120 volt-batterijen klonen: de voordelige weg om een betere verzekeringstechnische efficiëntie te bereiken

Hoe identificeer en bied je krediet aan de juiste leners?
Hoe kun je je kredietacceptanten helpen om meer goede kredietnemers goed te keuren en minder slechte?

We spraken onlangs met een wereldwijde bank waar het 25-koppige underwriting team van de bank ongeveer 3 senior underwriters heeft die gekwalificeerde aanvragen beoordelen die hun ervaring nodig hebben voor een intensieve evaluatie.
De taak om de slechte leads te elimineren en gekwalificeerde aanvragen door te geven aan de senior underwriters ligt daarentegen bij de rest van het 22 leden tellende team van junior underwriters.
De bank heeft geen problemen met deze aanpak omdat de rule engine die ze momenteel gebruiken goed werkt.
Het team van junior underwriters volgt de bedrijfsregels en doet zijn werk goed door goede aanvragen te identificeren.
Maar met 400 inkomende kredietaanvragen die elke dag binnenkomen, zijn ze op zoek naar manieren om het aantal “goede” kredietnemers te verhogen en de slechte te elimineren.

Helpen Rule Engines uw leenproces sneller en goedkoper te maken?

Het bovenstaande scenario is gebruikelijk voor elke financiële instelling zoals kredietverenigingen, gespecialiseerde kredietverstrekkers of cash advance bedrijven die leningen verstrekken.
De meeste van deze instellingen gebruiken tegenwoordig rule engines, die zorgvuldig zijn gebouwd op basis van de behoeften van hun kredietmarkt, en ze presteren goed.
Het doel is echter om een groter aantal “goede” leners te zien die terugkerende klanten kunnen worden, de inkomstenbron die leidt tot hun bestaan en groei.
Hoe kunnen ze die identificeren?
Moeten ze doorgaan met het toevoegen van meer underwriters aan het team die de rule engine kunnen volgen en nieuwe leners kunnen identificeren? “Het menselijk lichaam genereert meer bio-elektriciteit dan een 120 volt batterij en meer dan 25.000 BTU lichaamswarmte” observeert Morpheus in de Sci-Fi film “The Matrix” die 20 jaar geleden uitkwam, en gaat verder met het uitleggen van de verschrikkelijke oplossing (gebruik van menselijke kracht) die de machines gebruikten om te overleven.
Of het nu een mythe is die ontkracht moet worden of een waarheid om op te wachten, het gaat om de “menselijke kracht” die erbij betrokken is.
Bijvoorbeeld, in het eerder genoemde scenario van de bank, kan het bouwen van een systeem dat “emuleert” wat het team van underwriters kan helpen om het doel te bereiken.
Als het ‘imitatie’-systeem nieuwe leners begint aan te bieden, hoeven de niet-senior underwriters alleen nog maar te valideren en te zien of ze hen ook zonder het systeem zouden hebben goedgekeurd.

Machine Learning-systemen om een besluitvormingsmatrix te bouwen

Hoe bouwen we zo’n systeem?
Een “gecontroleerd” machine-leersysteem (een subset van Kunstmatige Intelligentie) is een goede benadering om dit soort systemen te bouwen.
Hoe kan een machine-leersysteem met toezicht hier helpen?
Herinner je je de film “The Imitation Game” waarin Alan Turing een machine bouwt om de codes te kraken?

Jack English-© 2014 The Weinstein Company.
Alle rechten voorbehouden.

Is AI duur?

En zoals de meesten van ons denken, zal het gebruik van Kunstmatige Intelligentie in een scenario zoals we dat nu bespreken niet erg duur zijn.
In feite kan het gebruik van een regelgebaseerde workflowtool op de lange termijn commercieel en anderszins duur zijn, en wel om de volgende redenen:

• Op regels gebaseerde systemen zijn gebaseerd op een reeks feiten over een situatie en een reeks regels voor hoe met die feiten om te gaan.
• Regelgebaseerde systemen zijn deterministische systemen en het niet hebben van de juiste regels kan een uitdaging zijn
• Naarmate er steeds meer regels worden toegevoegd, kunnen op regels gebaseerde systemen onpraktisch worden.

Aan de andere kant is machine learning, in tegenstelling tot op regels gebaseerde systemen, probabilistisch en maakt het gebruik van statistische methoden in plaats van deterministische regels.
Zoals hierboven vermeld, speelt de historische context een cruciale rol in wat machine learning zegt over toekomstige uitkomsten.

Dat gezegd hebbende, hoewel kunstmatige-intelligentiesystemen kunnen bouwen in de efficiëntie die kredietinstellingen en Chief Revenue Officers hunkeren, en de transparantie die consumenten eisen, zullen mensen zoals verzekeraars altijd een cruciale rol spelen bij de besluitvorming.

Verder lezen: Om te begrijpen waarom de traditionele kredietscoring niet voldoende is voor kredietverlenende bedrijven; de uitdagingen die gepaard gaan met de adoptie van ML, hoe deze te overwinnen en hoe vergelijkbare instellingen zoals de uwe AI/ ML inzetten om hun ROI te verbeteren en wanbetalingspercentages te verlagen, download onze whitepaper over “Datawetenschap toepassen op financiële leningen. ”