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经常被误解为一种银弹， либо加速现有的审批流程， либо作为一个黑盒功能的数字层， 实际上永远不会通过合规性检查。 这些描述与行业领先边缘的信用风险评估现实相去甚远。

真正改变审批和贷款未来的AI源自于一个强大的组合：确定性代码、机器学习和交易级数据。 这种区别在实际和法律方面至关重要； 它意味着一个系统，其中每个决定都是可解释的，信用获取是负责任地扩大，而不是重新生成现有的偏见。

这就是为什么这种前进方式值得追求，以及如何实现它。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。以下是原因以及如何做到这一点。

改革迫在眉睫

传统的审批模型基于一个相对简单的基础：借款人的历史，包括过去的行为，记录在信贷局的评分和报表中，是衡量其信用度的可靠指标。 在过去的一个世纪中，这种方法，定义为滞后指标，已经足够了，主要是因为数据不容易获得。

但现在这一切都已经改变。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，这并不一定能反映借款人财务健康的全部情况。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。几个月后才到达审批人员邮箱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只会增加“隐形借款人”的威胁，这是金融业不能忽视的。市场在过去半个世纪中发生了巨大的变化。现在，初创中小企业占据了美国和欧洲私营部门的很大一部分。它们被视为未来经济的支柱，但信用评分的基础设施缺陷使它们被抛在了后面。

个人也面临后果。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40亿英镑（30亿英镑）的低风险贷款损失。专家认为，传统的信贷局数据是主要原因。

这正是交易级AI解决的问题。与其依赖于历史记录中几个月过时的滞后指标，不如分析现在的情况。审批人员和贷款机构可以洞察借款人的行为和财务状况。如何做到这一点？交易级AI从银行账户中提取现金流、付款模式、支出动态和收入等见解。

这为审批人员提供了一个可靠的数据流，以全面评估借款人的财务行为和健康状况。这种方法的结果非常显著。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更大风险的情况。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——中小企业和个人——同时采用了一种可解释的方法，从A到Z。

当然，AI不能取代人类的判断力，也不应该这样做。信用分析师和审批人员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，而不牺牲责任感和人类的输入。毕竟，财务是一个高度敏感的领域，消费者信任至关重要：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过程同样重要。

信用评分告诉审批人员，一个人或公司过去曾经偿还过债务。但这并不能让审批人员和贷款机构在案件基础上读懂借款人的情况。由于它最终只是一个快照，仅仅依赖于信用评分，会使分析师忽略更广泛的模式，这些模式告诉了借款人的全部故事。

以季节性收入模式为例。对于许多中小企业，收入不是一条平线，而是一条有峰值和低谷的曲线，这些曲线会在周期中恢复。这些在各个行业中是正常的，但如果脱离了背景，就会引起警报——这往往是在一个只捕捉到特定时刻的文件中发生的情况。

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洞察力：他们如何恢复收入并管理峰值和低谷之间的差距。它提供了对企业恢复力的更大洞察力，并允许采取主动措施，而不是对借款人的财务前景进行回顾性分析。传统数据并不一定能区分一家公司在慢季节中巧妙地、负责任地进行导航和一家公司稳定地失去钱且没有尽头的公司。交易级数据可以做到这一点。

它还可以连接供应商集中度的点，这些点可能会被传统审批模型忽略，直到后期。具有狭窄的供应商或客户基础的企业具有与具有更广泛基础的企业不同的风险特征。信用文件并不能完全概括与此相关的脆弱性，这可能会使贷款机构的决定变得生死攸关。

交易分析还揭示了现金转换周期，即企业将存货转化为现金所需的时间，这些信息并没有出现在资产负债表中。具有更谦逊的收入但管理良好、周期更短的中小企业可能在长期内更具韧性，而不是具有强大报告收入但转换周期较慢的更大型对手。

同样的逻辑也适用于收入模式的变化，这种变化正在兴起的自由职业经济和自由职业、创业的激增中变得更加普遍。对于来自这些池塘的借款人和贷款申请人来说，更难以避免拒绝，因为收入的可变性最初是一个危险信号。然而，交易分析却找到了潜在的模式和更广泛的趋势，揭示了他们的支出习惯、付款频率、收入和支出以及一般的财务习惯。

这是实时的数字交易分析的关键所在。用于全面评估风险和还款可行性的指标通常不是静态的。单个快照的准确性较低，因为它不是连续的。早期忽略的指标和延迟的行动是大多数投资组合损失和增加风险的地方。

使数据民主化并确保负责任的AI使用

遵循正确的方法，交易级分析方法还可以促进更公平、更透明的审批流程。传统参数，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，这种方法还算有效。对于那些没有信用历史的人，包括自由职业者和年轻的中小企业，它使他们变得不可见。

交易级数据是关于可见性的。它看到传统指标忽略的东西，因为它看到钱是如何管理的，行为是如何变化的。审批人员对借款人的信用度有了更深入的理解。因此，这些数据在结构上是更民主的。

一个至关重要的警告：这并不意味着AI会自动带来一个更公平的系统。算法是基于历史数据和贷款决策进行训练的。训练AI所使用的数据中的偏见使其容易受到偏见的影响。如果历史上某些群体被排除在贷款决策之外，设计不良的模型只会重现这种偏见和歧视。

不幸的是，已经有案例表明，由于AI系统的透明度和审计性不足，偏见和歧视得到了延续——最近的一项研究发现，女性被一致地授予了比男性更低的信用评分。

围绕AI的数据基础设施和工作流管理的设计选择决定了公平是否成为一种保证。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、可靠性和安全性。使用的数据及其来源和目的地决定了交易级AI看到和生成的内容。数据准确性的一致标准与这些工具的可靠性直接相关。最后，追溯性和可解释性是识别模型错误或需要改进的内容以及模型做对了什么的渠道。

这些特征不再是可选的。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。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工审查的权利。事实上，这项法规刚刚经过修订，今年晚些时候将变得更加严格。

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金融机构来说同样重要，这些机构希望跟上不断变化的市场和法规。交易级AI，建立在具有审计性和责任感的核心架构框架内，使它们能够做到这一点。定义一个。准确性、公平性、透明度和可见度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，建立在具有审计性和责任感的核心架构框架内，使它们能够做到这一点。