交易级数据如何帮助贷款机构看到更多并降低风险

贷款中的AI经常被误认为是银弹，可以加速现有的审批流程，或者是一个黑盒子，实际上永远无法通过合规性检查。这些描述与行业领先的信用风险评估现状相去甚远。

真正改变贷款和审批的未来的是一种强大的组合：确定性代码、机器学习和交易级数据。这一区别在实践和法律方面都很重要；这意味着一个系统，每个决定都可以解释清楚，信用获取可以负责任地扩大，而不是重复现有的偏见。

这就是为什么这种方式值得追求，以及如何做到的原因。这种技术不仅帮助信用良好的借款人的资料避免被拒绝，还降低了金融机构的风险，增加了更多的机会。

迫切需要改革

传统的审批模型是基于一个相对简单的基础：借款人的历史，包括他们过去的行为，记录在信用局的评分和声明中，是衡量他们信用度的可靠指标。在过去的一个世纪中，这种方法，定义为滞后指标，基本上是足够的，主要是因为数据不容易获得。

但现在这一切都已经改变了。传统的审批和信用评分模型是回顾性的，严重依赖于一个特定的时刻，这并不一定能够全面反映潜在借款人的财务健康状况。现在，数字数据管理已经超过了模拟，实时可访问的信息已经成为常态。一个需要几个月才能到达审批人的信用文件，是当前模型过时的标志。

而且，关键的是，这种过时的、往往不准确的数据基础设施只会增加“隐形借款人”的威胁，这是金融行业不能忽视的。市场在过去半个世纪中发生了巨大的变化，现在，初创的小型和中型企业（SMB）占据了私营部门的大部分，在美国和欧洲都是如此。它们被视为未来经济的骨干，但信用评分的基础设施缺陷使它们被忽视。

个人也面临着后果。在英国，一项研究发现，银行可能会拒绝80%的贷款申请者，他们的信用资料很薄——实际上，他们的风险很低。这意味着失去了40亿英镑（30亿英镑）的低风险贷款。专家认为，传统的信用局数据是主要原因。

这正是交易级AI要解决的问题。与其依赖于滞后指标，这些指标可能是几个月前的历史记录，交易级AI分析现在的状况。审批人和贷款机构可以真正了解潜在借款人的行为和财务健康状况。怎么做到的？交易级AI从银行账户中提取现金流、支付模式、支出动态和收入等见解。

这给审批人提供了一个连续的可靠和相关的数据流，以全面衡量借款人的财务行为和健康状况。这种方法的结果很显著。贷款机构的批准率增加了10%至35%，而不增加额外的风险。他们还加快了贷款决策的速度，最高可达五倍，并将投资组合损失降低了15%至40%。

值得注意的是，这并不是贷款机构突然冒险借款给高风险借款人的情况。更多的借款人并不一定意味着更多的风险。发生的情况是，更多的借款人变得可见——小型和中型企业以及个人——同时，方法是可以解释的，从A到Z。

当然，AI不能取代人类的判断，也不应该这样做。信用分析师和审批人在未来仍然需要参与这个过程。AI的作用应该是扩大信心、能力、可解释性和准确性，而不牺牲责任和人类的输入。毕竟，财务是一个高度敏感的领域，人们希望知道有一个人参与其中。

交易级分析揭示了什么

了解AI分析的内容与为什么将其引入审批流程同样重要。

信用局的评分告诉审批人，一个人或公司过去一直按时还债。但这并不能让审批人和贷款机构了解每个案例的具体情况。由于它最终只是一个快照，仅仅依赖于信用局的评分等指标，就会使分析师忽略更广泛的模式，这些模式可以告诉借款人的全部故事。

以季节性收入模式为例。对于许多小型和中型企业，收入不是一条平线，而是一条有峰值和谷值的曲线，这些曲线会在周期中恢复。这些在各个行业中是完全正常的，但如果脱离了背景，就会引起警报——这在一个只捕捉到当前时刻的文件中经常发生。

直接从银行账户中获取的交易数据为公司的整体恢复力提供了一个视角：它们如何恢复收入和管理峰值和谷值之间的差距。它提供了对企业恢复力和主动性而不是回顾性财务前景的更深入的见解。传统数据并不一定能区分一家公司是否在负责地应对缓慢的季度，还是在不断地亏损，没有尽头。

它还可以连接供应商集中度的点，这些点可能在传统的审批模型中会被忽略，直到后期。具有狭窄的供应商或客户基础的企业具有完全不同的风险特征。信用文件并不能完全概括这种脆弱性，这可能会使贷款机构的决定变得生死攸关。

现金转换周期，即企业将库存转化为现金所需的时间，也通过交易分析得以揭示，而不仅仅是通过资产负债表。一个收入相对谦逊但管理良好的企业，其现金转换周期更紧凑，可能在长期内更具韧性，而不是一个收入强劲但现金转换周期较慢的更大型企业。

同样的逻辑也适用于收入模式的变化，这种变化在日益增长的自由职业经济和创业浪潮中变得更加普遍。对于来自这些群体的借款人和贷款申请人来说，收入的可变性可能是一个初步的警示信号。交易分析可以识别出支出习惯、付款频率、收入和支出以及整体财务习惯的潜在模式和更广泛的趋势。

这正是实时的数字交易分析的关键所在。判断风险和还款可行性的指标通常不是静态的。一个单一的快照由于其不连续性而不太准确。早期漏掉的指标和延迟的行动正是投资组合损失和增加风险的地方。

使数据民主化并确保AI的负责任使用

按照正确的方法，交易级分析方法还可以促进一个更加公平和透明的审批流程。长期使用的参数，如资产负债表和信用局数据，展示了借款人与正式信用系统的历史。对于那些有更长信用历史的人来说，这种方法基本上是足够的。

交易级数据的重点是可见性。它看到传统指标忽略的东西，因为它看到钱是如何管理的，行为是如何波动的。审批人可以对借款人的信用度有更深入的理解。由于这种结构，数据本身就是民主的。

一个至关重要的警告：这并不意味着AI会自动带来一个更加公平的系统。算法是基于历史数据和贷款决策进行训练的。如果数据中存在偏见，AI也会受到偏见的影响。如果某些群体在历史上被排除在贷款决策之外，一个设计不良的模型只会重现这种偏见和歧视。

不幸的是，已经有记录表明，由于AI系统缺乏透明度和审计，存在歧视——一项最近的研究发现，女性被一致地评为比男性低的信用评分。

围绕数据基础设施和工作流管理的设计选择决定了公平性是否成为保证。AI必须负责任地实施，这包括在每个阶段都融入透明度、可审计性、责任感和安全性。使用什么数据、数据来源和目的地决定了交易级AI看到什么和生成什么见解。数据准确性的一致标准直接与这些工具的可靠性相关。最后，可追溯性和可解释性是识别模型哪里出错或需要改进以及哪里做对了的渠道。

这些特性不再是可有可无的。监管机构实际上要求具有可审计性、透明度和公平性的架构，以消除偏见和歧视的风险。例如，欧盟的消费者信用指令2（CCD2）为自动信用决策设定了明确的标准，包括借款人对解释和人类审查的权利。事实上，这项法规刚刚经过修订，将在今年晚些时候变得更加严格。

虽然速度是一个重要因素，但它并不是唯一的决定因素。准确性、公平性、透明度和可见性对于希望跟上不断变化的市场和法规的金融机构来说同样重要。交易级AI，建立在具有可审计性和责任感的核心架构中，允许它们做到这一点。