211service.com
Una formula di credito alimentata dall'intelligenza artificiale potrebbe aiutarti a ottenere un prestito
I rating del credito sono stati a lungo la misura chiave della probabilità che un consumatore statunitense rimborsi qualsiasi prestito, dai mutui alle carte di credito. Ma il fattori su cui fanno affidamento FICO e altre società che creano punteggi di credito, cose come la storia del credito e i saldi delle carte di credito, spesso dipendono dall'avere già credito.
In anni recenti , un raccolto di start-up sono partiti dal presupposto che i mutuatari senza tali storie potrebbero essere ancora abbastanza propensi a rimborsare e che la loro probabilità di farlo potrebbe essere determinata analizzando grandi quantità di dati, in particolare dati che tradizionalmente non hanno fatto parte della valutazione del credito. Queste aziende utilizzano algoritmi e machine learning per trovare modelli significativi nei dati, segni alternativi che un mutuatario è un rischio di credito buono o cattivo.
Queste società sono ancora giovani, ma ad oggi non ci sono prove chiare che questi approcci abbiano notevolmente ampliato il credito disponibile e gli istituti di credito che li utilizzano spesso applicano tassi di interesse elevati, secondo un rapporto dal National Consumer Law Center, un gruppo di difesa dei consumatori. I sostenitori dei consumatori temono che alcune di queste nuove fonti di dati, come le informazioni su come si comportano i consumatori online o dati finanziari non tradizionalmente inclusi nell'analisi del credito, possano inconsapevolmente creare pregiudizi nei risultati, causando un giudizio ingiusto su alcuni mutuatari. Negli Stati Uniti, la legge vieta ai prestatori di considerare razza, sesso e religione in una decisione di prestito.
ZestFinance, con sede a Los Angeles, fondata dall'ex CIO di Google Douglas Merrill, afferma di aver risolto questo problema con una nuova piattaforma di credit scoring, chiamata ZAML. L'azienda vende il software di apprendimento automatico agli istituti di credito e offre anche servizi di consulenza. Zest non presta denaro da solo.
La piattaforma è stata messa a punto in base all'esperienza che Zest ha avuto lavorando con il motore di ricerca Baidu in Cina, dove solo il 20% della popolazione ha una storia creditizia nota. Studiando 21 diversi fattori come il modo in cui le persone effettuano le ricerche e il modo in cui si spostano tra le pagine Web, Zest ha scoperto modelli nei dati di Baidu che potrebbero essere utilizzati per decidere se concedere piccoli prestiti a quei clienti per acquisti come i vestiti. Tra le cose che Zest ha valutato c'era quanto bene il reddito autodichiarato di una persona corrispondesse al suo reddito modello, ciò che Zest calcola che quella persona ha effettivamente guadagnato in base ad altri comportamenti. Altrettanto importante quanto la discrepanza tra il reddito riportato e quello modellato è quando riportano il reddito gonfiato (in altre parole, il reddito che è superiore a quello che il modello implica che stanno effettivamente guadagnando) e quanto lo hanno gonfiato, dice Merrill.
In due mesi, Baidu, che ha una piccola attività di prestito, ha approvato il 150% in più di mutuatari senza aumentare le perdite sui loro prestiti e da allora la società ha concesso centinaia di migliaia di prestiti, afferma Merrill.
Andrew Ng, il capo scienziato di Baidu, attribuisce alla tecnologia di Zest il merito di aver aiutato la sua azienda ad accelerare il suo ingresso nei servizi finanziari dei consumatori migliorando la 'predittività' dei loro modelli di credito utilizzando i dati del comportamento di ricerca online dei mutuatari, i portafogli mobili e altre fonti. Con Zest, Baidu ha scoperto che i mutuatari che si impegnano in comportamenti rischiosi online, come il gioco d'azzardo o visitando siti Web rischiosi come quelli che vendono beni illeciti o eventi di mercato alla ricerca di emozioni, hanno una probabilità statistica più elevata di inadempiere su un prestito.
Anche se forse 'ovvi' con il senno di poi, segnali come questi possono avere un effetto significativo sulla performance di sottoscrizione, ha scritto Ng via e-mail.
Alcuni dati sono fuori limite. La scorza non usa dati sui social media nella sua analisi, qualcosa che Merrill ha definito inquietante e che secondo la società non è molto utile in questo tipo di analisi.
Zest ha lavorato anche con due emittenti di carte di credito e un prestatore di auto. Tra i titolari di carte di credito, un segnale importante si è rivelato essere le chiamate all'help desk, qualcosa che il prestatore non si collegava all'affidabilità creditizia prima del lavoro di Zest. A quanto pare, è probabile che qualcuno che chiama per estendere un periodo di pagamento per un saldo, ritardando un pagamento, sia effettivamente un cliente affidabile. L'intuizione a volte è sbagliata, dice Merrill.
Una protezione contro le distorsioni, secondo l'azienda, è il fatto che per ogni mutuatario, il sistema valuta 100.000 punti dati diversi e nessun punto gioca un ruolo determinante. Per verificare la distorsione, Zest si affida ancora all'apprendimento automatico, che il sistema utilizza per testare i propri risultati. Applica un algoritmo utilizzato dal Consumer Financial Protection Bureau per verificare la presenza di discriminazioni e esegue anche altri test per trovare eventuali correlazioni impreviste con fattori che gli istituti di credito non possono prendere in considerazione.
Ng di Baidu ha approvato la tecnologia di Zest per la sua capacità di spiegare quelli che ha chiamato 'modelli di sottoscrizione di apprendimento automatico della scatola nera e concentrarsi sul rilevamento e la correzione di pregiudizi sia espliciti che nascosti.
Spiegare le decisioni di credito ai mutuatari e alle autorità di regolamentazione sarà fondamentale, afferma Chi Chi Wu, avvocato presso il NCLC , in particolare spiegando se i modelli di dati su cui si fa affidamento sono realmente predittivi e non solo correlati. I dati alternativi non sono l'essere-tutto e il fine-tutto, dice.