4 módszer, amellyel az alternatív adatok javítják a fintech vállalatokat APAC-ban

A fintech cégek különböző kategóriái – Vásároljon most, fizessen később (BNPL), digitális hitelezés, fizetés és beszedés – egyre inkább kihasználják a mesterséges intelligencia és a gépi tanulás felhasználásával épített prediktív modelleket az alapvető üzleti funkciók, például a kockázati döntések támogatására.

A találmány egy jelentést A Grand View Research, Inc. szerint a globális mesterséges intelligencia a fintech piac méretében 41.16-ra eléri a 2030 milliárd USD-t, ami 19.7-től 2022-ig 2030%-os összetett éves növekedési rátával (CAGR) nő egyedül Ázsia-Csendes-óceáni térségben.

A mesterséges intelligencia sikere a fintechben vagy bármely más üzletben azon múlik, hogy a szervezet képes-e pontos előrejelzéseket készíteni adatok alapján.

Míg a belső adatokat (belső felek adatait) figyelembe kell venni az AI-modellekben, ezek az adatok gyakran nem képesek megragadni a kritikus prediktív jellemzőket, ami miatt ezek a modellek alulteljesítenek. Ezekben a helyzetekben, alternatív adatok és a funkciók gazdagítása komoly előnyt jelenthet.

Az első féltől származó adatok erősen prediktív funkciókkal való gazdagítása megnöveli a gépi tanulási modellek pontosságának növeléséhez szükséges szélességet, mélységet és léptéket.

Nézzünk meg négy adatdúsítási stratégiát bizonyos felhasználási esetekre és folyamatokra vonatkozóan, amelyeket a fintech-cégek kihasználhatnak üzletük bővítésére és kockázatkezelésére.

1. Az Ügyfél megismerésének (KYC) ellenőrzési folyamatainak javítása

Általában minden fintech vállalat profitálhat a mesterséges intelligencia által vezérelt KYC megvalósításból, elegendő adattal és nagymértékben prediktív modellel.

A fintech-cégek megvizsgálhatják belső adataik gazdagítását nagyszabású, kiváló minőségű alternatív adatokkal, amelyeket összehasonlíthatnak az ügyfelek által bevitt adatokkal, például címmel, és így ellenőrizhetik az ügyfelek személyazonosságát.

Ezek a géppel generált betekintések pontosabbak lehetnek, mint a manuálisak, és védelmi rétegként szolgálhatnak az emberi hibák ellen, és felgyorsíthatják az ügyfelek bevonását.

A pontos és közel valós idejű ellenőrzés segíthet az általános felhasználói élmény javításában, ami viszont növeli az ügyfelek konverziós arányát.

2. A kockázati modellezés fejlesztése a hitelelérhetőség javítása érdekében

Sok fintech cég fogyasztási hitelt nyújt virtuális hitelkártyákon vagy e-pénztárcán keresztül, és gyakran fizetési móddal.

Az elmúlt öt évben ezek a vállalatok gyorsan megjelentek, többségük a feltörekvő piacokon, például Délkelet-Ázsiában és Latin-Amerikában, ahol a szélesebb lakosság körében korlátozott hitel áll rendelkezésre.

Mivel a kérelmezők többsége nem rendelkezik hagyományos hitelminősítéssel, ennek az újfajta hitelszolgáltatónak különböző módszerekkel kell felmérnie a kockázatot, és gyors elfogadási vagy elutasítási döntéseket hoznia.

Erre válaszul ezek a vállalatok saját kockázatértékelési modelljüket építik fel, amelyek felváltják a hagyományos, gyakran harmadik fél adatszolgáltatóktól származó, alternatív adatok felhasználásával végzett kockázatértékelést. Ez a módszer olyan modelleket hoz létre, amelyek a hagyományos kockázati markerek proxyjaként működnek.

A mesterséges intelligencia és az alternatív fogyasztói adatok erejének kihasználásával lehetőség nyílik a kockázatok a hagyományos hitelirodákhoz hasonló pontossággal történő felmérésére.

3. A nagy értékű ügyfelek megértése a hasonló kilátások elérése érdekében

A belső felek adatai általában a fogyasztók és az azokat gyűjtő vállalkozás közötti interakciókra korlátozódnak.

Az alternatív adatok különösen értékesek lehetnek, ha arra használják, hogy a fintech jobban megismerje legjobb ügyfeleit. Ez lehetővé teszi a vállalkozások számára, hogy a legnagyobb értéket képviselő közönség kiszolgálására összpontosítsanak.

Arra is feljogosítja őket, hogy azonosítsák az azonos tulajdonságokkal rendelkező potenciális ügyfelek hasonló közönségét.

Például azok a fintech cégek, amelyek valamilyen hitelt nyújtanak, prediktív modellezést alkalmazhatnak, hogy portrékat készítsenek a legnagyobb értékű ügyfeleikről, majd pontozzák a fogyasztókat az ezekhez a tulajdonságokhoz való illeszkedésük alapján.

Ennek elérése érdekében belső adataikat kombinálják harmadik féltől származó előrejelző funkciókkal, például életszakaszokkal, érdeklődési körökkel és utazási szándékkal.

Ezzel a modellel olyan új közönségeket lehet elérni, amelyek a legnagyobb valószínűséggel nagy értékű ügyfelekké válnak.

4. Affinitási modellek működtetése egyedi viselkedési betekintésekkel

Az affinitásmodellezés hasonló a fent leírt kockázati modellezéshez. De míg a kockázati modellezés meghatározza a nem kívánt kimenetelek, például a hitel-nemteljesítések valószínűségét, az affinitási modellezés előrejelzi a kívánt eredmények, például az ajánlat elfogadásának valószínűségét.

Konkrétan, az affinitáselemzés segít a fintech cégeknek meghatározni, hogy mely ügyfelek vásárolnak a legvalószínűbben más termékeket és szolgáltatásokat vásárlási előzményeik, demográfiai adataik vagy egyéni viselkedésük alapján.

Ezek az információk hatékonyabb keresztértékesítést, továbbértékesítést, hűségprogramokat és személyre szabott élményeket tesznek lehetővé, amelyek új termékekhez és szolgáltatások frissítéséhez vezetik az ügyfeleket.

Ezeket az affinitási modelleket, akárcsak a fent leírt hitelkockázati modelleket, a fogyasztói adatokon történő gépi tanulás alkalmazásával hozták létre.

Néha létre lehet hozni ezeket a modelleket belső felek adataival, amelyek olyan részleteket tartalmaznak, mint a vásárlások előzményei és a pénzügyi viselkedés adatai, azonban ezek az adatok egyre gyakoribbak a pénzügyi szolgáltatások körében.

A nagyobb eléréssel és pontossággal rendelkező affinitási modellek felépítése érdekében a fintech cégek egyedi viselkedési betekintésekkel kombinálhatják adataikat, például az alkalmazáshasználattal és a környezetükön kívüli érdeklődési körökkel, hogy megértsék, mely ügyfelek hajlamosak új ajánlatok vásárlására, valamint ajánlhatják a következő legjobbat. preferenciáinak megfelelő terméket.

Az adatok és mesterséges intelligencia üzleti példája a Fintechben

Ha hamarosan nem fogad el tervet az alternatív adatok és mesterséges intelligencia hasznosítására a fintech vállalatában, akkor valószínűleg lemarad.

IBM Global AI Adoption Index 2022 azt mondja, hogy ma a vállalatok 35%-a számolt be arról, hogy mesterséges intelligenciát használ üzleti tevékenységében, és további 42% számolt be arról, hogy az MI-t vizsgálja.

Egy törzsben jelentést A Fintech Five by Five szerint a fintechek 70%-a már használja a mesterséges intelligenciát, és várhatóan 2025-re szélesebb körben elterjednek. 90%-uk használ API-kat, és a válaszadók 38%-a úgy gondolja, hogy az AI jövőbeni legnagyobb alkalmazása a fogyasztói magatartás előrejelzése lesz.

A kínált terméktől vagy szolgáltatástól függetlenül a modern fogyasztók elvárják az intelligens, személyre szabott élményeket, amelyek az adatokhoz való hozzáféréssel, a prediktív modellezéssel, az AI-val és a marketingautomatizálással járnak.