Esta es una publicación patrocinada por Carol Hamilton, vicepresidenta sénior de soluciones globales en Provenir.
Los nuevos datos de la encuesta revelan incertidumbre en la precisión del modelado del riesgo crediticio, lo que subraya la necesidad de IA, aprendizaje automático y datos alternativos.
Los mercados de crédito al consumo han cambiado drásticamente en los últimos dos años durante la pandemia de Covid-19, lo que se traduce en incertidumbre económica para millones de personas en todo el mundo y, al parecer, para las fintechs y las organizaciones de servicios financieros que los atienden.
Después de toda la interrupción que hemos visto en los últimos 24 meses, ¿qué tan sólidos son los modelos de riesgo crediticio? Esta fue la pregunta que buscamos para encontrar la respuesta con un estudio de investigación global que encuestó a 400 tomadores de decisiones en la industria. Los resultados fueron más que un poco inquietantes: solo el 18 % de las fintech y las organizaciones de servicios financieros creen que sus modelos de riesgo crediticio son precisos al menos el 75 % de las veces.
Eso es bastante sorprendente, especialmente dado el hecho de que el resto de los encuestados indicaron que creían que sus modelos de riesgo crediticio eran precisos menos del 75 por ciento de las veces.
El modelado del riesgo crediticio es el corazón de cada empresa de servicios financieros y fintech y esta línea de falla financiera en la toma de decisiones sobre el riesgo crediticio debería provocar escalofríos en todo el sector.
Esta incertidumbre de "negocio riesgoso" en la precisión del modelado de riesgo crediticio puede ser la razón por la cual la toma de decisiones sobre riesgo crediticio en tiempo real fue el área de inversión planificada número 1 de los encuestados en 2022, como el trabajo de la organización para resolver esta línea de falla financiera en la toma de decisiones sobre riesgo crediticio. La encuesta subrayó el creciente apetito por el análisis predictivo de IA y el aprendizaje automático, la integración de datos y el uso de datos alternativos como medio para mejorar la toma de decisiones sobre el riesgo crediticio.
Además de mejorar la precisión de los modelos de riesgo de crédito, las organizaciones también están empleando plataformas de toma de decisiones de riesgo de crédito para ayudar a abordar las prioridades clave de detección/prevención de fraude e inclusión financiera. Y cada vez más, estas estrategias de análisis de riesgo crediticio emplean el uso de datos alternativos.
El fraude continúa creciendo para las firmas de préstamos y servicios financieros, tanto antes como durante la pandemia, siendo el fraude de identidad un factor clave.
El sesenta y cinco por ciento de los tomadores de decisiones en nuestra encuesta indicaron que reconocen la importancia de los datos alternativos en el análisis de riesgo crediticio para mejorar la detección del fraude. Además, el 51 por ciento reconoce su importancia para apoyar la inclusión financiera. Los datos alternativos son una forma más variada para que los prestamistas evalúen a las personas con un historial de crédito escaso (o sin él) para reunir una visión más holística y completa del riesgo de una persona. Esto beneficia enormemente a aquellos que no pueden calificarse fácilmente a través de métodos tradicionales, al mismo tiempo que beneficia a las instituciones financieras, al expandir su mercado direccionable total.
Para nivelar la toma de decisiones de riesgo crediticio, las organizaciones necesitan más datos, más automatización, procesos más sofisticados y predicciones más prospectivas. Y para hacer eso, las empresas necesitan IA que pueda generar un impacto inmediato en el proceso de toma de decisiones. La toma de decisiones de riesgo habilitada por IA se considera clave para marcar el comienzo de mejoras en muchas áreas, incluida la prevención del fraude (78 %), la automatización de decisiones a lo largo del ciclo de vida del crédito (58 %), la mejora del ahorro de costos y la eficiencia (57 %), precios más competitivos ( 51 %), y mejorar la precisión de los perfiles de riesgo de crédito (47 %).
Para los consumidores no bancarizados y con pocos servicios bancarios, la IA brinda a las organizaciones la oportunidad de respaldar los viajes financieros de esos consumidores. Las organizaciones de servicios financieros suelen tener dificultades para apoyar a estos consumidores porque no cuentan con un historial de datos que sea comprensible para los métodos tradicionales de toma de decisiones. Sin embargo, debido a que la IA puede identificar patrones en una amplia variedad de datos alternativos, tradicionales, lineales y no lineales, puede potenciar la toma de decisiones de alta precisión, incluso para consumidores sin archivos o con archivos pequeños.
Si bien la IA y el aprendizaje automático, y los datos alternativos pueden haber estado en la lista de "agradable tener" decisiones de riesgo crediticio hace unos años, las organizaciones de fintech y servicios financieros se están dando cuenta rápidamente de que la tecnología y los métodos heredados simplemente no están a la altura de la tarea actual de crédito. decisión de riesgo. Al implementar nuevas tecnologías como IA y aprendizaje automático, y adoptar datos alternativos, las organizaciones están en camino de mejorar la confianza en la precisión de sus modelos de riesgo crediticio, moviéndose para remediar su "negocio riesgoso" de riesgo crediticio. Al hacerlo, estarán más preparados para reaccionar ante los cambios que se produzcan en el futuro, mientras apoyan las finanzas inclusivas.
Carol Hamilton es vicepresidenta sénior de soluciones globales en Provenir, que ayuda a las empresas de tecnología financiera y a los proveedores de servicios financieros a tomar decisiones más inteligentes con mayor rapidez con su plataforma de toma de decisiones de riesgo impulsada por IA. Provenir trabaja con organizaciones de servicios financieros disruptivos en más de 50 países y procesa más de 3 mil millones de transacciones al año.
