Hoe transactieniveau-gegevens leningen helpen zien en risico’s verlagen

AI in leningen wordt vaak verkeerd voorgesteld als een zilveren kogel die bestaande onderhandelingsprocessen versnelt of als een black box-functie die in werkelijkheid nooit aan compliance-controles zou voldoen. Deze voorstellingen zijn niet verder van de waarheid over wat de toekomst van onderhandelingen en leningen vormgeeft aan de voorlopers van de industrie.

De AI die de toekomst van onderhandelingen en leningen daadwerkelijk verandert, komt voort uit een krachtige combinatie van deterministische code, machine learning en transactieniveau-gegevens. Dit onderscheid is belangrijk vanuit een praktisch en juridisch oogpunt; het betekent een systeem waarin elke beslissing verklaarbaar is en waarbij de toegang tot krediet verantwoord wordt uitgebreid in plaats van bestaande vooroordelen te herhalen.

Het gaat over technologie die zowel helpt om een kredietwaardige lenersprofiel te redden van de afwijzingsstapel als om het risico te verminderen ten gunste van meer kansen voor financiële instellingen. Hieronder wordt uitgelegd waarom deze aanpak de moeite waard is en hoe dit kan worden gerealiseerd.

Een grondige herziening is dringend nodig

Traditionele onderhandelingsmodellen zijn gebaseerd op een relatief eenvoudige basis: een leners geschiedenis, inclusief hun voorgaande gedrag, vastgelegd in bureau-scores en verklaringen, is een voldoende betrouwbare maatstaf voor hun kredietwaardigheid. In de afgelopen eeuw was deze aanpak, gedefinieerd door vertraagde indicatoren, voldoende, voornamelijk omdat de gegevens niet gemakkelijk beschikbaar waren.

Maar dat is allemaal veranderd. Traditionele onderhandelings- en kredietbeoordelingsmodellen zijn retrospectief, waarbij ze zwaar leunen op een enkel moment dat niet noodzakelijkerwijs het volledige beeld van een potentiële leners financiële gezondheid weergeeft. Het is nu meer dan twee decennia geleden dat digitale gegevensbeheer analoge gegevensbeheer overtrof, waarbij onmiddellijk toegankelijke informatie al lang de norm is. Een kredietdossier dat maanden duurt om bij een onderhandelaar terecht te komen, is een teken dat het huidige model een hopeloos verouderde manier is om informatie te verwerken.

En, cruciaal, deze verouderde, vaak onnauwkeurige gegevensinfrastructuur verhoogt alleen het gevaar van de onzichtbare leners, die de financiële sector niet kan negeren. Markten zijn drastisch veranderd in de afgelopen halve eeuw. Nu maken beginnende MKB’s een groot deel uit van de particuliere sector in de VS, en het leeuwendeel in Europa. Ze worden steeds vaker gezien als de ruggengraat van de toekomstige economie, maar infrastructuurfalen in kredietbeoordeling laat hen aan de kant.

En mensen op individueel niveau ondervinden ook de gevolgen. In het VK vond een onderzoek uit dat banken mogelijk 80% van de leningaanvragers met dunne kredietprofielen afwijzen – die eigenlijk laagrisico zijn. Dat is 4 miljard pond (3 miljard euro) aan laagrisico-leningen. Deskundigen wijzen naar traditionele bureau-gegevens als de belangrijkste oorzaak.

Dit is precies wat transactieniveau-AI aanpakt. In plaats van te vertrouwen op vertraagde indicatoren uit historische records die maanden oud kunnen zijn, analyseren deze systemen het heden. Onderhandelaars en leners krijgen daadwerkelijke inzicht in het gedrag en de financiële gezondheid van een potentiële leners op dit moment, niet weken of maanden geleden. Hoe? Transactieniveau-AI, die inzichten zoals kasstromen, betalingspatronen, uitgavenpatronen en inkomsten rechtstreeks uit de bankrekening haalt.

Dat geeft onderhandelaars een continue stroom van betrouwbare, relevante gegevens om een leners financieel gedrag en gezondheid volledig te beoordelen. En er zijn significante resultaten verbonden aan deze aanpak. Leners goedkeuringspercentages nemen toe met 10 tot 35%, zonder extra risico te nemen. Ze versnellen ook de leningsbeslissingen met maximaal vijf keer en verminderen portefeuilleverliezen met 15-40%.

Het is de moeite waard om op te merken dat dit geen situatie is waarin leners plotseling een kans nemen op hoge-risico-leners. Meer leners betekent niet noodzakelijkerwijs meer risico. Wat gebeurt, is dat meer leners zichtbaar worden – MKB’s en individuen – in combinatie met een methode die van A tot Z verklaarbaar is.

Natuurlijk kan AI het menselijk oordeel niet vervangen, noch zou het dat moeten doen. Kredietanalisten en onderhandelaars zijn nog steeds nodig in het proces dat vooruitgaat. De rol van AI moet zijn om het vertrouwen, de capaciteit, de verklaarbaarheid en de nauwkeurigheid uit te breiden zonder de verantwoordelijkheid en het menselijk ingrijpen op te offeren. Immers, financiën zijn een zeer gevoelig gebied in termen van consumentenvertrouwen: mensen willen weten dat er een mens bij betrokken is.

Wat transactieniveau-analyse onthult

Het begrijpen van wat AI analyseert is net zo belangrijk als waarom het de moeite waard is om het in het onderhandelingsproces te brengen.

Een bureau-score vertelt een onderhandelaar dat een persoon of bedrijf in het verleden zijn schulden heeft betaald. Maar dit geeft onderhandelaars en leners niet de mogelijkheid om tussen de regels door te lezen in een specifiek geval. Aangezien het uiteindelijk slechts een momentopname is, laat het vertrouwen op indicatoren zoals bureau-scores analisten blind voor bredere patronen die het volledige verhaal van een leners vertellen.

Neem het geval van seizoensgebonden omzetpatronen. Voor veel MKB’s is de omzet geen vlakke lijn, maar een die pieken en dalen heeft die in cycli herstellen. Dit is volkomen normaal in verschillende sectoren, maar klinkt alarmbellen als het uit zijn context wordt gehaald – zoals vaak het geval is in een document dat het moment vastlegt, maar niets daarbuiten.

Transactiegegevens die rechtstreeks uit de bankrekening komen, geven een kijkje in een bedrijfs algehele veerkracht: hoe ze de omzet herstellen en de gaten tussen de pieken en dalen beheren. Het geeft veel meer inzicht in een bedrijfs veerkracht, evenals de mogelijkheid om proactief te zijn in plaats van retrospectief naar een leners financiële vooruitzichten te kijken. Traditionele gegevens onderscheiden niet noodzakelijkerwijs tussen een bedrijf dat een langzame kwartaal verantwoord en verantwoordelijk navigeert en een bedrijf dat constant verlies maakt zonder einde in zicht. Transactieniveau-gegevens doen dat wel.

Het kan ook de verbinding leggen tussen leveranciersconcentratie die anders mogelijk pas veel later in een traditioneel onderhandelingsmodel wordt gemist. Bedrijven met een smalle leveranciers- of klantenbasis hebben een compleet ander risicoprofiel dan bedrijven met een bredere basis. Een kredietdossier vangt deze kwetsbaarheden niet volledig, wat een leners beslissing kan maken of breken.

En kasomzetcycli, de tijd die het bedrijven kost om voorraad om te zetten in kas, worden zichtbaar gemaakt met transactie-analyse, niet alleen met een balans. Een MKB met een veel bescheidener omzet, maar met een goed beheerd, strakker cyclus, kan veel veerkrachtiger zijn op lange termijn dan een grotere tegenhanger met een sterke gerapporteerde omzet, maar met een trage kasomzetcyclus.

Dezelfde logica geldt voor variabele inkomenspatronen, die steeds vaker voorkomen in een opkomende gig-economie en een toename van freelancing en startups. Het is moeilijker voor leners en leningaanvragers uit deze groepen om afwijzing te vermijden, waarbij inkomensvariabiliteit een rode vlag is bij het eerste gezicht. Transactie-analyse identificeert echter het onderliggende patroon en bredere trends rond hun uitgavenpatronen, betalingsfrequentie, inkomsten versus uitgaven en algemene financiële gewoonten.

Dit is precies waar de real-time-natuur van digitale, transactie-analyse kritiek is. De indicatoren die nodig zijn om een volledige lezing van risico en terugbetalingsmogelijkheid te krijgen, zijn niet noodzakelijkerwijs statisch. Een enkele momentopname is minder nauwkeurig omdat het niet continu is. De combinatie van een indicator die eerder werd gemist en vertraagde actie is waar meeste portefeuilleverliezen en extra risico’s worden gevonden.

Democratisering van gegevens en verantwoord gebruik van AI

Als het correct wordt gevolgd, faciliteert de transactieniveau-analyse-aanpak ook een eerlijkere, transparantere onderhandelingsprocedure. Lang gebruikte parameters zoals balansen en bureau-gegevens laten een leners geschiedenis met het formele kredietstelsel zien. Dit functioneert enigszins adequaat voor degene die een langere geschiedenis met dit stelsel hebben. Voor degene die dat niet hebben, waaronder freelancers en jonge MKB’s, maakt het hen onzichtbaar.

Transactieniveau-gegevens gaan over zichtbaarheid. Het ziet wat traditionele metingen over het hoofd zien, omdat het ziet hoe geld wordt beheerd en hoe gedragingen fluctueren van moment tot moment. Onderhandelaars krijgen toegang tot een veel diepere laag van intrinsiek begrip van een leners kredietwaardigheid. Omdat van dit, is de gegevens structuur ontworpen om democratischer te zijn.

Een vitale kanttekening: none van dit betekent dat AI automatisch leidt tot een eerlijkere systeem. Algoritmes worden getraind op historische gegevens en leningsbeslissingen. Vooroordelen die bestaan in de gegevens die worden gebruikt om AI te trainen, maken het gevoelig voor vooroordeel. Als, historisch, bepaalde groepen waren uitgesloten van leningsbeslissingen, zal een slecht ontworpen model alleen maar dit vooroordeel en discriminatie reproduceren.

Helaas zijn er gevallen van voortgezette discriminatie vanwege slechte transparantie en een gebrek aan controle van AI-systemen – een recente studie vond dat vrouwen consistent lage kredietwaardigheidsscores kregen dan mannen.

Ontwerpkeuzes met betrekking tot gegevensinfrastructuur en workflowbeheer in verband met AI bepalen of eerlijkheid een garantie wordt. AI moet op een verantwoorde manier worden geïmplementeerd, en dat omvat het ingebouwen van transparantie, controleerbaarheid, verantwoordelijkheid en beveiliging op elk niveau. Welke gegevens worden gebruikt, en hun bronnen en bestemmingen bepalen wat transactieniveau-AI ziet en inzichten genereert. Consistente standaarden van gegevensnauwkeurigheid zijn rechtstreeks verbonden met de betrouwbaarheid van deze tools. Tenslotte zijn traceerbaarheid en verklaarbaarheid de kanalen die nodig zijn om te identificeren waar een model fout gaat of moet verbeteren, en wat het goed doet.

Deze eigenschappen zijn niet langer optioneel. Regulators eisen nu controleerbare, transparante architectuur die het risico van vooroordeel en discriminatie uitsluit. De EU’s Consumentenkredietrichtlijn 2 (CCD2), bijvoorbeeld, stelt expliciete standaarden vast voor geautomatiseerde kredietbeslissingen, inclusief de rechten van leners om uitleg en menselijke beoordeling. In feite heeft deze regelgeving recentelijk revisies ondergaan die het later dit jaar aanzienlijk strenger zullen maken.

Terwijl snelheid een belangrijke factor is, is het niet de enige bepalende factor. Nauwkeurigheid, eerlijkheid, transparantie en zichtbaarheid zijn even belangrijk voor financiële instellingen die mee willen gaan met evoluerende markten en regelgeving. Transactieniveau-AI, gebouwd binnen architectuurkaders die controleerbaarheid en verantwoordelijkheid in hun kern hebben, stelt hen in staat dit te doen.