Як транзакційний рівень даних допомагає кредиторам бачити більше та ризикувати менше

Штучний інтелект у сфері кредитування часто неправильно представляється як срібна куля, яка прискорює існуючі процеси підтримки кредитування або як чорний ящик, який насправді ніколи не пройде перевірку на відповідність вимогам. Такі зображення не можуть бути далі від істини про те, що змінює майбутнє кредитування та підтримки кредитування на передньому краї галузі.

Штучний інтелект, який фактично змінює майбутнє кредитування та підтримки кредитування, походить від потужної комбінації детермінованого коду, машинного навчання та транзакційного рівня даних. Ця відмінність має значення з практичної та юридичної точки зору; це означає систему, в якій кожне рішення можна пояснити, а доступ до кредиту розширюється відповідально, а не повторюються існуючі упередження.

Це стосується технології, яка допомагає профілю кредитоспроможного боржника уникнути відхилення та скорочує ризик на користь більшої кількості можливостей для фінансових інститутів. Ось чому цей шлях вперед варто переслідувати, і як це зробити.

Необхідна перебудова

Традиційні моделі підтримки кредитування базуються на відносно простій основі: історія боржника, включаючи його минулу поведінку, відображену в бюро кредитних рейтингів та заявах, є достатньо надійним показником його кредитоспроможності. За останнє століття цей підхід, визначений лагуючими індикаторами, був достатнім, головним чином тому, що дані не були легко доступні.

Все це змінилося тепер. Традиційні моделі підтримки кредитування та кредитних рейтингів ретроспективні, спираються сильно на окремий момент, який не обов’язково відображає повну картину фінансового здоров’я потенційного боржника. Тепер минуло понад два десятиліття з тих пір, як цифрове управління даними перевершило аналогове, де миттєво доступна інформація давно стала нормою. Кредитний файл, який надходить до поштового скриньки підтримки кредитування протягом місяців, є ознакою того, що поточна модель є застарілою та неефективною.

І, що найважливіше, ця застаріла, часто неточна інфраструктура даних підвищує загрозу “невидимого боржника”, якого фінансовій галузі не можна ігнорувати. Ринки змінилися суттєво за останні півстоліття. Тепер молоді мали підприємства складають велику частку приватного сектора в США, і найбільшу частку в Європі. Їх усе частіше розглядають як основу майбутньої економіки, але інфраструктурні провали в кредитних рейтингах залишають їх на узбіччі.

І люди на індивідуальному рівні також зазнають наслідків. У Великій Британії одне дослідження виявило, що банки можуть відхиляти 80% заявок на кредит тих, хто має тонкі кредитні профіль — які насправді є низькоризиковими. Це означає 4 мільярди доларів (3 мільярди фунтів) втрачених низькоризикових кредитів. Експерти вказують на традиційні бюро даних як основного винуватця.

Це саме те, що транзакційний рівень штучного інтелекту вирішує. Замість того, щоб сприймати лагуючі індикатори з історичних записів, які можуть бути застарілими на місяці, ці системи аналізують поточну ситуацію. Підтримувачі кредитування та кредитори отримують фактичне розуміння поведінки та фінансового здоров’я потенційного боржника прямо зараз, а не через тижні чи місяці. Як? Транзакційний рівень штучного інтелекту, який витягує інформацію, таку як потоки грошових коштів, моделі платежів, динаміка витрат та доходи безпосередньо з банківського рахунку.

Це дає підтримувачам кредитування безперервний потік надійних та актуальних даних для повної оцінки фінансової поведінки та здоров’я боржника. І є суттєві результати, пов’язані з цим підходом. Темпи затвердження кредитів кредиторами збільшуються на 10-35%, не приймаючи додаткового ризику. Вони також прискорюють рішення про надання кредитів до п’яти разів та скорочують портфельні втрати на 15-40%.

Варто зазначити, що це не ситуація, в якій кредитори раптом починають брати на себе ризик щодо високоризикових боржників. Більше боржників не обов’язково означає більший ризик. Що відбувається, так це те, що більше боржників стають видимими — МСП та фізичні особи — у поєднанні з методологією, яка є пояснюваною з А до Я.

Очевидно, що штучний інтелект не може доповнювати людський суд, ні повинен. Аналітики кредитів та підтримувачі кредитування все ще потрібні в процесі руху вперед. Роль штучного інтелекту повинна полягати в розширенні довіри, потенціалу, пояснюваності та точності без жертвування відповідальністю та людським внеском. Всі справи стосуються високочутливої сфери споживчої довіри: люди хочуть знати, що є людина, яка бере участь.

Що відкриває аналіз транзакційного рівня

Поняття того, що аналізує штучний інтелект, є таким же важливим, як і те, чому його варто вводити в процес підтримки кредитування в першу чергу.

Кредитний рейтинг告訴 підтримувачеві кредитування, що людина або компанія історично сплачувала свої борги. Але це не дозволяє підтримувачам кредитування та кредиторам читати між рядками в кожному окремому випадку. Поскольку це в кінцевому підсумку лише знімок, спираючись виключно на індикатори, такі як кредитні рейтинги, залишають аналітиків сліпими до ширших моделей, які розповідають повну історію боржника.

Розгляньте випадок сезонних моделей доходів. Для багатьох МСП доходи не є плоскою лінією, а лінією, яка має піки та зниження, які відновлюються в циклах. Це цілком нормально в різних секторах, але видає тривогу, коли розглядається поза контекстом — як це часто буває в документі, який захоплює момент, але нічого поза цим.

Дані транзакцій, які подаються безпосередньо з банківського рахунку, забезпечують огляд загальної стійкості компанії: як вони відновлюють доходи та керують пробілами між піками та зниженнями. Це забезпечує набагато більше розуміння стійкості бізнесу, а також дозволяє бути проактивним, а не ретроспективним щодо фінансових перспектив боржника. Традиційні дані не обов’язково відрізняють фірму, яка вміло та відповідально керує повільним кварталом, від тієї, яка постійно втрачає гроші без кінця.

Воно також може з’єднати точки навколо концентрації постачальників, які інакше можуть бути пропущені до тих пір, поки не буде пізніше в традиційній моделі підтримки кредитування. Бізнеси з вузькою базою постачальників або клієнтів мають зовсім інший ризиковий профіль, ніж ті, хто має ширшу базу. Кредитний файл не повністю охоплює вразливості, пов’язані з цим, які можуть зробити або зламати рішення кредиторів.

І цикли конвертації готівки, час, необхідний підприємствам для перетворення запасів у готівку, розкриваються транзакційним аналізом, а не лише балансовим листом. МСП з набагато скромнішим доходом, але добре керованим, щільним циклом, можуть бути набагато більш стійкими в довгостроковій перспективі порівняно з більшим конкурентом з сильним зареєстрованим доходом, але повільним циклом конвертації.

Та сама логіка застосовується до змінних моделей доходів, які стають все більш поширеними серед зростаючої економіки фрілансу та сплеску фрілансу та стартапів. Це складніше для боржників та заявників на кредит з цих пулів уникнути відхилення, де ця зміна доходів є червоним прапором на перший погляд. Транзакційний аналіз, однак, ідентифікує основну модель та ширші тенденції щодо їхніх звичок витрат, частоти платежів, надходжень та виходжень, а також загальних фінансових звичок.

Саме тут реальний характер цифрового, транзакційного аналізу є критичним. Індикатори, необхідні для отримання повного розуміння ризику та життєздатності погашення, не є статичними. Одиничний знімок є менш точним, оскільки він не є безперервним. Комбінація індикатора, який був пропущений на початку, та затримки дій є тим місцем, де знаходяться більшість портфельних втрат та доданого ризику.

Демократизація даних та забезпечення відповідального використання штучного інтелекту

Якщо слідувати транзакційному аналізу, це також забезпечує справедливий та прозорий процес підтримки кредитування. Довгостроково використовувані параметри, такі як балансові листи та дані бюро, демонструють історію боржника з формальною кредитною системою. Це функціонує досить добре для тих, хто має довшу історію з цією системою. Для тих, хто цього не має, включаючи фрілансерів та молоді МСП, це робить їх невидимими.

Дані транзакційного рівня все про видимість. Воно бачить те, чого не бачать традиційні метрики, оскільки воно бачить, як керуються грошима та як коливаються поведінки з моменту в момент. Підтримувачі кредитування отримують набагато глибше розуміння кредитоспроможності боржника. Через це дані структуровані для того, щоб бути більш демократичними.

Важлива застереження: жодне з цього не означає, що штучний інтелект автоматично веде до справедливішої системи. Алгоритми тренуються на історичних даних та рішеннях про кредитування. Упередження, які існують у даних, використовуваних для тренування штучного інтелекту, роблять його схильним до упередження. Якщо історично певні групи були виключені з рішень про кредитування, погано спроектована модель лише відтворить це упередження та дискримінацію.

На жаль, були зафіксовані випадки збереження дискримінації через бідну прозорість та відсутність аудиту систем штучного інтелекту — одне недавнє дослідження виявило, що жінки послідовно отримували нижчі кредитні рейтинги, ніж чоловіки.

Вибір дизайну щодо інфраструктури даних та керування робочим процесом у зв’язку зі штучним інтелектом визначає, чи стане справедливість гарантією. Штучний інтелект повинен бути реалізований відповідально, і це включає в себе забезпечення прозорості, аудитабельності, підзвітності та безпеки на кожному етапі. Як дані використовуються, їх джерела та місця призначення визначають, що бачить та генерує висновки транзакційний рівень штучного інтелекту. Постійні стандарти точності даних безпосередньо пов’язані з надійністю цих інструментів. Нарешті, слідкість та пояснюваність є каналами, необхідними для визначення того, де модель пішла не так або потребує покращення, і що вона робить правильно.

Ці риси вже не є необов’язковими. Регулятори фактично вимагають аудитованих, прозорих архітектур, які виключають ризик упередження та дискримінації. Директива ЄС щодо споживчих кредитів 2 (CCD2), наприклад, встановлює явні стандарти для автоматизованого кредитування, включаючи права боржників на пояснення та людський огляд. Насправді, це регулювання тільки що піддалося перегляду, який зробить його значно суворішим пізніше цього року.

Хоча швидкість є важливим фактором, вона не є чисто визначальною. Точність, справедливість, прозорість та видимість є рівнозначно важливими для фінансових інститутів, які хочуть збігати з розвитком ринків та правил. Транзакційний рівень штучного інтелекту, побудований у рамках архітектурних рамок, які мають аудитабельність та підзвітність у своєму ядрі, дозволяє їм це зробити.