Einer der konservativsten Aspekte der Finanzen, die Entscheidung, jemanden zu kreditieren, wird durch KI-gesteuerte Kreditwürdigkeit umgewandelt. Dies ist eine allmähliche Veränderung für Einzelpersonen, deren Kreditgeschichte reich ist und die über einen langen Zeitraum bei Banken gewesen sind. Es könnte jedoch lebensverändernde sein, für dünne Kreditnehmer und diejenigen, die in der informellen Wirtschaft sind. Sie können schließlich als Gegensatz zu dem System unsichtbar erkannt werden. Dieser Artikel diskutiert die Anwendung von alternativen Daten, um KI-basierte Kreditwürdigkeiten für Einzelpersonen und kleine Unternehmen zu erstellen, die keine traditionelle Kreditwürdigkeit haben, das Risiko von Ungerechtigkeit und Vorurteilen, wenn Bürodaten nicht verfügbar sind, und der regulatorische Antrieb, erklärbare KI Thin File and Informal Economy Problem Thin File und das Problem der informellen Wirtschaft Konventionelle Kreditbewertungen gehen von einer Art finanzieller Existenz aus. Sie gehen davon aus, dass ein Individuum ein Bankkonto, formale Finanzprodukte hat und zuvor ein Darlehen oder eine Kreditkarte verwendet hat. Sie gehen davon aus, dass Arbeitgeber auf formale Weise Lohnabrechnung betreiben und Kaufleute in dem sichtbaren Teil der Wirtschaft arbeiten – dem dokumentierten Teil. Praktisch ist ein kolossaler Anteil der Welt nicht so. Junge Erwachsene haben oft keine Darlehen oder Karten. Migranten können in ihren Herkunftsländern einen guten Kredit-Hintergrund besitzen und nichts in ihren neuen ausschließen. Die meisten ihrer Transaktionen werden in Bargeld oder auf digitalen Plattformen durchgeführt, die nicht an Büros berichten: Gig-Arbeiter, Straßenverkäufer, informelle Shopkeeper und eine große Anzahl Diese Kreditnehmer sind nicht unbedingt riskanter; es ist nur, dass das System taub und blind für die Signale ist, die tatsächlich ihr finanzielles Leben charakterisieren. Das grundlegende Konzept der Anwendung von AI auf Kredit-Scoring hier ist einfach. Wo Bürostatistiken fehlen oder zu spärlich sind, suchen Sie anderswo. Es gibt zahlreiche digitale Fußabdrücke im modernen Leben. Wenn solche Fußabdrücke auf verantwortungsvolle Weise mit Zustimmung gesammelt und in mehr organisierte Signale umgewandelt werden, können sie viel über die Stabilität einer Person, ihr Einkommenspotenzial und ihre Chancen auf Rückzahlung sagen. Einer der ersten und wertvollsten Quellen ist oft Telekommunikationsdaten. Mobile Betreiber verstehen, wie jemand Prepaid-Guthaben regelmäßig füllt, ob sie die gle Eine andere zuverlässige Energiequelle ist E-Commerce und Daten von digitalen Plattformen. Wenig kann in der Bürodatei eines Fahrers enthalten sein, aber eine Plattform kann Zugang zu Reisen, Einkommen pro Woche, Stornierungsdaten, Kundenbewertungen und Dauer des Fahrers haben. Ein Mikro-Händler als Verkäufer auf einem Marktplatz hinterlässt eine Geschichte der abgeschlossenen Aufträge, Erstattungen, Beschwerden, Bestände und Wachstumsmuster. Im Falle von informellen Unternehmen können Plattformdaten als das nächstgelegene Äquivalent zu offiziellen Finanzberichten verwendet werden. Danach gibt es ein Bankkonto, eine digitale Brieftasche und eine offene Bank API Cashflow-Daten. Obwohl einem Kreditnehmer eine lange Kreditgeschichte fehlt, neigt er auch dazu, ein Kon In Situationen, in denen Arbeitgeber mit Payroll-Diensten verbunden sind, können Kreditgeber Beschäftigung, monatliche Einnahmen, die Dauer der Beschäftigung und Entschädigungsänderungen bestätigen. Für diejenigen mit mehreren Teilzeitjobs wird dieses zusammengesetzte Bild viel informativer sein als ein Payroll-Slip. Schließlich können mit der richtigen Verwendung Verhaltens- und Geräteebene-Daten verwendet werden, um bei Betrug und Risikobewertung zu helfen. Die Dauer der Zeit, die eine Person das gleiche Gerät verwendet hat, die Regelmäßigkeit ihrer Anmeldeorte, wie sie die App über die Monate verwenden, sowie die Tageszeit, in der sie normalerweise die Transaktionen tätigen, können Indikatoren für Echtheit und Stabilität liefern. Diese Signale sollten sorgfältig How AI Transforms Sloppy Signals into a Score? Wie verwandelt AI Sloppy-Signale in einen Score? Diese anderen Datenquellen sind dicht besiedelt und unstrukturiert. Die Struktur von Telekommunikationsprotokollen, Plattformereignissen, Banktransaktionen und Geräte-Telemetrie ist nicht die eines traditionellen Büroberichts. Sie sind laut, dimensional und voller Muster der Idiosynkrasie. Zu diesem Zeitpunkt ist KI, insbesondere modernes maschinelles Lernen, notwendig. Der gemeinsame Lebenszyklus beginnt mit der Aggregation von Daten. Kreditgeber haben Zugang zu Telekommunikationspartnern, offenen Bankfeeds, Payroll-APIs und Plattformpartnern unter der Bedingung von Datenschutzgesetzen und der direkten Zustimmung der Kunden. Sie absorbieren Rohdaten in sichere Umgebungen und normalisieren sie. Telefonrechargeaktivitäten, Brieftaschenkredite und E-Commerce-Bestellungen werden in Zeitserien umgewandelt, die regelmäßige Formate haben. Unnötige Anomalien und Duplikate werden beseitigt und fehlende Werte werden verarbeitet. Daraus werden Features von Datenwissenschaftlern konstruiert. Sie erstellen zusammenfassende Variablen, anstatt einfach alle Rohtransaktionen in ein Modell zu füttern: durchschnittlicher monatlicher Nettokassenfluss; der Anteil der Monate, in denen die Einsparungen positiv sind; die längste aufeinanderfolgende Periode ohne Zahlungen an Gläubiger; die Monate der Untereinnahmen; Wachstum oder Zerfall der Plattformgewinne; Variabilität der Arbeits Diese Attribute versuchen, das wirtschaftliche Leben eines Individuums in Zahlen zu komprimieren, die durch das Modell verdaut werden können. Gradient-Boosting-Bäume, zufällige Wälder und neuronale Netzwerke sind dann maschinelle Lernalgorithmen, die auf historischen Daten ausgebildet werden, wo das Ergebnis bereits bekannt ist. Im Falle von Kredit-Scoring ist das Ergebnis in der Regel ein default durch den Kreditnehmer über einen bestimmten Zeitraum, sagen sechs oder zwölf Monate. Das Modell erkennt Kombinationen von Merkmalen, die mehr oder weniger Risiko anzeigen. Muster, die unter menschlichen Unternehmern gefunden werden, würden nicht durch menschliche Unterscheidung identifiziert werden, wie kleinere Wechselwirkungen zwischen den Volatilitäten von Cashflows und der Plattformseigenschaft. Maßnahmen wie AUC, Gini-Koeffizient und Kolmogorow-Smirnov-Statistiken werden verwendet, um die Stärke der Diskriminierung zu messen, während Kalibrierpläne anzeigen, ob die vorhergesagten Wahrscheinlichkeiten mit den tatsächlichen Standardraten identisch sind. Zusätzlich zu den Kopfzahlen müssen Kreditgeber die Leistung nach Segmenten betrachten: Neukredite versus erfahrene Kreditnehmer, verschiedene Berufe, Regionen und Einkommensgruppen. 
 
 Diese Geschichte wurde als Veröffentlichung von Sanya Kapoor unter HackerNoon's Business Blogging Program verteilt. This story was distributed as a release by Sanya Kapoor under  . HackerNoon’s Business Blogging Program HackerNoon’s Business Blogging Programm HackerNoon’s Business Blogging Programm

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Dieses Audio ist in der Originalsprache der Geschichte produziert!

AI-Powered Credit Scoring für die dünne Datei und informelle Wirtschaft

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our AI Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps