Formuła kredytowa napędzana sztuczną inteligencją może pomóc Ci uzyskać pożyczkę

Ratingi kredytowe od dawna są kluczową miarą tego, jak prawdopodobne jest, że amerykański konsument spłaci jakąkolwiek pożyczkę, od kredytów hipotecznych po karty kredytowe. Ale czynniki na których opierają się FICO i inne firmy, które tworzą ocenę kredytową – takie rzeczy jak historia kredytowa i salda kart kredytowych – często zależą od posiadania już kredytu.

W ostatnich latach , zbiór firm rozpoczynających działalność wyszli z założenia, że ​​kredytobiorcy bez takiej historii mogą nadal mieć duże szanse na spłatę, a ich prawdopodobieństwo spłaty można określić, analizując duże ilości danych, zwłaszcza danych, które tradycyjnie nie były częścią oceny kredytowej. Firmy te wykorzystują algorytmy i uczenie maszynowe, aby znaleźć znaczące wzorce w danych, alternatywne oznaki, że kredytobiorca ma dobre lub złe ryzyko kredytowe.

Firmy te są wciąż młode, ale jak dotąd nie ma wyraźnych dowodów na to, że te podejścia znacznie rozszerzyły dostępny kredyt, a kredytodawcy, którzy z nich korzystają, często naliczają wysokie stopy procentowe, zgodnie z raport przez Krajowe Centrum Prawa Konsumenckiego, grupę rzeczników konsumentów. Rzecznicy konsumentów obawiają się, że niektóre z tych nowych źródeł danych — takie jak informacje o zachowaniu konsumentów w Internecie lub dane finansowe, które tradycyjnie nie są uwzględniane w analizie kredytowej — mogą nieświadomie wpajać w wyniki stronniczość, powodując niesprawiedliwą ocenę niektórych kredytobiorców. W Stanach Zjednoczonych pożyczkodawcom prawo zabrania uwzględniania rasy, płci i religii przy podejmowaniu decyzji kredytowej.

Firma ZestFinance z siedzibą w Los Angeles, założona przez byłego dyrektora ds. informatyki Google Douglasa Merrilla, twierdzi, że rozwiązała ten problem dzięki nowej platformie oceny zdolności kredytowej, zwanej ZAML. Firma zajmuje się sprzedażą oprogramowania do uczenia maszynowego pożyczkodawcom, a także oferuje usługi konsultingowe. Zest sam nie pożycza pieniędzy.

Platforma została dopracowana w oparciu o doświadczenie Zesta we współpracy z wyszukiwarką Baidu w Chinach, gdzie tylko 20 procent populacji ma jakąkolwiek znaną historię kredytową. Badając 21 różnych czynników, takich jak sposób wyszukiwania i sposób przechodzenia między stronami internetowymi, Zest odkrył wzorce w danych Baidu, które można wykorzystać do podjęcia decyzji, czy udzielić tym klientom niewielkich pożyczek na zakupy takie jak odzież. Wśród rzeczy ocenianych przez Zest było to, jak dobrze deklarowany dochód danej osoby pasował do jej modelowanego dochodu, co Zest oblicza, że ​​osoba faktycznie zarobiła na podstawie innych zachowań. Równie ważne, jak to, jaka jest rozbieżność między raportowanym a modelowanym dochodem, jest kiedy zgłaszają zawyżony dochód (innymi słowy, dochód, który jest wyższy niż to, co model sugeruje, że faktycznie osiągają) i jak bardzo go zawyżali, mówi Merrill.

W ciągu dwóch miesięcy Baidu, który prowadzi niewielką działalność pożyczkową, zatwierdził 150 procent więcej pożyczkobiorców bez większych strat na ich pożyczkach, a od tego czasu firma zaciągnęła setki tysięcy pożyczek, mówi Merrill.

Andrew Ng, główny naukowiec Baidu, przypisuje technologii Zest pomoc swojej firmie w przyspieszeniu wejścia na rynek konsumenckich usług finansowych poprzez poprawę „przewidywalności” ich modeli kredytowych przy użyciu danych z zachowań wyszukiwarek internetowych pożyczkobiorców, portfeli mobilnych i innych źródeł. Dzięki Zest, Baidu odkrył, że kredytobiorcy, którzy angażują się w ryzykowne zachowania w Internecie – takie jak hazard lub odwiedzają ryzykowne strony internetowe, takie jak te, które sprzedają nielegalne towary lub organizują imprezy mające na celu poszukiwanie wrażeń – mają wyższe statystyczne prawdopodobieństwo niespłacenia pożyczki.

Chociaż z perspektywy czasu może być to „oczywiste”, takie wskazówki mogą mieć znaczący wpływ na wyniki ubezpieczeniowe, napisał Ng w e-mailu.

Niektóre dane są poza zakresem. Skórka nie używa dane z mediów społecznościowych w swojej analizie coś, co Merrill nazwał przerażającym, co według firmy nie jest zbyt przydatne w tego rodzaju analizach.

Zest współpracował również z dwoma wydawcami kart kredytowych i pożyczkodawcą samochodowym. Wśród posiadaczy kart kredytowych jednym ważnym sygnałem okazały się telefony do pomocy technicznej, coś, czego pożyczkodawca nie łączył ze zdolnością kredytową przed rozpoczęciem pracy przez Zest. Jak się okazuje, ktoś, kto dzwoni, aby przedłużyć termin płatności salda, choć opóźnia płatność, prawdopodobnie będzie w rzeczywistości wiarygodnym klientem. Intuicja czasami się myli, mówi Merrill.

Według firmy jednym z zabezpieczeń przed uprzedzeniami jest fakt, że dla każdego pożyczkobiorcy system ocenia 100 000 różnych punktów danych i żaden punkt nie odgrywa decydującej roli. Aby przetestować stronniczość, Zest ponownie opiera się na uczeniu maszynowym, które system wykorzystuje do testowania własnych wyników. Stosuje algorytm używany przez Biuro Ochrony Finansowej Konsumentów do sprawdzania dyskryminacji, a także przeprowadza inne testy, aby znaleźć wszelkie nieoczekiwane korelacje z czynnikami, których pożyczkodawcy nie mogą brać pod uwagę.

Ng z Baidu pochwalił technologię firmy Zest za jej zdolność do wyjaśniania tego, co nazwał „czarnymi modelami oceny ryzyka uczenia maszynowego i skupiania się na wykrywaniu i korygowaniu zarówno jawnych, jak i ukrytych uprzedzeń.

Wyjaśnienie decyzji kredytowych pożyczkobiorcom i organom regulacyjnym będzie miało kluczowe znaczenie, mówi Chi Chi Wu, prawnik z NCLC , w szczególności wyjaśniając, czy wzorce danych, na których się opieramy, są naprawdę przewidywalne, a nie tylko skorelowane. Mówi, że alternatywne dane to nie wszystko i koniec wszystkiego.

ukryć