Cloner les batteries de 120 volts : La voie la moins coûteuse pour améliorer l’efficacité de la souscription

Comment identifier et proposer des crédits aux bons emprunteurs ?
Comment pouvez-vous aider vos souscripteurs à approuver plus de bons emprunteurs et moins de mauvais ?

Nous avons récemment discuté avec une banque internationale dont l’équipe de 25 souscripteurs compte environ 3 souscripteurs seniors qui examinent les demandes qualifiées nécessitant leur expérience pour une évaluation approfondie.
En revanche, l’élimination des mauvaises pistes et la transmission des demandes qualifiées aux souscripteurs seniors incombent au reste de l’équipe de 22 souscripteurs juniors.
La banque n’a aucun scrupule à adopter cette approche, car le moteur de règles dont elle dispose actuellement fonctionne bien pour elle.
L’équipe de souscripteurs juniors suit les règles de l’entreprise et fait un bon travail d’identification des bonnes demandes.
Mais avec 400 demandes de crédit entrantes par jour, la banque cherche à augmenter le nombre de “bons” emprunteurs et à éliminer les mauvais.

Les moteurs de règles aident-ils votre processus de prêt à être plus rapide et moins coûteux ?

Le scénario ci-dessus est commun à toutes les institutions financières telles que les coopératives de crédit, les prêteurs spécialisés ou les sociétés d’avance de fonds qui font des prêts.
La plupart de ces institutions utilisent aujourd’hui des moteurs de règles, qui ont été conçus en tenant compte des besoins de leur marché du prêt, et qui fonctionnent bien.
Cependant, leur objectif est d’augmenter le nombre de “bons” emprunteurs qui peuvent devenir des clients réguliers, la source de revenus qui leur permet d’exister et de se développer.
Comment les identifier ?
Doit-elle continuer à ajouter à son équipe des souscripteurs capables de suivre le moteur de règles et d’identifier de nouveaux emprunteurs ? “Le corps humain génère plus de bioélectricité qu’une batterie de 120 volts et plus de 25 000 BTU de chaleur corporelle” observe froidement Morpheus dans le film de science-fiction “Matrix” sorti il y a 20 ans, avant d’expliquer la terrible solution (l’utilisation de l’énergie humaine) à laquelle les machines ont eu recours pour survivre.
Qu’il s’agisse d’un mythe à démystifier ou d’une vérité à attendre et à surveiller, le point essentiel est le “pouvoir humain” impliqué.
Par exemple, dans le scénario de la banque susmentionnée, la construction d’un système qui “imite” ce que l’équipe de souscripteurs peut faire pour atteindre l’objectif.
Lorsque le système “imité” commence à proposer de nouveaux emprunteurs, tout ce que les souscripteurs non expérimentés ont à faire est de valider et de voir s’ils les auraient approuvés en l’absence du système.

Systèmes d’apprentissage automatique pour construire une matrice de prise de décision

Comment construire un tel système ?
Un système d’apprentissage automatique “supervisé” (un sous-ensemble de l’intelligence artificielle) est une bonne approche pour construire ce type de système.
Comment un système d’apprentissage automatique supervisé peut-il vous aider ?
Vous vous souvenez du film “The Imitation Game” dans lequel Alan Turing construit une machine pour déchiffrer les codes ?

Jack English-© 2014 The Weinstein Company.
Tous droits réservés.

L’IA est-elle coûteuse ?

Et comme la plupart d’entre nous le pensent, l’utilisation de l’intelligence artificielle dans un scénario comme celui dont nous parlons ne sera pas très coûteuse.
En fait, l’utilisation d’un outil de flux de travail basé sur des règles peut s’avérer coûteuse à long terme, tant sur le plan commercial que sur d’autres plans, pour les raisons suivantes :

• Les systèmes basés sur des règles reposent sur un ensemble de faits relatifs à une situation et sur un ensemble de règles concernant la manière de traiter ces faits.
• Les systèmes basés sur des règles sont des systèmes déterministes et le fait de ne pas disposer des bonnes règles peut constituer un défi.
• Au fur et à mesure de l’ajout de règles, les systèmes basés sur des règles peuvent devenir difficiles à gérer.

D’autre part, contrairement aux systèmes basés sur des règles, l’apprentissage automatique est probabiliste et utilise des méthodes statistiques plutôt que des règles déterministes.
Comme mentionné ci-dessus, le contexte historique joue un rôle essentiel dans ce que l’apprentissage automatique dit des résultats futurs.

Cela dit, même si les systèmes d’intelligence artificielle peuvent apporter les gains d’efficacité que les établissements de crédit et les Chief Revenue Officers appellent de leurs vœux, ainsi que la transparence que les consommateurs exigent, les humains, tels que les souscripteurs, joueront toujours un rôle crucial dans la prise de décision.

Pour en savoir plus : Pour comprendre pourquoi l’évaluation traditionnelle du crédit n’est pas suffisante pour les entreprises de prêt ; les défis liés à l’adoption de la ML, comment les surmonter et comment des institutions similaires à la vôtre tirent parti de l’IA/ML pour améliorer leur retour sur investissement et réduire les taux de défaillance,
téléchargez notre livre blanc sur ”
Appliquer la science des données aux prêts financiers“.