4 manieren waarop alternatieve gegevens fintech-bedrijven in APAC verbeteren

Verschillende categorieën fintech-bedrijven - Nu kopen, later betalen (BNPL), digitale leningen, betalingen en incasso's - maken in toenemende mate gebruik van voorspellende modellen die zijn gebouwd met behulp van kunstmatige intelligentie en machine learning om kernfuncties zoals risicobeslissingen te ondersteunen.

Volgens een verslag door Grand View Research, Inc., wordt verwacht dat de wereldwijde AI in fintech-marktomvang in 41.16 US $ 2030 miljard zal bereiken, met een samengesteld jaarlijks groeipercentage (CAGR) van 19.7% in Azië-Pacific alleen van 2022 tot 2030.

Het succes van AI in fintech, of welk bedrijf dan ook, hangt af van het vermogen van een organisatie om nauwkeurige voorspellingen te doen op basis van data.

Hoewel interne gegevens (first-party data) in AI-modellen moeten worden verwerkt, slagen deze gegevens er vaak niet in om cruciale voorspellende functies vast te leggen, waardoor deze modellen ondermaats presteren. In deze situaties, alternatieve gegevens en functieverrijking kan een krachtig voordeel opleveren.

Het verrijken van first party data met zeer voorspellende functies voegt de nodige breedte, diepte en schaal toe die nodig zijn om de nauwkeurigheid van machine learning-modellen te vergroten.

Hier is een blik op vier strategieën voor gegevensverrijking voor bepaalde gebruiksscenario's en processen die fintech-bedrijven kunnen gebruiken om hun bedrijf te laten groeien en risico's te beheren.

1. Verbetering van de KYC-verificatieprocessen (Ken uw klant)

Over het algemeen kunnen alle fintech-bedrijven profiteren van AI-gestuurde KYC-implementatie met voldoende gegevens en een zeer voorspellend model.

Fintech-bedrijven kunnen kijken naar het verrijken van hun interne gegevens met grootschalige, hoogwaardige alternatieve gegevens om te vergelijken met klantinvoer, zoals adres, om de identiteit van de klant te verifiëren.

Deze door machines gegenereerde inzichten kunnen nauwkeuriger zijn dan handmatige en dienen als een beschermingslaag tegen menselijke fouten en kunnen ook de onboarding van klanten versnellen.

De nauwkeurige en bijna realtime verificatie kan de algehele gebruikerservaring helpen verbeteren, wat op zijn beurt de conversieratio's van klanten verhoogt.

2. Risicomodellering verbeteren om de kredietbeschikbaarheid te verbeteren

Veel fintech-bedrijven verstrekken consumentenkrediet via virtuele creditcards of e-wallets en vaak met een betaal later-regeling.

De afgelopen vijf jaar hebben deze bedrijven een snelle opkomst gekend, met de meerderheid in opkomende markten zoals Zuidoost-Azië en Latijns-Amerika, waar kredieten beperkt beschikbaar zijn voor de bredere bevolking.

Aangezien de meeste aanvragers geen traditionele kredietscores hebben, moet deze nieuwe soort kredietverstrekker verschillende methoden gebruiken om risico's te beoordelen en snel beslissingen te nemen over acceptatie of weigering.

Als reactie hierop bouwen deze bedrijven hun eigen risicobeoordelingsmodellen die de traditionele risicoscores vervangen met behulp van alternatieve gegevens, vaak afkomstig van externe gegevensleveranciers. Deze methode levert modellen op die fungeren als proxy's van traditionele risicomarkers.

Door gebruik te maken van de kracht van AI en alternatieve consumentengegevens, is het mogelijk om risico's te beoordelen met een precisie die vergelijkbaar is met die van traditionele kredietbureaus.

3. Inzicht in hoogwaardige klanten om vergelijkbare vooruitzichten te bereiken

Gegevens uit de eerste hand zijn meestal beperkt tot de interacties van consumenten met het bedrijf dat ze verzamelt.

Alternatieve gegevens kunnen bijzonder waardevol zijn wanneer ze worden gebruikt om het begrip van een fintech van zijn beste klanten te verdiepen. Hierdoor kunnen bedrijven zich concentreren op het bedienen van de doelgroepen die de grootste waarde genereren.

Het stelt hen ook in staat om vergelijkbare doelgroepen te identificeren van prospects die dezelfde kenmerken delen.

Fintech-bedrijven die een soort krediet verstrekken, kunnen bijvoorbeeld voorspellende modellen gebruiken om portretten van hun meest waardevolle klanten te maken en vervolgens consumenten te scoren op basis van hun fit ten opzichte van deze kenmerken.

Om dit te bereiken, combineren ze hun interne gegevens met voorspellende functies van derden, zoals levensfasen, interesses en reisintentie.

Dit model kan worden gebruikt om nieuwe doelgroepen te bereiken met de grootste kans om waardevolle klanten te worden.

4. Affiniteitsmodellen versterken met unieke gedragsinzichten

Affiniteitsmodellering is vergelijkbaar met de hierboven beschreven risicomodellering. Maar terwijl risicomodellering de waarschijnlijkheid van ongewenste uitkomsten zoals kredietverzuim bepaalt, voorspelt affiniteitsmodellering de waarschijnlijkheid van gewenste uitkomsten, zoals acceptatie van aanbiedingen.

Met name helpt affiniteitsanalyse fintech-bedrijven om te bepalen welke klanten het meest geneigd zijn om andere producten en diensten te kopen op basis van hun koopgeschiedenis, demografie of individueel gedrag.

Deze informatie maakt effectievere cross-selling, upselling, loyaliteitsprogramma's en gepersonaliseerde ervaringen mogelijk, waardoor klanten nieuwe producten en service-upgrades krijgen.

Deze affiniteitsmodellen worden, net als de hierboven beschreven kredietrisicomodellen, geconstrueerd door machine learning toe te passen op consumentengegevens.

Soms is het mogelijk om deze modellen te maken met behulp van first-party gegevens die details bevatten zoals historische aankopen en gegevens over financieel gedrag, maar deze gegevens komen steeds vaker voor bij financiële diensten.

Om affiniteitsmodellen met een groter bereik en nauwkeurigheid te construeren, kunnen fintech-bedrijven hun gegevens combineren met unieke gedragsinzichten zoals app-gebruik en interesses buiten hun omgeving om te begrijpen welke klanten de neiging hebben om nieuwe aanbiedingen te kopen, en om de volgende beste aan te bevelen product dat bij hun voorkeuren past.

De businesscase voor data en AI in fintech

Als u niet snel een plan toepast om alternatieve gegevens en AI in uw fintech-bedrijf te benutten, blijft u waarschijnlijk achter.

IBM Global AI-adoptie-index 2022 zegt dat 35% van de bedrijven vandaag heeft gemeld dat ze AI in hun bedrijf gebruiken, en nog eens 42% meldde dat ze AI onderzoeken.

In een stam verslag Fintech Five by Five, 70% van de fintechs maakt al gebruik van AI en een bredere acceptatie wordt verwacht in 2025. 90% van hen gebruikt API's en 38% van de respondenten denkt dat voorspellingen van consumentengedrag de grootste toekomstige toepassing van AI zullen zijn.

Ongeacht het product of de dienst die wordt aangeboden, verwachten moderne consumenten de slimme, gepersonaliseerde ervaringen die gepaard gaan met toegang tot gegevens, voorspellende modellering, AI en marketingautomatisering.