Bagaimana Data Tingkat Transaksi Membantu Pemberi Pinjaman Melihat Lebih Banyak dan Mengurangi Risiko

AI dalam pemberian pinjaman sering kali disalahartikan sebagai peluru perak yang mempercepat proses underwriting yang ada atau sebagai lapisan digital yang berfungsi sebagai black box yang, dalam kenyataannya, tidak akan pernah lulus pemeriksaan kepatuhan. Gambaran ini tidak dapat lebih jauh dari kebenaran tentang apa yang membentuk penilaian risiko kredit di ujung terdepan industri.

AI yang sebenarnya mengubah masa depan underwriting dan pemberian pinjaman berasal dari kombinasi kuat kode deterministik, pembelajaran mesin, dan data tingkat transaksi. Perbedaan ini penting dari segi praktis dan hukum; ini berarti sistem di mana setiap keputusan dapat dijelaskan dan di mana akses kredit diperluas secara bertanggung jawab daripada mengulangi bias yang ada.

Ini tentang teknologi yang membantu profil peminjam yang layak untuk keluar dari tumpukan penolakan dan mengurangi risiko demi lebih banyak kesempatan bagi lembaga keuangan. Berikut adalah mengapa cara maju ini patut dipertimbangkan, dan bagaimana melakukannya.

Perombakan yang Mendesak Dibutuhkan

Model underwriting tradisional didasarkan pada dasar yang relatif sederhana: riwayat peminjam, termasuk perilaku masa lalunya, yang ditangkap dalam skor biro dan pernyataan, adalah ukuran kepercayaan kredit yang cukup andal. Selama satu abad terakhir, pendekatan ini, yang ditentukan oleh indikator tertinggal, cukup baik, terutama karena data tidak tersedia dengan mudah.

Semua itu telah berubah sekarang. Model underwriting dan skoring kredit tradisional bersifat retrospektif, sangat bergantung pada satu momen yang tidak selalu menggambarkan gambaran lengkap kesehatan keuangan peminjam potensial. Sudah lebih dari dua dekade sejak manajemen data digital mengungguli analog, di mana informasi yang dapat diakses secara instan telah lama menjadi norma. Berkas kredit yang membutuhkan waktu berbulan-bulan untuk sampai ke kotak surat underwriter adalah tanda bahwa model saat ini adalah cara yang sangat kuno untuk mengolah informasi.

Dan, yang sangat penting, infrastruktur data yang sudah ketinggalan zaman dan sering kali tidak akurat ini hanya meningkatkan ancaman peminjam yang tidak terlihat, yang tidak boleh diabaikan oleh industri keuangan. Pasar telah berubah secara drastis selama setengah abad terakhir. Sekarang, usaha kecil dan menengah (SMB) awal membuat sebagian besar sektor swasta di Amerika Serikat, dan bagian terbesar di Eropa. Mereka semakin dianggap sebagai tulang punggung perekonomian masa depan, tetapi kegagalan infrastruktur dalam skoring kredit meninggalkan mereka di pinggir jalan.

Orang-orang pada tingkat individu juga menghadapi dampaknya. Di Inggris, satu studi menemukan bahwa bank mungkin menolak 80% dari pengajuan pinjaman dengan profil kredit yang tipis—yang sebenarnya berisiko rendah. Ini berarti $4 miliar (£3 miliar) dalam pinjaman berisiko rendah yang hilang. Ahli menunjuk data biro tradisional sebagai pelaku utama.

Ini tepatnya apa yang ditangani oleh AI tingkat transaksi. Alih-alih bergantung pada indikator tertinggal yang diambil dari catatan sejarah yang bisa sudah ketinggalan zaman, sistem ini menganalisis apa yang terjadi sekarang. Underwriter dan pemberi pinjaman diberikan wawasan nyata tentang perilaku dan kesehatan keuangan peminjam potensial saat ini, bukan beberapa minggu atau bulan yang lalu. Bagaimana? AI tingkat transaksi, yang mengekstrak wawasan seperti arus kas, pola pembayaran, dinamika pengeluaran, dan pendapatan langsung dari rekening bank.

Itu memberikan underwriter aliran data yang dapat diandalkan dan relevan untuk sepenuhnya menilai perilaku dan kesehatan keuangan peminjam. Dan ada hasil yang signifikan terkait dengan pendekatan ini. Tingkat persetujuan pemberi pinjaman meningkat antara 10 dan 35%, tanpa mengambil risiko tambahan. Mereka juga mempercepat keputusan pinjaman hingga lima kali lipat, dan mengurangi kerugian portofolio hingga 15-40%.

Penting untuk dicatat bahwa ini bukan situasi di mana pemberi pinjaman tiba-tiba mengambil risiko pada peminjam berisiko tinggi. Lebih banyak peminjam tidak selalu berarti lebih banyak risiko. Apa yang terjadi adalah bahwa lebih banyak peminjam menjadi terlihat—SMB dan individu—bersamaan dengan metodologi yang dapat dijelaskan dari A hingga Z.

Apa yang Ditemukan oleh Analisis Tingkat Transaksi

Memahami apa yang dianalisis oleh AI sama pentingnya dengan mengapa AI patut dibawa ke dalam proses underwriting pada awalnya.

Skor biro memberitahu underwriter bahwa seseorang atau perusahaan telah membayar hutangnya di masa lalu. Namun, ini tidak memberdayakan underwriter dan pemberi pinjaman untuk membaca di antara garis-garis pada kasus per kasus. Karena pada akhirnya hanya sebuah snapshot, bergantung secara eksklusif pada indikator seperti skor biro meninggalkan analis buta terhadap pola yang lebih luas yang menceritakan kisah lengkap tentang peminjam.

Ambil kasus pola pendapatan musiman. Bagi banyak SMB, pendapatan bukanlah garis lurus tetapi memiliki puncak dan lembah yang pulih dalam siklus. Ini sepenuhnya normal di berbagai sektor tetapi terdengar seperti lonceng peringatan ketika diambil dari konteks—seperti yang sering terjadi dalam dokumen yang menangkap momen tetapi tidak ada di luar itu.

Data transaksi yang diberikan langsung dari rekening bank memberikan wawasan tentang ketahanan perusahaan: bagaimana mereka memulihkan pendapatan dan mengelola celah di antara puncak dan lembah. Ini memberikan lebih banyak wawasan tentang ketahanan bisnis, serta memungkinkan proaktivitas daripada pendekatan retrospektif terhadap prospek keuangan peminjam. Data tradisional tidak selalu membedakan antara perusahaan yang dengan tangguh dan bertanggung jawab menavigasi kuartal yang lambat versus perusahaan yang secara terus-menerus kehilangan uang tanpa akhir yang terlihat.

Ini juga dapat menghubungkan titik-titik sekitar konsentrasi pemasok yang mungkin tidak terlihat sampai jauh lebih jauh dalam model underwriting tradisional. Bisnis dengan basis pemasok atau klien yang sempit memiliki profil risiko yang sangat berbeda daripada mereka yang memiliki basis yang lebih luas. Berkas kredit tidak sepenuhnya menggambarkan kerentanan yang melekat pada hal itu, yang dapat membuat atau menghancurkan keputusan pemberi pinjaman.

Dan siklus konversi kas, waktu yang dibutuhkan bisnis untuk mengubah persediaan menjadi kas, dibawa ke cahaya dengan analisis transaksional, bukan hanya neraca. SMB dengan pendapatan yang jauh lebih sederhana tetapi siklus konversi yang lebih ketat bisa jauh lebih tangguh dalam jangka panjang versus rekan yang lebih besar dengan pendapatan yang dilaporkan kuat tetapi siklus konversi yang lambat.

Logika yang sama berlaku untuk pola pendapatan variabel, yang semakin umum di tengah-tengah ekonomi gig dan lonjakan pekerja lepas dan startup. Ini lebih sulit bagi peminjam dan pengajuan pinjaman dari kolam ini untuk menghindari penolakan di mana variabilitas pendapatan adalah bendera merah pada pandangan pertama. Analisis transaksi, bagaimanapun, mengidentifikasi pola dasar dan tren yang lebih luas sekitar kebiasaan pengeluaran, frekuensi pembayaran, pemasukan versus pengeluaran, dan kebiasaan keuangan umum.

Membuat Data Demokratis dan Menjamin Penggunaan AI yang Bertanggung Jawab

Dengan mengikuti pendekatan analisis tingkat transaksi, proses underwriting juga menjadi lebih adil dan transparan. Parameter yang telah lama digunakan seperti neraca dan data biro menunjukkan riwayat peminjam dengan sistem kredit formal. Ini berfungsi cukup baik untuk mereka yang memiliki riwayat lebih lama dengan sistem ini. Bagi mereka yang tidak, termasuk pekerja lepas dan SMB muda, ini membuat mereka tidak terlihat.

Data tingkat transaksi semua tentang visibilitas, meskipun. Ini melihat apa yang dilewatkan oleh metrik tradisional karena ini melihat bagaimana uang dikelola dan perilaku berfluktuasi dari waktu ke waktu. Underwriter mendapatkan pemahaman yang jauh lebih dalam tentang kepercayaan kredit peminjam. Karena itu, data ini secara struktural dirancang untuk lebih demokratis.

Klausul penting: tidak satu pun dari ini berarti bahwa AI secara otomatis mengarah pada sistem yang lebih adil. Algoritma dilatih pada data historis dan keputusan pemberian pinjaman. Bias yang ada dalam data yang digunakan untuk melatih AI membuatnya rentan terhadap bias. Jika, secara historis, kelompok-kelompok tertentu dikecualikan dari keputusan pemberian pinjaman, model yang dirancang buruk hanya akan mereproduksi bias dan diskriminasi tersebut.

Sayangnya, telah ada kasus yang tercatat tentang diskriminasi yang diperkuat karena kurangnya transparansi dan kurangnya audit pada sistem AI—satu studi baru-baru ini menemukan bahwa wanita secara konsisten diberi skor kredit yang lebih rendah daripada pria.

Pilihan desain sekitar infrastruktur data dan manajemen alur kerja dalam kaitannya dengan AI menentukan apakah keadilan menjadi jaminan. AI harus diimplementasikan secara bertanggung jawab, dan itu termasuk melekatkan transparansi, auditabilitas, akuntabilitas, dan keamanan pada setiap tahap. Data mana yang digunakan, sumber, dan tujuan menentukan apa yang dilihat dan dihasilkan oleh AI tingkat transaksi. Standar konsisten akurasi data secara langsung terhubung dengan keandalan alat ini. Akhirnya, jejak dan keterjelasan adalah saluran yang diperlukan untuk mengidentifikasi di mana model salah atau perlu diperbaiki, dan apa yang dilakukan dengan benar.

Ciri-ciri ini tidak lagi opsional. Regulator sebenarnya menuntut arsitektur yang dapat diaudit, transparan yang menghilangkan risiko bias dan diskriminasi. Direktif Kredit Konsumen Uni Eropa 2 (CCD2), misalnya, menetapkan standar eksplisit untuk pengambilan keputusan kredit otomatis, termasuk hak peminjam untuk penjelasan dan tinjauan manusia. Faktanya, regulasi ini baru saja direvisi sehingga akan menjadi jauh lebih ketat kemudian tahun ini.

Sementara kecepatan adalah faktor penting, ini tidak sepenuhnya menentukan. Akurasi, keadilan, transparansi, dan visibilitas sama pentingnya bagi lembaga keuangan yang ingin tetap mengikuti pasar dan peraturan yang berkembang. AI tingkat transaksi, dibangun dalam kerangka arsitektur yang memiliki auditabilitas dan akuntabilitas yang ditanamkan di intinya, memungkinkan mereka untuk melakukannya.