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.
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
- AI
- mrówka finansowa
- Big Data
- blockchain
- Fintech konferencji blockchain
- dzwonek fintech
- coinbase
- pomysłowość
- fintech konferencji kryptowalut
- wzbogacenie danych
- FINTECH
- aplikacja fintech
- innowacje fintech
- Fintechnews Singapur
- Otwarte morze
- PayPal
- płatny
- wypłata
- plato
- Platon Ai
- Analiza danych Platona
- PlatoDane
- platogaming
- brzytwa
- Revolut
- Marszczyć
- Sponsorowane post
- kwadratowy fintech
- pas
- Tencent Fintech
- Xero
- zefirnet