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

AI on usein esitetty lainojen myöntämisessä hopeamunaana, joka nopeuttaa olemassa olevia luottopäätöksentekoprosesseja tai mustana laatikkomaisena digitaalisena kerroksena, joka ei todellisuudessa koskaan läpäise säätelytarkastuksia. Nämä kuvaukset eivät voi olla kauempana totuudesta siitä, mitä muuttaa luottoriskien arviointia alan eturintamassa.

Se AI, joka todella muuttaa luottopäätöksentekoa ja lainanmyöntämistä, perustuu voimakkaaseen yhdistelmään determinististä koodia, koneoppimista ja transaktiotasolla olevia tietoja. Tämä ero on tärkeä sekä käytännöllisestä että oikeudellisesta näkökulmasta; se tarkoittaa järjestelmää, jossa jokainen päätös on selitettävissä ja jossa luottojen saanti on laajentunut vastuullisesti eikä vanhoja harhaanjohtajia uudelleenjohdeta.

Kyse on teknologiasta, joka auttaa luottoansaansa oikeutetun lainanhakijan profiilia pääsemään hylkäyspinon ohi ja leikkaa riskiä hyväksi useammille taloudellisille laitoksille. Tässä on syy, miksi tämä eteenpäin suuntautuva tapa on seurattava, ja miten sitä voidaan tehdä.

Perusteellinen uudelleenarviointi on välttämätöntä

Perinteiset luottopäätöksentekomallit perustuvat suhteellisen suoraviivaiseen perusta: lainanhakijan historia, mukaan lukien hänen aiempi käyttäytymisensä, tallennettuna luottotietoihin ja tilitoimittajiin, on riittävän luotettava mittari heidän luottoansaansa oikeutetuksi. Viime vuosisadan ajan tämä lähestymistapa, joka on määritelty jälkikäteen osoittavilla indikaattoreilla, oli tarpeeksi hyvä, lähinnä siksi, että tietoja ei ollut helposti saatavilla.

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

Ja, olennaisesti, tämä vanhentunut, usein epätarkka tietoinfrastruktuuri lisää vain näkymätöntä lainanhakijan uhkaa, jota rahoitusala ei voi jättää huomiotta. Markkinat ovat muuttuneet dramaattisesti viimeisen puolen vuosisadan aikana. Nyt varhaisvaiheen pk-yritykset muodostavat suuren osan yksityissektorista Yhdysvalloissa ja suurimman osan Euroopassa. Ne nähdään yhä enemmän tulevaisuuden talouden selkärangana, mutta infrastruktuurin epäonnistumiset luottoluokituksessa jättävät heidät tiensivuun.

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

Tämä on täsmälleen sitä, mihin transaktiotasoinen AI vastaa. Sen sijaan, että riippuisi jälkikäteen osoittavilla indikaattoreilla, jotka poimitaan historiallisista tietoista, jotka voivat olla useita kuukausia vanhoja, nämä järjestelmät analysoivat tämän hetken. Luottopäätöksentekijät ja lainanantajat saavat todellisen näyn siitä, miten mahdollinen lainanhakija käyttäytyy ja miten heidän taloudellinen terveytensä on tällä hetkellä, eikä viikkoja tai kuukausia sitten. Miten? Transaktiotasoinen AI, 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 taloudellista käyttäytymistä ja terveyttä. Ja tämän lähestymistavan ansiosta on merkittäviä tuloksia. Lainanantajien hyväksymisprosentit kasvavat 10-35% ilman ylimääräistä riskiä. He nopeuttavat myös lainapäätöksiä jopa viisi kertaa ja vähentävät portfolioriskejä 15-40%.

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 näkyviksi – pk-yritykset ja yksityishenkilöt – yhdessä menetelmän kanssa, joka on selitettävissä alusta loppuun.

Tietysti AI ei voi korvata ihmisen arviointia, eikä sitä pitäisi tehdä. Luottanalystit ja luottopäätöksentekijät ovat edelleen tarpeen prosessissa eteenpäin. AI:n rooli pitäisi olla laajentaa luottamusta, kapasiteettia, selitettävyyttä ja tarkkuutta ilman vastuun ja ihmisen osallistumisen uhraamista. Kaiken kaikkiaan taloudellisissa asioissa on kyse erittäin herkkästä alueesta kuluttajien luottamuksen suhteen: ihmiset haluavat tietää, että prosessiin osallistuu ihminen.

Mitä transaktiotasoinen analyysi paljastaa

Ymmärtäminen siitä, mitä AI analysoi, on yhtä tärkeää kuin se, miksi se on arvokasta ottaa mukaan luottopäätöksentekoprosessiin ensinnäkin.

Luottotietorekisteri kertoo luottopäätöksentekijälle, että henkilö tai yritys on historiallisesti maksanut velkojaan. Mutta tämä ei mahdollista luottopäätöksentekijöille ja lainanantajille lukemista rivien välistä tapauskohtaisella tavalla. Koska se on lopulta vain valokuva, nojautuen yksinomaan indikaattoreihin kuten luottotietorekisteriin, jättää analyytikot sokeiksi laajemmille malleille, jotka kertovat lainanhakijan luottoansaansa oikeutetuksen täydellisen tarinan.

Ota esimerkki vuodenaikaisista tulomalleista. Monille pk-yrityksille tulo ei ole tasainen viiva, vaan se, jolla on huippuja ja notkoja, jotka toipuvat sykleissä. Nämä ovat täysin normaaleja useilla aloilla, mutta ne herättävät hälytyskelloja, kun niitä tarkastellaan asiayhteyden ulkopuolella – kuten usein on tapahtunut asiakirjassa, joka tallentaa hetken, mutta ei mitään muuta.

Transaktiotiedot, jotka syötetään suoraan pankkitililtä, antavat näyn yrityksen kokonaisuuden sietokyvystä: miten he palauttavat tulonsa ja hallinnoivat aukkoja huippujen ja notkojen välillä. Se antaa paljon enemmän näkemystä yrityksen sietokyvystä ja sallii proaktiivisuuden sijaan retrospektiivisen näkemyksen lainanhakijan taloudellisista näkymistä. Perinteinen tieto ei välttämättä tee eroa yrityksen, joka osaa navigoida hitaassa neljänneksessä vastuullisesti, ja yrityksen, joka menettää rahaa jatkuvasti ilman loppua.

Se voi myös yhdistää pistekohdat toimittajien keskittymisen ympärillä, jota voidaan muutoin huomata vasta myöhemmin perinteisessä luottopäätöksentekomallissa. Yritykset, joilla on kapea toimittaja- tai asiakasalue, ovat täysin eri riskiprofiilia kuin ne, joilla on laajempi perusta. Luottotiedosto ei välttämättä kata täysin haavoittuvuuksia, jotka voivat tehdä tai rikkoa lainanantajan päätöksen.

Ja käteiskonversiokytkimet, aika, joka menee yrityksille muuttaa varastoa käteeksi, tulevat esiin transaktioanalyysin kautta, eikä ainoastaan taseella. Pk-yritys, jolla on paljon vaatimattomampi tulo, mutta hyvin hallittu, tiukempi kierto, voi olla paljon kestävämpi pitkällä aikavälillä verrattuna suurempaan vastineeseen, jolla on vahva ilmoitettu tulo, mutta hitaampi konversiokytkin.

Sama logiikka koskee muuttuvia tulomalleja, jotka ovat yleistyvässä asemassa kasvavan gig-talouden ja freelancingin ja startup-yritysten myötä. On vaikeampaa lainanhakijoille ja lainan hakijoille näistä ryhmistä välttää hylkäys, kun tulojen muutokset ovat punainen lippu ensimmäisessä vaiheessa. Transaktioanalyysi kuitenkin tunnistaa perustavanlaatuisen mallin ja laajemmat trendit heidän kulutustottumuksiensa, maksutiheyden, tulojen ja menojen sekä yleisten taloudellisten tottumuksiensa suhteen.

Tässä on täsmälleen se, missä transaktioanalyysin digitaalinen, reaaliaikainen luonne on kriittinen. Tarvittavat indikaattorit, joilla saadaan täydellinen lukema riskistä ja maksukyvystä, eivät yleensä ole staattisia. Yksittäinen valokuva on vähemmän tarkka, koska se ei ole jatkuva. Yhdistelmä indikaattorista, jota havaittiin aluksi, ja viivästynyttä toimintaa on se, missä useimmat portfolioriskit ja lisäriskit löytyvät.

Tehdään data demokraattiseksi ja varmistetaan vastuullinen AI-käyttö

Seurattaessa oikein transaktiotasoinen analyysin lähestymistapa mahdollistaa myös reilumman ja avoimemman luottopäätöksentekoprosessin. Pitkään käytetyt parametri, kuten taseet ja luottotietorekisteri, osoittavat lainanhakijan historian virallisen luottojärjestelmän kanssa. Tämä toimii jonkin verran riittävästi niille, joilla on pitempi historia tämän järjestelmän kanssa. Niille, joilla ei ole, mukaan lukien freelancerit ja nuoret pk-yritykset, se tekee heistä näkymättömiä.

Transaktiotiedot ovat kaikki näkyvyydestä. Ne näkevät, mitä perinteiset mittarit ohittavat, koska ne näkevät, miten rahaa hallitaan ja miten käyttäytyminen vaihtelee hetkestä toiseen. Luottopäätöksentekijät pääsevät syvemmälle tasolle lainanhakijan luottoansaansa oikeutetuksen ymmärtämiseen. Sen vuoksi data on rakenteellisesti suunniteltu olemmaan demokraattisempi.

Olennainen varoitus: tämä ei tarkoita, että AI johtaa automaattisesti reilumpaan järjestelmään. Algoritmit on koulutettu historiallisilla tiedoilla ja lainapäätöksillä. Olemassa olevat harhat tiedoissa, joita käytetään AI:n kouluttamiseen, tekevät siitä alttiin harhalle ja syrjinnälle.

Valitettavasti on ollut tapauksia, joissa on todettu syrjintää heikkouuden ja puutteellisen läpinäkyvyyden vuoksi AI-järjestelmissä – yksi tutkimus osoitti, että naiset saivat jatkuvasti alempia luottoluokituksia kuin miehet.

Tietoinfrastruktuurin ja työnkulkumenetelmien suunnittelun valinnat AI:hen liittyen määräävät, muodostuuko reiluus takuksi. AI on toteutettava vastuullisesti, ja siihen sisältyy läpinäkyvyyden, tarkastettavuuden, vastuullisuuden ja turvallisuuden sisällyttäminen jokaiseen vaiheeseen. Se, mitä tietoja käytetään ja mitkä niiden lähteet ja kohteet ovat, määrää, mitä transaktiotasoinen AI näkee ja mitä siitä voidaan päätellä. Jatkuvat tietojen täsmällisyyden standardit ovat suoraan yhteydessä näiden työkalujen luotettavuuteen. Lopulta jäljitettävyys ja selitettävyys ovat kanavia, joita tarvitaan tunnistamaan, missä malli menee pieleen tai missä se tarvitsee parantamista, ja mitä se tekee oikein.

Nämä ominaisuudet eivät ole enää vapaaehtoisia. Säätelijät vaativat tosiasiallisesti tarkastettavia, läpinäkyviä arkkitehtuureja, jotka poistavat syrjinnän ja harhan riskin. EU:n kuluttajaluottodirektiivi 2 (CCD2) esimerkiksi asettaa eksplisiittiset standardit automaattisille luottopäätöksille, mukaan lukien lainanhakijoiden oikeus selitykseen ja ihmisen tarkastukseen. Itse asiassa tämä sääntely on juuri uudistunut ja tulee olemaan merkittävästi tiukempi lähiaikoina.

Vaikka nopeus on tärkeä tekijä, se ei ole ainoa määrittävä tekijä. Tarkkuus, reiluus, läpinäkyvyys ja näkyvyys ovat yhtä tärkeitä rahoituslaitoksille, jotka haluavat pysyä mukana kehittyvien markkinoiden ja sääntelyjen kanssa. Transaktiotasoinen AI, joka on rakennettu arkkitehtuureihin, joissa on sisäänrakennettuina tarkastettavuus ja vastuullisuus, antaa heille mahdollisuuden tehdä niin.