211service.com
Een op AI gebaseerde kredietformule kan u helpen een lening te krijgen
Kredietbeoordelingen zijn lange tijd de belangrijkste maatstaf geweest voor hoe waarschijnlijk het is dat een Amerikaanse consument een lening terugbetaalt, van hypotheken tot creditcards. Maar de factoren waarop FICO en andere bedrijven die kredietscores opstellen, vertrouwen - zaken als kredietgeschiedenis en kredietkaartsaldi - zijn vaak afhankelijk van het al hebben van krediet.
In recente jaren , een gewas van startende bedrijven zijn gelanceerd op de veronderstelling dat kredietnemers zonder een dergelijke geschiedenis nog steeds zeer waarschijnlijk zullen terugbetalen, en dat hun waarschijnlijkheid om dit te doen kan worden bepaald door grote hoeveelheden gegevens te analyseren, met name gegevens die traditioneel geen deel uitmaakten van de kredietevaluatie. Deze bedrijven gebruiken algoritmen en machine learning om betekenisvolle patronen in de gegevens te vinden, alternatieve signalen dat een kredietnemer een goed of slecht kredietrisico loopt.
Deze bedrijven zijn nog jong, maar tot op heden is er geen duidelijk bewijs dat deze benaderingen het beschikbare krediet enorm hebben uitgebreid, en kredietverstrekkers die ze gebruiken, rekenen vaak hoge rentetarieven, volgens een verslag doen van door het National Consumer Law Center, een belangenorganisatie voor consumenten. Voorstanders van consumenten maken zich zorgen dat sommige van deze nieuwe gegevensbronnen, zoals informatie over hoe consumenten zich online gedragen of financiële gegevens die traditioneel niet in de kredietanalyse worden opgenomen, ongewild vooringenomenheid in de resultaten kunnen veroorzaken, waardoor bepaalde kredietnemers onterecht worden beoordeeld. In de VS is het kredietverstrekkers bij wet verboden om ras, geslacht en religie in aanmerking te nemen bij een kredietverleningsbeslissing.
Het in Los Angeles gevestigde ZestFinance, opgericht door voormalig Google-CIO Douglas Merrill, beweert dit probleem te hebben opgelost met een nieuw kredietscoreplatform, ZAML genaamd. Het bedrijf verkoopt de machine-learningsoftware aan kredietverstrekkers en biedt ook adviesdiensten aan. Zest leent zelf geen geld.
Het platform is verfijnd op basis van de ervaring die Zest had met de zoekmachine Baidu in China, waar slechts 20 procent van de bevolking een bekende kredietgeschiedenis heeft. Zest bestudeerde 21 verschillende factoren, zoals hoe mensen zoeken en de manier waarop ze tussen webpagina's navigeren, en ontdekte patronen in Baidu's gegevens die kunnen worden gebruikt om te beslissen of ze kleine leningen aan die klanten willen verstrekken voor aankopen zoals kleding. Een van de dingen die Zest evalueerde, was hoe goed het zelfgerapporteerde inkomen van een persoon overeenkwam met hun gemodelleerde inkomen, wat Zest berekent dat die persoon daadwerkelijk verdiende op basis van ander gedrag. Net zo belangrijk als hoeveel discrepantie er is tussen gerapporteerde en gemodelleerde inkomsten, is wanneer ze het opgeblazen inkomen rapporteren (met andere woorden, inkomen dat hoger is dan wat het model suggereert dat ze daadwerkelijk verdienen) en hoeveel ze het hebben opgeblazen, zegt Merrill.
In twee maanden tijd keurde Baidu, dat een klein kredietbedrijf heeft, 150 procent meer kredietnemers goed zonder grotere verliezen op hun leningen, en het bedrijf heeft sindsdien honderdduizenden leningen verstrekt, zegt Merrill.
Andrew Ng, Baidu's hoofdwetenschapper, zegt dat de technologie van Zest zijn bedrijf heeft geholpen om de toegang tot financiële diensten voor consumenten te versnellen door de 'voorspelbaarheid' van hun kredietmodellen te verbeteren met behulp van gegevens van het online zoekgedrag van kredietnemers, mobiele portemonnees en andere bronnen. Met Zest ontdekte Baidu dat leners die zich online riskant gedrag vertonen, zoals gokken of het bezoeken van risicovolle websites zoals websites die illegale goederen verkopen of spannende evenementen op de markt brengen, een grotere statistische kans hebben om een lening in gebreke te stellen.
Hoewel dit achteraf misschien 'voor de hand liggend' is, kunnen dergelijke signalen een aanzienlijk effect hebben op de verzekeringsprestaties, schreef Ng per e-mail.
Sommige gegevens zijn verboden terrein. Zest gebruikt niet sociale media gegevens in zijn analyse, iets wat Merrill griezelig heeft genoemd, en waarvan het bedrijf zegt dat het niet erg nuttig is in dit soort analyses.
Zest heeft ook met twee creditcarduitgevers en een autolener gewerkt. Een belangrijk signaal bij creditcardhouders bleek een telefoontje naar de helpdesk te zijn, iets wat de kredietverstrekker voorafgaand aan het werk van Zest niet in verband bracht met kredietwaardigheid. Het blijkt dat iemand die belt om een betalingstermijn voor een saldo te verlengen, hoewel hij een betaling uitstelt, waarschijnlijk een betrouwbare klant is. Intuïtie is soms verkeerd, zegt Merrill.
Een bescherming tegen vooringenomenheid is volgens het bedrijf het feit dat het systeem voor elke lener 100.000 verschillende datapunten beoordeelt, en geen enkel punt speelt een bepalende rol. Om te testen op vooringenomenheid, vertrouwt Zest opnieuw op machine learning, dat het systeem gebruikt om zijn eigen resultaten te testen. Het past een algoritme toe dat het Consumer Financial Protection Bureau gebruikt om te controleren op discriminatie, en voert ook andere tests uit om onverwachte correlaties te vinden met factoren die kredietverstrekkers niet in overweging mogen nemen.
Baidu's Ng onderschreef de technologie van Zest vanwege het vermogen om uit te leggen wat hij 'black-box machine learning acceptatiemodellen' noemde en zich te concentreren op het detecteren en corrigeren van zowel expliciete als verborgen vooroordelen.
Het uitleggen van kredietbeslissingen aan kredietnemers en regelgevers zal cruciaal zijn, zegt Chi Chi Wu, een advocaat bij de NCLC , met name door uit te leggen of de gegevenspatronen waarop wordt vertrouwd, echt voorspellend zijn en niet alleen gecorreleerd. Alternatieve gegevens zijn niet alles, zegt ze.