4 načini, kako alternativni podatki izboljšujejo Fintech podjetja v APAC

Različne kategorije fintech podjetij – kupi zdaj, plačaj pozneje (BNPL), digitalna posojanja, plačila in zbiranja – vedno bolj izkoriščajo napovedne modele, izdelane z uporabo umetne inteligence in strojnega učenja, za podporo osrednjih poslovnih funkcij, kot je odločanje o tveganjih.

Glede na poročilo Grand View Research, Inc., pričakuje, da bo velikost svetovnega trga umetne inteligence na področju finančne tehnologije do leta 41.16 dosegla 2030 milijarde USD, kar bo od leta 19.7 do 2022 raslo s skupno letno stopnjo rasti (CAGR) 2030 % samo v azijsko-pacifiški regiji.

Uspeh umetne inteligence v finančni tehnologiji ali katerem koli drugem poslu je odvisen od sposobnosti organizacije, da daje natančne napovedi na podlagi podatkov.

Medtem ko je treba interne podatke (podatke prve osebe) vključiti v modele umetne inteligence, ti podatki pogosto ne zajamejo kritičnih napovednih funkcij, zaradi česar ti modeli ne delujejo dobro. V teh situacijah, alternativni podatki in obogatitev funkcij lahko ustvari močno prednost.

Obogatitev podatkov prve osebe z visokopredvidljivimi funkcijami doda potrebno širino, globino in obseg, potrebne za povečanje natančnosti modelov strojnega učenja.

Tukaj je pogled na štiri strategije obogatitve podatkov za določene primere uporabe in procese, ki jih lahko fintech podjetja izkoristijo za rast svojega poslovanja in obvladovanje tveganja.

1. Izboljšanje postopkov preverjanja Spoznajte svojo stranko (KYC).

Na splošno lahko vsa fintech podjetja izkoristijo implementacijo KYC na podlagi umetne inteligence z dovolj podatkov in visoko napovednim modelom.

Fintech podjetja si lahko prizadevajo za obogatitev svojih notranjih podatkov z obsežnimi visokokakovostnimi alternativnimi podatki za primerjavo z vložki strank, kot je naslov, za pomoč pri preverjanju identitete stranke.

Ti strojno ustvarjeni vpogledi so lahko natančnejši od ročnih in služijo kot plast zaščite pred človeškimi napakami ter lahko tudi pospešijo vkrcanje strank.

Natančno preverjanje v skoraj realnem času lahko pomaga izboljšati splošno uporabniško izkušnjo, kar posledično poveča stopnjo konverzije strank.

2. Izboljšanje modeliranja tveganja za izboljšanje razpoložljivosti kreditov

Številna fintech podjetja zagotavljajo potrošniške kredite prek virtualnih kreditnih kartic ali e-denarnic in pogosto s shemo plačila pozneje.

V zadnjih petih letih je prišlo do hitrega vzpona teh podjetij, pri čemer jih je večina na trgih v razvoju, kot sta jugovzhodna Azija in Latinska Amerika, kjer je dostopnost kreditov med širšo populacijo omejena.

Ker večina prosilcev nima tradicionalnih bonitetnih točk, mora ta nova vrsta ponudnikov kreditov uporabiti različne metode za oceno tveganja in sprejemanje hitrih odločitev o sprejetju ali zavrnitvi.

Kot odgovor na to ta podjetja gradijo lastne modele ocene tveganja, ki nadomeščajo tradicionalno ocenjevanje tveganja z uporabo alternativnih podatkov, ki jih pogosto pridobijo tretji ponudniki podatkov. Ta metoda proizvaja modele, ki delujejo kot približki tradicionalnih označevalcev tveganja.

Z izkoriščanjem moči umetne inteligence in alternativnih podatkov o potrošnikih je mogoče oceniti tveganje s stopnjo natančnosti, primerljivo s tradicionalnimi kreditnimi uradi.

3. Razumevanje strank visoke vrednosti za doseganje podobnih potencialnih strank

Podatki prve osebe so običajno omejeni na interakcije potrošnikov s podjetjem, ki jih zbira.

Alternativni podatki so lahko še posebej dragoceni, če se uporabljajo za poglobitev razumevanja najboljših strank s strani finančnega podjetja. To podjetjem omogoča, da se osredotočijo na služenje ciljnim skupinam, ki prinašajo največjo vrednost.

Omogoča jim tudi, da prepoznajo podobna občinstva potencialnih strank, ki imajo enake lastnosti.

Fintech podjetja, ki zagotavljajo neke vrste kredite, lahko na primer uporabijo napovedno modeliranje, da ustvarijo portrete svojih strank z najvišjo vrednostjo in nato ocenijo potrošnike na podlagi njihovega ujemanja s temi atributi.

Da bi to dosegli, združujejo svoje notranje podatke s funkcijami za napovedovanje tretjih oseb, kot so življenjska obdobja, zanimanja in namere potovanja.

Ta model je mogoče uporabiti za doseganje novih ciljnih skupin z največjo verjetnostjo, da se bodo spremenili v stranke z visoko vrednostjo.

4. Spodbujanje modelov afinitete z edinstvenimi vedenjskimi vpogledi

Modeliranje afinitete je podobno zgoraj opisanemu modeliranju tveganja. Toda medtem ko modeliranje tveganj določa verjetnost neželenih rezultatov, kot je neplačilo kredita, modeliranje afinitete predvideva verjetnost želenih rezultatov, kot je sprejem ponudbe.

Natančneje, analiza afinitete pomaga fintech podjetjem določiti, katere stranke bodo najverjetneje kupile druge izdelke in storitve na podlagi njihove zgodovine nakupov, demografskih podatkov ali vedenja posameznika.

Te informacije omogočajo učinkovitejšo navzkrižno prodajo, dražjo prodajo, programe zvestobe in prilagojene izkušnje, ki stranke vodijo do novih izdelkov in nadgradenj storitev.

Ti modeli afinitete, tako kot zgoraj opisani modeli kreditnega tveganja, so izdelani z uporabo strojnega učenja podatkov o potrošnikih.

Včasih je te modele mogoče ustvariti z uporabo podatkov prve osebe, ki vsebujejo podrobnosti, kot so podatki o preteklih nakupih in finančnem vedenju, vendar so ti podatki vse pogostejši med finančnimi storitvami.

Za izgradnjo modelov afinitete z večjim dosegom in natančnostjo lahko fintech podjetja združijo svoje podatke z edinstvenimi vedenjskimi vpogledi, kot so uporaba aplikacij in interesi zunaj njihovega okolja, da bi razumeli, katere stranke so nagnjene k nakupu novih ponudb, ter priporočili naslednje najboljše izdelek, ki ustreza njihovim željam.

Poslovni primer podatkov in umetne inteligence v Fintechu

Če kmalu ne sprejmete načrta za izkoriščanje alternativnih podatkov in umetne inteligence v svojem fintech podjetju, boste verjetno zaostali.

IBM Global AI Adoption Index 2022 pravi, da je danes 35 % podjetij poročalo o uporabi umetne inteligence v svojem poslovanju, dodatnih 42 % pa je poročalo, da raziskujejo umetno inteligenco.

V plemenu poročilo Fintech Pet po pet, 70 % finančnih tehnologij že uporablja umetno inteligenco, širša uporaba pa se pričakuje do leta 2025. 90 % jih uporablja API-je in 38 % vprašanih meni, da bo največja prihodnja uporaba umetne inteligence napovedovanje vedenja potrošnikov.

Ne glede na ponujeni izdelek ali storitev sodobni potrošniki pričakujejo pametne, personalizirane izkušnje, ki jih prinašajo dostop do podatkov, napovedno modeliranje, AI in avtomatizacija trženja.