Alternatieve kredietscore: Big data doorzoeken voor consumenteninformatie

• Auteur:
• auteursnaam

  Quantumrun Foiresight
• 10 oktober 2022

Samenvatting inzicht

Meer bedrijven maken gebruik van alternatieve kredietscores omdat dit gunstig is voor consumenten en kredietverstrekkers. Kunstmatige intelligentie (AI), met name machine learning (ML), kan worden gebruikt om de kredietwaardigheid te beoordelen van mensen die geen toegang hebben tot traditionele bankproducten. Deze methode kijkt naar alternatieve gegevensbronnen zoals financiële transacties, webverkeer, mobiele apparaten en openbare registers. Door naar andere gegevenspunten te kijken, heeft alternatieve kredietscore het potentieel om financiële inclusie te vergroten en economische groei te stimuleren.

Alternatieve context voor kredietscores

Het traditionele kredietscoremodel is voor veel mensen beperkend en ontoegankelijk. Volgens gegevens van het Africa CEO Forum is ongeveer 57 procent van de Afrikanen ‘krediet onzichtbaar’, wat betekent dat ze geen bankrekening of kredietscore hebben. Als gevolg hiervan hebben ze moeite met het verkrijgen van een lening of het verkrijgen van een creditcard. Individuen die geen toegang hebben tot essentiële financiële diensten zoals spaarrekeningen, creditcards of persoonlijke cheques, worden beschouwd als niet-bankierend (of te weinig bankieren).

Volgens Forbes hebben deze mensen zonder bankrekening toegang tot elektronisch geld nodig, een bankpas en de mogelijkheid om snel aan geld te komen. Traditionele bankdiensten sluiten deze groep echter doorgaans uit. Bovendien hebben het complexe papierwerk en andere vereisten voor conventionele bankleningen ertoe geleid dat kwetsbare groepen zich tot woekeraars en betaaldagcrediteuren hebben gewend die hoge rentetarieven opleggen.

Alternatieve kredietscores kunnen de bevolking zonder bankrekening helpen, vooral in ontwikkelingslanden, door meer informele (en vaak nauwkeurigere) evaluatiemethoden te overwegen. AI-systemen kunnen met name worden toegepast om grote hoeveelheden informatie uit verschillende gegevensbronnen te scannen, zoals rekeningen van nutsbedrijven, huurbetalingen, verzekeringsgegevens, gebruik van sociale media, arbeidsverleden, reisgeschiedenis, e-commercetransacties en overheids- en eigendomsgegevens . Bovendien kunnen deze geautomatiseerde systemen helpen bij het identificeren van terugkerende patronen die zich vertalen in kredietrisico, waaronder het onvermogen om rekeningen te betalen of banen te lang vast te houden, of het openen van te veel accounts op e-commerceplatforms. Deze controles richten zich op het gedrag van een bruikleennemer en identificeren datapunten die traditionele methoden mogelijk hebben gemist. 

Disruptieve impact

Opkomende technologieën zijn een sleutelfactor bij het versnellen van de acceptatie van alternatieve kredietscores. Een dergelijke technologie omvat blockchain-applicaties vanwege het vermogen om klanten hun gegevens te laten beheren, terwijl kredietverstrekkers de informatie nog steeds kunnen verifiëren. Deze functie kan mensen helpen meer controle te krijgen over hoe hun persoonlijke informatie wordt opgeslagen en gedeeld.

Banken kunnen het Internet of Things (IoT) ook gebruiken voor een gedetailleerder beeld van kredietrisico op verschillende apparaten; dit omvat het verzamelen van realtime metadata van mobiele telefoons. Zorgaanbieders kunnen verschillende gezondheidsgerelateerde gegevens aanleveren voor scoredoeleinden, zoals gegevens die zijn verzameld van wearables zoals hartslag, temperatuur en elk record van reeds bestaande gezondheidsproblemen. Hoewel deze informatie niet direct van toepassing is op levens- en ziektekostenverzekeringen, kan het de keuze van bankproducten informeren. Een mogelijke COVID-19-infectie kan bijvoorbeeld wijzen op de noodzaak van noodhulp voor rood staan ​​of kleine en middelgrote ondernemingen met hogere risicofactoren voor terugbetaling van leningen en verstoring van de bedrijfsvoering. Ondertussen gebruiken sommige bedrijven voor autoverzekeringen telematicagegevens (gps en sensoren) in plaats van traditionele kredietscores om te beoordelen welke kandidaten het meest waarschijnlijk aansprakelijk zijn. 

Een belangrijk gegevenspunt bij alternatieve kredietscores is de inhoud van sociale media. Deze netwerken bevatten een indrukwekkende hoeveelheid gegevens die nuttig kunnen zijn om inzicht te krijgen in de waarschijnlijkheid van een persoon om schulden terug te betalen. Deze informatie is vaak nauwkeuriger dan wat formele kanalen onthullen. Het controleren van bijvoorbeeld rekeningafschriften, online posts en tweets geeft inzicht in iemands bestedingspatroon en economische stabiliteit, wat bedrijven kan helpen betere beslissingen te nemen. 

Implicaties van alternatieve kredietscores

Bredere implicaties van alternatieve kredietscores kunnen zijn: 

• Meer niet-traditionele kredietverleningsdiensten, gevoed door open banking en banking-as-a-service. Deze diensten kunnen de bankiers helpen om leningen efficiënter aan te vragen.
• Het toenemende gebruik van IoT en wearables om kredietrisico's te beoordelen, met name gezondheids- en smarthome-gegevens.
• Startups die metadataservices voor telefoons gebruiken om mensen zonder bankrekening te beoordelen om kredietservices aan te bieden.
• Biometrie wordt steeds vaker gebruikt als alternatieve kredietscoregegevens, met name bij het monitoren van winkelgewoonten.
• Meer regeringen maken niet-traditioneel krediet toegankelijker en bruikbaarder. 
• Toenemende bezorgdheid over mogelijke schendingen van de gegevensprivacy, met name voor het verzamelen van biometrische gegevens.

Vragen om te overwegen

• Wat zijn de potentiële uitdagingen bij het gebruik van alternatieve kredietscoregegevens?
• Wat kunnen andere potentiële gegevenspunten worden opgenomen in alternatieve kredietscores?