4 способи, як альтернативні дані покращують фінтех-компанії в Азіатсько-Тихоокеанському регіоні

Різні категорії фінтех-компаній – «Купи зараз, заплати пізніше» (BNPL), цифрове кредитування, платежі та інкасації – все більше використовують прогнозні моделі, створені з використанням штучного інтелекту та машинного навчання, для підтримки основних бізнес-функцій, таких як прийняття рішень про ризики.

У відповідності з звітом Згідно з дослідженнями Grand View Research, Inc., очікується, що розмір глобального ринку штучного інтелекту в фінтех досягне 41.16 мільярда доларів США до 2030 року, зростаючи з загальним річним темпом зростання (CAGR) на 19.7% лише в Азіатсько-Тихоокеанському регіоні з 2022 по 2030 рік.

Успіх штучного інтелекту у фінансових технологіях або будь-якому іншому бізнесі залежить від здатності організації робити точні прогнози на основі даних.

Хоча внутрішні дані (дані першої сторони) потрібно враховувати в моделях ШІ, ці дані часто не враховують важливі функції прогнозування, що призводить до низької продуктивності цих моделей. У цих ситуаціях альтернативні дані і збагачення функцій може створити потужну перевагу.

Збагачення власних даних високопрогнозними функціями додає необхідну ширину, глибину та масштаб, необхідні для підвищення точності моделей машинного навчання.

Ось огляд чотирьох стратегій збагачення даних для певних випадків використання та процесів, які фінтех-компанії можуть використовувати для розвитку свого бізнесу та управління ризиками.

1. Удосконалення процесів перевірки «Знай свого клієнта» (KYC).

Загалом усі фінтех-компанії можуть отримати вигоду від впровадження KYC на основі штучного інтелекту з достатньою кількістю даних і високопрогностичною моделлю.

Фінтех-компанії можуть збагатити свої внутрішні дані великомасштабними високоякісними альтернативними даними для порівняння з введеними клієнтами, такими як адреса, щоб допомогти підтвердити особу клієнта.

Ці статистичні дані, створені машиною, можуть бути точнішими, ніж ті, що вводяться вручну, і служать рівнем захисту від людських помилок, а також можуть пришвидшити адаптацію клієнта.

Точна перевірка майже в реальному часі може допомогти покращити загальну взаємодію з користувачем, що, у свою чергу, підвищує рівень конверсії клієнтів.

2. Удосконалення моделювання ризиків для покращення доступності кредитів

Багато фінтех-фірм надають споживчі кредити за допомогою віртуальних кредитних карток або електронних гаманців і часто за схемою оплати пізніше.

За останні п’ять років спостерігалася швидка поява цих компаній, причому більшість з них на ринках, що розвиваються, таких як Південно-Східна Азія та Латинська Америка, де доступність кредитів серед широких верств населення обмежена.

Оскільки більшість заявників не мають традиційних кредитних балів, ця нова порода постачальників кредитів повинна використовувати різні методи для оцінки ризику та швидкого прийняття чи відхилення рішень.

У відповідь на це ці компанії створюють власні моделі оцінки ризиків, які замінюють традиційне оцінювання ризиків за допомогою альтернативних даних, які часто надходять від сторонніх постачальників даних. Цей метод створює моделі, які діють як проксі традиційних маркерів ризику.

Використовуючи можливості штучного інтелекту та альтернативні дані споживачів, можна оцінити ризик із рівнем точності, який можна порівняти з традиційними кредитними бюро.

3. Розуміння цінних клієнтів для досягнення подібних потенційних клієнтів

Дані першої сторони зазвичай обмежуються взаємодією споживачів із компанією, яка їх збирає.

Альтернативні дані можуть бути особливо цінними, якщо їх використовувати для поглиблення розуміння фінтехом своїх найкращих клієнтів. Це дозволяє компаніям зосередитися на обслуговуванні аудиторії, яка приносить найбільшу цінність.

Це також дає їм змогу ідентифікувати схожу аудиторію потенційних клієнтів, які мають однакові характеристики.

Наприклад, фінтех-компанії, які надають певний вид кредиту, можуть використовувати прогнозне моделювання, щоб створити портрети своїх найцінніших клієнтів, а потім оцінити споживачів на основі їх відповідності цим атрибутам.

Щоб досягти цього, вони поєднують свої внутрішні дані зі сторонніми функціями прогнозування, такими як етапи життя, інтереси та наміри подорожувати.

Цю модель можна використовувати для охоплення нової аудиторії з найбільшою ймовірністю перетворення на високоцінних клієнтів.

4. Забезпечення моделей спорідненості унікальними даними про поведінку

Моделювання спорідненості подібне до моделювання ризику, описаного вище. Але в той час як моделювання ризику визначає ймовірність небажаних результатів, таких як кредитні дефолти, моделювання спорідненості передбачає ймовірність бажаних результатів, таких як прийняття пропозиції.

Зокрема, аналіз спорідненості допомагає фінтех-компаніям визначити, які клієнти, найімовірніше, купуватимуть інші продукти та послуги на основі їхньої історії покупок, демографічних показників або індивідуальної поведінки.

Ця інформація забезпечує ефективніші перехресні продажі, продажі додаткових товарів, програми лояльності та персоналізований досвід, надаючи клієнтам нові продукти та оновлення послуг.

Ці моделі спорідненості, як і описані вище моделі кредитного ризику, створені шляхом застосування машинного навчання до даних споживачів.

Іноді можна створити ці моделі, використовуючи дані першої сторони, що містять такі деталі, як історичні дані про покупки та дані про фінансову поведінку, однак ці дані стають все більш поширеними серед фінансових служб.

Щоб побудувати моделі спорідненості з більшим охопленням і точністю, фінтех-компанії можуть об’єднати свої дані з унікальною інформацією про поведінку, як-от використання додатків та інтереси за межами свого середовища, щоб зрозуміти, які клієнти мають схильність купувати нові пропозиції, а також рекомендувати наступні найкращі продукт, який відповідає їхнім уподобанням.

Бізнес-обґрунтування даних та штучного інтелекту у фінтех

Якщо ви найближчим часом не приймете план використання альтернативних даних і штучного інтелекту у своїй фінтех-компанії, ви, швидше за все, залишитеся позаду.

IBM Global AI Adoption Index 2022 каже, що сьогодні 35% компаній повідомили про використання ШІ у своєму бізнесі, а ще 42% повідомили, що досліджують ШІ.

У племені звітом Фінтех П’ять за п’ятьма, 70% фінтех вже використовують штучний інтелект, а до 2025 року очікується ширше впровадження. 90% із них використовують API, а 38% респондентів вважають, що найбільшим майбутнім застосуванням штучного інтелекту буде прогнозування поведінки споживачів.

Незалежно від продукту чи послуги, які пропонуються, сучасні споживачі чекають інтелектуального, персоналізованого досвіду, який приходить разом із доступом до даних, прогнозним моделюванням, ШІ та автоматизацією маркетингу.