Авторы : Суббу Венкатараманан | Виджая Кумар | Ракеш Лави

Конкуренция со стороны игроков нового века сделала гибкость и время отклика более важными, чем когда-либо. Существует острая необходимость в быстром внедрении новых и передовых возможностей на рынок коммерческого кредитования, чтобы оставаться конкурентоспособными.

Предприятиям не хватает времени, и им нужны простые и интуитивно понятные решения, которые помогут им управлять повседневными финансами. И они все чаще готовы покинуть свои традиционные банки или кредитные союзы, чтобы найти этот опыт. Например, исследование Raddon показало, что 32% предприятий крайне или весьма вероятно воспользуются альтернативным кредитором для удовлетворения будущих потребностей в финансировании, по сравнению с 23% в 2014 году. кредитор, не являющийся финансовым учреждением. Это феноменальный сдвиг в предпочтениях клиентов.

Нетрадиционные кредиторы получили хорошую поддержку благодаря сдвигу в использовании технологий на рынки услуг, которые ранее не обслуживались, и заемщикам, чьи кредитные рейтинги дополняются новыми и альтернативными данными, чтобы получить более надежный рейтинг и целостное отражение их кредитоспособность.

Коммерческие банки и кредитные союзы должны продолжать позиционировать свои организации как открытые для бизнеса в эпоху, когда решения становятся все более ориентированными на клиента. Согласно опросу Epsilon, 80% потребителей, скорее всего, выберут более персонализированные продукты. Встречный ветер в этом направлении сильный.

Банки продолжают использовать регрессионные модели для подтверждения кредитных заявок. Данные бюро в сочетании с информацией о заявке определяют кредитоспособность клиента. Модели регрессии, будучи линейными по своей природе, не могут привнести в уравнение нелинейные функции и отношения, как это сделали недавние методы, такие как GBM, случайный лес и т. д.

Суть проблемы заключалась в способности эффективно усваивать и осмысливать большие объемы доступных неструктурированных данных, которые могли бы помочь в принятии кредитных решений. Это требует автоматизированного процесса объединения структурированных точек данных с точками данных, которые являются качественными по своей природе, для более крупной точки принятия решения.

Однако все эти инновации в области данных и моделирования принесут пользу только в том случае, если они способны реагировать на изменения окружающей среды. Циклы данных для принятия решений не могут быть такими длинными, как сейчас, и крайне важно развертывать их в максимально возможное время в режиме реального времени.

Scienaptic решает эти проблемы с помощью своей платформы Ether. Это передовая платформа андеррайтинга на базе искусственного интеллекта с готовыми функциями, которые можно развернуть в течение 4–6 недель и принимать значительно более эффективные решения.