L'enrichissement des données est essentiel pour améliorer la précision des modèles d'IA dans les technologies financières

L'enrichissement des données, le processus d'amélioration des données internes avec des données contextuelles pertinentes obtenues auprès de sources externes, est essentiel pour les sociétés de services financiers qui cherchent à tirer le meilleur parti de leurs investissements dans l'intelligence artificielle (IA), leur permettant de créer des modèles prédictifs et plus précis. améliorer la prise de décision, déclare Mobilewalla, un fournisseur de solutions d'intelligence consommateur basé à Singapour.

Dans un nouveau papier Intitulé Améliorer la précision de la modélisation prédictive pour les Fintechs avec l'IA centrée sur les données, la société explore pourquoi la qualité, l'étendue et la profondeur des données sont cruciales pour que les entreprises puissent créer des modèles prédictifs précis, et comment l'enrichissement des données et l'ingénierie des fonctionnalités profitent à l'IA dans la fintech.

Selon le document, même si la majorité de l'attention liée à l'IA se concentre sur les techniques complexes de ML et le raffinement du code des algorithmes, il est essentiel que les prestataires de services financiers se souviennent que les données utilisées pour entraîner les algorithmes peuvent avoir encore plus d'impact pour prédire la précision de la modélisation.

Le document cite la notation de crédit comme un cas d'utilisation dans lequel les informations collectées directement auprès des candidats sont souvent insuffisantes pour filtrer les défaillants probables et prévenir la fraude. Au lieu de cela, les données collectées auprès des candidats devraient être enrichies d'informations supplémentaires telles que l'emplacement, les caractéristiques démographiques et les modèles de comportement, etc., pour permettre une évaluation de crédit plus précise, indique le document.

Ces déclarations font écho à celles faites plus tôt cette année par le fondateur, PDG et président de Mobilewalla, Anindya Datta. Lors d'une table ronde Fintech Fireside Asia organisée par Fintech News Singapore, Anindya a affirmé Valérie Plante. que même si certaines informations, comme les caractéristiques du ménage et l’engagement envers les applications, peuvent sembler sans valeur pour évaluer la propension à faire défaut d’une personne, elles sont en réalité prédictives de la probabilité de défaut de paiement d’un prêt.

Plus d'une douzaine d'acteurs du type Buy now, pay later (BNPL) s'appuient sur les données de Mobilewalla pour évaluer le risque de défaut des consommateurs ainsi que dans le processus de recouvrement de créances, a-t-il déclaré, notant que leur croissance et leur succès découlent en partie de leur capacité à utiliser des données alternatives pour évaluer les risques, élargissant ainsi l’accès au crédit à ceux qui ne disposent pas de données de crédit traditionnelles.

image via Freepik

Mobilewalla, leader en matière d'intelligence consommateur, collecte, nettoie et traite un riche ensemble de données, qui peut ensuite être utilisé par les entreprises pour mieux comprendre leurs clients. Dans le secteur financier, la société a travaillé avec Kredivo, la première marque indonésienne de BNPL, leur permettant de segmenter leurs clients de manière plus appropriée, d'adapter l'expérience client et de vendre d'autres solutions numériques après l'acquisition.

La demande croissante de données tierces et de techniques d’enrichissement des données dans le secteur financier s’explique par l’adoption croissante de l’IA dans le secteur.

Crédit d'image en vedette: édité à partir de Freepik ici ainsi que ici