Alternativ kredittscoring: Søke store data for forbrukerinformasjon

BILDEKREDITT:
Bilde kreditt
iStock

Alternativ kredittscoring: Søke store data for forbrukerinformasjon

Alternativ kredittscoring: Søke store data for forbrukerinformasjon

Underoverskriftstekst
Alternativ kredittscoring blir mer mainstream takket være kunstig intelligens (AI), telematikk og en mer digital økonomi.
    • Forfatter:
    • forfatternavn
      Quantumrun Foiresight
    • Oktober 10, 2022

    Legg ut tekst

    Flere selskaper bruker alternativ kredittscoring fordi det kommer forbrukere og långivere til gode. Kunstig intelligens (AI), nærmere bestemt maskinlæring (ML), kan brukes til å vurdere kredittverdigheten til personer som ikke har tilgang til tradisjonelle bankprodukter. Denne metoden ser på alternative datakilder som økonomiske transaksjoner, nettrafikk, mobile enheter og offentlige registre. Ved å se på andre datapunkter har alternativ kredittscoring potensial til å øke finansiell inkludering og drive økonomisk vekst.

    Alternativ kredittscoringskontekst

    Den tradisjonelle kredittscoremodellen er begrensende og utilgjengelig for mange mennesker. I følge data fra Africa CEO Forum er rundt 57 prosent av afrikanerne "kreditt usynlige", noe som betyr at de mangler en bankkonto eller kredittscore. Som et resultat har de vanskeligheter med å sikre et lån eller få kredittkort. Enkeltpersoner som ikke har tilgang til viktige finansielle tjenester som sparekontoer, kredittkort eller personlige sjekker, anses som uten bank (eller underbank). Ifølge Forbes trenger disse ubankede personene elektronisk kontanttilgang, et debetkort og muligheten til å skaffe penger umiddelbart. Tradisjonelle banktjenester ekskluderer imidlertid vanligvis denne gruppen. I tillegg har det komplekse papirarbeidet og andre krav til konvensjonelle banklån ført til at sårbare grupper henvender seg til lånehaier og lønningskreditorer som pålegger høye renter.

    Alternativ kredittscoring kan hjelpe befolkningen uten bank, spesielt i utviklingsland, ved å vurdere mer uformelle (og ofte mer nøyaktige) metoder for evaluering. Spesielt kan AI-systemer brukes til å skanne store mengder informasjon fra forskjellige datakilder, for eksempel strømregninger, husleiebetalinger, forsikringsregister, bruk av sosiale medier, ansettelseshistorikk, reisehistorikk, e-handelstransaksjoner og myndighets- og eiendomsregistre . I tillegg kan disse automatiserte systemene hjelpe med å identifisere tilbakevendende mønstre som oversettes til kredittrisiko, inkludert manglende evne til å betale regninger eller holde jobber for lenge, eller åpne for mange kontoer på e-handelsplattformer. Disse kontrollene fokuserer på en låntakers oppførsel og identifiserer datapunkter som tradisjonelle metoder kan ha gått glipp av. 

    Forstyrrende påvirkning

    Nye teknologier er en nøkkelfaktor for å fremskynde bruken av alternativ kredittscoring. En slik teknologi inkluderer blokkjedeapplikasjoner på grunn av dens evne til å la kunder kontrollere dataene sine, samtidig som kredittleverandører kan verifisere informasjonen. Denne funksjonen kan hjelpe folk til å føle mer kontroll over hvordan deres personlige opplysninger lagres og deles.

    Banker kan også bruke tingenes internett (IoT) for et mer detaljert bilde av kredittrisiko på tvers av enheter; dette inkluderer innsamling av sanntidsmetadata fra mobiltelefoner. Helsepersonell kan bidra med ulike helserelaterte data for scoringsformål, for eksempel data samlet inn fra wearables som hjertefrekvens, temperatur og eventuelle registreringer av allerede eksisterende helseproblemer. Selv om denne informasjonen ikke gjelder direkte for livs- og helseforsikring, kan den informere bankens produktvalg. For eksempel kan en potensiell COVID-19-infeksjon signalisere behovet for nødkasseassistanse eller små og mellomstore bedrifter som har høyere risikofaktorer for tilbakebetaling av lån og forretningsavbrudd. I mellomtiden, for bilforsikring, bruker noen selskaper telematikkdata (GPS og sensorer) i stedet for tradisjonell kredittscoring for å vurdere hvilke kandidater som mest sannsynlig vil være ansvarlige. 

    Et viktig datapunkt i alternativ kredittscoring er innhold på sosiale medier. Disse nettverkene inneholder en imponerende mengde data som kan være nyttig for å forstå en persons sannsynlighet for å betale tilbake gjeld. Denne informasjonen er ofte mer nøyaktig enn det formelle kanaler avslører. For eksempel gir sjekk av kontoutskrifter, nettposter og tweets innsikt i noens forbruksvaner og økonomiske stabilitet, noe som kan hjelpe bedrifter med å ta bedre beslutninger. 

    Implikasjoner av alternativ kredittscoring

    Større implikasjoner av alternativ kredittscoring kan omfatte: 

    • Mer utradisjonelle kredittutlånstjenester drevet av åpne banktjenester og bank-som-en-tjeneste. Disse tjenestene kan hjelpe de uten bank å søke om lån mer effektivt.
    • Den økende bruken av IoT og wearables for å vurdere kredittrisiko, spesielt helse- og smarthusdata.
    • Startups som bruker telefonmetadatatjenester for å vurdere ubankede personer til å tilby kreditttjenester.
    • Biometri blir i økende grad brukt som alternativ kredittscoredata, spesielt i overvåking av handlevaner.
    • Flere myndigheter gjør utradisjonell kreditt mer tilgjengelig og brukbar. 
    • Økende bekymring for potensielle brudd på personvernet, spesielt for biometrisk datainnsamling.

    Spørsmål å kommentere

    • Hva er de potensielle utfordringene ved å bruke alternative kredittscoringsdata?
    • Hva kan andre potensielle datapunkter inkluderes i alternativ kredittscoring?

    Innsiktsreferanser

    Følgende populære og institusjonelle lenker ble referert for denne innsikten: