トランザクションレベルのデータが貸し手にどのように見え、リスクを減らすか

貸し手におけるAIは、既存の審査プロセスを高速化したり、コンプライアンスチェックをパスすることはないデジタルレイヤーとして機能するブラックボックスとしてよく誤って表現されます。これらの描写は、業界の最前線で信用リスク評価を再定義しているものとは遠いものです。

実際に貸し手と審査の未来を変えているAIは、決定論的コード、機械学習、トランザクションレベルのデータの強力な組み合わせから生まれます。この違いは、実践的かつ法的な前面から重要です。つまり、説明可能なシステムであり、信用アクセスが責任を持って拡大されるのではなく、既存の偏見を再現するのではなく、意思決定が説明可能なシステムです。

これは、信用に値する借り手のプロファイルが却下されるのを避け、金融機関にとってリスクを削減するテクノロジーについてです。なぜこのアプローチが価値があるのか、それを実現する方法について説明します。

徹底的な見直しが急務

従来の審査モデルは、借り手の履歴、過去の行動、ビューロースコア、ステートメントに基づいて信用度を判断するという比較的単純な基準に基づいています。過去100年間、このアプローチは、データが容易に利用できないため、十分に機能しました。

しかし、状況は変わりました。従来の審査と信用スコアリングモデルは、過去の特定の瞬間を基に信用度を判断するため、借り手の財務状況の全貌を捉えていません。デジタルデータ管理がアナログを上回ってから20年以上が経過し、瞬時にアクセス可能な情報が常態化しています。数か月後に審査官のインボックスに届く信用ファイルは、現在のモデルが旧来の情報処理方法であることを示しています。

さらに、古くなった、しばしば不正確なデータインフラストラクチャは、見えない借り手の脅威を高めます。金融業界はこれを無視してはなりません。市場は過去50年で大幅に変化しました。現在、初期段階の中小企業が米国およびヨーロッパの民間部門の大部分を占めています。これらの企業は将来の経済の骨格と見なされていますが、信用スコアリングにおけるインフラストラクチャの失敗により、見落とされています。

個人レベルでも、同様の結果が見られます。英国では、1つの研究で、銀行は低リスクの顧客であるにもかかわらず、80%のローン申請者を却下していることがわかりました。つまり、40億ポンド（30億ポンド）の低リスクローンが失われていることになります。専門家は、伝統的なビューローデータが主な原因であると指摘しています。

これは、トランザクションレベルのAIが対処するものです。歴史的な記録から取得した遅れた指標に頼るのではなく、これらのシステムは現在の状況を分析します。審査官と貸し手は、借り手の行動と財務状況に関するリアルタイムの洞察を得ることができます。どうやってでしょうか。トランザクションレベルのAIは、キャッシュフロー、支払いパターン、支出ダイナミクス、収入などの洞察を直接銀行口座から抽出します。

これにより、審査官は、借り手の財務行動と健康状態を完全に評価するための信頼性の高いデータの連続したストリームを取得します。さらに、このアプローチには、貸し手の承認率が10〜35%増加すること、ローンの決定が最大5倍速くなること、ポートフォリオ損失が15〜40%削減されることなどの重要な結果があります。

注目すべきは、貸し手が突然、高リスクの借り手にチャンスを与えるのではなく、説明可能な方法で信用アクセスが拡大することです。SMEや個人など、より多くの借り手が可視化され、責任ある方法で信用アクセスが拡大します。

もちろん、AIは人間の判断を補うことはできません。人間の判断は、AIを導入する上で不可欠です。AIの役割は、説明可能性、容量、精度を高め、責任と人間の入力を犠牲にすることなく信頼性を向上させることです。金融は消費者の信頼という点で非常にデリケートな分野であるため、人間が関与していることを知っておきたいものです。

トランザクションレベルの分析が明らかにするもの

AIが分析するものを理解することは、AIを審査プロセスに導入する理由と同様に重要です。

ビューロースコアは、借り手が過去に債務を返済したことを示します。しかし、これは審査官や貸し手が個別のケースに基づいて意思決定するのを助けるものではありません。ビューロースコアはスナップショットに過ぎないため、借り手の全貌を捉えていません。

季節的な収入パターンの場合を考えてみましょう。多くのSMEでは、収入は平坦ではなく、周期的に変動します。これはさまざまな業界では正常ですが、文脈から外れるとアラームを鳴らすことになります。伝統的なデータでは、これらのパターンを捉えていません。

銀行口座から直接抽出されたトランザクションデータは、企業の全体的な回復力に関する洞察を提供します。企業が収入を回復し、ピークと谷間のギャップを管理する方法に関する洞察を提供します。これにより、企業の回復力に関するより多くの洞察が得られ、また、借り手の財務状況に関するプロアクティブなアプローチが可能になります。伝統的なデータでは、企業が責任を持って収入を管理しているか、または収入を失って終わりがないかを区別できません。トランザクションレベルのデータでは、区別できます。

また、サプライヤー集中度に関する洞察を提供します。これは、伝統的な審査モデルでは後まで見落とされる可能性があります。サプライヤーまたはクライアントの基盤が狭い企業は、より広い基盤を持つ企業とは異なるリスクプロファイルを持っています。信用ファイルでは、これらの脆弱性を完全に捉えていません。

キャッシュコンバージョンサイクル、つまり、企業が在庫を現金に変えるのにかかる時間も、トランザクション分析によって明らかになります。バランスシートでは、これらのサイクルは明らかではありません。収入が控えめでも、サイクルが短いSMEは、収入が強いがサイクルが長い大きな企業よりも長期的にはより回復力がある可能性があります。

同じ論理が、ギグエコノミーの増加やフリーランスの増加により、より一般的になる変動収入パターンにも適用されます。これらのプールからの借り手やローン申請者は、収入の変動性が最初の印象で赤旗となるため、却下される可能性があります。ただし、トランザクション分析では、支出習慣、支払い頻度、収入と支出の関係、一般的な財務習慣に関する根本的なパターンと傾向を特定します。

ここで、デジタルトランザクション分析のリアルタイム性が重要になります。リスクと返済可能性を完全に把握するために必要な指標は、一般的に静的ではありません。スナップショットは、連続的ではないため、正確ではありません。最初に見逃された指標と遅れた対応が、ほとんどのポートフォリオ損失と追加リスクの原因となります。

データを民主化し、責任あるAIの使用を確保する

トランザクションレベルの分析アプローチは、公平で透明性のある審査プロセスも促進します。バランスシートやビューローデータなどの従来のパラメータは、借り手の公式信用システムとの歴史を示します。これは、システムとの長い歴史を持つ人々にとっては、ある程度機能します。ただし、フリーランスや若いSMEなどの歴史がない人々にとっては、見えにくいものです。

トランザクションレベルのデータは、可視性についてです。伝統的なメトリックが見逃すものを捉えるため、金銭が管理され、行動が変化する瞬間を見ます。審査官は、借り手の信用度に関するより深い理解を得ることができます。したがって、データは構造的に民主的に設計されています。

重要な注意事項があります。AIは自動的に公平なシステムにつながるわけではありません。アルゴリズムは歴史的なデータと貸し手の意思決定に基づいてトレーニングされています。トレーニングに使用されるデータに存在する偏見は、AIに偏見をもたらします。歴史的に、特定のグループが貸し手の意思決定から除外されていた場合、設計が不十分なモデルは、その偏見と差別を再生産するだけです。

不幸にも、透明性とAIシステムの監査の欠如により、差別が永続化したことが記録されています。最近の研究では、女性が一貫して男性よりも低い信用スコアが与えられていることがわかりました。

AIに関連するデータインフラストラクチャとワークフローの管理に関する設計上の選択は、公平性が保証されるかどうかを決定します。AIは責任を持って導入され、透明性、監査可能性、説明可能性、セキュリティがすべての段階で根付く必要があります。どのデータが使用され、どこから来てどこに送られるかは、トランザクションレベルのAIが見るものと洞察を得るものを決定します。データの精度の標準は、これらのツールの信頼性に直接関係しています。最後に、トレース可能性と説明可能性は、モデルがどこで間違っているか、どこで改善する必要があるか、また何を正しく行っているかを特定するためのチャネルです。

これらは、もはや任意のものではありません。規制当局は、偏見と差別のリスクを排除する監査可能で透明性のあるアーキテクチャを要求しています。EUの消費者信用指令2（CCD2）では、自動信用意思決定に関する明確な基準が設定されており、借り手の説明と人間によるレビューの権利が含まれています。実際、この規制は、今年の後半により厳格なものになる予定です。

速度は重要な要素ですが、唯一の決定要因ではありません。精度、公平性、透明性、可視性は、進化する市場と規制に適応したい金融機関にとって、同等に重要です。トランザクションレベルのAIは、監査可能性と説明可能性を核としたアーキテクチャ内で構築されているため、これを実現できます。