Op kunstmatige intelligentie gebaseerde acceptatie met HALO

Uit een recent gesprek met een senior consultant van een van de grootste banken ter wereld kwamen de volgende risicoacceptatie-uitdagingen naar voren:

• Er komen gemakkelijk 400 inkomende leningaanvragen per dag binnen.
  Met een team van 25 underwriters is het praktisch onmogelijk om deze aanvragen te valideren.
• We hebben geen goede greep op acceptatie – hoewel de totale verliespercentages binnen onze aanvaardbare marges liggen, begrijpen we niet hoe we het risico bovenaan de trechter moeten prijzen, zodat we onze markt kunnen laten groeien.

Dat is precies waar HALO helpt. Een acceptatieoplossing als HALO is geen vervanging van uw bestaande acceptatieproces, maar een aanvulling daarop. HALO creëert een dynamische acceptatiescorekaart die zichzelf voortdurend verbetert op basis van de continue stroom inputs en outputs en andere factoren identificeert die kredietverstrekkers niet eens in overweging nemen. Met HALO kunnen kredietverlenende instellingen de grenzen van kredietwaardigheid verleggen op basis van hun bereidheid tot kredietrisico. We hebben van kredietverstrekkers gehoord dat ze leads kopen en leningen verstrekken aan aanvragers die ze niet zouden moeten doen, en leads doorgeven aan aanvragers die ze zouden moeten doen. De machine learning-algoritmen van HALO bouwen een scoremodel door alle invoer- en uitvoerkenmerken te ondervragen om op kunstmatige intelligentie gebaseerde acceptatie uit te voeren. HALO helpt kredietinstellingen slimmer te worden en meer van de juiste handelaren te financieren en minder van de verkeerde.

Welke gegevensbronnen gebruiken de kunstmatige intelligentie-algoritmen van HALO om acceptatiebeslissingen te nemen?

A. De bron van de aanvraag (marketingkanaal) B. Het aantal keren dat een kredietverstrekker dezelfde “lead” heeft gezien C. De gegevens die de aanvrager zelf heeft verstrekt (en hoe dat zich verhoudt tot de feitelijke gegevens die kredietverstrekkers krijgen op kredietrapporten en bankafschriften, enz. De kenmerken die kredietverstrekkers ontvangen van de alternatieve kredietscore (van bedrijven zoals MicroBilt) F. De kenmerken die kredietverstrekkers ontvangen van bronnen zoals Experian voor fraude bij ID-verificatie G. De cashflow en transacties van de bankafschriften van de aanvrager H. De keuze die de aanvrager maakt wat betreft bedrag, termijn en betaling I. Type bankrekening J. Bedrijfsbelasting ID tijdstip van uitgifte K. Type bedrijfsentiteit (LLC, Corp, Sole Prop, etc.) L. De werkelijke betalingsprestaties van de klant aan wie een kredietverstrekker een voorschot heeft gegeven.