En AI-drevet kreditformel kan hjælpe dig med at få et lån

Kreditvurderinger har længe været det vigtigste mål for, hvor sandsynligt en amerikansk forbruger er til at tilbagebetale ethvert lån, fra realkreditlån til kreditkort. Men faktorer som FICO og andre virksomheder, der skaber kreditscore, er afhængige af - ting som kredithistorik og kreditkortsaldi - ofte afhænger af, at de allerede har kredit.

I de seneste år , en høst af nystartede virksomheder har lanceret på den præmis, at låntagere uden sådanne historier stadig er ret tilbøjelige til at betale tilbage, og at deres sandsynlighed for at gøre det kunne bestemmes ved at analysere store mængder data, især data, der traditionelt ikke har været en del af kreditvurderingen. Disse virksomheder bruger algoritmer og maskinlæring til at finde meningsfulde mønstre i dataene, alternative tegn på, at en låntager er en god eller dårlig kreditrisiko.

Disse virksomheder er stadig unge, men til dato er der ikke klare beviser for, at disse tilgange i høj grad har udvidet den tilgængelige kredit, og långivere, der bruger dem, opkræver ofte høje renter, ifølge en rapport af National Consumer Law Center, en forbrugeradvokatgruppe. Forbrugerfortalere bekymrer sig om, at nogle af disse nye datakilder - såsom information om, hvordan forbrugere opfører sig online eller finansielle data, der ikke traditionelt er inkluderet i kreditanalysen - uforvarende kan skabe skævhed i resultaterne, hvilket får visse låntagere til at blive uretfærdigt bedømt. I USA er det ved lov forbudt långivere at overveje race, køn og religion i en lånebeslutning.



Los Angeles-baserede ZestFinance, grundlagt af den tidligere Google CIO Douglas Merrill, hævder at have løst dette problem med en ny kreditvurderingsplatform, kaldet ZAML. Virksomheden sælger maskinlæringssoftwaren til långivere og tilbyder også konsulenttjenester. Zest låner ikke penge selv.

Platformen blev finjusteret baseret på de erfaringer, Zest havde med at arbejde med søgemaskinen Baidu i Kina, hvor kun 20 procent af befolkningen har nogen kendt kredithistorik. Ved at studere 21 forskellige faktorer, såsom hvordan folk søger og måden, de bevæger sig mellem websider, opdagede Zest mønstre i Baidus data, der kunne bruges til at beslutte, om de skulle yde små lån til disse kunder til køb som f.eks. tøj. Blandt de ting, Zest evaluerede, var, hvor godt en persons selvrapporterede indkomst matchede deres modellerede indkomst, hvad Zest beregner, den person faktisk tjente baseret på anden adfærd. Lige så vigtigt, som hvor stor uoverensstemmelse der er mellem rapporteret og modelleret indkomst, er det, når de rapporterer den oppustede indkomst (med andre ord, indkomst, der er højere end hvad modellen antyder, de rent faktisk tjener), og hvor meget de har oppustet den, siger Merrill.

På to måneder godkendte Baidu, som har en lille lånevirksomhed, 150 procent flere låntagere uden øgede tab på deres lån, og virksomheden har ydet hundredtusindvis af lån siden, siger Merrill.

Andrew Ng, Baidu's chefforsker, krediterer Zests teknologi med at hjælpe hans virksomhed med at fremskynde dets indtræden i forbrugernes finansielle tjenester ved at forbedre 'forudsigelsesevnen' af deres kreditmodeller ved hjælp af data fra låntageres onlinesøgningsadfærd, mobile tegnebøger og andre kilder. Med Zest fandt Baidu ud af, at låntagere, der engagerer sig i risikabel adfærd online - som hasardspil eller besøger risikable websteder som dem, der sælger ulovlige varer eller markedsfører spændingssøgende begivenheder - har en højere statistisk sandsynlighed for at misligholde et lån.

Selvom det måske er 'oplagt' set i bakspejlet, kan signaler som disse have en betydelig effekt på garantiydelsen, skrev Ng via e-mail.

Nogle data er uden for grænserne. Zest bruger ikke sociale medier data i sin analyse, noget Merrill har kaldt uhyggeligt, og som selskabet siger, ikke er særlig brugbart i den slags analyser.

Zest har også arbejdet med to kreditkortudstedere og en biludlåner. Blandt kreditkortindehavere viste et vigtigt signal sig at være opkald til helpdesk, noget långiveren ikke havde forbindelse til kreditværdighed før Zests arbejde. Som det viser sig, er en person, der ringer ind for at forlænge en betalingsperiode for en saldo, men forsinker en betaling, sandsynligvis en pålidelig kunde. Intuition er nogle gange forkert, siger Merrill.

En beskyttelse mod bias er ifølge virksomheden det faktum, at systemet for hver låntager vurderer 100.000 forskellige datapunkter, og intet punkt spiller en afgørende rolle. For at teste for bias er Zest igen afhængig af maskinlæring, som systemet bruger til at teste sine egne resultater. Det anvender en algoritme, som Consumer Financial Protection Bureau bruger til at kontrollere for diskrimination, og udfører også andre tests for at finde uventede sammenhænge med faktorer, som långivere er forbudt at overveje.

Baidu's Ng støttede Zests teknologi for dens evne til at forklare, hvad han kaldte 'black-box machine learning underwriting-modeller' og fokusere på at opdage og korrigere både eksplicitte og skjulte skævheder.

At forklare kreditbeslutninger til låntagere og regulatorer vil være afgørende, siger Chi Chi Wu, en advokat ved NCLC , især for at forklare, om de datamønstre, der stoles på, virkelig er forudsigelige og ikke kun korrelerede. Alternative data er ikke det helt rigtige, siger hun.

skjule