211service.com
En AI-drevet kredittformel kan hjelpe deg med å få et lån
Kredittvurdering har lenge vært nøkkelmålet for hvor sannsynlig en amerikansk forbruker er til å betale tilbake ethvert lån, fra boliglån til kredittkort. Men faktorer som FICO og andre selskaper som skaper kredittscore er avhengige av – ting som kreditthistorie og kredittkortsaldoer – er ofte avhengige av å ha kreditt allerede.
I de senere år , en mengde oppstartsbedrifter har lansert på forutsetningen om at låntakere uten slike historikk fortsatt kan ha stor sannsynlighet for å betale tilbake, og at deres sannsynlighet for å gjøre det kan bestemmes ved å analysere store mengder data, spesielt data som tradisjonelt ikke har vært en del av kredittvurderingen. Disse selskapene bruker algoritmer og maskinlæring for å finne meningsfulle mønstre i dataene, alternative tegn på at en låntaker er en god eller dårlig kredittrisiko.
Disse selskapene er fortsatt unge, men til dags dato er det ikke klare bevis på at disse tilnærmingene har utvidet kreditten som er tilgjengelig, og långivere som bruker dem krever ofte høye renter, ifølge en rapportere av National Consumer Law Center, en forbrukeradvokatgruppe. Forbrukerforkjempere bekymrer seg for at noen av disse nye datakildene – for eksempel informasjon om hvordan forbrukere oppfører seg på nettet eller finansielle data som ikke tradisjonelt er inkludert i kredittanalysen – uforvarende kan skape skjevheter i resultatene, noe som kan føre til at enkelte låntakere blir urettferdig bedømt. I USA er långivere forbudt ved lov å ta hensyn til rase, kjønn og religion i en utlånsbeslutning.
Los Angeles-baserte ZestFinance, grunnlagt av tidligere Google CIO Douglas Merrill, hevder å ha løst dette problemet med en ny kredittscoreplattform, kalt ZAML. Selskapet selger maskinlæringsprogramvaren til långivere og tilbyr også konsulenttjenester. Zest låner ikke ut penger selv.
Plattformen ble finjustert basert på erfaringen Zest hadde med søkemotoren Baidu i Kina, hvor bare 20 prosent av befolkningen har noen kjent kreditthistorie. Ved å studere 21 forskjellige faktorer som hvordan folk søker og måten de beveger seg mellom nettsider, oppdaget Zest mønstre i Baidus data som kunne brukes til å bestemme om de skulle gi små lån til disse kundene for kjøp som klær. Blant tingene Zest evaluerte var hvor godt en persons egenrapporterte inntekt samsvarte med den modellerte inntekten, hva Zest beregner den personen faktisk tjente basert på annen atferd. Like viktig som hvor mye avvik det er mellom rapportert og modellert inntekt er når de rapporterer den oppblåste inntekten (med andre ord, inntekt som er høyere enn hva modellen tilsier at de faktisk tjener) og hvor mye de blåste opp den, sier Merrill.
På to måneder godkjente Baidu, som har en liten utlånsvirksomhet, 150 prosent flere låntakere uten økte tap på lånene deres, og selskapet har gitt hundretusenvis av lån siden, sier Merrill.
Andrew Ng, Baidus sjefforsker, gir Zests teknologi æren for å hjelpe selskapet hans med å akselerere inntredenen i finanstjenester for forbrukere ved å forbedre 'prediktiviteten' til kredittmodellene deres ved å bruke data fra låntakeres online søkeatferd, mobillommebøker og andre kilder. Med Zest fant Baidu at låntakere som engasjerer seg i risikabel atferd på nettet – som gambling, eller besøker risikable nettsteder som de som selger ulovlige varer eller markedsfører spenningssøkende begivenheter – har en høyere statistisk sannsynlighet for å misligholde et lån.
Selv om det kanskje er 'åpenbart' i ettertid, kan signaler som disse ha en betydelig effekt på garantiytelsen, skrev Ng på e-post.
Noen data er utenfor grensene. Zest bruker ikke sosiale medier data i sin analyse, noe Merrill har kalt skummelt, og som selskapet sier er lite nyttig i denne typen analyser.
Zest har også jobbet med to kredittkortutstedere og en billångiver. Blant kredittkortinnehavere viste et viktig signal seg å være oppringninger til helpdesk, noe utlåneren ikke koblet til kredittverdighet før Zests arbeid. Som det viser seg, vil noen som ringer inn for å forlenge en betalingsperiode for en saldo, selv om de forsinker en betaling, sannsynligvis faktisk være en pålitelig kunde. Intuisjon er noen ganger feil, sier Merrill.
En beskyttelse mot skjevhet, ifølge selskapet, er det faktum at for hver låntaker vurderer systemet 100 000 forskjellige datapunkter, og ingen punkt spiller en avgjørende rolle. For å teste for skjevhet, stoler Zest igjen på maskinlæring, som systemet bruker til å teste sine egne resultater. Den bruker en algoritme som Consumer Financial Protection Bureau bruker for å se etter diskriminering, og utfører også andre tester for å finne uventede sammenhenger med faktorer som långivere er forbudt å vurdere.
Baidu's Ng støttet Zests teknologi for dens evne til å forklare det han kalte 'black-box machine learning underwriting-modeller' og fokusere på å oppdage og korrigere både eksplisitte og skjulte skjevheter.
Å forklare kredittbeslutninger til låntakere og regulatorer vil være sentralt, sier Chi Chi Wu, advokat ved NCLC , spesielt for å forklare om datamønstrene man stoler på virkelig er prediktive, og ikke bare korrelerte. Alternative data er ikke det beste, sier hun.