כיצד נתונים ברמת עסקה מסייעים למלווים לראות יותר ולסכן פחות

AI בתחום המלווה הוא לעיתים קרובות מוצג באופן שגוי כקליע כסוף שמאיץ את תהליכי האישור הקיימים או כשכבה דיגיטלית הפועלת כקופסה שחורה, שבפועל לעולם לא תעבור בדיקות תאימות. תיאורים אלו הם רחוקים מהאמת של מה שמעצב מחדש את הערכת סיכון האשראי בחלוץ התעשייה.

ה-AI שבאמת משנה את עתיד האישור והמלווה נובע משילוב עוצמתי של קוד דטרמיניסטי, למידת מכונה ונתונים ברמת עסקה. הבחנה זו חשובה מבחינה מעשית ומשפטית; היא משמעותה מערכת בה כל החלטה היא מוסברת ובה גישה לאשראי מורחבת באופן אחראי במקום לשחזר את הטיהויים הקיימים.

זהו עניין של טכנולוגיה שעוזרת לפרופיל של לווה ראוי לאשראי להימלט מערימת הדחייה ולקצץ את הסיכון לטובת יותר הזדמנויות עבור מוסדות פיננסיים. זהו הסיבה למה דרך קדימה זו שווה לרדוף, ואיך לעשות זאת.

שינוי דרסטי הוא דרוש בדחיפות

מודלים מסורתיים של אישור הם מבוססים על בסיס יחסית פשוט: היסטוריה של הלווה, כולל התנהגותו בעבר, המיוצגת בניקוד ביורו והצהרות, היא מדד אמין מספיק של ראויותו לאשראי. במהלך המאה האחרונה, גישה זו, המוגדרת על ידי מעידים מאחור, הייתה מספיק טוב, בעיקר מכיוון שהנתונים לא היו זמינים בקלות.

כל זה השתנה עכשיו. מודלים מסורתיים של אישור וניקוד אשראי הם רטרוספקטיביים, נוטים במידה רבה על רגע בודד שאינו בהכרח מתאר את התמונה המלאה של בריאותו הפיננסית של לווה פוטנציאלי. זה יותר מעשרים שנה מאז ניהול נתונים דיגיטלי עקף את האנלוג, שם מידע נגיש באופן מיידי היה נורמה. קובץ אשראי שלוקח חודשים להגיע לתיבת הדואר של האישור הוא סימן שהמודל הנוכחי הוא דרך מיושנת לעיבוד מידע.

וחשוב, תשתית נתונים מיושנת ולא מדויקת זו רק מגבירה את האיום של הלווה הבלתי נראה, שאת התעשייה הפיננסית אין להתעלם. השווקים השתנו באופן דרסטי במחצית המאה האחרונה. כעת, SMBs בשלב מוקדם מהווים חלק גדול מהמגזר הפרטי ב-US, והחלק הגדול ב-אירופה. הם נתפסים בהדרגה כעמוד השדרה של הכלכלה העתידית, אך כישלונות בתשתית ניקוד האשראי משאירים אותם בצד.

ואנשים ברמה האישית סובלים גם הם מההשלכות. בבריטניה, מחקר אחד מצא כי בנקים עשויים לדחות 80% מבקשי הלוואה עם פרופילי אשראי דקים – שהם למעשה בעלי סיכון נמוך. זהו 4 מיליארד דולר (£3 מיליארד) בהלוואות בעלות סיכון נמוך שאבדו. מומחים מצביעים על נתוני הביורו המסורתיים כעבריין העיקרי.

זהו בדיוק מה שנתונים ברמת עסקה מתקנים. במקום לסמוך על מעידים מאחור שלוקחים מרשומות היסטוריות שיכולות להיות מיושנות, מערכות אלו מנתחות את ההווה. מאישורים ומלווים מקבלים תובנות אמיתיות להתנהגות ובריאותו הפיננסית של לווה פוטנציאלי כעת, לא שבועות או חודשים לפני. איך? נתונים ברמת עסקה, המוציאים תובנות כגון זרימות מזומנים, דפוסי תשלום, דינמיקת הוצאות והכנסות ישירות מחשבון הבנק.

זה נותן למאישורים ולמלווים זרם רציף של נתונים אמינים ורלוונטיים לבדוק לחלוטין את התנהגותו הפיננסית ובריאותו של לווה. ויש תוצאות משמעותיות הקשורות לגישה זו. שיעורי אישור של מלווים עולים בין 10 ל-35%, ללא קבלת סיכון נוסף. הם גם מאיצים את החלטות הלוואה בעד 5 פעמים, ומקטינים את הפסדי התיק ב-15-40%.

ראוי לציון כי זהו לא מצב בו מלווים לוקחים סיכון על לווים בעלי סיכון גבוה. יותר לווים לא בהכרח משמעות יותר סיכון. מה שקורה הוא שיותר לווים נעשים נראים – SMBs ויחידים – במקביל לשיטה שהיא מוסברת מאלף עד תו.

כמובן, AI אינו יכול למלא את מקומו של שיפוט אנושי, ואינו צריך לעשות זאת. ניתוחי אשראי ומאישורים עדיין נחוצים בתהליך. תפקידו של AI צריך להיות להרחיב את הביטחון, היכולת, המוסברות והדיוק ללא ויתור על אחריות וקלט אנושי. אחר הכל, ענייני כספים הם תחום רגיש מאוד במונחים של אמון צרכנים: אנשים רוצים לדעת שיש מעורבות אנושית.

מה ניתון ברמת עסקה מגלה

הבנת מה AI מנתח היא חשובה כמו למה זה שווה להביא לתהליך האישור בראשונה.

ניקוד ביורו מספר למאישור כי אדם או חברה שילמו בעבר את חובותיהם. אך זה לא מאפשר למאישורים ולמלווים לקרוא בין הקווים במקרה למקרה. מכיוון שזהו רק צילום, הסמכות על מעידים כגון ניקוד ביורו הופכת את הניתוחים עיוורים לדפוסים רחבים יותר שמספרים את הסיפור המלא של לווה.

לקחו את מקרה של דפוסי הכנסות עונתיים. עבור רבים מ-SMBs, ההכנסות אינן קו ישר אלא קו עם שיאים ועמקים שמתאוששים במחזורים. אלו הם תהליכים נורמליים בתחומים שונים אך מצלצלים אזעקה כאשר לוקחים מחוץ להקשר – כפי שקורה לעיתים קרובות במסמך שקולט את הרגע אך לא מעבר לכך.

נתונים ברמת עסקה המוזנים ישירות מחשבון הבנק מספקים מבט לעמידותו הכללית של חברה: כיצד הם משקמים הכנסות ומנהלים את הפערים בין שיאים ועמקים. הוא מספק הרבה יותר תובנות לעמידותו של עסק, כמו גם מאפשר פעילות מוקדמת במקום נקודת מבט רטרוספקטיבית על פרוספקטים הפיננסיים של לווה. נתונים מסורתיים אינם בהכרח מבדילים בין חברה המנווטת באופן אחראי רבעון איטי לבין זו שמאבדת כסף באופן עקבי ללא סוף.

זה יכול גם לחבר את הנקודות סביב ריכוז אספקה שעשוי להימחק עד הרבה מאוחר יותר במודל אישור מסורתי. עסקים עם בסיס אספקה או לקוחות צר הם פרופיל סיכון שונה לגמרי מאלו עם בסיס רחב יותר. קובץ אשראי אינו מכיל בהכרח את הפגיעויות הקשורות לכך, שיכולות לעשות או לשבור החלטת מלווה.

ומחזורי המרה למזומן, הזמן שלוקח לעסקים להפוך מלאי למזומן, מובאים לאור עם ניתוח עסקתי, לא רק בדוח איזון. SMB עם הכנסה מודעת יותר אך מחזור צר יותר יכול להיות הרבה יותר עמיד בטווח הארוך מאשר נגדו גדול עם רווחים מדווחים חזקים אך מחזור המרה איטי.

הלוגיקה הזו חלה גם על דפוסי הכנסה משתנים, שהופכים לנפוצים יותר בין עלייה בכלכלת הגיג וגל של עבודה עצמאית וסטארט-אפים. זה הרבה יותר קשה עבור לווים ובקשות הלוואה מבריכות אלו להימנע מדחייה, שם משתניות ההכנסה הם אזעקת אזעקה במבט ראשון. ניתוח עסקתי, לעומת זאת, מזהה את הדפוס התת-מודע ומגמות רחבות יותר סביב הרגלי הוצאות, תדירות תשלום, הכנסות נגד הוצאות והרגלים פיננסיים כלליים.

זהו בדיוק המקום בו טבעו האמיתי של ניתוח דיגיטלי עסקתי הוא קריטי. המעידים הדרושים כדי לקבל קריאה מלאה של סיכון וביצועים הם לא בדרך כלל סטטיים. תמונה בודדת פחות מדויקת מכיוון שהיא אינה רציפה. שילוב של מעיד שהוחמץ בתחילה ופעולה מאוחרת היא היכן שרוב הפסדי התיק והסיכון הנוסף נמצאים.

הפיכת נתונים לדמוקרטיים והבטחת שימוש אחראי ב-AI

המשך הגישה של ניתוח ברמת עסקה, בעקבות הוראות, מאפשר גם תהליך אישור הוגן ושקוף יותר. פרמטרים מסורתיים כגון דוחות איזון ונתוני ביורו מראים את ההיסטוריה של לווה עם מערכת האשראי הפורמלית. זה פועל באופן מספיק טוב עבור אלו שיש להם היסטוריה ארוכה יותר עם מערכת זו.

נתונים ברמת עסקה הם כולם על נראות, עם זאת. הם רואים מה שמדדים מסורתיים מתעלמים מכך, מכיוון שהם רואים כיצד כסף מנוהל והתנהגויות משתנות מרגע לרגע. מאישורים גישה לשכבה עמוקה יותר של הבנה פנימית של ראויותו של לווה לאשראי. בגלל זה, הנתונים מעוצבים באופן מבני להיות יותר דמוקרטיים.

הערה חשובה: זה לא אומר ש-AI באופן אוטומטי מוביל למערכת הוגנת יותר. אלגוריתמים מאומנים על נתונים היסטוריים והחלטות מלווה. הטיהויים הקיימים בנתונים המשמשים לאימון AI הופכים אותו לפגיע לטיהוי ואפליה.

לצערנו, היו מקרים מתועדים של אפליה מתמשכת בגלל חוסר שקיפות וחוסר ביקורת של מערכות AI – מחקר אחד מצא כי נשים קיבלו באופן עקבי ציוני אשראי נמוכים יותר מגברים.

בחירות עיצוב סביב תשתית נתונים וניהול זרימת עבודה בקשר ל-AI קובעות האם הוגנות הופכת להבטחה. AI חייב להיות מיושם באופן אחראי, וזה כולל שילוב של שקיפות, ביקורת, אחריות וביטחון בכל שלב. איזה נתונים משמשים, ומקורותיהם ויעדיהם קובעים מה AI ברמת עסקה רואה ומייצר תובנות. תקנים עקביים של דיוק נתונים קשורים ישירות לאמינות כלים אלו.

לבסוף, עקיבות והסברת התהליך הם הערוצים הדרושים כדי לזהות היכן מודל משתבש או צריך לשפר, ומה הוא עושה נכון. התכונות האלו אינן עוד אפשרויות רצויות. רגולטורים דורשים בפועל ארכיטקטורות שקופות וניתנות לביקורת, שמרחיקות את הסיכון של טיהוי ואפליה. הנחיה של האיחוד האירופי לאשראי צרכני 2 (CCD2), למשל, קובעת תקנים מפורשים עבור קבלת החלטות אוטומטיות, כולל זכויות לווה להסבר וביקורת אנושית. בעצם, תקנון זה עבר שינויים שיעשו אותו מחמיר יותר מאוחר יותר השנה.

בעוד מהירות היא גורם חשוב, היא לא הגורם המגדיר באופן בלעדי. דיוק, הוגנות, שקיפות ונראות הם חשובים באותה מידה עבור מוסדות פיננסיים שרוצים להתמודד עם שווקים ורגולציות מתפתחות. AI ברמת עסקה, הבנוי במסגרות ארכיטקטוניות שבהן שקיפות ואחריות משולבות בליבה, מאפשר להם לעשות זאת.