4 viisi, kuidas alternatiivsed andmed parandavad APAC-i finantstehnoloogiaettevõtteid

Erinevad fintech-ettevõtete kategooriad – ostke kohe, maksa hiljem (BNPL), digitaalne laenamine, maksed ja inkassod – kasutavad üha enam tehisintellekti ja masinõppe abil loodud prognoosimudeleid, et toetada põhilisi ärifunktsioone, nagu riskiotsuste tegemine.

Vastavalt aru Grand View Research, Inc. hinnangul ulatub ülemaailmne tehisintellekt fintech turu suurus 41.16. aastaks 2030 miljardi USA dollarini, kasvades aastatel 19.7–2022 ainuüksi Aasia ja Vaikse ookeani piirkonnas 2030% aastase kasvumääraga (CAGR).

Tehisintellekti edu fintechis või mis tahes äris sõltub organisatsiooni võimest teha andmete põhjal täpseid ennustusi.

Kuigi siseandmed (esimese osapoole andmed) tuleb AI-mudelites arvesse võtta, ei suuda need andmed sageli tabada olulisi ennustavaid funktsioone, mistõttu need mudelid ei toimi. Nendes olukordades alternatiivsed andmed ja funktsioonide rikastamine võib luua võimsa eelise.

Esimese osapoole andmete rikastamine väga ennustavate funktsioonidega lisab masinõppemudelite täpsuse suurendamiseks vajalikku laiust, sügavust ja ulatust.

Siin on ülevaade neljast andmerikastamise strateegiast teatud kasutusjuhtude ja protsesside jaoks, mida fintech-ettevõtted saavad oma äri kasvatamiseks ja riskide maandamiseks kasutada.

1. Klientide tundmise (KYC) kinnitamisprotsesside täiustamine

Üldiselt saavad kõik fintech-ettevõtted kasu AI-põhisest KYC-rakendusest, millel on piisavalt andmeid ja hästi ennustav mudel.

Fintech-ettevõtted saavad vaadata oma siseandmete rikastamist suuremahuliste kvaliteetsete alternatiivsete andmetega, mida võrrelda klientide sisenditega (nt aadressiga), et aidata kontrollida kliendi identiteeti.

Need masinaga loodud ülevaated võivad olla täpsemad kui käsitsi tehtud ülevaated ja kaitsevad inimlike eksimuste eest ning võivad samuti kiirendada klientide kaasamist.

Täpne ja peaaegu reaalajas kinnitamine võib aidata parandada üldist kasutajakogemust, mis omakorda tõstab klientide konversioonimäärasid.

2. Riskimudelite täiustamine krediidi kättesaadavuse parandamiseks

Paljud fintech-ettevõtted pakuvad tarbijakrediiti virtuaalsete krediitkaartide või e-rahakottide kaudu ning sageli ka hiljem maksmise skeemiga.

Viimase viie aasta jooksul on need ettevõtted kiiresti esile kerkinud, enamik neist on arenevatel turgudel, nagu Kagu-Aasia ja Ladina-Ameerika, kus laiema elanikkonna hulgas on laenude kättesaadavus piiratud.

Kuna enamikul taotlejatel puuduvad traditsioonilised krediidiskoorid, peab see uus krediidipakkuja kasutama erinevaid meetodeid riskide hindamiseks ja kiirete aktsepteerimis- või tagasilükkamisotsuste tegemiseks.

Vastuseks sellele loovad need ettevõtted oma riskihindamise mudeleid, mis tõrjuvad välja traditsioonilise riskiskoori, kasutades alternatiivseid andmeid, mis on sageli pärit kolmandatest osapooltest andmepakkujatelt. See meetod loob mudeleid, mis toimivad traditsiooniliste riskimarkerite proksidena.

Tehisintellekti ja alternatiivsete tarbijaandmete võimet kasutades on võimalik riske hinnata traditsiooniliste krediidibüroodega võrreldava täpsusega.

3. Väärtuslike klientide mõistmine sarnaste väljavaadete saavutamiseks

Esimese osapoole andmed piirduvad tavaliselt tarbijate suhtlusega neid koguva ettevõttega.

Alternatiivsed andmed võivad olla eriti väärtuslikud, kui neid kasutatakse selleks, et süvendada fintechi arusaamist oma parimatest klientidest. See võimaldab ettevõtetel keskenduda nende vaatajaskondade teenindamisele, kes loovad suurimat väärtust.

Samuti annab see neile võimaluse tuvastada sarnaseid potentsiaalsete klientide vaatajaskondi, kellel on samad omadused.

Näiteks võivad fintech-ettevõtted, mis pakuvad mingit krediiti, kasutada ennustavat modelleerimist, et luua oma kõrgeima väärtusega klientide portreesid ja seejärel hinnata tarbijaid nende omaduste alusel.

Selle saavutamiseks ühendavad nad oma siseandmed kolmanda osapoole prognoositavate funktsioonidega, nagu eluetapid, huvid ja reisikavatsused.

Seda mudelit saab kasutada uute vaatajaskondadeni jõudmiseks, kellel on kõige suurem tõenäosus saada väärtuslikeks klientideks.

4. Afiinsusmudelite käivitamine ainulaadse käitumise ülevaatega

Afiinsuse modelleerimine sarnaneb ülalkirjeldatud riskide modelleerimisega. Kuid kuigi riskide modelleerimine määrab soovimatute tulemuste, näiteks krediidiriski häirete tõenäosuse, ennustab afiinsusmodelleerimine soovitud tulemuste, näiteks pakkumise aktsepteerimise, tõenäosust.

Täpsemalt aitab afiinsusanalüüs fintech-ettevõtetel kindlaks teha, millised kliendid ostavad kõige tõenäolisemalt teisi tooteid ja teenuseid nende ostuajaloo, demograafilise või individuaalse käitumise põhjal.

See teave võimaldab tõhusamat ristmüüki, edasimüüki, lojaalsusprogramme ja isikupärastatud kogemusi, suunates kliendid uute toodete ja teenuste uuendusteni.

Need afiinsusmudelid, nagu ka ülalkirjeldatud krediidiriski mudelid, on koostatud, rakendades tarbijaandmetele masinõpet.

Mõnikord on võimalik neid mudeleid luua, kasutades esimese osapoole andmeid, mis sisaldavad selliseid üksikasju nagu ajaloolised ostud ja finantskäitumise andmed, kuid need andmed on finantsteenuste hulgas üha tavalisemad.

Suurema ulatuse ja täpsusega seotuse mudelite loomiseks saavad fintech-ettevõtted kombineerida oma andmeid ainulaadsete käitumuslike arusaamadega, nagu rakenduste kasutus ja huvid väljaspool oma keskkonda, et mõista, millised kliendid on kalduvad uusi pakkumisi ostma, ning soovitada parimaid pakkumisi. toode, mis vastab nende eelistustele.

Andmete ja tehisintellekti ärijuhtum Fintechis

Kui te ei võta peagi oma fintech-ettevõttes kasutusele plaani alternatiivsete andmete ja tehisintellekti võimendamiseks, jääte tõenäoliselt maha.

IBM Global AI Adoption Index 2022 ütleb, et 35% ettevõtetest on täna teatanud AI kasutamisest oma äritegevuses ja veel 42% teatasid, et nad uurivad tehisintellekti.

Ühes hõimus aru Fintech Five by Five näitab, et 70% fintechidest juba kasutab tehisintellekti, mida oodatakse 2025. aastaks. 90% neist kasutab API-sid ja 38% vastanutest arvab, et tehisintellekti suurim tulevane rakendus on tarbijate käitumise ennustamine.

Olenemata pakutavast tootest või teenusest ootavad kaasaegsed tarbijad nutikaid, isikupärastatud kogemusi, mis kaasnevad juurdepääsuga andmetele, ennustava modelleerimise, tehisintellekti ja turunduse automatiseerimisega.