Обогащение данных — ключ к повышению точности моделей ИИ в финтехе

Обогащение данных, процесс дополнения внутренних данных релевантными контекстуальными данными, полученными из внешних источников, имеет решающее значение для компаний, предоставляющих финансовые услуги, которые хотят получить максимальную отдачу от своих инвестиций в искусственный интеллект (ИИ), позволяя им создавать более точные прогнозные модели и улучшить процесс принятия решений, говорит Mobilewalla, сингапурский поставщик решений для сбора информации о потребителях.

В Новый документ В статье под названием «Повышение точности прогнозного моделирования для финтех-компаний с помощью ИИ, ориентированного на данные» фирма исследует, почему качество, широта и глубина данных имеют решающее значение для построения точных прогностических моделей предприятиями, а также то, как обогащение данных и проектирование функций приносят пользу ИИ в финтехе.

Согласно статье, хотя основное внимание, связанное с ИИ, сосредоточено на сложных методах машинного обучения и уточнении кода алгоритма, поставщикам финансовых услуг крайне важно помнить, что данные, используемые для обучения алгоритмов, могут иметь еще большее значение для прогнозирования точности моделирования.

В документе кредитный рейтинг упоминается как пример использования, когда информации, полученной непосредственно от заявителей, часто недостаточно для фильтрации вероятных неплательщиков и предотвращения мошенничества. Вместо этого данные, полученные от заявителей, должны быть обогащены дополнительной информацией, такой как местоположение, демографические данные и модели поведения и многое другое, чтобы обеспечить более точную оценку кредитоспособности, говорится в документе.

Эти заявления перекликаются с заявлениями, сделанными ранее в этом году основателем, генеральным директором и председателем Mobilewalla Аниндей Даттой. Во время панельной дискуссии Fintech Fireside Asia, организованной Fintech News Singapore, Anindya — сказал что, хотя некоторая информация, такая как характеристики домохозяйства и взаимодействие с приложением, может показаться бесполезной при оценке склонности человека к дефолту, на самом деле она позволяет предсказать вероятность дефолта по кредиту.

Он сказал, что более дюжины игроков «купи сейчас, заплати позже» (BNPL) полагаются на данные Mobilewalla для оценки риска дефолта потребителей, а также в процессе взыскания долгов, отметив, что их рост и успех частично обусловлен их способностью использовать альтернативные данные для оценки риска, что в конечном итоге расширяет доступ к кредитам для тех, у кого нет традиционных кредитных данных.

изображение через Freepik

Mobilewalla, лидер в области потребительской аналитики, собирает, очищает и обрабатывает обширный набор данных, который затем может использоваться предприятиями для лучшего понимания своих клиентов. В финансовом секторе компания работала с такими компаниями, как Kredivo, ведущим индонезийским брендом BNPL, что позволило им более правильно сегментировать своих клиентов, адаптировать клиентский опыт и осуществлять перекрестные продажи других цифровых решений после приобретения.

Растущий спрос на сторонние данные и методы обогащения данных в финансовом секторе обусловлен бурным внедрением ИИ в отрасли.

Изображение предоставлено: отредактировано Freepik. здесь и здесь