Машинное обучение быстро растет, поскольку все больше компаний находят способы использовать его для автоматизации и улучшения принятия решений. Это особенно верно для компаний, занимающихся кредитованием физических лиц, в том числе онлайн-кредиторов, филиалов, банков, кредитных союзов, краткосрочных кредиторов и других, где большой объем доступных данных и важность принятия точных решений сделали их особенно ценными. Персональные ссуды, как правило, необеспечены, и заемщику не нужно предоставлять обеспечение по ссуде, что увеличивает уровень риска для индивидуальных кредиторов, что подчеркивает важность принятия точных решений по андеррайтингу.

Вот несколько критических областей, в которых машинное обучение используется личными кредиторами. Если вы не знакомы с машинным обучением, ознакомьтесь с основными концепциями в этом посте.

Андеррайтинг кредита - это процесс оценки риска заявителя, определения того, следует ли делать предложение о финансировании и по каким ставкам и условиям. Это основная компетенция всех индивидуальных кредиторов, и их подходы можно условно разделить на три категории:

  • Судебно: андеррайтер ссуды рассматривает заявку и выносит субъективное суждение о кредитоспособности заявителя.
  • На основе правил. Информация о заявке, обычно в форме показателей, таких как отношение долга к доходу, обрабатывается по ряду правил «прошел или не прошел», которые определяют право на получение ссуды, ставки и условия.
  • На основе модели: кандидаты оцениваются с помощью прогнозной модели, которая дает оценку, которая количественно определяет кредитный риск кандидата. Различные пороги оценки определяют общее право на участие и ценообразование с учетом рисков.

На практике кредиторы часто используют комбинацию этих методов. Например, кредитор может использовать стороннюю модель оценки, такую ​​как оценка FICO Score или Vantage Score, в сочетании с правилами (например, оценка FICO должна быть больше или равна 660). Со временем андеррайтинг, как правило, изменился от субъективного, к основанному на правилах, к основанному на модели, поскольку кредиторы стремятся более точно ранжировать риск своих заявителей и ограничивать подверженность любым проблемам справедливого кредитования (правила, которые предписывают кредиторам не допускать дискриминации). Поскольку модели риска стали распространенным методом кредитного андеррайтинга, машинное обучение стало наиболее эффективным способом создания таких прогнозных моделей.

Машинное обучение наиболее эффективно, когда для принятия решения используется множество точек данных. Персональные кредиторы обычно имеют большой объем данных о заявителе на момент андеррайтинга; обычно эти данные поступают из кредитного отчета о клиенте от крупного кредитного бюро, такого как Transunion, Experian или Equifax. Исторически кредиторы в значительной степени полагались на кредитные рейтинги, предоставляемые бюро, но все чаще кредиторы используют более широкий массив данных для более точного определения рисков. По мере увеличения количества доступных точек данных и увеличения числа потенциальных взаимосвязей применение машинного обучения становится все более ценным для обнаружения источников прогнозной силы, недоступных при андеррайтинге на основе правил.

Машинное обучение позволило многим кредиторам выйти за рамки простого анализа основных показателей кредитоспособности и позволило им создать расширенные профили рисков для потенциальных заемщиков. В частности, для кредиторов с большим объемом исторических данных об исполнении ссуд, машинное обучение может эффективно создавать модели кредитного прогнозирования, которые лучше оценивают соискателей и приводят к более низким процентным ставкам по ссудным портфелям.

2. Лучшее обнаружение мошенничества

Кредиторам часто требуется несколько дней, чтобы одобрить или отклонить заявку на получение личной ссуды, и большую часть этого времени уходит на проверку информации заявки. Персональные кредиторы обычно запрашивают дополнительную информацию, подтверждающую личность заявителя, заявленный доход и право собственности на банковский счет. Согласно федеральным законам, кредиторы обязаны собирать часть этой информации, и это помогает гарантировать, что приложение не является мошенническим, поскольку убытки, связанные с мошенничеством, могут стать серьезной проблемой при кредитовании физических лиц (особенно когда кредиты выдаются через Интернет).

Машинное обучение может значительно ускорить процесс проверки приложений с помощью прогнозных моделей, которые мгновенно оценивают риск мошенничества. Кредиторы обучают эти модели на исторических данных о приложениях, и модели выявляют взаимосвязь между характеристиками приложений и вероятностью мошенничества. Используемые данные обычно представляют собой комбинацию заявленной информации о приложении, проверочной информации, собранной в ходе процесса, и сторонней информации от поставщиков данных о мошенничестве. С помощью этих моделей кандидаты могут быть немедленно проанализированы, распределены по категориям и одобрены или отклонены - и все это без какого-либо вмешательства человека. На практике большинство кредиторов используют модели для автоматизации утверждения, при этом отмечая заявки с высоким уровнем риска для дальнейшего рассмотрения кредитным специалистом.

Для персональных кредиторов, работающих в Интернете, риск мошенничества часто выше, учитывая отсутствие личного контакта и ранее существовавшие отношения с заявителем в большинстве случаев. К счастью, объем данных, которые онлайн-кредиторы должны использовать для обучения моделей мошенничества, также выше, поскольку цифровой канал позволяет автоматически собирать широкий спектр информации о цифровом отпечатке пальца заявителя, такой как тип устройства, местоположение на основе IP-адреса и частота приложений, сделанных этим устройством.

Как в филиале, так и в Интернете, мошенничество с приложениями представляет собой реальную угрозу для личных кредиторов, и по этой причине растет использование прогнозных моделей, обученных с помощью машинного обучения. Прогностические модели могут уменьшить или устранить необходимость в ручном рассмотрении приложений, сокращая время обработки с дней до минут и в результате значительно улучшая качество обслуживания клиентов.

3. Более эффективное привлечение клиентов

Персональные ссуды, как правило, представляют собой инструменты с ограничением по времени и фиксированным сроком окупаемости в несколько лет. Это означает, что для частных кредиторов критически важно иметь эффективную функцию привлечения клиентов для выдачи новых ссуд по мере погашения старых ссуд. Сегодня для частных кредиторов в США затраты на привлечение клиентов - обычно в форме прямых рекламных расходов - являются серьезными расходами, и компании ищут способы сделать привлечение клиентов более эффективным.

Многие кредиторы обращаются к машинному обучению для создания прогнозных моделей, которые помогают им оптимизировать расходы на рекламу. Например, рассылка потребителям писем с рекламой ссуд является типичной маркетинговой стратегией. Кредиторы отслеживают ответы на эти рассылки и собирают данные об уровне откликов с течением времени. Применение прогнозной аналитики к этим данным позволяет им определить, какие потенциальные клиенты с наибольшей вероятностью ответят, и позволяет кредиторам расставлять приоритеты в своих списках контактов для отправки почты наиболее потенциальным клиентам.

Заключение

Модели прогнозирующего машинного обучения улучшают индивидуальное кредитование, упрощая оценку кредитоспособности, ускоряя процесс проверки и увеличивая привлечение клиентов. Поскольку персональное кредитование - это бизнес, в котором много данных, машинное обучение особенно хорошо подходит для того, чтобы помочь кредиторам создавать прогнозные модели, которые помогают им принимать более обоснованные решения. Кроме того, недавнее появление таких инструментов, как автоматизированное машинное обучение, которые повышают легкость создания прогнозных моделей, делает все более привлекательным для кредиторов внедрение машинного обучения, что приносит пользу как кредиторам, так и заемщикам.

Первоначально опубликовано на сайте digifi.io 29 августа 2018 г.