Модели машинного обучения могут помочь преобразовать сложные наборы данных в точные решения, способствуя принятию более эффективных кредитных решений для малого бизнеса.

По данным SBA, в США насчитывается более 30 миллионов малых и средних предприятий («SMB»), и на эти компании приходится почти 50% общей занятости в США. Непрерывный рост малого бизнеса имеет решающее значение для экономики, и финансирование малого и среднего бизнеса является важной движущей силой этого.

Малые предприятия нуждаются в доступе к финансированию по целому ряду причин, включая колебания оборотного капитала, потребности в запасах, крупные покупки (оборудование, недвижимость и т. д.), сезонность доходов и инвестиционные возможности роста. На современном рынке финансирование предлагается как банками, так и небанковскими кредиторами, при этом банки обычно работают с более крупными и более устоявшимися малыми и средними предприятиями, а небанковские организации часто работают с более мелкими и менее устоявшимися малыми и средними предприятиями, которым банки уделяют меньше внимания.

Основная проблема кредитования малого бизнеса проста: часто нужно проделать большую работу для получения относительно небольшого и рискованного кредита. В результате многие банки избегают кредитования малого бизнеса и вместо этого сосредотачиваются на потребительских продуктах (например, потребительских кредитах, автокредитах, ипотеке и т. д.) или более крупных коммерческих кредитах (например, кредиты на сумму более 5 миллионов долларов крупным прибыльным компаниям). Однако эта проблема также создает возможности — кредиторы, которые определяют способы эффективного обслуживания малого и среднего бизнеса при сохранении высокого качества андеррайтинга, могут построить высокодоходный и масштабируемый бизнес.

Машинное обучение — способность компьютерных программ учиться на исторических данных без необходимости явного программирования — играет ключевую роль в оказании помощи кредиторам малого бизнеса в решении этой проблемы, принятии более эффективных решений, снижении затрат и повышении качества обслуживания клиентов. В этом посте рассматриваются несколько способов, с помощью которых кредиторы малого и среднего бизнеса могут использовать машинное обучение для улучшения своего бизнеса.

1. Улучшенный кредитный андеррайтинг

В кредитовании малого бизнеса одной из самых больших возможностей повышения эффективности является автоматизация андеррайтинга. Кредиторы малого бизнеса, как правило, должны собирать данные из различных источников данных (включая как данные компаний, так и личные данные о владельцах бизнеса), очищать эти наборы данных, извлекать важные переменные, определять право на финансирование и устанавливать цены. На практике это часто требует двустороннего процесса с заявителем для сбора необходимой информации, и, в отличие от потребительских кредитов, которые в значительной степени полагаются на единые данные кредитного бюро, сбор деловой информации часто приводит к противоречивым данным, которые требуют дальнейшего анализа.

Будь то необеспеченный кредит, кредитная линия или кредит, обеспеченный активами, машинное обучение может помочь кредиторам малого и среднего бизнеса улучшить свои методы андеррайтинга и оценки кредитоспособности. Машинное обучение используется для автоматического анализа исторических данных о кредитах и ​​обучения моделей, которые делают прогнозы, такие как вероятность того, что кредит не будет погашен в течение заданного периода времени. Этот прогноз можно использовать для определения приемлемости и установления ценообразования с учетом риска.

Машинное обучение позволило многим кредиторам выйти за рамки простого просмотра основных показателей кредитоспособности и позволило им создавать расширенные профили рисков для потенциальных заемщиков. В частности, для кредиторов с большим объемом исторических данных об эффективности кредита машинное обучение может эффективно создавать модели прогнозирования кредитного риска, которые лучше оценивают заявителей и приводят к снижению уровня дефолтов по кредитным портфелям.

2. Обнаружение мошенничества

Мошенничество является ключевым риском при кредитовании малого бизнеса, и машинное обучение может помочь. Прогнозные модели можно научить оценивать риск мошенничества путем анализа исторических случаев мошенничества, чтобы выявить скрытые взаимосвязи между характеристиками приложений и рисками мошенничества.

Большинство моделей мошенничества, которые мы обучили, в конечном итоге включают широкий спектр факторов и при наличии достаточного количества данных могут быть чрезвычайно точными. Данные, используемые для обучения модели мошенничества, обычно представляют собой комбинацию заявленной информации о приложении, данных кредитного бюро (о владельцах бизнеса), проверочной информации, собранной в ходе процесса, и сторонней информации от поставщиков данных о мошенничестве. Результатом модели обычно является оценка или процентная вероятность мошенничества, и, вооружившись этими прогнозами, кредитор может немедленно одобрить, отклонить или пометить заявку для ручной проверки. Это приводит к тому, что лишь небольшая часть заявок требует вмешательства человека со стороны кредитного специалиста.

Самым большим препятствием для использования машинного обучения для обнаружения мошенничества являются данные. Для обучения точной модели прогнозирования обычно требуются (как минимум) сотни подтвержденных случаев мошенничества, которые могут быть недоступны (примечание: «подтвержденный случай мошенничества» может быть либо историческим случаем мошенничества, либо ранее подтвержденным мошенническим приложением, которое было отклонено). В таких случаях мы предлагаем начать с готовых оценок мошенничества (предоставляемых такими поставщиками, как LexisNexis или TransUnion) и постепенно обучать внутреннюю модель с целью в конечном итоге полагаться исключительно на внутреннюю модель, которая будет предсказывать конкретные риски мошенничества кредитора лучше, чем общие оценки.

3. Более эффективное привлечение клиентов

Учитывая небольшой размер и относительно короткую продолжительность кредитов для малого бизнеса, эффективное привлечение клиентов очень важно для кредиторов малого и среднего бизнеса. Для кредиторов малого бизнеса в США сегодня затраты на привлечение клиентов являются основными расходами, и компании ищут способы сделать привлечение клиентов более эффективным, как за счет повышения эффективности в привлечении новых потенциальных клиентов, так и более эффективного удержания существующих клиентов.

Чтобы решить эту проблему, можно использовать модели машинного обучения, чтобы помочь кредиторам оптимизировать расходы на маркетинг. Например, отправка рекламных кредитов по почте потенциальным заявителям является распространенной маркетинговой стратегией, и кредиторы могут отслеживать ответы на эти почтовые программы и со временем собирать данные о частоте ответов. Применение машинного обучения к этим данным позволяет кредиторам определить, какие потенциальные клиенты с наибольшей вероятностью ответят (т. е. модель будет предсказывать «вероятность ответа»), и расставить приоритеты в своих списках контактов для отправки почты наиболее потенциальным клиентам. Аналогичным образом кредиторы могут использовать машинное обучение для определения маркетинговых каналов, оптимизации маркетинговых сообщений и выявления возможностей перекрестных продаж существующим клиентам — все это приводит к снижению затрат на маркетинг и улучшению привлечения клиентов.

4. Оптимизация рабочего процесса

Кредитование малого бизнеса часто включает в себя значительные обмены между кредитором и заемщиком, и кредитным специалистам необходимо тщательно управлять этим процессом, чтобы закрыть транзакцию. Обычно это включает ручную обработку заявок в простой очереди, что может привести к неоптимальному распределению времени кредитного специалиста.

По мере того, как кредиторы малого и среднего бизнеса собирают данные, они могут использовать автоматизированное машинное обучение для обучения моделей, которые рекомендуют кредитным специалистам «следующие наилучшие действия». Это позволяет им динамически работать со своими очередями, исходя из возможностей, которые больше всего нуждаются во внимании. Приоритизация может основываться на различных прогнозируемых факторах, включая вероятность закрытия сделки, ожидаемую доходность кредита, временные факторы и многое другое.

Использование машинного обучения для определения приоритетов рабочих процессов позволяет кредитным специалистам сосредоточиться на обработке, что увеличивает скорость реагирования, снижает затраты и повышает качество обслуживания клиентов. Кроме того, централизуя аспекты принятия решений, кредиторы малого бизнеса могут гарантировать, что сотрудники всегда будут сосредоточены на нужных приложениях, создавая более стабильные результаты.

Вывод

Кредитование малого бизнеса определяется постоянной борьбой между эффективностью и прибыльностью на уровне кредита, а машинное обучение используется для повышения автоматизации, улучшения решений и повышения качества обслуживания клиентов. Модели прогнозного машинного обучения, основанные на больших наборах исторических данных, предоставляют кредиторам малого бизнеса возможность создавать устойчивые конкурентные преимущества, обеспечивающие прибыльный долгосрочный рост.