Hvordan transaksjonsnivådata hjelper långivere å se mer og risikere mindre

AI i långivning blir ofte fremstilt som en sølvkule som enten accelererer eksisterende kredittvurderingsprosesser eller som en black box-funksjon som i virkeligheten aldri ville bestått compliance-kontroller. Disse fremstillingene kunne ikke være lengre unna sannheten om hva som former fremtiden for kredittvurdering og långivning på bransjens fremhast.

AI som faktisk endrer fremtiden for kredittvurdering og långivning, kommer fra en kraftfull kombinasjon av deterministisk kode, maskinlæring og transaksjonsnivådata. Denne distinksjonen betyr mye fra et praktisk og juridisk synspunkt; det betyr et system hvor hver beslutning er forklarlig og hvor kreditttilgang utvides ansvarlig, i stedet for å gjenta eksisterende fordommer.

Dette handler om teknologi som både hjelper en kredittverdig låntakers profil å slippe unna avvisningshaugen og reduserer risikoen til fordel for flere muligheter for finansielle institusjoner. Her er hvorfor denne fremtidsretningen er verdt å følge, og hvordan man gjør det.

En omfattende revisjon er nødvendig

Tradisjonelle kredittvurderingsmodeller er basert på en relativt enkel basis: en låntakers historie, inkludert deres tidligere atferd, fanget i byråscore og uttalelser, er et tilstrekkelig pålitelig mål på deres kredittverdighet. I løpet av det siste århundret var dette tilnærmingen, definert av etterfølgende indikatorer, god nok, hovedsakelig fordi dataene ikke var lett tilgjengelige.

Dette har nå endret seg. Tradisjonelle kredittvurderings- og kredittscoremodeller er retrospektive, og hviler tungt på et enkelt øyeblikk som ikke nødvendigvis viser hele bildet av en potensiell låntakers finansielle helse. Det er nå mer enn to tiår siden digital datahåndtering overtok analog, hvor umiddelbart tilgjengelige opplysninger har lenge vært normen. En kredittfil som tar måneder å nå en kredittvurderers innboks er et tegn på at den nåværende modellen er en svært foreldet måte å prosessere informasjon på.

Og, kanskje mest kritisk, øker denne foreldede, ofte uriktige datainfrastrukturen bare trusselen om den usynlige låntakeren, en som finansielle institusjoner ikke kan ignorere. Markedene har endret seg dramatisk i løpet av de siste femti årene. Nå utgjør tidlige SMB-er en stor del av den private sektoren i USA, og den største andelen i Europa. De sees stadig mer som ryggraden i fremtidens økonomi, men infrastrukturfeil i kredittscoring etterlater dem i veikanten.

Og mennesker på et individuelt plan møter også konsekvensene. I Storbritannia fant en studie ut at bankene kunne avvise 80% av lånsøkere med tynne kredittprofiler – som i virkeligheten er lavrisiko. Dette er 4 milliarder dollar (£3 milliarder) i tapte lavrisikolån. Eksperter peker på tradisjonell byrådata som en hovedårsak.

Dette er nettopp hva transaksjonsnivå-AI løser. I stedet for å basere seg på etterfølgende indikatorer plukket fra historiske rekorder som kan være måneder gamle, analyserer disse systemene her og nå. Kredittvurderere og långivere får faktisk innsikt i atferd og finansiell helse hos en potensiell låntaker nå, ikke uker eller måneder tilbake. Hvordan? Transaksjonsnivå-AI, som trekker ut innsikt som kontantstrømmer, betalingsmønster, utgiftsdynamikk og inntekt direkte fra bankkontoen.

Dette gir kredittvurderere en kontinuerlig strøm av pålitelige, relevante data for å fullt ut vurdere en låntakers finansiell atferd og helse. Og det er betydelige resultater knyttet til denne tilnærmingen. Långiveres godkjenningssatser øker med 10-35%, uten å ta på seg ekstra risiko. De akselerer også lånebeslutninger med opptil fem ganger, og reduserer portefølje-tap med 15-40%.

Verdt å merke seg er at dette ikke er en situasjon hvor långivere plutselig tar en sjans på høyrisikolåntakere. Flere låntakere betyr ikke nødvendigvis mer risiko. Hva skjer er at flere låntakere blir synlige – SMB-er og enkeltpersoner – i sammenheng med en metode som er forklarlig fra A til Å.

Selvfølgelig kan AI ikke erstatte menneskelig dømmekraft, og det bør det heller ikke. Kredittanalytikere og kredittvurderere er fortsatt nødvendige i prosessen fremover. Rollen til AI bør være å utvide tillit, kapasitet, forklarligheit og nøyaktighet uten å ofre ansvar og menneskelig innsats. Etter all, er finansielle spørsmål et svært følsomt område når det gjelder forbrukertillit: mennesker ønsker å vite at det er et menneske involvert.

Hva transaksjonsnivåanalyse avdekker

Å forstå hva AI analyserer er like viktig som hvorfor det er verdt å bringe det inn i kredittvurderingsprosessen fra første sted.

En byråscore forteller en kredittvurderer at en person eller selskap har historisk sett betalt sine gjeld. Men dette gjør ikke at kredittvurderere og långivere kan lese mellom linjene på en sak-til-sak-basis. Ettersom det i slutten er bare et øyeblikksbilde, og å hvile tungt på indikatorer som byråscore, etterlater analytikerne blinde for videre mønster som forteller hele historien om en låntaker.

La oss ta eksemplet med sesongmessige inntektsmønster. For mange SMB-er er inntekten ikke en flat linje, men en som har toppunkter og daler som gjenopprettelsescykluser. Dette er fullstendig normalt i ulike sektorer, men det kan utløse advarselssignaler når det tas ut av kontekst – som ofte er tilfelle i et dokument som fanger øyeblikket, men ikke noe mer.

Transaksjonsdata som mates direkte fra bankkontoen gir et vindu inn i et selskaps totale motstandsevne: hvordan de gjenopprettelses inntekten og håndterer hullene mellom toppunkter og daler. Det gir mye mer innsikt i et selskaps motstandsevne, samt å tillate proaktivitet i stedet for en retrospektiv vurdering av en låntakers finansielle utsikter. Tradisjonell data skiller ikke nødvendigvis mellom et selskap som dyktig og ansvarlig navigerer en langsom kvartal, og et som stadig mister penger uten ende i sikte. Transaksjonsnivådata gjør det.

Det kan også knytte punktene rundt leverandørkonsentrasjon som ellers kan bli oversett til langt senere i en tradisjonell kredittvurderingsmodell. Virksomheter med smale leverandør- eller kunde-baser har en helt annen risikoprofil enn de med en videre base. En kredittfil fanger ikke fullt ut sårbarheten som henger sammen med dette, som kan avgjøre eller bryte en långivers beslutning.

Og kontantomvendingscyklusser, tiden det tar virksomheter å omdanne lager til kontanter, blir avdekket med transaksjonsanalyse, ikke bare en balanse. En SMB med en mye beskjedne inntekt, men godt håndtert og kort omvendingscyklus, kan være mye mer motstandsdyktig på lang sikt enn en større motpart med sterk rapportert inntekt, men langsom omvendingscyklus.

Samme logikk gjelder for variable inntektsmønster, som blir mer vanlige blant en økende gig-økonomi og en økning i frilansing og startups. Det er vanskeligere for låntakere og lånesøkere fra disse pulene å unngå avvisning når inntektsvariabiliteten er en rød flagg ved første øyekast. Transaksjonsanalyse, derimot, identifiserer de underliggende mønster og videre trender rundt deres utgiftsvaner, betalingsfrekvens, inntekter versus utgifter og generelle finansielle vaner.

Her er nettopp hvor den sanntidsnatur av digital, transaksjonsanalyse er kritisk. Indikatorene som trengs for å få fullt ut lesing av risiko og gjeldsverdighet er ikke generelt statiske. Et enkelt øyeblikksbilde er mindre nøyaktig fordi det ikke er kontinuerlig. Kombinasjonen av en indikator som ble oversett tidlig og forsinket handling er hvor de fleste porteføljetap og økte risiko finnes.

Å gjøre data demokratisk og sikre ansvarlig AI-bruk

Følger man transaksjonsnivåanalyse-tilnærmingen riktig, muliggjør det også en mer rettferdig og gjennomsiktig kredittvurderingsprosess. Langt brukt parametre som balanser og byrådata viser en låntakers historie med det formelle kredittsystemet. Dette fungerer noenlunde godt for de som har en lengre historie med dette systemet. For de som ikke har det, inkludert frilansere og unge SMB-er, gjør det dem usynlige.

Transaksjonsnivådata handler om synlighet. Det ser hva tradisjonelle mål overseer fordi det ser hvordan penger håndteres og atferd varierer fra øyeblikk til øyeblikk. Kredittvurderere får tilgang til en mye dypere forståelse av en låntakers kredittverdighet. Fordi dette er strukturelt designet for å være mer demokratisk.

En viktig forbehold: ingen av dette betyr at AI automatisk fører til et mer rettferdig system. Algoritmer er trent på historiske data og kredittvurderinger. Fordommer som eksisterer i dataene som brukes til å trene AI, gjør det sårbart for fordommer. Hvis, historisk sett, visse grupper ble ekskludert fra kredittvurderinger, vil en dårlig designet modell bare reproducere denne fordommen og diskrimineringen.

Uheldigvis har det vært registrert tilfeller av vedvarende diskriminering på grunn av manglende transparens og manglende revisjon av AI-systemer – en nylig studie fant ut at kvinner ble konsekvent tildelt lavere kredittscore enn menn.

Designvalg omkring datainfrastruktur og arbeidsflyt i forbindelse med AI bestemmer om rettferdighet blir en garanti. AI må implementeres ansvarlig, og det inkluderer å innarbeide transparens, revisjon, ansvar og sikkerhet på alle stadier. Hvilke data som brukes, og deres kilder og bestemmelsessteder, bestemmer hva transaksjonsnivå-AI ser og genererer innsikt på. Konsistente standarder for data-nøyaktighet er direkte koblet til disse verktøyens pålitelighet. Til slutt er sporing og forklarligheit de kanalene som trengs for å identifisere hvor en modell går galt eller trenger å forbedres, og hva den gjør riktig.

Disse egenskapene er ikke lenger valgfrie. Regulatorer krever faktisk revisjonable, gjennomsiktige arkitekturer som fjerner risikoen for fordommer og diskriminering. EU’s forbrukerkredittdirektiv 2 (CCD2), for eksempel, setter eksplisitte standarder for automatiserte kredittvurderinger, inkludert låntakernes rett til forklaring og menneskelig revisjon. Faktisk har denne reguleringen nettopp gjennomgått revisjoner som vil gjøre det betydelig strengere senere i år.

Mens hastighet er en viktig faktor, er det ikke det eneste avgjørende. Nøyaktighet, rettferdighet, transparens og synlighet er like viktige for finansielle institusjoner som ønsker å holde tritt med utviklende marked og reguleringer. Transaksjonsnivå-AI, bygget innen rammer som har revisjon og ansvar innarbeidet i kjernen, tillater dem å gjøre det.