4 måder, alternative data forbedrer Fintech-virksomheder i APAC

Forskellige kategorier af fintech-virksomheder – Køb nu, betal senere (BNPL), digitale udlån, betalinger og opkrævninger – udnytter i stigende grad prædiktive modeller bygget ved hjælp af kunstig intelligens og maskinlæring til at understøtte kerneforretningsfunktioner såsom risikobeslutninger.

Ifølge en indberette af Grand View Research, Inc., forventes den globale kunstig intelligens i fintech-markedet at nå 41.16 milliarder USD i 2030 og vokse med en sammensat årlig vækstrate (CAGR) på 19.7 % i Asien-Stillehavsområdet alene fra 2022 til 2030.

Succesen for AI inden for fintech, eller enhver virksomhed for den sags skyld, afhænger af en organisations evne til at lave nøjagtige forudsigelser baseret på data.

Mens interne data (førstepartsdata) skal indregnes i AI-modeller, formår disse data ofte ikke at fange kritiske forudsigelsesfunktioner, hvilket får disse modeller til at underperforme. I disse situationer, alternative data og funktionsberigelse kan etablere en stærk fordel.

Berigelse af førstepartsdata med meget forudsigelige funktioner tilføjer den nødvendige bredde, dybde og skala for at øge nøjagtigheden af ​​maskinlæringsmodeller.

Her er et kig på fire databerigelsesstrategier for visse use cases og processer, som fintech-virksomheder kan udnytte til at vokse deres forretning og styre risiko.

1. Forbedring af Know Your Customer (KYC) verifikationsprocesser

Generelt kan alle fintech-virksomheder drage fordel af AI-drevet KYC-implementering med nok data og en meget forudsigelig model.

Fintech-virksomheder kan se på at berige deres interne data med alternative data i stor skala af høj kvalitet for at sammenligne med kundeinput, såsom adresse, for at hjælpe med at bekræfte kundens identitet.

Disse maskingenererede indsigter kan være mere nøjagtige end manuelle og tjene som et lag af beskyttelse mod menneskelige fejl og kan også fremskynde kundeonboarding.

Den nøjagtige og næsten realtidsbekræftelse kan hjælpe med at forbedre den overordnede brugeroplevelse, hvilket igen øger kundernes konverteringsrater.

2. Forbedring af risikomodellering for at forbedre kredittilgængelighed

Mange fintech-firmaer giver forbrugerkredit via virtuelle kreditkort eller e-wallets og ofte med en betal senere-ordning.

De sidste fem år har disse virksomheder set en hurtig fremkomst, med størstedelen på nye markeder som Sydøstasien og Latinamerika, hvor der er begrænset tilgængelighed af kredit blandt den bredere befolkning.

Da flertallet af ansøgere mangler traditionelle kreditvurderinger, skal denne nye type kreditudbyder bruge forskellige metoder til at vurdere risiko og træffe hurtige accept- eller afvisningsbeslutninger.

Som svar på dette bygger disse virksomheder deres egne risikovurderingsmodeller, der erstatter traditionel risikoscoring ved hjælp af alternative data, ofte hentet fra tredjeparts dataudbydere. Denne metode producerer modeller, der fungerer som proxyer for traditionelle risikomarkører.

Ved at udnytte kraften i kunstig intelligens og alternative forbrugerdata er det muligt at vurdere risiko med et præcisionsniveau, der kan sammenlignes med traditionelle kreditbureauer.

3. Forstå kunder med høj værdi for at nå lignende kundeemner

Førstepartsdata er normalt begrænset til forbrugernes interaktion med den virksomhed, der indsamler dem.

Alternative data kan være særligt værdifulde, når de bruges til at uddybe en fintechs forståelse af sine bedste kunder. Dette giver virksomheder mulighed for at fokusere på at betjene de målgrupper, der skaber den største værdi.

Det giver dem også mulighed for at identificere lookalike-publikum af kundeemner, der deler de samme egenskaber.

For eksempel kan fintech-virksomheder, der yder en form for kredit, anvende prædiktiv modellering til at opbygge portrætter af deres mest værdifulde kunder og derefter score forbrugere baseret på deres pasform i forhold til disse egenskaber.

For at opnå dette kombinerer de deres interne data med tredjeparts forudsigende funktioner som livsfaser, interesser og rejsehensigter.

Denne model kan bruges til at nå ud til nye målgrupper med størst sandsynlighed for at blive til kunder med høj værdi.

4. Styrk affinitetsmodeller med unik adfærdsindsigt

Affinitetsmodellering svarer til risikomodelleringen beskrevet ovenfor. Men mens risikomodellering bestemmer sandsynligheden for uønskede udfald såsom kreditmisligholdelse, forudsiger affinitetsmodellering sandsynligheden for ønskede resultater, såsom tilbudsaccept.

Specifikt hjælper affinitetsanalyse fintech-virksomheder med at bestemme, hvilke kunder der er mest tilbøjelige til at købe ind i andre produkter og tjenester baseret på deres købshistorik, demografi eller individuelle adfærd.

Disse oplysninger muliggør mere effektivt krydssalg, mersalg, loyalitetsprogrammer og personlige oplevelser, hvilket fører kunder til nye produkter og serviceopgraderinger.

Disse affinitetsmodeller, ligesom kreditrisikomodellerne beskrevet ovenfor, er konstrueret ved at anvende maskinlæring på forbrugerdata.

Nogle gange er det muligt at oprette disse modeller ved hjælp af førstepartsdata, der indeholder detaljer som historiske køb og finansiel adfærdsdata, men disse data er stadig mere almindelige blandt finansielle tjenester.

For at konstruere affinitetsmodeller med større rækkevidde og nøjagtighed kan fintech-virksomheder kombinere deres data med unik adfærdsindsigt såsom appbrug og interesser uden for deres miljø for at forstå, hvilke kunder der har tilbøjelighed til at købe nye tilbud, samt anbefale det næstbedste produkt, der matcher deres præferencer.

Business Case for data og kunstig intelligens i Fintech

Hvis du ikke snart vedtager en plan for at udnytte alternative data og AI i din fintech-virksomhed, vil du sandsynligvis blive efterladt.

IBM Global AI Adoption Index 2022 siger, at 35 % af virksomhederne i dag har rapporteret at bruge AI i deres forretning, og yderligere 42 % rapporterede, at de udforsker AI.

I en Stamme indberette Fintech Five by Five, 70 % af fintechs bruger allerede AI med en bredere adoption, der forventes i 2025. 90 % af dem bruger API'er, og 38 % af de adspurgte mener, at den største fremtidige anvendelse af AI vil være forudsigelser om forbrugeradfærd.

Uanset hvilket produkt eller en tjeneste, der tilbydes, kommer moderne forbrugere til at forvente de smarte, personlige oplevelser, der følger med adgang til data, forudsigelig modellering, kunstig intelligens og marketingautomatisering.