4 modi in cui i dati alternativi stanno migliorando le aziende fintech nell'APAC

Varie categorie di aziende fintech – Buy Now, Pay Later (BNPL), prestiti digitali, pagamenti e riscossioni – stanno sfruttando sempre più modelli predittivi costruiti utilizzando l'intelligenza artificiale e l'apprendimento automatico per supportare le funzioni aziendali principali come la decisione sul rischio.

Secondo un rapporto di Grand View Research, Inc., le dimensioni del mercato globale dell'IA nel fintech dovrebbero raggiungere i 41.16 miliardi di dollari entro il 2030, crescendo a un tasso di crescita annuale composto (CAGR) del 19.7% nella sola Asia-Pacifico dal 2022 al 2030.

Il successo dell'IA nel fintech, o in qualsiasi altra azienda, dipende dalla capacità di un'organizzazione di fare previsioni accurate basate sui dati.

Sebbene i dati interni (dati proprietari) debbano essere presi in considerazione nei modelli di intelligenza artificiale, questi dati spesso non riescono a catturare le caratteristiche predittive critiche, causando prestazioni inferiori a questi modelli. In queste situazioni, dati alternativi e l'arricchimento delle funzionalità può stabilire un potente vantaggio.

L'arricchimento dei dati proprietari con funzionalità altamente predittive aggiunge l'ampiezza, la profondità e la scala necessarie per aumentare l'accuratezza dei modelli di apprendimento automatico.

Ecco quattro strategie di arricchimento dei dati per determinati casi d'uso e processi che le aziende fintech possono sfruttare per far crescere la propria attività e gestire i rischi.

1. Miglioramento dei processi di verifica Know Your Customer (KYC).

In generale, tutte le società fintech possono trarre vantaggio dall'implementazione KYC basata sull'intelligenza artificiale con dati sufficienti e un modello altamente predittivo.

Le aziende fintech possono cercare di arricchire i propri dati interni con dati alternativi su larga scala e di alta qualità da confrontare con gli input dei clienti, come l'indirizzo, per aiutare a verificare l'identità del cliente.

Queste informazioni generate dalla macchina possono essere più accurate di quelle manuali e fungono da livello di protezione contro l'errore umano e possono anche accelerare l'onboarding dei clienti.

La verifica accurata e quasi in tempo reale può aiutare a migliorare l'esperienza utente complessiva che a sua volta aumenta i tassi di conversione dei clienti.

2. Migliorare la modellazione del rischio per migliorare la disponibilità del credito

Molte aziende fintech forniscono credito al consumo tramite carte di credito virtuali o portafogli elettronici e, spesso, con uno schema di pagamento successivo.

Gli ultimi cinque anni hanno visto un rapido emergere di queste società, con la maggioranza nei mercati emergenti come il sud-est asiatico e l'America Latina, dove c'è una limitata disponibilità di credito tra la popolazione più ampia.

Poiché la maggior parte dei candidati non ha punteggi di credito tradizionali, questa nuova generazione di fornitori di credito deve utilizzare metodi diversi per valutare il rischio e prendere rapidamente decisioni di accettazione o rifiuto.

In risposta a ciò, queste aziende stanno costruendo i propri modelli di valutazione del rischio che soppiantano il tradizionale punteggio del rischio utilizzando dati alternativi, spesso provenienti da fornitori di dati di terze parti. Questo metodo produce modelli che fungono da proxy dei tradizionali indicatori di rischio.

Sfruttando la potenza dell'IA e dei dati alternativi dei consumatori, è possibile valutare il rischio con un livello di precisione paragonabile alle tradizionali agenzie di credito.

3. Comprendere i clienti di alto valore per raggiungere prospettive simili

I dati proprietari sono generalmente limitati alle interazioni dei consumatori con l'azienda che li raccoglie.

I dati alternativi possono essere particolarmente preziosi se utilizzati per approfondire la comprensione da parte di una fintech dei suoi migliori clienti. Ciò consente alle aziende di concentrarsi sul servire il pubblico che genera il maggior valore.

Inoltre, consente loro di identificare un pubblico simile di potenziali clienti che condividono le stesse caratteristiche.

Ad esempio, le aziende fintech che forniscono un qualche tipo di credito possono utilizzare la modellazione predittiva per creare ritratti dei loro clienti di valore più alto e quindi valutare i consumatori in base alla loro vestibilità rispetto a questi attributi.

Per raggiungere questo obiettivo, combinano i loro dati interni con funzionalità predittive di terze parti come fasi della vita, interessi e intenzioni di viaggio.

Questo modello può essere utilizzato per raggiungere nuovi segmenti di pubblico con la maggiore probabilità di trasformarsi in clienti di alto valore.

4. Potenziare i modelli di affinità con approfondimenti comportamentali unici

La modellazione di affinità è simile alla modellazione del rischio sopra descritta. Ma mentre la modellazione del rischio determina la probabilità di esiti indesiderati come le inadempienze creditizie, la modellazione di affinità prevede la probabilità dei risultati desiderati, come l'accettazione dell'offerta.

In particolare, l'analisi di affinità aiuta le società fintech a determinare quali clienti hanno maggiori probabilità di acquistare altri prodotti e servizi in base alla cronologia degli acquisti, ai dati demografici o al comportamento individuale.

Queste informazioni consentono più efficaci programmi di vendita incrociata, upselling, fedeltà ed esperienze personalizzate, portando i clienti a nuovi prodotti e aggiornamenti dei servizi.

Questi modelli di affinità, come i modelli di rischio di credito descritti sopra, sono costruiti applicando l'apprendimento automatico ai dati dei consumatori.

A volte è possibile creare questi modelli utilizzando dati proprietari contenenti dettagli come acquisti storici e dati sul comportamento finanziario, tuttavia questi dati sono sempre più comuni tra i servizi finanziari.

Per costruire modelli di affinità con maggiore portata e accuratezza, le aziende fintech possono combinare i loro dati con approfondimenti comportamentali unici come l'utilizzo delle app e gli interessi al di fuori del loro ambiente per capire quali clienti hanno la propensione ad acquistare nuove offerte, oltre a consigliare il prossimo migliore prodotto che corrisponde alle loro preferenze.

Il Business Case per i dati e l'IA nella fintech

Se non adotti un piano per sfruttare presto dati alternativi e intelligenza artificiale nella tua azienda fintech, probabilmente rimarrai indietro.

Indice di adozione dell'IA globale IBM 2022 afferma che il 35% delle aziende oggi ha riferito di utilizzare l'IA nella propria attività e un ulteriore 42% ha riferito di esplorare l'IA.

In una tribù rapporto Fintech Five by Five, il 70% delle fintech utilizza già l'IA con un'adozione più ampia prevista entro il 2025. Il 90% di loro utilizza le API e il 38% degli intervistati ritiene che la più grande applicazione futura dell'IA saranno le previsioni del comportamento dei consumatori.

Indipendentemente dal prodotto o servizio offerto, i consumatori moderni si aspettano esperienze intelligenti e personalizzate che accompagnano l'accesso ai dati, la modellazione predittiva, l'intelligenza artificiale e l'automazione del marketing.