4 Möglichkeiten, wie alternative Daten Fintech-Unternehmen in APAC verbessern

Verschiedene Kategorien von Fintech-Unternehmen – Buy Now, Pay Later (BNPL), digitale Kreditvergabe, Zahlungen und Inkasso – nutzen zunehmend Vorhersagemodelle, die mit künstlicher Intelligenz und maschinellem Lernen erstellt wurden, um Kerngeschäftsfunktionen wie Risikoentscheidungen zu unterstützen.

Gemäß einer berichten von Grand View Research, Inc. wird erwartet, dass die globale Marktgröße für KI im Fintech-Bereich bis 41.16 2030 Milliarden US-Dollar erreichen wird, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 19.7 % allein im asiatisch-pazifischen Raum von 2022 bis 2030 entspricht.

Der Erfolg von KI in der Fintech oder in jedem anderen Unternehmen hängt von der Fähigkeit einer Organisation ab, auf der Grundlage von Daten genaue Vorhersagen zu treffen.

Während interne Daten (Erstanbieterdaten) in KI-Modelle einbezogen werden müssen, erfassen diese Daten häufig kritische Vorhersagemerkmale nicht, was dazu führt, dass diese Modelle unterdurchschnittlich abschneiden. In diesen Situationen alternative Daten und Merkmalsanreicherung kann einen starken Vorteil darstellen.

Die Anreicherung von Erstanbieterdaten mit hochprädiktiven Funktionen fügt die notwendige Breite, Tiefe und Skalierung hinzu, die erforderlich sind, um die Genauigkeit von Modellen für maschinelles Lernen zu erhöhen.

Hier ist ein Blick auf vier Datenanreicherungsstrategien für bestimmte Anwendungsfälle und Prozesse, die Fintech-Unternehmen nutzen können, um ihr Geschäft auszubauen und Risiken zu managen.

1. Verbesserte Know Your Customer (KYC)-Verifizierungsprozesse

Im Allgemeinen können alle Fintech-Unternehmen mit genügend Daten und einem hochprädiktiven Modell von einer KI-gesteuerten KYC-Implementierung profitieren.

Fintech-Unternehmen können ihre internen Daten mit umfangreichen, qualitativ hochwertigen Alternativdaten anreichern, um sie mit Kundeneingaben wie Adressen zu vergleichen und so die Identität des Kunden zu überprüfen.

Diese maschinell generierten Erkenntnisse können genauer sein als manuelle und dienen als Schutzschicht gegen menschliche Fehler und können auch das Onboarding von Kunden beschleunigen.

Die genaue und nahezu in Echtzeit erfolgende Verifizierung kann dazu beitragen, die allgemeine Benutzererfahrung zu verbessern, was wiederum die Konversionsraten der Kunden erhöht.

2. Verbesserung der Risikomodellierung zur Verbesserung der Kreditverfügbarkeit

Viele Fintech-Unternehmen bieten Verbraucherkredite über virtuelle Kreditkarten oder E-Wallets und oft mit einem Pay-Later-System an.

In den letzten fünf Jahren sind diese Unternehmen schnell aufgestiegen, die Mehrheit davon in Schwellenländern wie Südostasien und Lateinamerika, wo die Verfügbarkeit von Krediten für die breite Bevölkerung begrenzt ist.

Da der Mehrheit der Antragsteller herkömmliche Kredit-Scores fehlen, muss diese neue Generation von Kreditanbietern verschiedene Methoden anwenden, um das Risiko zu bewerten und schnelle Entscheidungen über die Annahme oder Ablehnung zu treffen.

Als Reaktion darauf bauen diese Unternehmen ihre eigenen Risikobewertungsmodelle auf, die die traditionelle Risikobewertung durch alternative Daten ersetzen, die häufig von Drittanbietern stammen. Diese Methode erzeugt Modelle, die als Stellvertreter traditioneller Risikomarker fungieren.

Durch die Nutzung der Leistungsfähigkeit von KI und alternativen Verbraucherdaten ist es möglich, das Risiko mit einer Genauigkeit zu bewerten, die mit der von traditionellen Kreditauskunfteien vergleichbar ist.

3. Wertvolle Kunden verstehen, um ähnliche Interessenten zu erreichen

Erstanbieterdaten sind in der Regel auf die Interaktionen der Verbraucher mit dem Unternehmen, das sie erfasst, beschränkt.

Alternative Daten können besonders wertvoll sein, wenn sie verwendet werden, um das Verständnis eines Fintechs für seine besten Kunden zu vertiefen. Auf diese Weise können sich Unternehmen darauf konzentrieren, die Zielgruppen zu bedienen, die den größten Wert erzielen.

Es ermöglicht ihnen auch, Lookalike Audiences von potenziellen Kunden zu identifizieren, die die gleichen Eigenschaften aufweisen.

Beispielsweise können Fintech-Unternehmen, die eine Art von Kredit gewähren, Vorhersagemodelle verwenden, um Porträts ihrer wertvollsten Kunden zu erstellen und die Verbraucher dann anhand ihrer Übereinstimmung mit diesen Attributen zu bewerten.

Um dies zu erreichen, kombinieren sie ihre internen Daten mit Vorhersagefunktionen von Drittanbietern wie Lebensabschnitten, Interessen und Reiseabsichten.

Dieses Modell kann verwendet werden, um neue Zielgruppen mit der größten Wahrscheinlichkeit zu erreichen, dass sie zu hochwertigen Kunden werden.

4. Stärkung von Affinitätsmodellen mit einzigartigen Verhaltenseinblicken

Die Affinitätsmodellierung ähnelt der oben beschriebenen Risikomodellierung. Aber während die Risikomodellierung die Wahrscheinlichkeit unerwünschter Ergebnisse wie Kreditausfällen bestimmt, sagt die Affinitätsmodellierung die Wahrscheinlichkeit gewünschter Ergebnisse wie der Angebotsannahme voraus.

Insbesondere hilft die Affinitätsanalyse Fintech-Unternehmen festzustellen, welche Kunden aufgrund ihrer Kaufhistorie, demografischen Daten oder ihres individuellen Verhaltens am ehesten andere Produkte und Dienstleistungen kaufen werden.

Diese Informationen ermöglichen effektiveres Cross-Selling, Upselling, Treueprogramme und personalisierte Erlebnisse und führen Kunden zu neuen Produkten und Service-Upgrades.

Diese Affinitätsmodelle werden wie die oben beschriebenen Kreditrisikomodelle durch Anwendung von maschinellem Lernen auf Verbraucherdaten erstellt.

Manchmal ist es möglich, diese Modelle mithilfe von Erstanbieterdaten zu erstellen, die Details wie historische Käufe und Daten zum Finanzverhalten enthalten, aber diese Daten werden bei Finanzdienstleistungen immer häufiger verwendet.

Um Affinitätsmodelle mit größerer Reichweite und Genauigkeit zu erstellen, können Fintech-Unternehmen ihre Daten mit einzigartigen Verhaltenseinblicken wie App-Nutzung und Interessen außerhalb ihrer Umgebung kombinieren, um zu verstehen, welche Kunden die Neigung haben, neue Angebote zu kaufen, und das nächstbeste empfehlen Produkt, das ihren Vorlieben entspricht.

Der Business Case für Daten und KI in Fintech

Wenn Sie nicht bald einen Plan zur Nutzung alternativer Daten und KI in Ihrem Fintech-Unternehmen verabschieden, werden Sie wahrscheinlich abgehängt.

IBM Global AI Adoption Index 2022 sagt, dass 35 % der Unternehmen heute angegeben haben, KI in ihrem Geschäft einzusetzen, und weitere 42 % gaben an, dass sie KI erforschen.

In einem Stamm berichten Fintech Five by Five, 70 % der Fintechs verwenden bereits KI, wobei bis 2025 eine breitere Akzeptanz erwartet wird. 90 % von ihnen verwenden APIs und 38 % der Befragten glauben, dass die größte zukünftige Anwendung von KI die Vorhersage des Verbraucherverhaltens sein wird.

Unabhängig vom angebotenen Produkt oder der angebotenen Dienstleistung erwarten moderne Verbraucher die intelligenten, personalisierten Erfahrungen, die mit dem Zugriff auf Daten, Vorhersagemodellierung, KI und Marketingautomatisierung einhergehen.