4 måter alternative data forbedrer Fintech-selskaper i APAC

Ulike kategorier av fintech-firmaer – Kjøp nå, betal senere (BNPL), digitale utlån, betalinger og innsamlinger – utnytter i økende grad prediktive modeller bygget ved hjelp av kunstig intelligens og maskinlæring for å støtte kjernevirksomhetsfunksjoner som risikobeslutninger.

Ifølge en rapporterer av Grand View Research, Inc., forventes den globale kunstig intelligensen i fintech-markedet å nå 41.16 milliarder dollar innen 2030, og vokse med en sammensatt årlig vekstrate (CAGR) på 19.7 % i Asia-Stillehavet alene fra 2022 til 2030.

Suksessen til AI i fintech, eller hvilken som helst virksomhet for den saks skyld, avhenger av en organisasjons evne til å lage nøyaktige spådommer basert på data.

Selv om interne data (førstepartsdata) må tas med i AI-modeller, klarer disse dataene ofte ikke å fange opp kritiske prediktive funksjoner, noe som fører til at disse modellene underpresterer. I disse situasjonene, alternative data og funksjonsberikelse kan etablere en kraftig fordel.

Å berike førstepartsdata med svært prediktive funksjoner gir den nødvendige bredden, dybden og skalaen som trengs for å øke nøyaktigheten til maskinlæringsmodeller.

Her er en titt på fire databerikelsesstrategier for visse brukstilfeller og prosesser som fintech-selskaper kan utnytte for å utvide virksomheten sin og håndtere risiko.

1. Forbedre verifiseringsprosesser for å kjenne kunden din (KYC).

Generelt kan alle fintech-selskaper dra nytte av AI-drevet KYC-implementering med nok data og en svært prediktiv modell.

Fintech-selskaper kan se på å berike sine interne data med storskala, høykvalitets alternative data for å sammenligne med kundeinndata, for eksempel adresse, for å verifisere kundens identitet.

Disse maskingenererte innsiktene kan være mer nøyaktige enn manuelle og tjene som et lag med beskyttelse mot menneskelige feil, og kan også øke hastigheten på kunde-onboarding.

Den nøyaktige og nesten sanntidsverifiseringen kan bidra til å forbedre den generelle brukeropplevelsen som igjen øker kundenes konverteringsfrekvens.

2. Forbedre risikomodellering for å forbedre kreditttilgjengeligheten

Mange fintech-firmaer gir forbrukerkreditt via virtuelle kredittkort eller e-lommebøker og ofte med en betal senere-ordning.

De siste fem årene har disse selskapene vokst raskt frem, med flertallet i fremvoksende markeder som Sørøst-Asia og Latin-Amerika, hvor det er begrenset tilgang på kreditt blant den bredere befolkningen.

Siden flertallet av søkere mangler tradisjonelle kredittscore, må denne nye typen kredittleverandører bruke forskjellige metoder for å vurdere risiko og ta raske aksept- eller avvisningsbeslutninger.

Som svar på dette bygger disse selskapene sine egne risikovurderingsmodeller som erstatter tradisjonell risikoscoring ved å bruke alternative data, ofte hentet fra tredjeparts dataleverandører. Denne metoden produserer modeller som fungerer som proxy for tradisjonelle risikomarkører.

Ved å utnytte kraften til AI og alternative forbrukerdata, er det mulig å vurdere risiko med et presisjonsnivå som kan sammenlignes med tradisjonelle kredittbyråer.

3. Forstå kunder med høy verdi for å nå lignende prospekter

Førstepartsdata er vanligvis begrenset til forbrukernes interaksjoner med virksomheten som samler inn dem.

Alternative data kan være spesielt verdifulle når de brukes til å utdype en fintechs forståelse av sine beste kunder. Dette gjør at bedrifter kan fokusere på å betjene målgruppene som gir størst verdi.

Det gir dem også mulighet til å identifisere lookalike-publikum av prospekter som deler de samme egenskapene.

For eksempel kan fintech-firmaer som gir en eller annen form for kreditt bruke prediktiv modellering for å lage portretter av sine mest verdifulle kunder og deretter score forbrukere basert på deres tilpasning mot disse egenskapene.

For å oppnå dette kombinerer de sine interne data med tredjeparts prediktive funksjoner som livsfaser, interesser og reisehensikt.

Denne modellen kan brukes til å nå nye målgrupper med størst sannsynlighet for å bli kunder med høy verdi.

4. Styrke affinitetsmodeller med unik atferdsinnsikt

Affinitetsmodellering er lik risikomodelleringen beskrevet ovenfor. Men mens risikomodellering bestemmer sannsynligheten for uønskede utfall som kredittmislighold, forutsier affinitetsmodellering sannsynligheten for ønskede utfall, for eksempel aksept av tilbud.

Nærmere bestemt hjelper affinitetsanalyse fintech-selskaper med å finne ut hvilke kunder som mest sannsynlig vil kjøpe seg inn i andre produkter og tjenester basert på deres kjøpshistorikk, demografi eller individuell atferd.

Denne informasjonen muliggjør mer effektivt krysssalg, mersalg, lojalitetsprogrammer og personlig tilpassede opplevelser, noe som fører kunder til nye produkter og tjenesteoppgraderinger.

Disse affinitetsmodellene, i likhet med kredittrisikomodellene beskrevet ovenfor, er konstruert ved å bruke maskinlæring på forbrukerdata.

Noen ganger er det mulig å lage disse modellene ved å bruke førstepartsdata som inneholder detaljer som historiske kjøp og finansiell atferdsdata, men disse dataene er stadig mer vanlig blant finansielle tjenester.

For å konstruere affinitetsmodeller med større rekkevidde og nøyaktighet, kan fintech-firmaer kombinere dataene sine med unik atferdsinnsikt som appbruk og interesser utenfor miljøet for å forstå hvilke kunder som har tilbøyelighet til å kjøpe nye tilbud, samt anbefale det nest beste produkt som samsvarer med deres preferanser.

Business Case for data og AI i Fintech

Hvis du ikke vedtar en plan for å utnytte alternative data og AI i fintech-selskapet ditt snart, vil du sannsynligvis bli etterlatt.

IBM Global AI Adoption Index 2022 sier at 35 % av selskapene i dag har rapportert at de bruker kunstig intelligens i virksomheten, og ytterligere 42 % rapporterte at de utforsker kunstig intelligens.

I en stamme rapporterer Fintech Five by Five, 70 % av fintechs bruker allerede AI med bredere adopsjon forventet innen 2025. 90 % av dem bruker APIer og 38 % av respondentene tror den største fremtidige anvendelsen av AI vil være spådommer om forbrukeratferd.

Uavhengig av produktet eller tjenesten som tilbys, kommer moderne forbrukere til å forvente de smarte, personlige opplevelsene som følger med tilgang til data, prediktiv modellering, AI og markedsføringsautomatisering.