Hur transaktionsnivådata hjälper långivare att se mer och riskera mindre

AI i långivning är ofta missrepresenterad som en silverkula som antingen påskyndar befintliga kreditprövningsprocesser eller som en svart låda-funktion som i verkligheten aldrig skulle klara kompatibilitetskontroller. Dessa beskrivningar kunde inte vara längre bort från sanningen om vad som omformar kreditriskbedömning i branschens framkant.

Den AI som faktiskt förändrar framtiden för kreditprövning och långivning härrör från en kraftfull kombination av deterministisk kod, maskinlärning och transaktionsnivådata. Denna distinktion är viktig från ett praktiskt och juridiskt perspektiv; det betyder ett system där varje beslut kan förklaras och där kreditåtkomst utvidgas på ett ansvarsfullt sätt i stället för att återge befintliga fördomar.

Det handlar om teknologi som både hjälper en kreditvärdig låntagares profil att undkomma avvisningshögen och minskar risken till förmån för fler möjligheter för finansiella institutioner. Här är varför denna väg framåt är värd att följa, och hur man gör det.

En översyn är brådskande

Traditionella kreditprövningsmodeller baseras på en relativt enkel grund: en låntagares historia, inklusive deras tidigare beteende, som fångas i byråpoäng och uttalanden, är ett tillräckligt tillförlitligt mått på deras kreditvärdighet. Under det senaste århundradet har denna metod, definierad av eftersläpande indikatorer, varit tillräcklig, främst eftersom data inte lätt var tillgänglig.

Det har allt förändrats nu. Traditionella kreditprövnings- och kreditvärderingsmodeller är retrospektiva, vilande tungt på en enskild ögonblick som inte nödvändigtvis avbildar den fulla bilden av en potentiell låntagares finansiella hälsa. Det har nu varit mer än två decennier sedan digital datormshantering överträffade analog, där direkt tillgänglig information har länge varit normen. En kreditfil som tar månader att nå en kreditprövares inkorg är ett tecken på att den nuvarande modellen är ett föråldrat sätt att bearbeta information.

Och, avgörande, denna föråldrade, ofta otillförlitliga datainfrastruktur höjer bara hotet om den osynliga låntagaren, en som finansbranschen inte kan ignorera. Marknaderna har förändrats drastiskt under de senaste femtio åren. Nu utgör tidiga SMB:er en stor del av den privata sektorn i USA, och den största andelen i Europa. De ses alltmer som ryggraden i den framtida ekonomin, men infrastrukturbrister i kreditvärdering lämnar dem i sidled.

Och människor på individnivå möter också konsekvenserna. I Storbritannien fann en studie att banker kan avvisa 80% av lånsökande med tunna kreditprofiler – som faktiskt är lågrisk. Det är 4 miljarder dollar (£3 miljarder) i förlorad lågrisklåning. Experter nickar till traditionell byrådata som en kärnkulprit.

Detta är exakt vad transaktionsnivå-AI hanterar. Istället för att förlita sig på eftersläpande indikatorer plockade från historiska register som kunde vara månader gamla, analyserar dessa system nu och nu. Kreditprövare och långivare får faktisk insikt i beteenden och finansiell hälsa hos en potentiell låntagare just nu, inte veckor eller månader tillbaka. Hur? Transaktionsnivå-AI, som extraherar insikter som kontantflöden, betalningsmönster, utgiftsdynamik och inkomst direkt från bankkontot.

Det ger kreditprövare en kontinuerlig ström av tillförlitlig, relevant data för att fullständigt bedöma en låntagares finansiella beteende och hälsa. Och det finns betydande resultat knutna till denna metod. Långivarnas godkännandegrad ökar med 10-35%, utan att ta på extra risk. De påskyndar också lånebeslut med upp till fem gånger och minskar portföljförluster med 15-40%.

Värt att notera är att detta inte är en situation där långivare plötsligt tar en chans på högrisklåntagare. Fler låntagare betyder inte nödvändigtvis mer risk. Vad som händer är att fler låntagare blir synliga – SME:er och individer – i takt med en metod som är förklarlig från A till Ö.

Naturligtvis kan AI inte ersätta mänskligt omdöme, och det bör det inte heller. Kreditanalytiker och kreditprövare behövs fortfarande i processen framåt. AI:s roll bör vara att utöka förtroendet, kapaciteten, förklarbarheten och noggrannheten utan att offra ansvar och mänskligt ingripande. Efter allt är finanser ett mycket känsligt område när det gäller konsumentförtroende: människor vill veta att det finns en människa inblandad.

Vad transaktionsnivåanalys avslöjar

Att förstå vad AI analyserar är lika viktigt som varför det är värt att införa i kreditprövningsprocessen från första början.

En byråpoäng berättar för en kreditprövare att en person eller företag har historiskt sett betalat sina skulder. Men detta ger inte kreditprövare och långivare möjlighet att läsa mellan raderna i varje enskilt fall. Eftersom det i slutändan bara är ett ögonblicksbild, vilande uteslutande på indikatorer som byråpoäng, lämnar det analytiker blinda för bredare mönster som berättar den fulla historien om en låntagare.

Tag fallet med säsongsbetonade inkomstmönster. För många SME:er är inkomsten inte en platt linje, utan en som har toppar och dalar som återhämtar sig i cykler. Dessa är fullständigt normala i olika sektorer, men larmar när de tas ur kontext – som ofta är fallet i ett dokument som fångar ögonblicket men ingenting bortom det.

Transaktionsdata som matas direkt från bankkontot ger en insikt i ett företags totala motståndskraft: hur de återhämtar sig från inkomstbortfall och hanterar luckorna mellan toppar och dalar. Det ger mycket mer insikt i ett företags motståndskraft, samt tillåter proaktivitet snarare än en retrospektiv syn på en låntagares finansiella utsikter. Traditionell data skiljer sig inte nödvändigtvis mellan ett företag som skickligt och ansvarsfullt navigerar en långsam kvartal och ett som stadigt förlorar pengar utan slut.

Det kan också koppla samman punkter runt leverantörskoncentration som annars kan missas tills mycket längre ner i en traditionell kreditprövningsmodell. Företag med smala leverantörs- eller kundbas har ett helt annat riskprofil än de med en bredare bas. En kreditfil fångar inte fullständigt de sårbarheter som är kopplade till detta, vilket kan göra eller bryta en långivares beslut.

Och kontantkonverteringscykler, den tid det tar för företag att omvandla lager till kontanter, bringas till ljuset med transaktionsanalys, inte bara en balansräkning. Ett SME med en betydligt modestare inkomst men välhanterad, tätare cykel kunde vara mycket mer motståndskraftigt på lång sikt jämfört med en större motsvarighet med stark rapporterad inkomst men långsam konverteringscykel.

Samma logik gäller för variabla inkomstmönster, som blir allt vanligare i en växande gig-ekonomi och en ökning av frilansande och startups. Det är svårare för låntagare och lånsökande från dessa pooler att undvika avvisning där inkomstvariabiliteten är en röd flagga vid första anblicken. Transaktionsanalys identifierar dock den underliggande mönster och bredare trender runt deras utgiftsvanor, betalningsfrekvens, inkommande utgifter och allmänna finansiella vanor.

Här är exakt där den realtidsbaserade naturen hos digital, transaktionsanalys är kritisk. Indikatorerna som behövs för att få den fulla läsningen av risk och återbetalningsvärdighet är inte generellt statiska. En enskild ögonblicksbild är mindre exakt eftersom den inte är kontinuerlig. Kombinationen av en indikator som missades tidigt och försenad åtgärd är där de flesta portföljförluster och tillagda risker finns.

Görande data demokratisk och säkerställande ansvarsfullt AI-användning

Följs korrekt, möjliggör transaktionsnivåanalysmetoden också en rättvisare, mer transparent kreditprövningsprocess. Länge använda parametrar som balansräkningar och byrådata visar en låntagares historia med det formella kreditsystemet. Detta fungerar något tillräckligt för de som har en längre historia med detta system. För de som inte har det, inklusive frilansare och unga SME:er, gör det dem osynliga.

Transaktionsnivådata handlar om synlighet. Det ser vad traditionella mått försummar eftersom det ser hur pengar hanteras och beteenden fluktuerar från ögonblick till ögonblick. Kreditprövare får tillgång till en mycket djupare nivå av inbyggd förståelse av en låntagares kreditvärdighet. På grund av detta är data strukturellt utformad för att vara mer demokratisk.

En viktig klausul: ingen av detta betyder att AI automatiskt leder till ett rättvisare system. Algoritmer tränas på historiska data och kreditbeslut. Fördomar som finns i data som används för att träna AI gör det sårbart för fördomar. Om, historiskt, vissa grupper uteslöts från kreditbeslut, kommer en dåligt utformad modell att reproducera den fördomen och diskrimineringen.

Tyvärr har det funnits dokumenterade fall av upprätthållen diskriminering på grund av bristande transparens och brist på granskning av AI-system – en nylig studie fann att kvinnor konsekvent tilldelades lägre kreditpoäng än män.

Designval kring datainfrastruktur och arbetsflödeshantering i samband med AI bestämmer om rättvisa blir en garanti. AI måste implementeras på ett ansvarsfullt sätt, och det inkluderar att ingjuta transparens, granskningsbarhet, ansvar och säkerhet i varje skede. Vilken data som används, och dess källor och destinationer, dikterar vad transaktionsnivå-AI ser och genererar insikter om. Konsistenta standarder för data noggrannhet är direkt kopplade till dessa verktygs tillförlitlighet. Slutligen är spårbarhet och förklarbarhet de kanaler som behövs för att identifiera var en modell går fel eller behöver förbättras, och vad den gör rätt.

De här egenskaperna är inte längre valfria. Tillsynsmyndigheter kräver faktiskt granskningsbara, transparenta arkitekturer som utvisar risken för fördomar och diskriminering. EU:s konsumentkreditdirektiv 2 (CCD2) anger till exempel uttryckliga standarder för automatiserat kreditbeslut, inklusive låntagarrättigheter till förklaring och mänsklig granskning. I själva verket har denna lagstiftning just genomgått revideringar som kommer att göra den betydligt strängare senare i år.

Medan hastighet är en viktig faktor, är det inte det enda definierande. Noggrannhet, rättvisa, transparens och synlighet är lika viktiga för finansiella institutioner som vill hålla jämna steg med utvecklande marknader och regleringar. Transaktionsnivå-AI, byggt inom ramverk som har granskningsbarhet och ansvar som är inbyggt i kärnan, tillåter dem att göra det.