Dit is een gesponsord bericht van Carol Hamilton, Senior Vice President, Global Solutions bij stang.
Nieuwe onderzoeksgegevens onthullen onzekerheid in de nauwkeurigheid van kredietrisicomodellering, wat de behoefte aan AI, machine learning en alternatieve gegevens onderstreept.
De markten voor consumentenkrediet zijn de afgelopen twee jaar dramatisch veranderd tijdens de Covid-19-pandemie, wat zich vertaalde in economische onzekerheid voor miljoenen mensen over de hele wereld, en het lijkt erop voor de fintechs en financiële dienstverleners die hen bedienen.
Hoe solide zijn kredietrisicomodellen na alle verstoringen die we de afgelopen 24 maanden hebben gezien? Dit was de vraag waar we naar op zoek waren om het antwoord te vinden met een wereldwijd onderzoek onder 400 besluitvormers in de industrie. De resultaten waren meer dan een beetje verontrustend: slechts 18 procent van de fintechs en financiële dienstverleners gelooft dat hun kredietrisicomodellen minstens 75 procent van de tijd accuraat zijn.
Dat is behoorlijk verbazingwekkend, vooral gezien het feit dat de rest van de respondenten aangaf te geloven dat hun kredietrisicomodellen minder dan 75 procent van de tijd accuraat waren.
Modellering van kredietrisico's vormt de kern van elk fintech- en financiële dienstverlener en deze financiële breuklijn bij het nemen van kredietrisico's zou de hele sector rillingen moeten bezorgen.
Deze 'risicovolle onderneming'-onzekerheid in de nauwkeurigheid van kredietrisicomodellering zou de reden kunnen zijn waarom real-time kredietrisicobeslissingen het nummer 1 geplande investeringsgebied van de respondenten waren in 2022, als het werk van de organisatie om deze financiële breuklijn in kredietrisicobeslissingen op te lossen. Het onderzoek onderstreepte de groeiende belangstelling voor voorspellende AI-analyse en machine learning, gegevensintegratie en het gebruik van alternatieve gegevens als middel om de besluitvorming over kredietrisico's te verbeteren.
Naast het verbeteren van de nauwkeurigheid van kredietrisicomodellering, maken organisaties ook gebruik van kredietrisicobeslissingsplatforms om de belangrijkste prioriteiten van fraudedetectie/-preventie en financiële inclusie te helpen aanpakken. En in toenemende mate maken deze strategieën voor kredietrisicoanalyse gebruik van alternatieve gegevens.
Fraude blijft groeien voor financiële dienstverleners en kredietverstrekkers, zowel voor als tijdens de pandemie, waarbij identiteitsfraude een sleutelfactor is.
Vijfenzestig procent van de besluitvormers in ons onderzoek gaf aan het belang te erkennen van alternatieve gegevens in kredietrisicoanalyse voor een betere opsporing van fraude. Bovendien erkent 51 procent het belang ervan bij het ondersteunen van financiële inclusie. Alternatieve gegevens zijn een meer gevarieerde manier voor kredietverstrekkers om die personen met een mager (of geen) kredietdossier te evalueren en een meer holistisch, alomvattend beeld van het risico van een persoon samen te stellen. Dit komt enorm ten goede aan degenen die niet gemakkelijk kunnen worden gescoord via traditionele methoden, terwijl het ook financiële instellingen ten goede komt door hun totale adresseerbare markt uit te breiden.
Om de besluitvorming over kredietrisico's naar een hoger niveau te tillen, hebben organisaties meer gegevens, meer automatisering, geavanceerdere processen en meer toekomstgerichte voorspellingen nodig. En om dat te doen, hebben bedrijven AI nodig die onmiddellijke impact kan hebben op het besluitvormingsproces. Risicobesluitvorming op basis van AI wordt gezien als de sleutel tot verbeteringen op veel gebieden, waaronder fraudepreventie (78%), het automatiseren van beslissingen gedurende de kredietlevenscyclus (58%), het verbeteren van kostenbesparingen en efficiëntie (57%), meer concurrerende prijzen ( 51%), en verbetering van de nauwkeurigheid van kredietrisicoprofielen (47%).
Voor consumenten zonder en onder een bank biedt AI organisaties de mogelijkheid om de financiële reizen van die consumenten te ondersteunen. Financiële dienstverleners hebben doorgaans moeite om deze consumenten te ondersteunen omdat ze geen geschiedenis van gegevens hebben die begrijpelijk zijn voor traditionele besluitvormingsmethoden. Omdat AI echter patronen kan identificeren in een breed scala aan alternatieve, traditionele, lineaire en niet-lineaire gegevens, kan het zeer nauwkeurige beslissingen mogelijk maken, zelfs voor gebruikers zonder of met dunne bestanden.
Hoewel AI en machine learning en alternatieve data een paar jaar geleden misschien op de lijst van kredietrisicobeslissingen stonden als "leuk om te hebben", realiseren fintechs en financiële dienstverleners zich snel dat legacy-technologie en methoden eenvoudigweg niet geschikt zijn voor de huidige taak van krediet- risico beslissingen nemen. Door nieuwe technologie in te zetten, zoals AI en machine learning, en alternatieve data te omarmen, zijn organisaties op weg om meer vertrouwen te krijgen in de nauwkeurigheid van hun kredietrisicomodellen. Door dit te doen, zullen ze beter voorbereid zijn om te reageren op toekomstige veranderingen, terwijl ze inclusieve financiering ondersteunen.
Carol Hamilton is Senior Vice President, Global Solutions bij stang, dat fintechs en financiële dienstverleners helpt om sneller slimmere beslissingen te nemen met zijn AI-Powered Risk Decisioning Platform. Provenir werkt met disruptieve financiële dienstverleners in meer dan 50 landen en verwerkt jaarlijks meer dan 3 miljard transacties.
