Puntuación de crédito alternativa: busca de grandes datos para obter información do consumidor

• autor:
• nome do autor

  Quantumrun Foresight
• Outubro 10, 2022

Resumo de insight

Máis empresas están a utilizar a puntuación de crédito alternativa porque beneficia aos consumidores e prestamistas. A intelixencia artificial (IA), en concreto a aprendizaxe automática (ML), pódese utilizar para avaliar a solvencia das persoas que non teñen acceso aos produtos bancarios tradicionais. Este método analiza fontes de datos alternativas como transaccións financeiras, tráfico web, dispositivos móbiles e rexistros públicos. Ao mirar outros puntos de datos, a puntuación de crédito alternativa ten o potencial de aumentar a inclusión financeira e impulsar o crecemento económico.

Contexto de puntuación de crédito alternativo

O modelo tradicional de puntuación de crédito é limitante e inaccesible para moitas persoas. Segundo os datos do Africa CEO Forum, ao redor do 57 por cento dos africanos son "créditos invisibles", o que significa que carecen dunha conta bancaria ou puntuación de crédito. Como resultado, teñen dificultades para conseguir un préstamo ou obter unha tarxeta de crédito. As persoas que non teñen acceso a servizos financeiros esenciais, como contas de aforro, tarxetas de crédito ou cheques persoais, considéranse non bancarizadas (ou insuficientemente bancarias).

Segundo Forbes, estas persoas non bancarizadas necesitan acceso electrónico ao diñeiro en efectivo, unha tarxeta de débito e a posibilidade de obter diñeiro rapidamente. Non obstante, os servizos bancarios tradicionais adoitan excluír este grupo. Ademais, os complexos trámites e outros requisitos para os préstamos bancarios convencionais provocaron que os grupos vulnerables se recorren aos prestamistas e aos acredores do día de pagamento que impoñan tipos de interese elevados.

A puntuación de crédito alternativa pode axudar á poboación non bancarizada, especialmente nos países en desenvolvemento, ao considerar medios de avaliación máis informais (e moitas veces máis precisos). En particular, os sistemas de intelixencia artificial pódense aplicar para escanear grandes volumes de información de diversas fontes de datos, como facturas de servizos públicos, pagos de alugueres, rexistros de seguros, uso de redes sociais, historial de emprego, historial de viaxes, transaccións de comercio electrónico e rexistros gobernamentais e da propiedade. . Ademais, estes sistemas automatizados poden axudar a identificar patróns recorrentes que se traducen en risco de crédito, incluída a incapacidade de pagar facturas ou manter traballos por moito tempo ou abrir demasiadas contas en plataformas de comercio electrónico. Estas comprobacións céntranse no comportamento do prestatario e identifican puntos de datos que os métodos tradicionais poderían ter perdido. 

Impacto perturbador

As tecnoloxías emerxentes son un factor clave para acelerar a adopción de puntuacións crediticias alternativas. Unha destas tecnoloxías inclúe aplicacións de cadea de bloques debido á súa capacidade para permitir que os clientes controlen os seus datos mentres permiten aos provedores de crédito verificar a información. Esta función podería axudar ás persoas a ter máis control sobre como se almacena e comparte a súa información persoal.

Os bancos tamén poden usar a Internet das cousas (IoT) para obter unha imaxe máis detallada do risco de crédito en todos os dispositivos; isto inclúe a recollida de metadatos en tempo real dos teléfonos móbiles. Os provedores de coidados de saúde poden achegar varios datos relacionados coa saúde a efectos de puntuación, como os datos recollidos de dispositivos portátiles como a frecuencia cardíaca, a temperatura e calquera rexistro de problemas de saúde preexistentes. Aínda que esta información non se aplica directamente aos seguros de vida e saúde, pode informar sobre as eleccións dos produtos bancarios. Por exemplo, unha posible infección por COVID-19 pode indicar a necesidade de asistencia de emerxencia para descubertos ou as pequenas e medianas empresas que teñan factores de risco máis elevados para o reembolso do préstamo e a interrupción do negocio. Mentres tanto, para o seguro do automóbil, algunhas compañías usan datos telemáticos (GPS e sensores) en lugar da puntuación de crédito tradicional para avaliar cales son os candidatos máis propensos a ser responsables. 

Un punto de datos clave na puntuación de crédito alternativa é o contido das redes sociais. Estas redes conteñen unha cantidade impresionante de datos que poden ser útiles para comprender a probabilidade dunha persoa de pagar as débedas. Esta información adoita ser máis precisa que a que revelan as canles formais. Por exemplo, comprobar os extractos da conta, as publicacións en liña e os chíos proporcionan información sobre os hábitos de gasto e a estabilidade económica de alguén, o que pode axudar ás empresas a tomar mellores decisións. 

Implicacións da puntuación de crédito alternativa

As implicacións máis amplas da puntuación de crédito alternativa poden incluír: 

• Máis servizos de préstamo de crédito non tradicionais impulsados ​​pola banca aberta e a banca como servizo. Estes servizos poden axudar aos non bancarizados a solicitar préstamos de forma máis eficiente.
• O uso cada vez maior de IoT e wearables para avaliar o risco de crédito, especialmente os datos de saúde e de fogares intelixentes.
• Startups que usan servizos de metadatos telefónicos para avaliar persoas non bancarizadas para ofrecer servizos de crédito.
• A biometría utilízase cada vez máis como datos alternativos de puntuación de crédito, especialmente no seguimento dos hábitos de compra.
• Máis gobernos que fan que o crédito non tradicional sexa máis accesible e útil. 
• Crecentes preocupacións sobre posibles violacións da privacidade dos datos, en particular pola recollida de datos biométricos.

Preguntas a ter en conta

• Cales son os retos potenciais ao usar datos alternativos de puntuación de crédito?
• Que poden incluír outros puntos de datos potenciais na puntuación de crédito alternativa?