Hogyan ismerik fel és jelzik előre a platformok a nemteljesítést technológiával

Kezdjük az alapoknál. A nemteljesítés lényegében azt jelenti, hogy a hitelfelvevő nem a megállapodás szerint fizette vissza a hitelt. Ez lehet egy elmaradt részlet, a hitelező teljes ghostolása, vagy bármi a kettő között. Az ilyen helyzetek előzetes felismerése és előrejelzése rendkívül értékes, mert segít a platformoknak elkerülni a nagy veszteségeket, és jobb kamatot kínálni a megbízható hitelfelvevőknek.

A régi iskola és az új iskola

Régen a hitelezők főként néhány dologra támaszkodtak: hiteljelentésekre, munkaviszonyra és talán pár referenciára. Ezek ma is a képlet részei, de már nem adják ki a teljes képet.

Mára a technológia nagyon nagy szerepet kapott. A platformok gépi tanulási modelleket használnak, amelyek olyan mintázatokat is észrevesznek, amelyek a legtöbb embernek fel sem tűnnének. Olyan dolgokról van szó, mint:

• Milyen gyakran vált valaki munkahelyet
• Milyen gyorsan gépeli be az igénylését
• A nap melyik szakaszában szokta kifizetni a számláit
• Hogyan használja a telefonját

Ezek az apró jelek együtt elemezve meglepően pontos képet adhatnak arról, mennyire valószínű, hogy valaki visszafizeti a hitelt.

Például aki gyakran vált munkahelyet, és a számláit a nap későbbi részében fizeti, az nem feltétlenül felelős pénzügyileg. Nem tud elköteleződni egy munkahely mellett, és nem tudatosan fizeti a számláit. Vagyis valószínűleg nem fogja teljesíteni a hiteleit.

Sokaknak, különösen a fejlődő piacokon, nincs hagyományos hitelpontszámuk. Ez régen gondot jelentett. Ma a hitelezők alternatív adatokat is megvizsgálhatnak: mobilegyenleg-feltöltéseket, közüzemi befizetéseket, bérleti díjak nyilvántartását vagy akár a közösségi médiában tanúsított viselkedést.

Például aki minden hónapban időben fizeti a telefonszámláját, statisztikailag nagyobb valószínűséggel fizet vissza egy hitelt, mint aki nem. Nem hangzik túl tudományosnak? Nos, a modellek mást mondanak.

Esettanulmány: 8lends

8lends, egy svájci székhelyű közösségi hitelezési (crowdlending) platform, alternatív adatokat használ a hitelfelvevők okostelefonjairól a hitelképesség felmérésére. Ezek közé tartoznak a fennálló hitelek, a családi állapot és még sok más. Így több ezer embernek tudtak hitelt nyújtani, és eddig egyetlen nemteljesítés vagy késedelmes fizetés sem történt.

Ez az okos technológia ereje, ha felelősen használják.

A Világbank egyik jelentése szerint az alternatív adatok használata jelentősen csökkentheti a nemteljesítési arányt és közben bővíti a hitelhez jutást. Ebben mindenki nyer.

De hogyan működik mindez a színfalak mögött? Több ezer, talán több millió korábbi hitel adatait töltik be egy gépi tanulási modellbe. A modell megtanulja, mely hitelek nem teljesültek és melyek igen, majd mintázatokat keres köztük. Egy bizonyos környéken élő hitelfelvevők gyakrabban nem teljesítettek? Volt összefüggés a hitelösszeg és a sikeres visszafizetés között? Bizonyos iparágakban dolgozók gyakrabban maradtak adósak?

Minél több adatot kap a modell, annál okosabb lesz. Idővel ezek a modellek ijesztően pontossá válhatnak. Hibáik azonban továbbra is vannak. Ha a bemenő adatok torzítottak vagy hiányosak, az előrejelzések nagyon mellé lőhetnek. Itt marad kulcsszerepe az emberi felügyeletnek. Elengedhetetlen, hogy a modell minden területet lefedő adatokat kapjon. Így az előrejelzések könnyebben megbirkóznak a legkülönfélébb helyzetekkel.

Az előrejelzés nem ér véget a hitel jóváhagyásával. Sok platform valós időben folyamatosan figyeli a hitelfelvevőket. Követhetik a fizetési szokásokat, a költési szokásokat, sőt a mobilalkalmazásban mutatott aktivitás változásait is.

Tegyük fel, hogy egy hitelfelvevő, aki általában 3-án fizet, hirtelen kihagy két részletet. Egy okos platform ezt azonnal jelezheti, emlékeztetőket küldhet, átstrukturálási lehetőségeket ajánlhat, vagy megindíthatja a behajtási folyamatot, mielőtt a hitel kicsúszna az irányítás alól.

Egyes platformok még hangulatelemzést is alkalmaznak az e-mailek vagy ügyfélszolgálati jegyek értelmezésére. Ha egy hitelfelvevő feszültebb vagy negatívabb hangnemben kezd írni, az pénzügyi nehézségekre utalhat. Ezt sokan hátborzongatónak, sőt tolakodónak tarthatják, de a hitelek nemteljesítésének visszaszorításában hasznosnak bizonyult.

A kirakós másik nagy darabja annak biztosítása, hogy az igénylő valóban létező személy legyen, és ne próbálja átverni a rendszert. Ez igazán nélkülözhetetlenné vált, mióta megjelentek és egyre terjednek az olyan technológiák, mint a deepfake, amelyekkel az élő arcfelismerő rendszereket próbálják becsapni. És ez még nem minden: ma már a dokumentumokat is olyan könnyű hamisítani, hogy nehéz megkülönböztetni a valódit a hamistól.

A hitelezők ma arcfelismerést, dokumentumszkennelést, eszközujjlenyomat-azonosítást, sőt geolokációs ellenőrzést is alkalmaznak, hogy megbizonyosodjanak róla: valódi személynek adnak kölcsön.

Az IP-cím hirtelen megváltozása vagy egy magas kockázatú helyről érkező igénylés intő jel lehet. Olyan ez, mint a reptéri biztonsági ellenőrzés, csak hitelekre. A rendszerek követik a finom, következetlen viselkedési jeleket, és megjelölik őket.

Most álljunk meg egy pillanatra. Ennyi technológia mellett, amely bepillant az emberek életébe, az adatvédelmi aggályok 100%-ban jogosak. Tényleg megengedhető, hogy egy hitelező kövesse a telefonhasználati szokásaidat, vagy átnézze a Facebook-bejegyzéseidet? Egyensúlyt kell találni a hatékony kockázatértékelés és az etikus adatfelhasználás között. Sok platform szigorú adatvédelmi jogszabályok (például az európai GDPR) szerint működik, de a többiek? Nem igazán.

Végső soron az átláthatóság számít. A hitelfelvevőknek tudniuk kell, milyen adatokat használnak fel, és miért. Sajnos még ha a hitelezők igyekeznek is elmondani, mire használják az adatokat, a hitelfelvevők ritkán olvassák el az apró betűs részt.

Hová vezet mindez? A modellek csak okosabbak lesznek, ahogy egyre több adat válik elérhetővé. A mesterséges intelligenciát már most is használják teljes gazdasági környezetek szimulálására, annak tesztelésére, hogyan reagálnának a hitelfelvevők különböző kamatokra, és még sok másra. A valódi cél? A hitelek személyre szabása, hogy illeszkedjenek minden hitelfelvevő valós helyzetéhez. Képzelj el egy világot, ahol a hitelfeltételeid automatikusan igazodnak ahhoz, hogyan állsz anyagilag.

A technológia igazságosabbá, hatékonyabbá és elérhetőbbé teszi a hitelezést. De nem tökéletes. Továbbra is szükség van az emberi tényezőre – akár az etikai határok kijelölésében, akár abban, hogy közbelépjünk, ha a technológia téved. A nemteljesítés előrejelzése nem csupán matematika. Az emberek megértéséről szól. És ahogy a technológia fejlődik, azok a platformok nyernek, amelyek egyensúlyt teremtenek ész és szív között.

Mert végső soron a hitelezés nem csak a kockázatról szól. Hanem a bizalomról. És a bizalom? Az még mindig nagyon is emberi dolog. Az emberek nem bíznak a gépekben. Emberi tényező nélkül nem fognak bízni a rendszerben és a folyamatokban.

Az olyan közösségi hitelezési platformok, mint a 8lends, lehetővé teszik, hogy a nemteljesítés kockázatát több különböző projekt között oszd meg, miközben minden projektben más befektetőkkel is megosztod a kockázatot. Szerencsére a 8lends-en nagyon alacsony a kockázat, hiszen eddig egyetlen késedelmes fizetés sem volt.