26 Июл 2022 18:22
Количество просмотров: 791
Использование больших данных и машинного обучения в кредитной отчетности
Кредитные бюро являются важными элементами финансовой инфраструктуры и играют ключевую роль в содействии улучшению доступа к финансовым услугам, включая кредит. Во всем мире 65 миллионов предприятий, или 40% официальных микро-, малых и средних предприятий в развивающихся странах, имеют неудовлетворенные потребности в финансировании в размере 5,2 триллиона долларов США каждый год. Исследование, в котором использовались данные опросов предприятий Всемирного банка из 63 стран и которое охватило более 75 000 фирм, показало, что введение кредитного бюро повышает вероятность доступа фирм к финансированию за счет более долгосрочных кредитов и низких процентных ставок. Исследование также показало, что чем шире охват кредитного бюро, а также объем и доступность кредитной информации, тем сильнее его влияние на финансирование фирм.
По данным Всемирного банка, в 117 из 191 страны было как минимум одно кредитное бюро, охватывая от 1,2 до 100 процентов населения трудоспособного возраста в каждой стране. Треть стран создала свои первые кредитные бюро за последнее десятилетие, и еще больше стран находятся в процессе их создания. Финансовые учреждения могут получить доступ к данным кредитных бюро в режиме онлайн во всех 117 странах через интерфейс веб-сайта или межсистемное соединение. Потребители могут запрашивать доступ к своим кредитным данным онлайн в 77 странах, учиться читать и понимать свой кредитный отчет онлайн в 74 странах и оспаривать свои кредитные данные онлайн в 84 странах. В 96 странах крупнейшее кредитное бюро обеспечивает оценку кредитоспособности, а 62 из них предоставляют онлайн-объяснение того, что представляют собой эти оценки и как они рассчитываются.
По мнению регионального управляющего SunFinance Group Виталия Нижегородцева, в эту цифровую эпоху новые данные и технологии формируют сектор кредитной отчетности. Большие данные и машинное обучение, например, обеспечивают быстрый, сложный и экономичный анализ и обработку данных, снижая при этом риски, связанные с вмешательством человека. Эти технологии обладают огромным потенциалом для обмена кредитной информацией.
Большие данные
«Благодаря экономичным и инновационным методам обработки большие данные позволяют получить более глубокое понимание для поддержки принятия решений и автоматизации процессов», — говорит В. Нижегородцев. По его словам, существует два типа данных: структурированные и неструктурированные. Структурированные данные — это информация, которая была предварительно определена и отформатирована в соответствии с установленной структурой. Примером структурированных данных является база данных с точно определенными полями, такими как имя, адрес и номер кредитной карты. Неструктурированные данные, как следует из названия, бывают разных форм и размеров. Примеры включают электронные письма, изображения, аудио, видео и данные датчиков. По сравнению со структурированными данными неструктурированные содержат больше нерегулярности и неоднозначности, что требует большего опыта в области науки о данных для хранения, организации, обработки и анализа.
Большие данные могут как повысить ценность кредитной отчетности, так и создать новые проблемы. Традиционно кредитные бюро сосредотачиваются на конкретных подмножествах структурированных данных, таких как кредиты и погашения, постоплата коммунальных услуг, демографические и другие официальные данные. Транзакционные данные — еще один тип структурированных данных — содержат большое количество информации, которая часто остается неиспользованной.
Машинное обучение
Машинное обучение — это форма искусственного интеллекта, которая позволяет программам постоянно самосовершенствоваться, используя существующие и новые данные. Прошлые явления могут предоставить ценную информацию о подобных или тесно связанных будущих явлениях. Алгоритмы машинного обучения анализируют прошлые данные, извлекают из них уроки и делают прогнозы относительно будущих данных. Вместо ручного кодирования конкретных инструкций программы «обучаются» с помощью существующих данных и алгоритмов, чтобы научиться выполнять поставленные задачи. Есть много способов, которыми системы кредитной информации могут извлечь выгоду из машинного обучения.
«Ведущие учреждения уже используют поведенческое машинное обучение для борьбы с мошенничеством и кражей личных данных. Компьютеры можно научить обнаруживать модели поведения в большом объеме потоковых транзакций. Обладая этими знаниями, программы могут выявлять подозрительные транзакции, со временем адаптируясь к новым, ранее невиданным тактикам мошенничества. Машинное обучение помечает потенциально мошеннические действия точнее, чем традиционные методы, основанные на правилах», — говорит В. Нижегородцев.
Например, используя обширный репозиторий данных о мошенничестве и модели машинного обучения, работающий на высокопроизводительной вычислительной инфраструктуре, PayPal повысила точность своей автоматизированной системы обнаружения мошенничества на 50%.
По мнению Виталия Нижегородцева, машинное обучение также может улучшить моделирование кредитных рисков. Вероятность погашения кредита заемщиком зависит от многих факторов. Как правило, методы статистического обучения предполагают формальные отношения между переменными в виде математических уравнений, в то время как методы машинного обучения могут учиться на данных, не требуя каких-либо алгоритмов, основанных на правилах. Благодаря этой гибкости машинное обучение может лучше соответствовать шаблонам данных для расчета кредитных рисков.
Учитывая эти преимущества, неудивительно, что кредитные бюро активно используют машинное обучение для обработки больших данных и получения более точной информации.
Например, Equifax внедрило моделирование машинного обучения (нейронную сеть) в объяснимый метод оценки кредитоспособности искусственного интеллекта для создания действенных объяснений, адаптированных для отдельных потребителей. Equifax не единственное бюро, занимающееся решениями для машинного обучения. Компания Experian дополнила свои инструменты аналитики функциями машинного обучения, чтобы получать более глубокие аналитические данные по запросу. ТрансЮнион и FICO также включили машинное обучение, чтобы выявлять поведение личности с высоким риском и создавать более точные и понятные оценочные листы для кредитных заявок. VantageScore использует машинное обучение для оценки рисков и присвоения баллов даже для «невидимых кредитных» потребителей без недавно обновленных кредитных файлов. Другие бюро, такие как Creditinfo, работают над платформами для создания моделей машинного обучения.
«В целом современные технологии и передовые решения позволяют более эффективно обрабатывать большие объемы информации. Большие данные и машинное обучение могут сыграть важную роль в расширении доступа к кредитам для тех, кто не имеет доступа к банковским услугам и недостаточно обслуживается с тонкой кредитной историей», — отмечает Виталий Нижегородцев.
В мире около 1,7 млрд. взрослых по-прежнему не имеют доступа к банковским услугам без счета в финансовом учреждении или через поставщика мобильных денег. Почти все взрослые, не пользующиеся банковскими услугами, живут в развивающихся странах, и 56% не имеющих доступа к банковским услугам составляют женщины. С помощью больших данных и машинного обучения кредитные бюро могут разрабатывать новые способы оценки кредитоспособности взрослых, не пользующихся банковскими услугами, с использованием альтернативных данных.
По мнению регионального управляющего SunFinance Group Виталия Нижегородцева, технологии могут помочь преобразовать массивную информацию в полезную оценку кредитоспособности в режиме реального времени. Это помогает кредитным бюро еще больше уменьшить информационную асимметрию, улучшить управление рисками и расширить доступ к кредитам по более низким процентным ставкам. Технологии открывают новый мир больших данных, способствуя ускоренному расширению доступа к финансовым услугам.
В нашем Telegram-канале много интересного, важные и новые события. Наш Instagram. Подписывайтесь!
