211service.com
En AI-driven kreditformel kan hjälpa dig att få ett lån
Kreditbetyg har länge varit nyckelmåttet på hur sannolikt en amerikansk konsument är att betala tillbaka alla lån, från bolån till kreditkort. Men faktorer som FICO och andra företag som skapar kreditpoäng förlitar sig på - saker som kredithistorik och kreditkortssaldon - är ofta beroende av att de redan har kredit.
På senare år , en skörd av nystartade företag har lanserat på premissen att låntagare utan sådan historik fortfarande kan vara ganska sannolikt att betala tillbaka, och att deras sannolikhet att göra det kan bestämmas genom att analysera stora mängder data, särskilt data som traditionellt inte har varit en del av kreditvärderingen. Dessa företag använder algoritmer och maskininlärning för att hitta meningsfulla mönster i datan, alternativa tecken på att en låntagare är en bra eller dålig kreditrisk.
Dessa företag är fortfarande unga, men hittills finns det inga tydliga bevis för att dessa tillvägagångssätt avsevärt har utökat den tillgängliga krediten, och långivare som använder dem tar ofta ut höga räntor, enligt en Rapportera av National Consumer Law Center, en grupp för konsumentfrågor. Konsumentförespråkare oroar sig för att vissa av dessa nya datakällor – som information om hur konsumenter beter sig online eller finansiell data som inte traditionellt ingår i kreditanalysen – omedvetet kan skapa partiskhet i resultaten, vilket gör att vissa låntagare blir orättvist bedömda. I USA är långivare enligt lag förbjudna att ta hänsyn till ras, kön och religion i ett lånebeslut.
Los Angeles-baserade ZestFinance, grundat av tidigare Google CIO Douglas Merrill, säger sig ha löst detta problem med en ny kreditvärderingsplattform, kallad ZAML. Företaget säljer programvaran för maskininlärning till långivare och erbjuder även konsulttjänster. Zest lånar inte ut pengar själv.
Plattformen finjusterades utifrån den erfarenhet Zest hade att arbeta med sökmotorn Baidu i Kina, där endast 20 procent av befolkningen har någon känd kredithistorik. Genom att studera 21 olika faktorer som hur människor söker och hur de går mellan webbsidor, upptäckte Zest mönster i Baidus data som kunde användas för att bestämma om de skulle ge små lån till dessa kunder för köp som kläder. Bland de saker Zest utvärderade var hur väl en persons självrapporterade inkomst matchade deras modellerade inkomst, vad Zest beräknar att personen faktiskt tjänade baserat på annat beteende. Lika viktigt som hur stor skillnad det finns mellan rapporterad och modellerad inkomst är när de rapporterar den uppblåsta inkomsten (med andra ord, inkomst som är högre än vad modellen antyder att de faktiskt tjänar) och hur mycket de blåste upp den, säger Merrill.
På två månader godkände Baidu, som har en liten utlåningsverksamhet, 150 procent fler låntagare utan ökade förluster på sina lån, och företaget har gjort hundratusentals lån sedan dess, säger Merrill.
Andrew Ng, Baidus chefsforskare, krediterar Zests teknologi för att hjälpa hans företag att påskynda dess inträde i finansiella tjänster för konsumenter genom att förbättra 'förutsägbarheten' hos deras kreditmodeller med hjälp av data från låntagares sökbeteende online, mobila plånböcker och andra källor. Med Zest fann Baidu att låntagare som ägnar sig åt ett riskfyllt beteende online – som hasardspel eller besöker riskabla webbplatser som de som säljer olagliga varor eller marknadsför spänningssökande evenemang – har en högre statistisk sannolikhet att försumma ett lån.
Även om det kanske är 'uppenbart' i efterhand, så kan signaler som dessa ha en betydande effekt på försäkringsprestanda, skrev Ng via e-post.
Vissa data är utanför gränserna. Zest använder inte sociala medier data i sin analys, något Merrill har kallat läskigt, och som företaget säger inte är särskilt användbart i den här typen av analyser.
Zest har också arbetat med två kreditkortsutgivare och en billångivare. Bland kreditkortsinnehavare visade sig en viktig signal vara samtal till helpdesk, något som långivaren inte kopplade till kreditvärdighet innan Zests arbete. Det visar sig att någon som ringer in för att förlänga en betalningsperiod för ett saldo, även om han försenar en betalning, är sannolikt en pålitlig kund. Intuitionen är ibland fel, säger Merrill.
Ett skydd mot partiskhet, enligt företaget, är det faktum att för varje låntagare bedömer systemet 100 000 olika datapunkter, och ingen punkt spelar en avgörande roll. För att testa för bias förlitar sig Zest igen på maskininlärning, som systemet använder för att testa sina egna resultat. Den tillämpar en algoritm som Consumer Financial Protection Bureau använder för att kontrollera diskriminering, och gör även andra tester för att hitta eventuella oväntade samband med faktorer som långivare är förbjudna att överväga.
Baidu's Ng stödde Zests teknologi för dess förmåga att förklara vad han kallade 'black box machine learning underwriting-modeller och fokusera på att upptäcka och korrigera både explicita och dolda fördomar.
Att förklara kreditbeslut för låntagare och tillsynsmyndigheter kommer att vara avgörande, säger Chi Chi Wu, en advokat vid NCLC , särskilt för att förklara om de datamönster som man litar på verkligen är prediktiva och inte bara korrelerade. Alternativa data är inte allt, säger hon.