Kuinka transaktiotasolla olevat tiedot auttavat lainanantajia näkemään enemmän ja ottamaan vähemmän riskejä

Luotonantoa koskeva tekoäly on usein esitetty hopeisen luoden kaltaisena, joka nopeuttaa olemassa olevia luottopäätöksiä tai toimii mustana laatikkomaisena digitaalisena kerroksena, joka ei todellisuudessa läpäise koskemattomuuden tarkastuksia. Nämä kuvaukset eivät voi olla kauempana totuudesta siitä, mitä muuttaa luottoriskien arviointia alan eturintamassa.

Tekoäly, joka todella muuttaa luottopäätöksen ja lainanannon tulevaisuutta, johtuu voimakkaasta yhdistelmästä determinististä koodia, koneoppimista ja transaktiotasolla olevista tiedoista. Tämä ero on merkittävä sekä käytännöllisellä että oikeudellisella tasolla; se tarkoittaa järjestelmää, jossa jokainen päätös on selitettävissä ja jossa luottoon pääsy laajenee vastuullisesti ilman olemassa olevien ennakkoluulojen uudelleenjulkaisemista.

Se on teknologia, joka auttaa luottokelpoisen lainanhakijan profiilia pääsemään hylkäyspinon ulospoistoon ja leikkaa riskiä edullisemman rahoituksen hyväksi. Tässä on syy, miksi tämä eteenpäin suuntautuva tapa on seurattava, ja miten sitä voidaan tehdä.

Perusteellinen uudelleenarviointi on välttämätöntä

Perinteiset luottopäätösmallit perustuvat suhteellisen yksinkertaiseen perusteeseen: lainanhakijan historia, mukaan lukien hänen menneisyyden käyttäytymisensä, joka on tallennettu luottotietoihin ja -selityksiin, on riittävän luotettava mittari hänen luottokelpoisuudestaan. Viime vuosisadan ajan tämä lähestymistapa, joka on määritelty viivästyneillä osoittimilla, oli riittävä, pääasiassa siksi, että tietoja ei ollut helposti saatavilla.

Se on kaikki muuttunut nyt. Perinteinen luottopäätös ja luottoluokitusmallit ovat retrospektiivisiä, nojautuen voimakkaasti yksittäiseen hetkeen, joka ei välttämättä kuvaa lainanhakijan taloudellisen terveyden täydellistä kuvaa. On jo yli kaksi vuosikymmentä siitä, kun digitaalinen tietojen hallinta ohitti analogisen, jossa välittömästi saatavilla oleva tieto on ollut pitkään normi. Luottotiedosto, joka menee useita kuukausia ennen kuin se pääsee luottopäätöksentekijän postilaatikkoon, on merkki siitä, että nykyinen malli on vanhanaikainen tapa käsitellä tietoja.

Ja, olennaisesti, tämä vanhentunut, usein epätarkka tietoinfrastruktuuri nostaa vain uhkan “näkymättömästä” lainanhakijasta, jota rahoitusala ei voi jättää huomiotta. Markkinat ovat muuttuneet dramaattisesti viimeisen puolen vuosisadan aikana. Nykyään alkuvaiheen pk-yritykset muodostavat suuren osan yksityissektorista Yhdysvalloissa, ja suurimman osan Euroopassa. Ne nähdään yhä enenevissä määrin tulevaisuuden talouden selkärangana, mutta luottoluokitusjärjestelmien infrastruktuurin epäonnistumiset jättävät heidät sivuun.

Ja ihmiset yksilöllisellä tasolla kohtaavat myös seuraukset. Isossa-Britanniassa yksi tutkimus osoitti, että pankit voivat hylätä 80% lainanhakijoita, joilla on ohuet luottoprofiilit – jotka ovat todellisuudessa matalan riskin omiaisia. Se on 4 miljardia dollaria (3 miljardia puntaa) menetettyä matalan riskin lainoittamista. Asiantuntijat viittaavat perinteisiin luottotietoihin syynä tähän.

Tämä on täsmälleen sitä, mihin transaktiotasolla toimiva tekoäly vastaa. Sen sijaan, että riippuisi viivästyneistä osoittimista, jotka poimitaan historiallisista tietueista, jotka voivat olla useita kuukausia vanhoja, nämä järjestelmät analysoivat tämän hetken tilannetta. Luottopäätöksentekijät ja lainanantajat saavat todellisen näyn lainanhakijan käyttäytymisestä ja taloudellisesta terveydestä juuri nyt, eikä viikkoja tai kuukausia sitten. Miten? Transaktiotasolla toimiva tekoäly, joka poimii näkemyksiä, kuten kätevirtaa, maksumalleja, kulutusdynamiikkaa ja tuloja suoraan pankkitililtä.

Se antaa luottopäätöksentekijöille jatkuvan virran luotettavia ja asiaankuuluvia tietoja, jotta he voivat täysin arvioida lainanhakijan taloudellisen käyttäytymisen ja terveyden. Ja tämän lähestymistavan ansiosta on merkittäviä tuloksia. Lainanantajien hyväksymisprosentit kasvavat 10-35%:lla ilman ylimääräistä riskiä. He nopeuttavat myös lainapäätöksiä jopa viisi kertaa ja vähentävät salkun tappioita 15-40%:lla.

On huomionarvoista, että tämä ei ole tilanne, jossa lainanantajat ottavat yhtäkkiä riskiä korkean riskin lainanhakijoille. Enemmän lainanhakijoita ei välttämättä tarkoita enemmän riskiä. Mitä tapahtuu, on että enemmän lainanhakijoita tulee näkyviin – pk-yritykset ja yksityishenkilöt – yhdessä menetelmän kanssa, joka on selitettävissä A:sta Ö:hön.

Tietysti tekoäly ei voi korvata ihmisen arvostelukykyä, eikä sitä pitäisi tehdä. Luottanalystit ja luottopäätöksentekijät ovat edelleen tarpeen prosessissa eteenpäin. Tekoälyn rooli pitäisi olla laajentaa luottamusta, kapasiteettia, selitettävyyttä ja tarkkuutta ilman vastuun ja ihmisen osallistumisen uhraamista. Kaiken kaikkiaan talous on erittäin herkkä ala kuluttajien luottamuksen suhteen: ihmiset haluavat tietää, että siinä on mukana ihminen.

Mitä transaktiotasolla tapahtuva analyysi paljastaa

Ymmärtäminen siitä, mitä tekoäly analysoi, on yhtä tärkeää kuin se, miksi se on arvokasta tuoda luottopäätöksentekoon alusta alkaen.

Luottoluokitus kertoo luottopäätöksentekijälle, että henkilö tai yritys on historiallisesti maksanut velkojaan. Mutta tämä ei mahdollista luottopäätöksentekijöille ja lainanantajille lukemista rivien välistä tapauskohtaisesti. Koska se on lopulta vain valokuva, riippuminen yksinomaan osoittimista, kuten luottoluokituksista, jättää analyytikot sokeiksi laajemmille malleille, jotka kertovat lainanhakijan tarinan.

Otetaan esimerkki vuodenaikaisista tulomalleista. Monille pk-yrityksille tulo ei ole tasainen linja, vaan ylänousuja ja laskuja, jotka toipuvat sykleissä. Nämä ovat täysin normaaleja monilla aloilla, mutta herättävät hälytyskelloja, kun ne otetaan asiayhteydestä – kuten usein on tapahtumassa asiakirjassa, joka tallentaa hetken, mutta ei mitään muuta.

Transaktiotiedot, jotka poimitaan suoraan pankkitililtä, antavat näyn yrityksen kokonaisresilienssiin: miten he palauttavat tulonsa ja hallinnoivat aukkoja huippujen ja loivien välillä. Se antaa paljon enemmän näkemystä yrityksen resilienssiin ja sallii proaktiivisuuden sijaan retrospektiivisen otteen lainanhakijan taloudellisista näkymistä. Perinteinen data ei välttämättä tee eroa yrityksen, joka navigoi taitavasti ja vastuullisesti hitaassa neljänneksessä, ja yrityksen, joka menettää jatkuvasti rahaa ilman loppua.

Se voi myös yhdistää pistekohdat toimittajien keskittymisen ympärillä, jotka voivat jääda huomaamatta perinteisessä luottopäätöksenteossa. Yritykset, joilla on kapea toimittaja- tai asiakasalue, ovat täysin eri riskiprofiilia kuin ne, joilla on laajempi perusta. Luottotiedosto ei täysin sisällä haavoittuvuuksia, jotka liittyvät siihen, mikä voi tehdä tai rikkoa lainanantajan päätöksen.

Ja käteiskonversiokytkimet, aika, joka kuluu yrityksille muuttaa varastoa käteiseksi, tulevat esiin transaktioanalyysin kautta, eikä vain taseesta. Pk-yrityksellä, jolla on paljon vaatimattomampi tulo, mutta hyvin hallittu, tiukempi sykli, voi olla paljon resiliempi pitkällä aikavälillä verrattuna suurempaan vastineeseen, jolla on vahva ilmoitettu tulo, mutta hitaampi konversiokytkin.

Sama logiikka koskee muuttuvia tulomalleja, jotka ovat yleistyviä nousseessa gig-taloudessa ja freelancerien ja startup-yritysten kasvussa. On vaikeampaa lainanhakijoille ja lainan hakijoille näistä ryhmistä välttää hylkääminen, kun tulomuuttujat ovat punainen lippu ensimmäisessä vaiheessa. Transaktioanalyysi kuitenkin tunnistaa perustavanlaatuisen mallin ja laajemmat trendit heidän kulutusvaikutuksistaan, maksutaajuuksista, tuloista ja yleisistä taloudellisista tavoista.

Tässä on täsmälleen siinä, missä digitaalisen, transaktioanalyysin reaaliaikaisuus on kriittinen. Tarvittavat osoittimet riskin ja maksukelpoisuuden täydelliselle lukemiselle eivät yleensä ole staattisia. Yksittäinen valokuva on vähemmän tarkin, koska se ei ole jatkuva. Yhdistelmä osoittimesta, jota havaittiin aluksi, ja viivästynyttä toimintaa on se, missä useimmat salkun tappiot ja lisäriskeet löytyvät.

Tehokkaampi tietojen demokratisointi ja vastuullinen tekoälyn käyttö

Seurattaessa oikein, transaktiotasolla tapahtuva analyysi mahdollistaa myös reilumman ja avoimemman luottopäätöksenteon. Pitkään käytetyt parametri, kuten taseet ja luottotiedot, osoittavat lainanhakijan historian virallisen luottojärjestelmän kanssa. Tämä toimii jonkinlaisesti riittävästi niille, joilla on pitempi historia tämän järjestelmän kanssa. Niille, joilla ei ole, mukaan lukien freelancerit ja nuoret pk-yritykset, se tekee heistä näkymättömiä.

Transaktiotasolla olevat tiedot ovat kaikki näkyvyydestä. Ne näkevät, mitä perinteiset mittarit ohittavat, koska ne näkevät, miten rahaa hallitaan ja miten käyttäytyminen vaihtelee hetkestä toiseen. Luottopäätöksentekijät pääsevät syvemmälle ymmärrykseen lainanhakijan luottokelpoisuudesta. Koska tämä on rakenteellisesti suunniteltu olemaan demokraattisempi.

Olivatpa ne sitten pk-yrityksiä tai yksityishenkilöitä, transaktiotasolla olevat tiedot antavat syvemmän ymmärryksen heidän taloudellisesta terveydestään ja käyttäytymisestään. Tämä tarkoittaa, että luottopäätöksentekijät voivat tehdä parempia päätöksiä ja vähentää riskejä.

Olennainen varoitus: mikään tästä ei tarkoita, että tekoäly johtaa automaattisesti reilumpaan järjestelmään. Algoritmit koulutetaan historiallisilla tiedoilla ja luottopäätöksillä. Harhat, jotka ovat olemassa koulutusdataa käytettäessä, tekevät siitä alttiina harhalle ja syrjinnälle. Jos historiallisesti tiettyjä ryhmiä on suljettu pois luottopäätöksistä, huonosti suunniteltu malli vain toistaa tämän harhan ja syrjinnän.

Valitettavasti on ollut tapauksia, joissa syrjintä on jatkunut huonon transparensin ja tekoälyjärjestelmien puutteellisen tarkastelun vuoksi – yksi viimeaikainen tutkimus osoitti, että naiset saivat jatkuvasti alempia luottoluokituksia kuin miehet.

Suunnittelupäätökset, jotka liittyvät tietoinfrastruktuuriin ja työnkulun hallintaan yhteydessä tekoälyyn, määräävät, muuttuuko reiluus takuksi. Tekoäly on toteutettava vastuullisesti, ja se sisältää transparensin, tarkastettavuuden, vastuullisuuden ja turvallisuuden jokaisessa vaiheessa. Se, mitä tietoja käytetään, ja niiden lähteet ja kohteet määräävät, mitä transaktiotasolla oleva tekoäly näkee ja mitä siitä voidaan päätellä. Jatkuvat tietojen tarkkuuden standardit ovat suoraan yhteydessä näiden työkalujen luotettavuuteen. Lopulta, jäljitettävyys ja selitettävyys ovat kanavia, joita tarvitaan tunnistamaan, missä malli menee väärään suuntaan tai tarvitsee parantaa, ja mitä se tekee oikein.

Nämä piirteet eivät ole enää vapaaehtoisia. Sääntelijät vaativat tosiasiallisesti tarkastettavia, avoimia arkkitehtuureja, jotka poistavat syrjinnän ja harhan riskin. EU:n kuluttajaluottodirektiivi 2 (CCD2) esimerkiksi asettaa eksplisiittisiä standardeja automaattisille luottopäätöksille, mukaan lukien lainanhakijoiden oikeudet selitykseen ja ihmisen tarkastukseen. Itse asiassa tämä sääntely on juuri uudistunut siten, että se tulee olemaan merkittävästi tiukempi lähitulevaisuudessa.

Vaikka nopeus on tärkeä tekijä, se ei ole ainoa määrittävä tekijä. Tarkkuus, reiluus, transparensi ja näkyvyys ovat yhtä tärkeitä tekijöitä rahoituslaitoksille, jotka haluavat pysyä kehittyvien markkinoiden ja sääntelyjen mukana. Transaktiotasolla toimiva tekoäly, joka on rakennettu arkkitehtuureihin, joissa on tarkastettavuus ja vastuullisuus ydinosaamisena, mahdollistaa heidän tehdä niin.