4 τρόποι με τους οποίους τα εναλλακτικά δεδομένα βελτιώνουν τις εταιρείες Fintech στο APAC

Διάφορες κατηγορίες εταιρειών fintech – Buy Now, Pay Later (BNPL), ψηφιακός δανεισμός, πληρωμές και εισπράξεις – αξιοποιούν όλο και περισσότερο προγνωστικά μοντέλα που κατασκευάζονται με χρήση τεχνητής νοημοσύνης και μηχανικής μάθησης για την υποστήριξη βασικών επιχειρηματικών λειτουργιών, όπως η λήψη αποφάσεων κινδύνου.

Σύμφωνα με ένα αναφέρουν από την Grand View Research, Inc., η παγκόσμια τεχνητή νοημοσύνη σε μέγεθος αγοράς fintech αναμένεται να φτάσει τα 41.16 δισεκατομμύρια δολάρια ΗΠΑ έως το 2030, αυξανόμενη με σύνθετο ετήσιο ρυθμό ανάπτυξης (CAGR) 19.7% μόνο στην Ασία-Ειρηνικό από το 2022 έως το 2030.

Η επιτυχία της τεχνητής νοημοσύνης στο fintech, ή σε οποιαδήποτε επιχείρηση, εξαρτάται από την ικανότητα ενός οργανισμού να κάνει ακριβείς προβλέψεις βάσει δεδομένων.

Ενώ τα εσωτερικά δεδομένα (δεδομένα πρώτου κατασκευαστή) πρέπει να συνυπολογίζονται σε μοντέλα τεχνητής νοημοσύνης, αυτά τα δεδομένα συχνά αποτυγχάνουν να καταγράψουν κρίσιμα χαρακτηριστικά πρόβλεψης, με αποτέλεσμα αυτά τα μοντέλα να υπολειτουργούν. Σε αυτές τις καταστάσεις, εναλλακτικά δεδομένα και ο εμπλουτισμός χαρακτηριστικών μπορεί να δημιουργήσει ένα ισχυρό πλεονέκτημα.

Ο εμπλουτισμός των δεδομένων πρώτου μέρους με χαρακτηριστικά υψηλής πρόβλεψης προσθέτει το απαραίτητο εύρος, βάθος και κλίμακα που απαιτούνται για την αύξηση της ακρίβειας των μοντέλων μηχανικής εκμάθησης.

Ακολουθεί μια ματιά σε τέσσερις στρατηγικές εμπλουτισμού δεδομένων για συγκεκριμένες περιπτώσεις χρήσης και διαδικασίες που μπορούν να αξιοποιήσουν οι εταιρείες fintech για να αναπτύξουν την επιχείρησή τους και να διαχειριστούν τον κίνδυνο.

1. Βελτίωση των Διαδικασιών Επαλήθευσης Γνωρίστε τον Πελάτη σας (KYC).

Γενικά, όλες οι εταιρείες fintech μπορούν να επωφεληθούν από την εφαρμογή KYC με γνώμονα την τεχνητή νοημοσύνη με αρκετά δεδομένα και ένα εξαιρετικά προγνωστικό μοντέλο.

Οι εταιρείες Fintech μπορούν να εξετάσουν τον εμπλουτισμό των εσωτερικών τους δεδομένων με εναλλακτικά δεδομένα μεγάλης κλίμακας, υψηλής ποιότητας για σύγκριση με τα στοιχεία των πελατών, όπως η διεύθυνση, για να βοηθήσουν στην επαλήθευση της ταυτότητας του πελάτη.

Αυτές οι πληροφορίες που δημιουργούνται από μηχανή μπορούν να είναι πιο ακριβείς από τις μη αυτόματες και να χρησιμεύσουν ως στρώμα προστασίας έναντι του ανθρώπινου λάθους και μπορούν επίσης να επιταχύνουν την ενσωμάτωση των πελατών.

Η ακριβής και σχεδόν σε πραγματικό χρόνο επαλήθευση μπορεί να συμβάλει στη βελτίωση της συνολικής εμπειρίας χρήστη, η οποία με τη σειρά της ενισχύει τα ποσοστά μετατροπών πελατών.

2. Ενίσχυση της μοντελοποίησης κινδύνου για τη βελτίωση της διαθεσιμότητας πίστωσης

Πολλές εταιρείες fintech παρέχουν καταναλωτική πίστη μέσω εικονικών πιστωτικών καρτών ή ηλεκτρονικών πορτοφολιών και πολλές φορές, με πρόγραμμα πληρωμής αργότερα.

Τα τελευταία πέντε χρόνια παρατηρήθηκε ταχεία εμφάνιση αυτών των εταιρειών, με την πλειοψηφία σε αναδυόμενες αγορές όπως η Νοτιοανατολική Ασία και η Λατινική Αμερική, όπου υπάρχει περιορισμένη διαθεσιμότητα πιστώσεων στον ευρύτερο πληθυσμό.

Δεδομένου ότι η πλειονότητα των αιτούντων δεν έχει παραδοσιακά πιστωτικά σκορ, αυτή η νέα κατηγορία παρόχων πιστώσεων πρέπει να χρησιμοποιεί διαφορετικές μεθόδους για την αξιολόγηση του κινδύνου και τη λήψη γρήγορων αποφάσεων αποδοχής ή απόρριψης.

Ως απάντηση σε αυτό, αυτές οι εταιρείες χτίζουν τα δικά τους μοντέλα αξιολόγησης κινδύνου που αντικαθιστούν την παραδοσιακή βαθμολόγηση κινδύνου χρησιμοποιώντας εναλλακτικά δεδομένα, που συχνά προέρχονται από τρίτους παρόχους δεδομένων. Αυτή η μέθοδος παράγει μοντέλα που λειτουργούν ως αντιπρόσωποι των παραδοσιακών δεικτών κινδύνου.

Αξιοποιώντας τη δύναμη της τεχνητής νοημοσύνης και των εναλλακτικών δεδομένων καταναλωτών, είναι δυνατό να αξιολογηθεί ο κίνδυνος με ένα επίπεδο ακρίβειας συγκρίσιμο με τα παραδοσιακά πιστωτικά γραφεία.

3. Κατανόηση πελατών υψηλής αξίας για την προσέγγιση παρόμοιων προοπτικών

Τα δεδομένα πρώτου μέρους περιορίζονται συνήθως στις αλληλεπιδράσεις των καταναλωτών με την επιχείρηση που τα συλλέγει.

Τα εναλλακτικά δεδομένα μπορεί να είναι ιδιαίτερα πολύτιμα όταν χρησιμοποιούνται για την εμβάθυνση της κατανόησης των καλύτερων πελατών του από ένα fintech. Αυτό επιτρέπει στις επιχειρήσεις να επικεντρωθούν στην εξυπηρέτηση του κοινού που αποφέρει τη μεγαλύτερη αξία.

Τους δίνει επίσης τη δυνατότητα να εντοπίζουν παρόμοιο κοινό προοπτικών που μοιράζονται τα ίδια χαρακτηριστικά.

Για παράδειγμα, οι εταιρείες fintech που παρέχουν κάποιο είδος πίστωσης μπορεί να χρησιμοποιούν προγνωστικά μοντέλα για να δημιουργήσουν πορτρέτα των πελατών τους με την υψηλότερη αξία και στη συνέχεια να βαθμολογήσουν τους καταναλωτές με βάση την καταλληλότητά τους σε αυτά τα χαρακτηριστικά.

Για να το επιτύχουν αυτό, συνδυάζουν τα εσωτερικά τους δεδομένα με προγνωστικά χαρακτηριστικά τρίτων, όπως στάδια ζωής, ενδιαφέροντα και πρόθεση ταξιδιού.

Αυτό το μοντέλο μπορεί να χρησιμοποιηθεί για να προσεγγίσει νέο κοινό με τη μεγαλύτερη πιθανότητα να μετατραπεί σε πελάτες υψηλής αξίας.

4. Ενισχύοντας τα μοντέλα συνάφειας με μοναδικές γνώσεις συμπεριφοράς

Η μοντελοποίηση συνάφειας είναι παρόμοια με τη μοντελοποίηση κινδύνου που περιγράφεται παραπάνω. Όμως, ενώ η μοντελοποίηση κινδύνου καθορίζει την πιθανότητα ανεπιθύμητων αποτελεσμάτων, όπως αθετήσεις πιστώσεων, η μοντελοποίηση συγγένειας προβλέπει την πιθανότητα επιθυμητών αποτελεσμάτων, όπως η αποδοχή της προσφοράς.

Συγκεκριμένα, η ανάλυση συγγένειας βοηθά τις εταιρείες fintech να προσδιορίσουν ποιοι πελάτες είναι πιο πιθανό να αγοράσουν άλλα προϊόντα και υπηρεσίες με βάση το ιστορικό αγορών, τα δημογραφικά στοιχεία ή την ατομική συμπεριφορά τους.

Αυτές οι πληροφορίες επιτρέπουν πιο αποτελεσματικά προγράμματα cross-selling, upselling, αφοσίωσης και εξατομικευμένες εμπειρίες, οδηγώντας τους πελάτες σε νέα προϊόντα και αναβαθμίσεις υπηρεσιών.

Αυτά τα μοντέλα συνάφειας, όπως και τα μοντέλα πιστωτικού κινδύνου που περιγράφονται παραπάνω, κατασκευάζονται με την εφαρμογή μηχανικής μάθησης σε δεδομένα καταναλωτών.

Μερικές φορές είναι δυνατό να δημιουργηθούν αυτά τα μοντέλα χρησιμοποιώντας δεδομένα πρώτου κατασκευαστή που περιέχουν λεπτομέρειες όπως ιστορικές αγορές και δεδομένα οικονομικής συμπεριφοράς, ωστόσο αυτά τα δεδομένα είναι ολοένα και πιο κοινά μεταξύ των χρηματοοικονομικών υπηρεσιών.

Για να δημιουργήσουν μοντέλα συνάφειας με μεγαλύτερη εμβέλεια και ακρίβεια, οι εταιρείες fintech μπορούν να συνδυάσουν τα δεδομένα τους με μοναδικές συμπεριφορικές πληροφορίες, όπως η χρήση εφαρμογών και τα ενδιαφέροντα έξω από το περιβάλλον τους, για να κατανοήσουν ποιοι πελάτες έχουν την τάση να αγοράζουν νέες προσφορές, καθώς και να προτείνουν το επόμενο καλύτερο προϊόν που ταιριάζει με τις προτιμήσεις τους.

The Business Case for Data and AI in Fintech

Εάν δεν υιοθετήσετε σύντομα ένα σχέδιο για την αξιοποίηση εναλλακτικών δεδομένων και τεχνητής νοημοσύνης στην εταιρεία fintech σας, πιθανότατα θα μείνετε πίσω.

IBM Global AI Adoption Index 2022 λέει ότι το 35% των εταιρειών σήμερα έχουν αναφέρει ότι χρησιμοποιούν τεχνητή νοημοσύνη στην επιχείρησή τους και ένα επιπλέον 42% ανέφερε ότι εξερευνά την τεχνητή νοημοσύνη.

Σε μια Φυλή αναφέρουν Fintech Five by Five, το 70% των fintechs χρησιμοποιούν ήδη AI με ευρύτερη υιοθέτηση αναμένεται έως το 2025. Το 90% από αυτούς χρησιμοποιούν API και το 38% των ερωτηθέντων πιστεύουν ότι η μεγαλύτερη μελλοντική εφαρμογή της AI θα είναι οι προβλέψεις της συμπεριφοράς των καταναλωτών.

Ανεξάρτητα από το προϊόν ή την υπηρεσία που προσφέρεται, οι σύγχρονοι καταναλωτές έρχονται να περιμένουν τις έξυπνες, εξατομικευμένες εμπειρίες που συνοδεύουν την πρόσβαση σε δεδομένα, το προγνωστικό μοντέλο, την τεχνητή νοημοσύνη και τον αυτοματισμό μάρκετινγκ.