Wzbogacanie danych kluczem do zwiększenia dokładności modeli AI w Fintech

Wzbogacanie danych, proces wzbogacania danych wewnętrznych o odpowiednie, kontekstowe dane uzyskane ze źródeł zewnętrznych, ma kluczowe znaczenie dla firm świadczących usługi finansowe, które chcą jak najlepiej wykorzystać swoje inwestycje w sztuczną inteligencję (AI), umożliwiając im budowanie dokładniejszych modeli predykcyjnych i usprawnić podejmowanie decyzji, mówi Mobilewalla, singapurski dostawca rozwiązań z zakresu analizy konsumenckiej.

W nowy papier zatytułowana Improving Predictive Modeling Accuracy for Fintechs with Data-Centric AI, firma bada, dlaczego jakość, szerokość i głębokość danych mają kluczowe znaczenie dla firm w budowaniu dokładnych modeli predykcyjnych oraz w jaki sposób wzbogacenie danych i inżynieria funkcji mogą przynieść korzyści AI w fintech.

Zgodnie z artykułem, podczas gdy większość uwagi związanej ze sztuczną inteligencją koncentruje się na złożonych technikach uczenia maszynowego i udoskonalaniu kodu algorytmu, dostawcy usług finansowych muszą pamiętać, że dane wykorzystywane do uczenia algorytmów mogą mieć jeszcze większy wpływ na przewidywanie dokładności modelowania.

Artykuł przytacza rating kredytowy jako przypadek użycia, w którym informacje zebrane bezpośrednio od wnioskodawców są często niewystarczające do odfiltrowania prawdopodobnych osób niewypłacalnych i zapobiegania oszustwom. Zamiast tego, dane zebrane od wnioskodawców powinny być wzbogacone o dodatkowe informacje, takie jak lokalizacja, dane demograficzne i wzorce zachowań i nie tylko, aby umożliwić dokładniejszą ocenę kredytową, czytamy w artykule.

Oświadczenia te przypominają te, które wygłosił na początku tego roku założyciel, dyrektor generalny i prezes Mobilewalla Anindya Datta. Podczas panelu dyskusyjnego Fintech Fireside Asia prowadzonego przez Fintech News Singapore, Anindya powiedziany że chociaż niektóre informacje, takie jak charakterystyka gospodarstwa domowego i zaangażowanie w aplikację, mogą wydawać się bezwartościowe przy ocenie skłonności do niewypłacalności, w rzeczywistości pozwalają przewidzieć prawdopodobieństwo niespłacenia pożyczki.

Kilkunastu graczy kup teraz, zapłać później (BNPL) polega na danych Mobilewalla, aby ocenić ryzyko niewykonania zobowiązania przez konsumentów, a także w procesie windykacji, powiedział, zauważając, że ich rozwój i sukces częściowo wynikają z ich umiejętności korzystania z alternatywne dane do oceny ryzyka, ostatecznie rozszerzając dostęp do kredytów dla tych, którzy nie mają tradycyjnych danych kredytowych.

obraz za pośrednictwem Freepik

Mobilewalla, lider w dziedzinie wywiadu konsumenckiego, gromadzi, czyści i przetwarza bogaty zbiór danych, który może być następnie wykorzystany przez przedsiębiorstwa do lepszego zrozumienia swoich klientów. W sektorze finansowym firma współpracowała z takimi firmami jak Kredivo, czołowa marka BNPL w Indonezji, co pozwoliło im na bardziej odpowiednią segmentację klientów, dostosowanie obsługi klienta i sprzedaż krzyżową innych rozwiązań cyfrowych po przejęciu.

Rosnące zapotrzebowanie na dane stron trzecich i techniki wzbogacania danych w sektorze finansowym jest związane z dynamicznie rozwijającym się zastosowaniem sztucznej inteligencji w branży.

Wyróżniony kredyt graficzny: Edytowane z Freepik tutaj i tutaj