Como os Dados de Nível de Transação Ajudam os Prestamistas a Ver Mais e Correr Menos Riscos

A IA no setor de empréstimos é frequentemente mal representada como uma bala de prata que acelera os processos de underwriting existentes ou como uma camada digital que funciona como uma caixa preta e, na realidade, nunca passaria nos testes de conformidade. Essas representações não poderiam estar mais longe da verdade do que está redesenhando a avaliação do risco de crédito na vanguarda da indústria.

A IA que está realmente mudando o futuro do underwriting e do empréstimo decorre de uma poderosa combinação de código determinístico, aprendizado de máquina e dados de nível de transação. Essa distinção é importante do ponto de vista prático e legal; significa um sistema em que todas as decisões são explicáveis e em que o acesso ao crédito é ampliado de forma responsável, em vez de regurgitar os preconceitos existentes.

Trata-se de tecnologia que ajuda um perfil de mutuário digno de crédito a escapar do monte de rejeições e reduz o risco em favor de mais oportunidades para as instituições financeiras. Aqui está por que essa é uma direção digna de ser perseguida e como fazê-lo.

Uma Revisão é Urgentemente Necessária

Os modelos tradicionais de underwriting são baseados em uma base relativamente simples: o histórico de um mutuário, incluindo seu comportamento passado, capturado em pontuações e declarações de bureau, é uma medida suficientemente confiável de sua dignidade de crédito. Ao longo do último século, essa abordagem, definida por indicadores atrasados, foi suficiente, principalmente porque os dados não estavam facilmente disponíveis.

Isso mudou agora. Os modelos tradicionais de underwriting e pontuação de crédito são retrospectivos, dependendo fortemente de um momento singular que não necessariamente descreve a imagem completa da saúde financeira de um mutuário potencial. Já se passaram mais de duas décadas desde que a gestão de dados digitais superou a analógica, onde as informações instantaneamente acessíveis têm sido a norma. Um arquivo de crédito que leva meses para chegar à caixa de entrada de um underwriter é um sinal de que o modelo atual é uma forma antiquada de processar informações.

E, crucialmente, essa infraestrutura de dados obsoleta e frequentemente imprecisa só aumenta a ameaça do mutuário invisível, que a indústria financeira não pode ignorar. Os mercados mudaram drasticamente nos últimos cinquenta anos. Agora, as pequenas e médias empresas em estágio inicial compõem uma grande parte do setor privado nos EUA, e a maior parte na Europa. Elas estão cada vez mais sendo vistas como a espinha dorsal da economia futura, mas as falhas infraestruturais na pontuação de crédito as deixam à margem.

E as pessoas, em nível individual, também enfrentam as consequências. No Reino Unido, um estudo descobriu que os bancos podem estar rejeitando 80% dos solicitantes de empréstimos com perfis de crédito finos – que são, na verdade, de baixo risco. Isso é $4 bilhões (£3 bilhões) em empréstimos de baixo risco perdidos. Os especialistas apontam os dados tradicionais do bureau como o principal culpado.

É exatamente isso que a IA de nível de transação aborda. Em vez de confiar em indicadores atrasados extraídos de registros históricos que podem estar desatualizados, esses sistemas analisam o aqui e agora. Os underwriters e prestamistas recebem insights reais sobre os comportamentos e a saúde financeira de um mutuário potencial agora, não semanas ou meses atrás. Como? A IA de nível de transação, que extrai insights como fluxos de caixa, padrões de pagamento, dinâmicas de gastos e renda diretamente da conta bancária.

Isso fornece aos underwriters um fluxo contínuo de dados confiáveis e relevantes para avaliar completamente o comportamento financeiro e a saúde de um mutuário. E há resultados significativos associados a essa abordagem. As taxas de aprovação dos prestamistas estão aumentando entre 10 e 35%, sem assumir riscos adicionais. Eles também estão acelerando as decisões de empréstimo em até cinco vezes e reduzindo as perdas de carteira em 15-40%.

Vale notar que isso não é uma situação em que os prestamistas estão assumindo riscos com mutuários de alto risco. Mais mutuários não significam necessariamente mais riscos. O que acontece é que mais mutuários são tornados visíveis – pequenas e médias empresas e indivíduos – em conjunto com uma metodologia que é explicável da A à Z.

É claro que a IA não pode substituir o julgamento humano, nem deve. Os analistas de crédito e underwriters ainda são necessários no processo em andamento. O papel da IA deve ser o de expandir a confiança, a capacidade, a explicabilidade e a precisão sem sacrificar a responsabilidade e a entrada humana. Afinal, as finanças são uma área altamente sensível em termos de confiança do consumidor: as pessoas querem saber que há um ser humano envolvido.

O que a Análise de Nível de Transação Descobre

Entender o que a IA analisa é tão importante quanto por que vale a pena trazê-la para o processo de underwriting em primeiro lugar.

Uma pontuação de bureau informa a um underwriter que uma pessoa ou empresa pagou historicamente suas dívidas. Mas isso não permite que os underwriters e prestamistas leiam entre as linhas em um caso por caso. Como é basicamente apenas uma fotografia, confiar exclusivamente em indicadores como pontuações de bureau deixa os analistas cegos a padrões mais amplos que contam a história completa de um mutuário.

Considere o caso de padrões de receita sazonal. Para muitas pequenas e médias empresas, a receita não é uma linha plana, mas uma que tem picos e vales que se recuperam em ciclos. Esses são perfeitamente normais em vários setores, mas soam alarmes quando tirados do contexto – como é frequentemente o caso em um documento que captura o momento, mas nada além disso.

Os dados de transação alimentados diretamente da conta bancária fornecem uma lente para a resiliência geral de uma empresa: como elas recuperam a receita e gerenciam os intervalos entre os picos e vales. Isso fornece muito mais insights sobre a resiliência de um negócio, bem como permite a proatividade em vez de uma visão retrospectiva das perspectivas financeiras de um mutuário. Os dados tradicionais não distinguem necessariamente entre uma empresa que navega habilmente e de forma responsável por um trimestre lento versus uma que está perdendo dinheiro constantemente sem fim à vista. Os dados de nível de transação distinguem.

Isso também pode conectar os pontos em torno da concentração de fornecedores que podem ser perdidos até muito mais tarde em um modelo de underwriting tradicional. As empresas com bases de fornecedores ou clientes estreitas têm um perfil de risco completamente diferente daqueles com uma base mais ampla. Um arquivo de crédito não encapsula completamente as vulnerabilidades associadas a isso, o que pode fazer ou quebrar a decisão de um prestamista.

E os ciclos de conversão de caixa, o tempo que as empresas levam para transformar o estoque em caixa, são trazidos à luz com a análise de transação, e não apenas com um balanço. Uma pequena ou média empresa com uma receita mais modesta, mas com um ciclo de conversão bem gerenciado e mais curto, pode ser muito mais resiliente a longo prazo em comparação com um contraparte maior com uma receita forte, mas com um ciclo de conversão lento.

A mesma lógica se aplica a padrões de renda variáveis, que estão se tornando mais comuns em meio a uma economia de trabalho freelance em ascensão e um aumento no trabalho freelance e startups. É mais difícil para os mutuários e solicitantes de empréstimos desses pools evitar a rejeição, onde a variabilidade de renda é uma bandeira vermelha à primeira vista. A análise de transação, no entanto, identifica o padrão subjacente e as tendências mais amplas em torno de seus hábitos de gastos, frequência de pagamento, receitas versus despesas e hábitos financeiros gerais.

Aqui está exatamente onde a natureza em tempo real da análise digital e de transação é crítica. Os indicadores necessários para obter a leitura completa do risco e da viabilidade de reembolso não são geralmente estáticos. Uma fotografia singular é menos precisa porque não é contínua. A combinação de um indicador que foi perdido no início e ação atrasada é onde as perdas de carteira e os riscos adicionais são encontrados.

Tornando os Dados Democráticos e Garantindo o Uso Responsável da IA

Seguindo corretamente, a abordagem de análise de nível de transação também facilita um processo de underwriting mais justo e transparente. Os parâmetros tradicionalmente utilizados, como balanços e dados de bureau, mostram o histórico de um mutuário com o sistema de crédito formal. Isso funciona de forma razoável para aqueles que têm um histórico mais longo com esse sistema. Para aqueles que não o têm, incluindo freelancers e pequenas e médias empresas jovens, isso os torna invisíveis.

Os dados de nível de transação são todos sobre visibilidade, embora. Eles veem o que as métricas tradicionais não veem porque veem como o dinheiro é gerenciado e como os comportamentos flutuam de momento a momento. Os underwriters acessam uma camada muito mais profunda de compreensão intrínseca da dignidade de crédito de um mutuário. Por causa disso, os dados são estruturalmente projetados para serem mais democráticos.

Uma observação importante: nada disso significa que a IA leva automaticamente a um sistema mais justo. Os algoritmos são treinados com dados históricos e decisões de empréstimo. Os preconceitos que existem nos dados usados para treinar a IA a tornam suscetível a preconceitos e discriminação.

Infelizmente, houve casos registrados de discriminação perpetuada devido à falta de transparência e auditoria dos sistemas de IA – um estudo recente descobriu que as mulheres eram consistentemente concedidas pontuações de crédito mais baixas do que os homens.

As escolhas de design em torno da infraestrutura de dados e do gerenciamento de fluxo de trabalho em conexão com a IA determinam se a justiça se torna uma garantia. A IA deve ser implementada de forma responsável, e isso inclui enraizar a transparência, a auditoria, a responsabilidade e a segurança em todos os estágios. Quais dados são usados, suas fontes e destinos ditam o que a IA de nível de transação vê e gera insights sobre. Padrões consistentes de precisão dos dados estão diretamente conectados com a confiabilidade dessas ferramentas. Finalmente, a rastreabilidade e a explicabilidade são os canais necessários para identificar onde um modelo está errado ou precisa melhorar e o que está fazendo certo.

Esses traços não são mais opcionais. Os reguladores estão exigindo arquiteturas auditáveis e transparentes que expulsem o risco de preconceito e discriminação. A Diretiva de Crédito ao Consumidor 2 (CCD2) da UE, por exemplo, estabelece padrões explícitos para a tomada de decisão de crédito automatizada, incluindo os direitos do mutuário à explicação e revisão humana. Na verdade, essa regulamentação acabou de sofrer revisões que a tornarão significativamente mais rigorosa mais tarde este ano.

Embora a velocidade seja um fator importante, não é o único fator definidor. A precisão, a justiça, a transparência e a visibilidade são igualmente importantes para as instituições financeiras que desejam acompanhar os mercados e regulamentações em evolução. A IA de nível de transação, construída dentro de estruturas arquiteturais que têm a auditoria e a responsabilidade enraizadas em seu núcleo, permite que elas o façam.