Credit Scores 2.0: как искусственный интеллект и машинное обучение изменят нашу оценку кредитоспособности
В ближайшие 5-10 лет мы увидим универсальную структуру модели кредитного риска, ориентированную на тех лиц, у которых нет кредитного рейтинга, у которых есть просрочки и которые ищут кредит на международном уровне. В настоящее время кредитный рейтинг FICO оценивает уровень рискованности человека на основе пяти ключевых показателей, которые разбиты ниже с их соответствующим весом:
- История платежей - 35%
- Использование кредитной карты - 30%
- Длина кредитной истории - 15%
- Частота новых кредитов - 10%
- Уничижительные знаки - 10%
Хотя эта оценка начала отходить от традиционного моделирования рисков, используя «жесткие границы и широкие категории» (Zaldi, 2017), остается возможность использовать ИИ и машинное обучение для модернизации нашей нынешней системы.
Первая область, вызывающая озабоченность в отношении нынешней кредитной системы, касается 53 миллионов американцев, у которых в конце 2015 года не было кредитного рейтинга. (Клементс, 2015) Из-за отсутствия активной учетной записи, которая отчитывается перед кредитным агентством, этим лицам отказывают в кредитных агентствах. Проблема с этой системой заключается в том, что только потому, что у человека нет баллов, это не означает, что он не соответствует требованиям. Из-за беспокойства по поводу высоких процентных ставок, комиссий по картам и склонности к перерасходу средств существует разумная группа американцев, которые имеют надежную историю платежей, значительный располагаемый доход и хорошее соотношение активов и пассивов, но никогда не были связаны с каким-либо кредитным агентством. Кроме того, молодые люди вовсе не сегментированы, тогда как на самом деле их биографические данные, потенциальный доход и объем сбережений были бы надежными показателями для измерения кредитоспособности. Однако дальнейшее использование машинного обучения и искусственного интеллекта обеспечит реальное решение для обоих этих сценариев, позволяя агентствам сокращать число лиц без кредитного рейтинга, глубже изучать кредитоспособность потребителя и принимать более обоснованные решения.
Кроме того, те, кто отчитывается перед кредитными агентствами, сталкиваются со значительными задержками в обновлении своей кредитной истории. В частности, процесс обработки уничижительных знаков значительно смещает баланс между продавцами и отдельными лицами против отдельных лиц. Если по какой-либо причине у вас есть уничижительный знак против вашей учетной записи, независимо от суммы, удаление элемента может занять месяцы. Из-за этого спор о долге в 10 долларов против долга в 10 000 долларов имеет тот же риск оказаться просрочкой платежа, и хотя для более высокого долга может быть выгодно тянуть долг, меньший долг должен отступить в страхе перед малым. сумма, существенно влияющая на их кредитный рейтинг. Однако использование ИИ позволит лучше различать значимость в долларовом выражении и масштабировать влияние кредита соответственно, чтобы обеспечить большую справедливость в отношении отдельных лиц. Кроме того, искусственный интеллект значительно сократит время обработки, разграничив списания и потенциальные платежи, улучшив взаимодействие между сторонами при возбуждении судебных исков и поддерживая актуальную систему, как только просрочки будут обработаны с минимальным вмешательством человека. . (Амин, 2017)
Последняя область, в которой ИИ и машинное обучение могут сыграть свою роль, больше соответствует бизнес-плану моей группы, в котором основное внимание уделяется инвестированию в международных предпринимателей и предприятия. В то время как действующая кредитная система может быть достаточной при работе с американцами, где кредитоспособность может быть определена с помощью относительно стандартного набора проверок, предприниматели в Кении, Мексике и Германии имеют разные системы, опыт и историю, которые значительно сложнее оценить с помощью текущая система. Использование искусственного интеллекта и машинного обучения откроет возможность оценивать характеристики людей из разных стран и разрабатывать модели, характерные для их среды. Как показано выше, важность различных кредитных факторов имеет стандартный вес, однако он может быть разным в разных странах. Использование искусственного интеллекта и машинного обучения позволит нашим моделям адаптироваться, чтобы определить, какое распределение веса лучше всего ограничивает риск для каждой конкретной страны. Эта модель будет использовать методы оценки, используемые в глобальных микрофинансовых учреждениях, и позволит отечественным инвесторам чувствовать себя более уверенно, инвестируя в зарубежные предприятия.
Подводя итог, можно сказать, что из-за невозможности ориентироваться на американцев без кредитных рейтингов, неэффективности текущей цепочки поставок и текущей упущенной возможности должным образом оценить глобальных предпринимателей, существует значительный потенциал во включении ИИ и машинного обучения в традиционный процесс моделирования рисков. . При этом вполне возможно, что в течение следующих 5-10 лет мы увидим глобальную систему, в которой любой человек в любое время может просматривать многомерную, актуальную и точную кредитную историю. счет.
