4 способа, которыми альтернативные данные улучшают финтех-компании в Азиатско-Тихоокеанском регионе

Различные категории финтех-компаний — «Купи сейчас, заплати потом» (BNPL), цифровое кредитование, платежи и инкассо — все чаще используют прогностические модели, созданные с использованием искусственного интеллекта и машинного обучения, для поддержки основных бизнес-функций, таких как принятие решений о рисках.

В соответствии с отчету По прогнозам Grand View Research, Inc., к 41.16 году объем мирового рынка ИИ в сфере финансовых технологий достигнет 2030 млрд долларов США, а совокупный годовой темп роста (CAGR) только в Азиатско-Тихоокеанском регионе с 19.7 по 2022 год составит 2030%.

Успех ИИ в финтехе или любом другом бизнесе зависит от способности организации делать точные прогнозы на основе данных.

Хотя внутренние данные (собственные данные) необходимо учитывать в моделях ИИ, эти данные часто не отражают критически важные прогностические функции, что приводит к неэффективности этих моделей. В этих ситуациях альтернативные данные и обогащение функций может создать мощное преимущество.

Обогащение исходных данных функциями с высокой степенью прогнозирования добавляет необходимую широту, глубину и масштаб, необходимые для повышения точности моделей машинного обучения.

Вот четыре стратегии обогащения данных для определенных вариантов использования и процессов, которые финтех-компании могут использовать для развития своего бизнеса и управления рисками.

1. Улучшение процессов проверки «Знай своего клиента» (KYC)

Как правило, все финтех-компании могут извлечь выгоду из внедрения KYC на основе ИИ с достаточным объемом данных и моделью с высокой степенью прогнозирования.

Финтех-компании могут обогатить свои внутренние данные крупномасштабными высококачественными альтернативными данными для сравнения с входными данными клиентов, такими как адрес, чтобы помочь подтвердить личность клиента.

Эти машинные данные могут быть более точными, чем сделанные вручную, и служить уровнем защиты от человеческих ошибок, а также могут ускорить адаптацию клиентов.

Точная проверка почти в режиме реального времени может помочь улучшить общее взаимодействие с пользователем, что, в свою очередь, повысит коэффициент конверсии клиентов.

2. Улучшение моделирования рисков для повышения доступности кредитов

Многие финтех-фирмы предоставляют потребительские кредиты через виртуальные кредитные карты или электронные кошельки и часто по схеме оплаты позже.

За последние пять лет произошло быстрое появление этих компаний, большинство из которых находится на развивающихся рынках, таких как Юго-Восточная Азия и Латинская Америка, где доступность кредита для широких слоев населения ограничена.

Поскольку у большинства заявителей нет традиционных кредитных рейтингов, эта новая порода кредиторов должна использовать различные методы для оценки риска и принятия быстрых решений о принятии или отклонении.

В ответ на это эти компании создают свои собственные модели оценки рисков, которые заменяют традиционную оценку рисков с использованием альтернативных данных, часто получаемых от сторонних поставщиков данных. Этот метод создает модели, которые действуют как заменители традиционных маркеров риска.

Используя возможности ИИ и альтернативные данные о потребителях, можно оценить риск с уровнем точности, сравнимым с традиционными кредитными бюро.

3. Понимание ценных клиентов для достижения аналогичных перспектив

Первичные данные обычно ограничиваются взаимодействием потребителей с компанией, которая их собирает.

Альтернативные данные могут быть особенно ценными, когда они используются для углубления понимания финтех-компанией своих лучших клиентов. Это позволяет компаниям сосредоточиться на обслуживании аудитории, которая приносит наибольшую пользу.

Это также дает им возможность идентифицировать похожую аудиторию потенциальных клиентов, которые имеют одинаковые характеристики.

Например, финтех-фирмы, предоставляющие какой-либо кредит, могут использовать прогнозное моделирование для построения портретов своих самых ценных клиентов, а затем оценивать потребителей на основе их соответствия этим характеристикам.

Для этого они объединяют свои внутренние данные со сторонними прогностическими функциями, такими как этапы жизни, интересы и намерения путешествовать.

Эту модель можно использовать для охвата новой аудитории с наибольшей вероятностью превращения в ценных клиентов.

4. Использование моделей сходства с уникальными поведенческими данными

Моделирование сходства аналогично моделированию рисков, описанному выше. Но в то время как моделирование рисков определяет вероятность нежелательных результатов, таких как дефолт по кредиту, моделирование сходства предсказывает вероятность желаемых результатов, таких как принятие предложения.

В частности, анализ сходства помогает финтех-компаниям определить, какие клиенты с наибольшей вероятностью купят другие продукты и услуги, исходя из их истории покупок, демографических данных или индивидуального поведения.

Эта информация обеспечивает более эффективные перекрестные продажи, дополнительные продажи, программы лояльности и персонализированный опыт, побуждая клиентов к новым продуктам и обновлениям услуг.

Эти модели сходства, как и модели кредитного риска, описанные выше, строятся путем применения машинного обучения к потребительским данным.

Иногда можно создать эти модели, используя собственные данные, содержащие такие сведения, как исторические данные о покупках и финансовом поведении, однако эти данные все чаще встречаются среди финансовых служб.

Чтобы построить модели сходства с большим охватом и точностью, финтех-фирмы могут объединять свои данные с уникальными поведенческими данными, такими как использование приложений и интересы за пределами их среды, чтобы понять, какие клиенты склонны покупать новые предложения, а также рекомендовать следующие лучшие продукт, соответствующий их предпочтениям.

Бизнес-кейс для данных и ИИ в финтехе

Если вы в ближайшее время не примете план по использованию альтернативных данных и искусственного интеллекта в своей финтех-компании, вы, скорее всего, останетесь позади.

Глобальный индекс внедрения ИИ IBM в 2022 г. говорит, что 35% компаний сегодня сообщили об использовании ИИ в своем бизнесе, и еще 42% сообщили, что изучают ИИ.

В племени отчету Fintech Five by Five, 70 % финтех-компаний уже используют ИИ, и к 2025 году ожидается более широкое распространение. 90 % из них используют API, а 38 % респондентов считают, что самым большим будущим применением ИИ будет прогнозирование поведения потребителей.

Независимо от предлагаемого продукта или услуги, современные потребители ожидают умного, персонализированного опыта, который сопровождается доступом к данным, прогнозным моделированием, искусственным интеллектом и автоматизацией маркетинга.