Come i dati a livello di transazione aiutano i prestatori a vedere di più e a rischiare di meno

L’AI nel settore dei prestiti è spesso rappresentata come una soluzione miracolosa che velocizza i processi di underwriting esistenti o come uno strato digitale funzionante come una scatola nera, che in realtà non supererebbe i controlli di conformità. Queste rappresentazioni non potrebbero essere più lontane dalla verità di ciò che sta ridisegnando la valutazione del rischio di credito ai vertici del settore.

L’AI che sta realmente cambiando il futuro dell’underwriting e dei prestiti deriva da una potente combinazione di codice deterministico, apprendimento automatico e dati a livello di transazione. Questa distinzione è importante sia dal punto di vista pratico che legale; significa un sistema in cui ogni decisione è spiegabile e in cui l’accesso al credito è ampliato in modo responsabile, invece di riprodurre pregiudizi esistenti.

Si tratta di tecnologia che aiuta un profilo di debitore creditore a evitare il rifiuto e riduce il rischio a favore di più opportunità per le istituzioni finanziarie. Ecco perché questo percorso è degno di essere perseguito e come farlo.

È necessario un cambiamento radicale

I modelli di underwriting tradizionali si basano su un criterio relativamente semplice: la storia di un debitore, compreso il suo comportamento passato, catturato in punteggi e dichiarazioni di bureau, è una misura sufficientemente affidabile della sua affidabilità creditizia. Nel corso dell’ultimo secolo, questo approccio, definito da indicatori ritardati, è stato sufficiente, soprattutto perché i dati non erano facilmente disponibili.

Tutto ciò è cambiato ora. I modelli di underwriting e di valutazione del credito tradizionali sono retrospettivi, basati fortemente su un momento singolare che non necessariamente rappresenta l’intero quadro della salute finanziaria di un potenziale debitore. Sono passati più di due decenni da quando la gestione dei dati digitali ha superato quella analogica, dove le informazioni facilmente accessibili sono state a lungo la norma. Un fascicolo di credito che impiega mesi per arrivare alla casella di posta di un underwriter è un segno che l’attuale modello è un modo antiquato di elaborare le informazioni.

E, fondamentalmente, questa infrastruttura di dati obsoleti e spesso inesatti aumenta solo la minaccia del debitore invisibile, che il settore finanziario non deve ignorare. I mercati sono cambiati drasticamente nel corso dell’ultimo mezzo secolo. Ora, le piccole e medie imprese (SMB) in fase di avvio rappresentano una grande parte del settore privato negli Stati Uniti e la quota maggiore in Europa. Sono sempre più visti come la spina dorsale dell’economia del futuro, ma i fallimenti infrastrutturali nella valutazione del credito li lasciano ai margini.

Le persone, a livello individuale, affrontano anche le conseguenze. Nel Regno Unito, uno studio ha scoperto che le banche potrebbero rifiutare il 80% dei richiedenti di prestiti con profili di credito sottili – che sono in realtà a basso rischio. Ciò significa 4 miliardi di dollari (3 miliardi di sterline) di prestiti a basso rischio persi. Gli esperti indicano i dati di bureau tradizionali come il principale colpevole.

È proprio ciò che l’AI a livello di transazione affronta. Invece di affidarsi a indicatori ritardati tratti da registri storici che potrebbero essere obsoleti di mesi, questi sistemi analizzano il presente. Gli underwriter e i prestatori ricevono una visione reale dei comportamenti e della salute finanziaria di un potenziale debitore in questo momento, non settimane o mesi fa. Come? L’AI a livello di transazione, che estrae informazioni come flussi di cassa, modelli di pagamento, dinamiche di spesa e reddito direttamente dal conto bancario.

Ciò fornisce agli underwriter un flusso continuo di dati affidabili e rilevanti per valutare appieno il comportamento e la salute finanziaria di un debitore. E ci sono risultati significativi legati a questo approccio. I tassi di approvazione dei prestatori aumentano tra il 10 e il 35%, senza assumere rischi aggiuntivi. Stanno anche accelerando le decisioni sui prestiti di fino a cinque volte e riducendo le perdite del portafoglio del 15-40%.

È importante notare che non si tratta di una situazione in cui i prestatori stanno improvvisamente prendendo una chance su debitori ad alto rischio. Più debitori non significano necessariamente più rischi. Ciò che accade è che più debitori sono resi visibili – PMI e individui – insieme a una metodologia che è spiegabile dalla A alla Z.

Naturalmente, l’AI non può sostituire il giudizio umano, né dovrebbe. Gli analisti del credito e gli underwriter sono ancora necessari nel processo in corso. Il ruolo dell’AI dovrebbe essere quello di ampliare la fiducia, la capacità, la spiegabilità e l’accuratezza senza sacrificare la responsabilità e l’input umano. Dopo tutto, le finanze sono un’area altamente sensibile in termini di fiducia dei consumatori: le persone vogliono sapere che c’è un essere umano coinvolto.

Cosa rivela l’analisi a livello di transazione

Comprendere cosa l’AI analizza è altrettanto importante quanto il motivo per cui vale la pena introdurla nel processo di underwriting in primo luogo.

Un punteggio di bureau dice a un underwriter che una persona o un’azienda ha storicamente pagato i suoi debiti. Ma ciò non consente agli underwriter e ai prestatori di leggere tra le righe su un caso per caso. Poiché si tratta essenzialmente di uno scatto fotografico, basarsi esclusivamente su indicatori come i punteggi di bureau lascia gli analisti ciechi ai modelli più ampi che raccontano la storia completa di un debitore.

Prendiamo il caso dei modelli di entrate stagionali. Per molte PMI, le entrate non sono una linea piatta, ma una linea con picchi e cali che si riprendono in cicli. Questi sono perfettamente normali in vari settori, ma suonano come allarmi quando presi fuori contesto – come spesso accade in un documento che cattura il momento ma nulla al di là di esso.

I dati di transazione alimentati direttamente dal conto bancario forniscono una lente nella resilienza generale di un’azienda: come recuperano le entrate e gestiscono i vuoti tra picchi e cali. Fornisce molta più comprensione della resilienza di un’azienda, nonché la possibilità di essere proattivi piuttosto che prendere una visione retrospettiva delle prospettive finanziarie di un debitore. I dati tradizionali non distinguono necessariamente tra un’azienda che naviga abilmente e responsabilmente in un trimestre lento rispetto a una che sta costantemente perdendo denaro senza fine in vista. I dati a livello di transazione lo fanno.

Possono anche collegare i punti intorno alla concentrazione dei fornitori che altrimenti potrebbero essere persi fino a molto più tardi in un modello di underwriting tradizionale. Le aziende con una base di fornitori o clienti ristretta hanno un profilo di rischio completamente diverso rispetto a quelle con una base più ampia. Un fascicolo di credito non cattura appieno le vulnerabilità associate a ciò, che possono fare o rompere la decisione di un prestatore.

E i cicli di conversione di cassa, il tempo che impiegano le aziende per trasformare l’inventario in cassa, vengono portati alla luce con l’analisi delle transazioni, non solo con un bilancio. Una PMI con entrate più modeste ma con un ciclo di gestione più stretto potrebbe essere molto più resiliente nel lungo termine rispetto a un omologo più grande con un ciclo di conversione lento.

La stessa logica si applica ai modelli di reddito variabili, che stanno diventando più comuni tra l’aumento dell’economia dei lavori saltuari e il crescente numero di lavori autonomi e startup. È più difficile per i richiedenti di prestiti e i debitori da questi bacini evitare il rifiuto, dove la variabilità del reddito è un segnale rosso a prima vista. L’analisi delle transazioni, tuttavia, identifica il modello sottostante e i trend più ampi intorno alle loro abitudini di spesa, frequenza di pagamento, entrate versus uscite e abitudini finanziarie generali.

È proprio qui che la natura in tempo reale dell’analisi digitale e transazionale è critica. Gli indicatori necessari per ottenere una lettura completa del rischio e della fattibilità del rimborso non sono generalmente statici. Uno scatto fotografico singolo è meno preciso perché non è continuo. La combinazione di un indicatore che è stato perso all’inizio e un’azione ritardata è dove si trovano la maggior parte delle perdite del portafoglio e il rischio aggiuntivo.

Renderizzare i dati democratici e garantire un uso responsabile dell’AI

Seguendo correttamente l’approccio di analisi a livello di transazione, si facilita anche un processo di underwriting più equo e trasparente. I parametri tradizionali come i bilanci e i dati di bureau mostrano la storia di un debitore con il sistema del credito formale. Ciò funziona in qualche modo in modo soddisfacente per coloro che hanno una storia più lunga con questo sistema. Per coloro che non ce l’hanno, tra cui i lavoratori autonomi e le giovani PMI, li rende invisibili.

I dati a livello di transazione sono tutto sulla visibilità, invece. Vedono ciò che i metriche tradizionali trascurano perché vedono come il denaro viene gestito e come i comportamenti fluttuano momento per momento. Gli underwriter accedono a un livello più profondo di comprensione intrinseca dell’affidabilità creditizia di un debitore. A causa di ciò, i dati sono strutturalmente progettati per essere più democratici.

Una clausola fondamentale: nulla di tutto ciò significa che l’AI porti automaticamente a un sistema più equo. Gli algoritmi sono addestrati su dati storici e decisioni di prestito. I pregiudizi che esistono all’interno dei dati utilizzati per addestrare l’AI lo rendono quindi suscettibile a pregiudizi. Se, storicamente, certi gruppi sono stati esclusi dalle decisioni di prestito, un modello mal progettato servirà solo a riprodurre quel pregiudizio e discriminazione.

Purtroppo, ci sono stati casi documentati di discriminazione perpetuata a causa della scarsa trasparenza e della mancanza di audit degli sistemi AI – uno studio recente ha scoperto che le donne erano costantemente assegnate punteggi di credito più bassi degli uomini.

Le scelte di progettazione relative all’infrastruttura dei dati e alla gestione del flusso di lavoro in connessione con l’AI determinano se l’equità diventa una garanzia. L’AI deve essere implementata in modo responsabile, e ciò include l’ingegnerizzazione della trasparenza, della tracciabilità, dell’accountabilità e della sicurezza a ogni livello. Quali dati vengono utilizzati, e le loro fonti e destinazioni, determinano cosa l’AI a livello di transazione vede e genera informazioni su. Gli standard coerenti di accuratezza dei dati sono direttamente collegati all’affidabilità di questi strumenti. Infine, la tracciabilità e la spiegabilità sono i canali necessari per identificare dove un modello va storto o ha bisogno di migliorare e cosa sta facendo bene.

Questi tratti non sono più opzionali. I regolatori stanno effettivamente chiedendo architetture trasparenti e tracciabili che espellano il rischio di pregiudizio e discriminazione. La Direttiva sui crediti ai consumatori 2 (CCD2) dell’UE, ad esempio, stabilisce standard espliciti per la valutazione automatizzata del credito, compresi i diritti dei debitori a spiegazione e revisione umana. In realtà, questa regolamentazione ha appena subito revisioni che la renderanno significativamente più rigorosa più tardi quest’anno.

Mentre la velocità è un fattore importante, non è l’unico fattore definente. L’accuratezza, l’equità, la trasparenza e la visibilità sono altrettanto importanti per le istituzioni finanziarie che desiderano stare al passo con i mercati e le norme in evoluzione. L’AI a livello di transazione, costruita all’interno di framework architettonici che hanno la tracciabilità e l’accountabilità inscritte nel loro nucleo, consente loro di farlo.