περισσότερος κίνδυνος. Τι συμβαίνει είναι ότι περισσότεροι δανειστές γίνονται ορατοί – ΜΜΕ και άτομα – σε συνδυασμό με μια μεθοδολογία που είναι εξηγήσιμη από το Α έως το Ω.

Φυσικά, το AI δεν μπορεί να αντικαταστήσει την ανθρώπινη κρίση, ούτε πρέπει να το κάνει. Οι αναλυτές πίστωσης και οι εγκριτές εξακολουθούν να χρειάζονται στη διαδικασία που προχωρά. Ο ρόλος του AI πρέπει να είναι να επεκτείνει την εμπιστοσύνη, την ικανότητα, την εξηγήσιμη και την ακρίβεια χωρίς να θυσιάζει την ευθύνη και την ανθρώπινη είσοδο.毕竟, οι χρηματοοικονομικές είναι ένα εξαιρετικά ευαίσθητο πεδίο σε σχέση με την εμπιστοσύνη των καταναλωτών: οι άνθρωποι θέλουν να γνωρίζουν ότι υπάρχει ένας άνθρωπος που εμπλέκεται.

Τι αποκαλύπτει η ανάλυση επιπέδου συναλλαγής

Η κατανόηση του τι αναλύει το AI είναι εξίσου σημαντική με το γιατί αξίζει να εισαχθεί στη διαδικασία εγκρίσεως.

Μια βαθμολογία γραφείου λέει στον εγκριστή ότι ένα άτομο ή μια εταιρεία έχει ιστορικά πληρώσει τους χρέους του. Αλλά αυτό δεν δίνει στους εγκριτές και τους δανειστές τη δυνατότητα να διαβάσουν μεταξύ των γραμμών σε κάθε περίπτωση.既然 είναι τελικά μόνο μια στιγμιότυπο, βασισμένο αποκλειστικά σε δείκτες όπως οι βαθμολογίες γραφείου, αφήνει τους αναλυτές τυφλούς σε ευρύτερες τάσεις που διηγούνται την πλήρη ιστορία του δανειστή.

Πάρτε την περίπτωση των εποχικών μοτίβων εσόδων. Για πολλές ΜΜΕ, τα έσοδα δεν είναι μια πεπλατυσμένη γραμμή αλλά μια που έχει κορυφές και χαμηλά που ανακτούν σε κύκλους. Αυτά είναι απόλυτα φυσικά σε διάφορους τομείς αλλά ήχουν συναγερμούς όταν λαμβάνονται εκτός контекστού – όπως συχνά συμβαίνει σε ένα έγγραφο που καταγράφει τη στιγμή αλλά τίποτα πέρα από αυτό.

Τα δεδομένα συναλλαγής που τροφοδοτούνται απευθείας από τον τραπεζικό λογαριασμό παρέχουν μια εστίαση στην ολική ανθεκτικότητα της εταιρείας: πώς ανακτούν τα έσοδα και διαχειρίζονται τα κενά μεταξύ κορυφών και χαμηλών. Παρέχει πολύ περισσότερη ενημέρωση σχετικά με την ανθεκτικότητα της επιχείρησης, καθώς και την προαγωγή της προωθητικής αντί για μια αναδρομική ματιά στις οικονομικές προοπτικές του δανειστή. Τα παραδοσιακά δεδομένα δεν διακρίνουν απαραίτητα μεταξύ μιας εταιρείας που διαχειρίζεται ευθύνη και μιας που χάνει συνεχώς χρήματα χωρίς τέλος.

Μπορεί επίσης να συνδέσει τα σημεία γύρω από τη συγκέντρωση προμηθευτών που μπορεί να παραλειφθεί αλλιώς μέχρι πολύ αργότερα σε ένα παραδοσιακό μοντέλο εγκρίσεως. Οι επιχειρήσεις με στενό προφίλ προμηθευτών ή πελατών έχουν ένα完全 διαφορετικό προφίλ κινδύνου από αυτές με ένα ευρύτερο προφίλ. Ένα αρχείο πίστωσης δεν περιλαμβάνει πλήρως τις ευπαθειές που συνδέονται με αυτό, οι οποίες μπορούν να κάνουν ή να σπάσουν μια απόφαση δανειστή.

Και οι κύκλοι μετατροπής μετρητών, ο χρόνος που χρειάζεται στις επιχειρήσεις για να μετατρέψουν τον αποθεματικό σε μετρητά, φέρνεται στο φως με την ανάλυση συναλλαγής, όχι μόνο με μια ισορροπημένη φύλλο. Μια ΜΜΕ με ένα πολύ πιο σεμνό έσοδο αλλά καλά διαχειριζόμενο, στενό κύκλο θα μπορούσε να είναι πολύ πιο ανθεκτική στο μακροπρόθεσμο σε σύγκριση με ένα μεγαλύτερο αντίπαλο με ισχυρά αναφερθέντα έσοδα αλλά αργό κύκλο μετατροπής.

Η ίδια λογική εφαρμόζεται στα μεταβλητά μοτίβα εσόδων, τα οποία γίνονται ολοένα και πιο συχνά giữa μια αυξανόμενη οικονομία freelance και μια έξαρση freelancing και startups. Είναι πιο δύσκολο για τους δανειστές και τους αιτούντες δανείου από αυτές τις πισίνες να αποφύγουν την απόρριψη όπου η μεταβλητότητα του εισοδήματος είναι μια ερυθρή σημαία στην πρώτη ματιά. Η ανάλυση συναλλαγής, ωστόσο, αναγνωρίζει το υποκείμενο μοτίβο και τις ευρύτερες τάσεις γύρω από τις δαπάνες, τη συχνότητα πληρωμών, τα εισοδήματα και τις γενικές οικονομικές συνήθειες.

Εδώ είναι ακριβώς όπου η πραγματική φύση της ψηφιακής, ανάλυσης συναλλαγής είναι κρίσιμη. Οι δείκτες που χρειάζονται για να ληφθεί η πλήρης ανάγνωση του κινδύνου και της βιωσιμότητας της αποπληρωμής δεν είναι γενικά στατικοί. Ένα seul στιγμιότυπο είναι λιγότερο ακριβές επειδή δεν είναι συνεχές. Η συνδυασμένη δείκτης που χάθηκε νωρίς και η καθυστερημένη δράση είναι όπου βρίσκονται οι περισσότερες απώλειες χαρτοφυλακίου και ο αυξημένος κίνδυνος.

Κάνωντας τα δεδομένα δημοκρατικά και εξασφαλίζοντας την υπεύθυνη χρήση του AI

Ακολουθώντας σωστά, η προσέγγιση ανάλυσης επιπέδου συναλλαγής διευκολύνει επίσης μια δίκαιη, πιο διαφανή διαδικασία εγκρίσεως. Τα παραδοσιακά παραμέτρους όπως οι ισοζυγισμοί και τα δεδομένα γραφείου αναπαρίστανε την ιστορία του δανειστή με το επίσημο σύστημα πίστωσης. Αυτό λειτουργεί κάπως επαρκώς για εκείνους που έχουν μια μακρύτερη ιστορία με αυτό το σύστημα. Για εκείνους που δεν το κάνουν, συμπεριλαμβανομένων των freelance και των νεοσύστατων ΜΜΕ, τους κάνει αόρατους.

Τα δεδομένα επιπέδου συναλλαγής είναι όλα για την ορατότητα. Βλέπουν τι παραμελείται από τα παραδοσιακά μετρητικά επειδή βλέπουν πώς διαχειρίζονται τα χρήματα και πώς οι συμπεριφορές κυμαίνονται στιγμή προς στιγμή. Οι εγκριτές έχουν πρόσβαση σε ένα πολύ βαθύτερο επίπεδο εσωτερικής κατανόησης της αξιοπιστίας του δανειστή. Λόγω αυτού, τα δεδομένα είναι δομικά σχεδιασμένα να είναι πιο δημοκρατικά.

Μια ζωτική επιφύλαξη: δεν σημαίνει ότι το AI οδηγεί αυτόματα σε ένα δίκαιο σύστημα. Τα αλγόριθμοι εκπαιδεύονται σε ιστορικά δεδομένα και αποφάσεις δανεισμού. Οι προκαταλήψεις που υπάρχουν στα δεδομένα που χρησιμοποιούνται για την εκπαίδευση του AI κάνουν το AI ευάλωτο σε προκαταλήψεις. Αν, ιστορικά, ορισμένες ομάδες αποκλείστηκαν από τις αποφάσεις δανεισμού, ένα κακοσχεδιασμένο μοντέλο θα αναπαράγει μόνο αυτήν την προκατάληψη και την διάκριση.

Δυστυχώς, έχουν καταγραφεί περιπτώσεις που επαναλαμβάνονται λόγω κακής διαφάνειας και έλλειψης ελέγχου των συστημάτων AI – μια πρόσφατη μελέτη βρήκε ότι οι γυναίκες χορηγήθηκαν συνεχώς χαμηλότερες βαθμολογίες πίστωσης από τους άνδρες.

Οι επιλογές σχεδιασμού που περιβάλλουν την υποδομή δεδομένων και τη διαχείριση ροής εργασιών σε σχέση με το AI καθορίζουν εάν η δίκαιη γίνεται εγγύηση. Το AI πρέπει να εφαρμοστεί υπεύθυνα, και αυτό περιλαμβάνει τη διείσδυση της διαφάνειας, της ελέγχου, της ευθύνης και της ασφάλειας σε κάθε στάδιο. Ποια δεδομένα χρησιμοποιούνται και οι πηγές και οι προορισμοί τους καθορίζουν τι βλέπει και παράγει το AI. Συνεχείς πρότυπα ακρίβειας δεδομένων συνδέονται直接 με την αξιοπιστία αυτών των εργαλείων. Τέλος, η ιχνηλασιμότητα και η εξηγήσιμη είναι τα κανάλια που χρειάζονται για να αναγνωρίσουν πού ένα μοντέλο πάει λάθος ή χρειάζεται να βελτιωθεί, και τι κάνει σωστά.

Αυτά τα χαρακτηριστικά δεν είναι πλέον προαιρετικά. Οι ρυθμιστές απαιτούν αρχιτεκτονικές που είναι ελέγχου, διαφανείς και που αποβάλλουν τον κίνδυνο προκατάληψης και διακρίσεων. Η οδηγία του Ευρωπαϊκού Κοινοβουλίου για το Καταναλωτικό Δάνειο 2 (CCD2), για παράδειγμα, ορίζει ρητές πρότυπα για αυτοματοποιημένες αποφάσεις δανεισμού, συμπεριλαμβανομένων των δικαιωμάτων των δανειστών για εξήγηση και ανθρώπινη επανεξέταση. Στην πραγματικότητα, αυτή η ρύθμιση έχει μόλις υποβληθεί σε αναθεώρηση που θα την κάνει σημαντικά αυστηρότερη αργότερα αυτό το έτος.

Ενώ η ταχύτητα είναι ένας σημαντικός παράγοντας, δεν είναι ο καθοριστικός. Η ακρίβεια, η δίκαιη, η διαφάνεια και η ορατότητα είναι εξίσου σημαντικές για τις χρηματοοικονομικές εταιρείες που θέλουν να παραμείνουν με τις εξελισσόμενες αγορές και τους κανονισμούς. Η ανάλυση επιπέδου συναλλαγής, που κατασκευάζεται μέσα σε αρχιτεκτονικές που έχουν ελέγχο και ευθύνη στη καρδιά τους, τους επιτρέπει να το κάνουν.