211service.com
Una fórmula de crédito impulsada por IA podría ayudarlo a obtener un préstamo
Las calificaciones crediticias han sido durante mucho tiempo la medida clave de la probabilidad de que un consumidor estadounidense pague cualquier préstamo, desde hipotecas hasta tarjetas de crédito. Pero el factores en los que se basan FICO y otras compañías que crean puntajes de crédito (cosas como el historial crediticio y los saldos de tarjetas de crédito) a menudo dependen de tener crédito ya.
En años recientes , una cosecha de empresas emergentes se han lanzado bajo la premisa de que es muy probable que los prestatarios sin tales antecedentes paguen, y que su probabilidad de hacerlo podría determinarse mediante el análisis de grandes cantidades de datos, especialmente datos que tradicionalmente no han sido parte de la evaluación crediticia. Estas empresas utilizan algoritmos y aprendizaje automático para encontrar patrones significativos en los datos, signos alternativos de que un prestatario es un riesgo crediticio bueno o malo.
Estas empresas aún son jóvenes, pero hasta la fecha, no hay pruebas claras de que estos enfoques hayan ampliado en gran medida el crédito disponible, y los prestamistas que los utilizan suelen cobrar tasas de interés altas, según un estudio. reporte por el Centro Nacional de Derecho del Consumidor, un grupo de defensa del consumidor. A los defensores de los consumidores les preocupa que algunas de estas nuevas fuentes de datos, como la información sobre cómo se comportan los consumidores en línea o los datos financieros que tradicionalmente no se incluyen en el análisis crediticio, puedan sesgar inadvertidamente los resultados, lo que provocaría que ciertos prestatarios fueran juzgados injustamente. En los EE. UU., los prestamistas tienen prohibido por ley considerar la raza, el género y la religión en una decisión de préstamo.
ZestFinance, con sede en Los Ángeles, fundada por el ex CIO de Google, Douglas Merrill, afirma haber resuelto este problema con una nueva plataforma de calificación crediticia, llamada ZAML. La empresa vende el software de aprendizaje automático a los prestamistas y también ofrece servicios de consultoría. Zest no presta dinero en sí mismo.
La plataforma se ajustó en función de la experiencia que Zest tuvo trabajando con el motor de búsqueda Baidu en China, donde solo el 20 por ciento de la población tiene un historial crediticio conocido. Al estudiar 21 factores diferentes, como la forma en que las personas buscan y la forma en que navegan entre las páginas web, Zest descubrió patrones en los datos de Baidu que podrían usarse para decidir si otorgar pequeños préstamos a esos clientes para compras como ropa. Entre las cosas que Zest evaluó fue qué tan bien los ingresos autoinformados de una persona coincidían con sus ingresos modelados, lo que Zest calcula que esa persona realmente ganó en función de otro comportamiento. Tan importante como cuánta discrepancia hay entre los ingresos informados y los modelados es cuando informan los ingresos inflados (en otras palabras, los ingresos que son más altos de lo que el modelo implica que realmente están ganando) y cuánto lo inflaron, dice Merrill.
En dos meses, Baidu, que tiene un pequeño negocio de préstamos, estaba aprobando un 150 por ciento más de prestatarios sin mayores pérdidas en sus préstamos, y la empresa ha otorgado cientos de miles de préstamos desde entonces, dice Merrill.
Andrew Ng, científico jefe de Baidu, reconoce que la tecnología de Zest ayudó a su empresa a acelerar su entrada en los servicios financieros de consumo al mejorar la 'previsibilidad' de sus modelos crediticios utilizando datos del comportamiento de búsqueda en línea de los prestatarios, billeteras móviles y otras fuentes. Con Zest, Baidu descubrió que los prestatarios que se involucran en comportamientos riesgosos en línea, como apostar o visitar sitios web riesgosos como los que venden productos ilícitos o comercializan eventos emocionantes, tienen una mayor probabilidad estadística de no pagar un préstamo.
Aunque tal vez 'obvio' en retrospectiva, señales como estas pueden tener un efecto significativo en el desempeño de suscripción, escribió Ng por correo electrónico.
Algunos datos están fuera de los límites. Zest no usa datos de redes sociales en su análisis, algo que Merrill ha llamado espeluznante, y que la compañía dice que no es muy útil en este tipo de análisis.
Zest ha trabajado con dos emisores de tarjetas de crédito y también con un prestamista de automóviles. Entre los titulares de tarjetas de crédito, una señal importante resultó ser las llamadas a la mesa de ayuda, algo que el prestamista no estaba conectando con la solvencia antes del trabajo de Zest. Resulta que alguien que llama para extender el período de pago de un saldo, aunque retrasa un pago, es probable que en realidad sea un cliente confiable. La intuición a veces se equivoca, dice Merrill.
Una protección contra el sesgo, según la empresa, es el hecho de que para cada prestatario, el sistema evalúa 100.000 puntos de datos diferentes y ningún punto juega un papel determinante. Para probar el sesgo, Zest se basa nuevamente en el aprendizaje automático, que el sistema usa para probar sus propios resultados. Aplica un algoritmo que utiliza la Oficina de Protección Financiera del Consumidor para verificar si hay discriminación, y también realiza otras pruebas para encontrar cualquier correlación inesperada con factores que los prestamistas tienen prohibido considerar.
Ng de Baidu respaldó la tecnología de Zest por su capacidad para explicar lo que llamó 'modelos de suscripción de aprendizaje automático de caja negra y centrarse en detectar y corregir sesgos tanto explícitos como ocultos'.
Explicar las decisiones crediticias a los prestatarios y los reguladores será fundamental, dice Chi Chi Wu, abogada de la NCLC , explicando especialmente si los patrones de datos en los que se confía son realmente predictivos y no solo correlacionados. Los datos alternativos no son el todo y el final, dice ella.