Как транзакционный уровень данных помогает кредиторам видеть больше и рисковать меньше

ИИ в кредитовании часто неправильно представляется как серебряная пуля, которая либо ускоряет существующие процессы подписания кредитов, либо как черный ящик, функционирующий цифровой слой, который на самом деле никогда не пройдет проверку на соответствие требованиям. Эти изображения не могут быть дальше от истины о том, что меняет будущее оценки кредитного риска и кредитования на переднем крае отрасли.

ИИ, который действительно меняет будущее подписания кредитов и кредитования, исходит из мощной комбинации детерминированного кода, машинного обучения и транзакционного уровня данных. Это различие имеет значение с практической и юридической точки зрения; оно означает систему, в которой каждое решение объяснимо, а доступ к кредиту расширяется ответственно, а не повторяет существующие предубеждения.

Это технология, которая помогает профилю кредитоспособного заемщика избежать отказа и снижает риск в пользу большего количества возможностей для финансовых учреждений. Вот почему этот путь вперед стоит того, чтобы его преследовать, и как это сделать.

Срочная необходимость в改革е

Традиционные модели подписания кредитов основаны на относительно простой основе: история заемщика, включая его прошлое поведение, отраженное в бюро кредитных рейтингов и заявлениях, является достаточно надежным показателем его кредитоспособности. В течение последнего века этот подход, определяемый отставными показателями, был достаточно хорош, главным образом потому, что данные не были легко доступны.

Все это изменилось сейчас. Традиционные модели подписания кредитов и кредитных рейтингов являются ретроспективными, сильно опирающимися на один момент, который не обязательно изображает полную картину финансового здоровья потенциального заемщика. Сейчас прошло более двух десятилетий с тех пор, как цифровое управление данными превзошло аналоговое, где мгновенно доступная информация уже давно стала нормой. Кредитный файл, который поступает в почтовый ящик подписчика через несколько месяцев, является признаком того, что текущая модель является устаревшим способом обработки информации.

И, что самое главное, эта устаревшая, часто неточная инфраструктура данных только увеличивает угрозу невидимого заемщика, которого финансовая промышленность не должна игнорировать. Рынки изменились радикально за последние пять десятилетий. Сейчас молодые малые и средние предприятия составляют огромную часть частного сектора в США, и львиная доля в Европе. Они все чаще рассматриваются как основа будущей экономики, но неудачи инфраструктуры кредитного рейтинга оставляют их в стороне.

И люди на индивидуальном уровне сталкиваются с последствиями. В Великобритании одно исследование показало, что банки могут отклонять 80% заявок на кредит от заемщиков с тонкими кредитными профилями – которые на самом деле являются низкорисковыми. Это 4 миллиарда долларов (3 миллиарда фунтов стерлингов) потерянных низкорисковых кредитов. Эксперты указывают на традиционные бюро данных как на основного виновника.

Именно это решает транзакционный уровень ИИ. Вместо того, чтобы полагаться на отставные показатели, взятые из исторических записей, которые могут быть устаревшими на несколько месяцев, эти системы анализируют настоящее. Подписчики и кредиторы получают реальное представление о поведении и финансовом здоровье потенциального заемщика прямо сейчас, а не через недели или месяцы. Как? Транзакционный уровень ИИ, который извлекает такие сведения, как денежные потоки, модели платежей, динамика расходов и доходы directly из банковского счета.

Это дает подписчикам непрерывный поток надежных и актуальных данных для полной оценки финансового поведения и здоровья заемщика. И есть значительные результаты, связанные с этим подходом. Уровни одобрения кредиторов увеличиваются на 10-35%, без принятия дополнительного риска. Они также ускоряют решения о кредитах до пяти раз и снижают потери в портфеле на 15-40%.

Стоит отметить, что это не ситуация, в которой кредиторы вдруг начинают брать на себя высокий риск. Больше заемщиков не обязательно означает больше риска. Что происходит, так это то, что больше заемщиков становятся видимыми – малые и средние предприятия и физические лица – в сочетании с методологией, которая объяснима от А до Я.

Конечно, ИИ не может заменить человеческий суд, ни должен он. Аналитики кредитов и подписчики все еще нужны в процессе вперед. Роль ИИ должна заключаться в расширении доверия, емкости, объяснимости и точности без жертвования ответственностью и человеческим вкладом. Ведь финансы являются очень чувствительной областью в плане доверия потребителей: люди хотят знать, что есть человек, участвующий в процессе.

Что раскрывает транзакционный уровень анализа

Понимание того, что ИИ анализирует, столь же важно, как и то, почему его стоит включить в процесс подписания кредитов в первую очередь.

Кредитный рейтинг говорит подписчику, что человек или компания исторически платили свои долги. Но это не дает подписчикам и кредиторам возможности прочитать между строк в каждом конкретном случае. Поскольку это в конечном итоге всего лишь снимок, опираясь исключительно на показатели, такие как кредитные рейтинги, оставляет аналитиков слепыми к более широким закономерностям, которые рассказывают полную историю заемщика.

Возьмем, например, сезонные закономерности доходов. Для многих малых и средних предприятий доход не является плоской линией, а линией, которая имеет пики и спады, которые восстанавливаются в циклах. Это совершенно нормально в различных секторах, но звучит тревожно, когда рассматривается вне контекста – как это часто бывает в документе, который отражает момент, но ничего больше.

Данные транзакций, поступающие напрямую из банковского счета, предоставляют представление о общей устойчивости компании: как они восстанавливают доходы и управляют пробелами между пиками и спадами. Это дает гораздо больше представления об устойчивости бизнеса, а также позволяет быть проактивным, а не ретроспективным в отношении финансовых перспектив заемщика. Традиционные данные не обязательно различают фирму, которая умело и ответственно проходит медленный квартал, и фирму, которая постоянно теряет деньги без конца.

Он также может соединить точки вокруг концентрации поставщиков, которые могут быть упущены из виду до тех пор, пока не будет слишком поздно в традиционной модели подписания кредитов. Бизнес с узкой базой поставщиков или клиентов имеет совершенно другой профиль риска, чем те, у которых более широкая база. Кредитный файл не полностью отражает уязвимости, связанные с этим, которые могут сделать или сломать решение кредитором.

И циклы конверсии денежных средств, время, необходимое бизнесу для превращения запасов в денежные средства, выявляются с помощью транзакционного анализа, а не только с помощью балансового отчета. Малое или среднее предприятие с гораздо более скромным доходом, но хорошо управляемым, более коротким циклом, может быть намного более устойчивым в долгосрочной перспективе, чем более крупный аналог с сильным заявленным доходом, но медленным циклом конверсии.

Та же логика применима к переменным закономерностям доходов, которые становятся более распространенными на фоне растущей экономики фриланса и ажиотажа вокруг фриланса и стартапов. Более трудно для заемщиков и заявителей на кредит из этих пулов избежать отказа, когда вариативность дохода является красным флагом на первый взгляд. Транзакционный анализ, однако, выявляет основную закономерность и более широкие тенденции вокруг их привычек расходов, частоты платежей, доходов и общих финансовых привычек.

Именно здесь реальное время цифрового транзакционного анализа является критическим. Показатели, необходимые для получения полного представления о риске и жизнеспособности погашения, не являются статичными. Один снимок менее точен, потому что он не является непрерывным. Комбинация показателя, который был упущен из виду на ранней стадии, и задержки действий – это то место, где находятся большинство потерь в портфеле и добавленный риск.

Демократизация данных и обеспечение ответственного использования ИИ

Если следовать транзакционному уровню анализа, этот подход также облегчает более справедливый и прозрачный процесс подписания кредитов. Долгое время используемые параметры, такие как балансовые отчеты и бюро данных, отражают историю заемщика с формальной кредитной системой. Это функционирует достаточно хорошо для тех, у кого есть более длинная история с этой системой. Для тех, у кого ее нет, включая фрилансеров и молодые малые и средние предприятия, это делает их невидимыми.

Транзакционный уровень данных – это все о видимости. Он видит то, что традиционные метрики упускают из виду, потому что он видит, как деньги управляются и как поведение колеблется момент за моментом. Подписчики получают гораздо более глубокое понимание кредитоспособности заемщика. Из-за этого данные структурированы так, чтобы быть более демократичными.

Важная оговорка: ни одно из этого не означает, что ИИ автоматически приводит к более справедливой системе. Алгоритмы обучаются на исторических данных и решениях о кредитовании. Существующие предубеждения в данных, используемых для обучения ИИ, делают его восприимчивым к предубеждениям и дискриминации.

К сожалению, были зафиксированы случаи продолжения дискриминации из-за плохой прозрачности и отсутствия аудита систем ИИ – одно недавнее исследование показало, что женщины последовательно получали более низкие кредитные рейтинги, чем мужчины.

Выбор дизайна, связанный с инфраструктурой данных и управлением рабочим процессом в связи с ИИ, определяет, становится ли справедливость гарантией. ИИ должен быть реализован ответственно, и это включает в себя внедрение прозрачности, аудитability, подотчетности и безопасности на каждом этапе. Какие данные используются, и их источники и места назначения диктуют, что транзакционный уровень ИИ видит и генерирует сведения. Постоянные стандарты точности данных напрямую связаны с надежностью этих инструментов. Наконец, прослеживаемость и объяснимость – это каналы, необходимые для выявления того, где модель идет не так или нуждается в улучшении, и что она делает правильно.

Эти черты больше не являются необязательными. Регуляторы фактически требуют аудиторных, прозрачных архитектур, которые исключают риск предубеждений и дискриминации. Директива ЕС о потребительском кредите 2 (CCD2), например, устанавливает явные стандарты для автоматического принятия кредитных решений, включая право заемщиков на объяснение и человеческий обзор. На самом деле, это регулирование только что прошло пересмотр, который сделает его значительно более строгим позже в этом году.

Хотя скорость является важным фактором, она не является единственным определяющим фактором. Точность, справедливость, прозрачность и видимость столь же важны для финансовых учреждений, которые хотят идти в ногу с меняющимися рынками и регулированиями. Транзакционный уровень ИИ, построенный в архитектурных рамках, которые имеют аудитability и подотчетность, закрепленные в своем ядре, позволяет им делать это.