Jak poziom transakcyjny pomaga kredytodawcom zobaczyć więcej i ryzykować mniej

AI w kredytowaniu jest często przedstawiany jako srebrna kula, która albo przyspiesza istniejące procesy kredytowe, albo jako warstwa cyfrowa, która w rzeczywistości nie przeszłaby kontroli zgodności. Te przedstawienia są bardzo oddalone od prawdy na temat tego, co zmienia przyszłość oceny kredytowej na najwyższym poziomie branży.

AI, który naprawdę zmienia przyszłość kredytowania i udzielania kredytów, wynika z potężnej kombinacji deterministycznego kodu, uczenia maszynowego i danych na poziomie transakcji. Ta różnica ma znaczenie zarówno z praktycznego, jak i prawnego punktu widzenia; oznacza to system, w którym każda decyzja jest wyjaśnialna, a dostęp do kredytu jest rozszerzany w sposób odpowiedzialny, zamiast powtarzać istniejące uprzedzenia.

To jest technologia, która pomaga kredytobiorcom uniknąć odrzucenia i jednocześnie zmniejsza ryzyko dla instytucji finansowych. Oto dlaczego ten kierunek jest wart kontynuowania i jak to zrobić.

Konieczna jest pilna przebudowa

Tradycyjne modele kredytowe opierają się na dość prostym założeniu: historia kredytobiorcy, w tym jego przeszłe zachowania, odzwierciedlone w punktach biura kredytowego i oświadczeniach, jest wystarczająco wiarygodnym miernikiem jego wiarygodności kredytowej. Przez ostatnie stulecie ten podejście, określone przez wskaźniki opóźnione, było wystarczająco dobre, głównie dlatego, że dane nie były łatwo dostępne.

To wszystko się zmieniło. Tradycyjne modele kredytowe i oceny kredytowe są retrospektywne, opierają się silnie na jednym momencie, który niekoniecznie przedstawia pełny obraz finansowego stanu kredytobiorcy. Od ponad dwóch dekad zarządzanie danymi cyfrowymi przejęło pierwszeństwo nad analogowym, gdzie informacje są natychmiast dostępne. Plik kredytowy, który trafia do skrzynki odbiorczej analityka po kilku miesiącach, jest oznaką, że obecny model jest zupełnie przestarzały.

I, co najważniejsze, ten przestarzały, często niedokładny system danych zwiększa zagrożenie niewidocznego kredytobiorcy, którego branża finansowa nie może zignorować. Rynki uległy znaczącym zmianom w ciągu ostatnich pięćdziesięciu lat. Teraz małe i średnie przedsiębiorstwa stanowią ogromną część sektora prywatnego w USA, a także w Europie. Są one coraz częściej postrzegane jako podstawa przyszłej gospodarki, ale awarie infrastrukturalne w ocenach kredytowych pozostawiają je na marginesie.

Ludzie na poziomie indywidualnym również doświadczają skutków. W Wielkiej Brytanii jeden z badań wykazał, że banki mogą odrzucać 80% wnioskodawców o kredyt z cienkimi profilami kredytowymi, którzy są tak naprawdę niskim ryzykiem. To 4 miliardy funtów (3 miliardy funtów) utraconych kredytów niskiego ryzyka. Eksperci wskazują na tradycyjne dane biura kredytowego jako głównego sprawcę.

To jest dokładnie to, co rozwiązuje analiza na poziomie transakcyjnym. Zamiast polegać na wskaźnikach opóźnionych pobranych z historycznych rekordów, które mogą być nieaktualne, te systemy analizują teraźniejszość. Analitycy i kredytodawcy otrzymują rzeczywistą wiedzę na temat zachowań i stanu finansowego potencjalnego kredytobiorcy, a nie tygodnie lub miesiące temu. Jak? Analiza na poziomie transakcyjnym, która wyodrębnia informacje takie jak przepływy pieniężne, wzorce płatności, dynamika wydatków i dochody bezpośrednio z rachunku bankowego.

To daje analitykom ciągły strumień wiarygodnych i istotnych danych, aby w pełni ocenić zachowania finansowe i stan kredytobiorcy. I są znaczące wyniki związane z tym podejściem. Stawki zatwierdzeń kredytodawców wzrastają o 10-35%, bez zwiększania ryzyka. Przyspieszają również decyzje kredytowe o pięć razy i zmniejszają straty portfela o 15-40%.

Warto zauważyć, że nie jest to sytuacja, w której kredytodawcy nagle zaczynają brać szanse na kredytobiorców wysokiego ryzyka. Więcej kredytobiorców nie oznacza koniecznie więcej ryzyka. Co się dzieje, to więcej kredytobiorców staje się widocznych – MŚP i osoby fizyczne – wraz z metodologią, która jest wyjaśnialna od A do Z.

Oczywiście, AI nie może zastąpić ludzkiej oceny, ani nie powinno. Analitycy kredytowi i kredytodawcy są nadal potrzebni w procesie. Rola AI powinna polegać na zwiększeniu zaufania, możliwości, wyjaśnialności i dokładności bez poświęcania odpowiedzialności i ludzkiej interwencji. Przecież finanse są bardzo wrażliwą dziedziną pod względem zaufania konsumentów: ludzie chcą wiedzieć, że jest zaangażowany człowiek.

Czego analiza na poziomie transakcyjnym ujawnia

Zrozumienie, co AI analizuje, jest równie ważne, jak to, dlaczego warto je wprowadzić do procesu kredytowego.

Punkty biura kredytowego mówią analitykowi, że osoba lub firma historycznie spłacała swoje długi. Ale to nie pozwala analitykom i kredytodawcom na odczytanie między wierszami w przypadku każdego kredytobiorcy. Ponieważ jest to tylko migawka, opieranie się wyłącznie na wskaźnikach takich jak punkty biura kredytowego pozostawia analityków ślepych na szersze wzorce, które opowiadają pełną historię kredytobiorcy.

Weźmy przypadku wzorców dochodów sezonowych. Dla wielu MŚP dochód nie jest linią prostą, ale ma wzloty i spadki, które odzyskują się w cyklach. Są to wzorce normalne w różnych sektorach, ale brzmią niepokojąco, gdy są wyjęte z kontekstu – co często ma miejsce w dokumencie, który ujmuje tylko moment, a nie wszystko, co poza tym.

Dane transakcyjne pobrane bezpośrednio z rachunku bankowego dostarczają wglądu w ogólną wytrzymałość firmy: jak odzyskują dochody i zarządzają lukami między szczytami i dolinami. Dostarczają znacznie więcej wglądu w wytrzymałość biznesu, a także pozwalają na proaktywność zamiast retrospektywnego spojrzenia na perspektywy finansowe kredytobiorcy. Tradycyjne dane nie koniecznie rozróżniają między firmą, która sprawnie i odpowiedzialnie nawiguje przez wolny kwartał, a tym, który stale traci pieniądze bez końca. Dane na poziomie transakcyjnym to robią.

Może również połączyć punkty między koncentracją dostawców, które w przeciwnym razie mogłyby być pominięte aż do znacznie późniejszego etapu w tradycyjnym modelu kredytowym. Firmy z wąską bazą dostawców lub klientów mają całkowicie inny profil ryzyka niż te z szerszą bazą. Plik kredytowy nie w pełni ujmuje słabości związane z tym, co może zdecydować o decyzji kredytodawcy.

I cykle konwersji gotówkowej, czas potrzebny firmom do przekształcenia zapasów w gotówkę, są ujawnione w analizie transakcyjnej, a nie tylko w bilansie. MŚP z znacznie bardziej skromnym dochodem, ale dobrze zarządzanym, krótszym cyklem mogą być znacznie bardziej wytrzymałe w długim okresie w porównaniu z większymi odpowiednikami z silnymi dochodami, ale wolnymi cyklami konwersji.

Te same reguły dotyczą zmiennych wzorców dochodowych, które stają się coraz bardziej powszechne wśród rosnącej gospodarki gig i wzrostu freelancingu i startupów. Trudniej jest kredytobiorcom i wnioskodawcom o kredyt z tych pul uniknąć odrzucenia, gdy zmienność dochodów jest czerwoną flagą na pierwszy rzut oka. Analiza transakcyjna identyfikuje podstawowy wzorzec i szersze trendy wokół ich nawyków wydatkowych, częstotliwości płatności, wpływów i wydatków, oraz ogólnych zachowań finansowych.

Czynienie danych demokratycznymi i zapewnienie odpowiedzialnego wykorzystania AI

Postępowanie zgodnie z podejściem analizy na poziomie transakcyjnym ułatwia również sprawiedliwszy i bardziej przejrzysty proces kredytowy. Długo używane parametry, takie jak bilans i dane biura kredytowego, przedstawiają historię kredytobiorcy z formalnym systemem kredytowym. Działa to wystarczająco dobrze dla tych, którzy mają dłuższą historię z tym systemem. Dla tych, którzy nie mają, w tym freelancerów i młodych MŚP, staje się niewidocznym.

Dane na poziomie transakcyjnym są wszystkim o widoczności. Widzą to, czego nie dostrzegają tradycyjne mierniki, ponieważ widzą, jak pieniądze są zarządzane i jak zachowania się zmieniają z chwili na chwilę. Analitycy mają dostęp do znacznie głębszej warstwy wewnętrznego zrozumienia wiarygodności kredytowej kredytobiorcy. Dlatego te dane są strukturalnie zaprojektowane, aby być bardziej demokratyczne.

Istotna uwaga: nie oznacza to, że AI automatycznie prowadzi do sprawiedliwszego systemu. Algorytmy są szkolone na historycznych danych i decyzjach kredytowych. Uprzedzenia, które istnieją w danych wykorzystywanych do szkolenia AI, sprawiają, że jest ono podatne na uprzedzenia. Jeśli historycznie pewne grupy były wykluczone z decyzji kredytowych, źle zaprojektowany model będzie tylko powielał to uprzedzenie i dyskryminację.

Niestety, odnotowano przypadki utrwalonej dyskryminacji z powodu braku przejrzystości i braku audytu systemów AI – jeden z niedawnych badań wykazał, że kobiety były systematycznie nagradzane niższymi punktami kredytowymi niż mężczyźni.

Wybory dotyczące infrastruktury danych i zarządzania pracą w związku z AI determinują, czy sprawiedliwość staje się gwarancją. AI musi być wdrożone w sposób odpowiedzialny, co obejmuje wprowadzenie przejrzystości, audytowalności, odpowiedzialności i bezpieczeństwa na każdym etapie. To, jakie dane są używane, oraz ich źródła i miejsca przeznaczenia, decydują o tym, co widzi i generuje AI. Stałe standardy dokładności danych są bezpośrednio związane z niezawodnością tych narzędzi. Wreszcie, śledzenie i wyjaśnialność są kanałami potrzebnymi do identyfikacji, gdzie model się myli lub wymaga poprawy, oraz co robi dobrze.

Te cechy nie są już opcjonalnymi “miłymi mieć”. Regulatorzy wymagają architektur audytowalnych, przejrzystych, które wykluczają ryzyko uprzedzeń i dyskryminacji. Dyrektywa Unii Europejskiej w sprawie kredytu konsumenckiego 2 (CCD2) określa wyraźne standardy dla zautomatyzowanego podejmowania decyzji kredytowych, w tym prawa kredytobiorców do uzasadnienia i przeglądu przez człowieka. W rzeczywistości ta regulacja właśnie przeszła rewizję, która sprawi, że stanie się znacznie surowsza w tym roku.

Podczas gdy szybkość jest ważnym czynnikiem, nie jest to jedyny decydujący. Dokładność, sprawiedliwość, przejrzystość i widoczność są równie ważne dla instytucji finansowych, które chcą nadążyć za ewoluującymi rynkami i przepisami. AI na poziomie transakcyjnym, zbudowane w ramach architektury, która ma audytowalność i odpowiedzialność wpisane w swoje rdzeń, pozwala im to robić.