Где кредитный скоринг является королем
В Pledg мы создали надежный алгоритм машинного обучения, который помогает нам принимать решения о финансировании. Как и наши друзья в секторе BNPL, мы учились на горьком опыте, поскольку неправильные кредитные решения приводили к (1) несчастным партнерам, разочарованным их коэффициентами конверсии, или (2) неудовлетворенным финансовым директорам, которым приходилось покрывать убытки, связанные с неоплаченными платежами пользователей, тем самым ухудшая нашу юнит-экономику.
В отличие от других, мы приняли решительные инвестиционные решения и направили наши средства на создание и улучшение нашего собственного внутреннего кредитного скоринга, начав с сильной команды под руководством Анатоля Кэллиса и Робина Бейлверта. Это казалось правильным, поскольку мы считаем, что это наш самый большой актив на очень зрелом и конкурентном рынке BNPL. Поэтому мы решили не тратить средства на маркетинговые кампании или брендинг и привлечение конечных клиентов. И здесь у нас есть очень продвинутая технология кредитного скоринга, широко используемая внутри компании, и которую мы вскоре выпустим на рынок для других технологических игроков, стремящихся обогатить свои функции.
Где мы стоим
В настоящее время у нас есть две модели машинного обучения, основанные на современных алгоритмах, обе из которых используются внутри компании и являются краеугольным камнем нашего кредитного скоринга.
Один, очень универсальный, получает контекстные данные от покупателей, продавцов и покупок. Никаких финансовых данных, никаких документов, просто несколько текстовых полей, которые в любом случае собираются в любом рабочем процессе электронной коммерции. Мы любим его за беспрепятственность, которую он обеспечивает: с его помощью можно получить высокую оценку платежеспособности, не требуя многого от конечного пользователя — просто добавьте его согласие на это конкретное использование данных, которые у вас уже есть, и все готово. В этот момент вы, вероятно, задаетесь вопросом: действительно ли это дискриминация? Что ж, в Pledg 80%+ или транзакции, которые мы финансируем, утверждаются только этой моделью, и мы обеспечиваем коэффициент убыточности мирового класса в целом по нашей кредитной ленте. На самом деле дискриминационная способность кредитного бюро не лучше, чем у нашей модели (см. также On the Rise of FinTechs: Credit Scoring Using Digital Footprints Tobias Berg et al.)
Другой основан на банковской истории наших клиентов, доступной после их утверждения благодаря регламенту PSD2 и собранной такими компаниями, как Bridge, Powens и Linxo. Мы используем эти данные двояко: мы вычисляем большое количество финансовых коэффициентов, чтобы составить надежный профиль платежеспособности пользователя; и мы также анализируем все метки транзакций, используя новейшие методы обработки естественного языка, чтобы автоматически находить рискованные транзакции. Затем все эти переменные передаются в современную модель машинного обучения для получения самых точных прогнозов по умолчанию.
В обоих случаях мы просим наших партнеров поделиться результатами финансирования, в обмен на которые они обогащают наше обучение и получают наилучший ответ. Так просто, как, что. Мы не знаем ни одного другого решения для подсчета очков, которое фактически собирало бы отзывы от операторов для обучения алгоритма результату.
Наш взгляд
Мы считаем, что варианты использования бесконечны и что многие веб-игроки могут использовать оценку платежеспособности не только для финансирования транзакций, но и для персонализации пути клиентов. Это только начало, и хотя генеративный ИИ привлекает внимание основных СМИ, есть способ разрушить рынок профилирования клиентов с помощью проверенной, но недостаточно используемой технологии ИИ.
Если вы хотите внести свой вклад или использовать наши инструменты, свяжитесь с нами.
