Reading Time: 7 mins

Cloner des batteries de 120 volts : la voie peu coûteuse pour améliorer l’efficacité de la souscription

Cloner des batteries de 120 volts : la voie peu coûteuse pour améliorer l’efficacité de la souscription

Comment identifier et proposer un crédit aux bons emprunteurs ? Comment pouvez-vous aider vos souscripteurs à approuver davantage de bons emprunteurs et moins de mauvais ?

Nous avons récemment discuté avec une banque mondiale où l’équipe de souscription de 25 membres de la banque compte environ 3 souscripteurs seniors qui examinent les candidatures qualifiées qui nécessitent leur expérience pour une évaluation approfondie. En revanche, la tâche d’éliminer les mauvaises pistes et de transmettre les candidatures qualifiées aux souscripteurs seniors incombe au reste de l’équipe de 22 membres de souscripteurs juniors.

La banque n’a aucun scrupule à adopter cette approche puisque le moteur de règles dont elle dispose actuellement fonctionne bien pour elle. L’équipe de souscripteurs juniors suit les règles commerciales et fait un bon travail pour identifier les bonnes candidatures. Mais avec 400 demandes de crédit entrantes chaque jour, ils cherchent des moyens d’augmenter le nombre de “bons” emprunteurs et d’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 courant pour toute institution financière telle que les coopératives de crédit, les prêteurs spécialisés ou les sociétés d’avances de fonds qui accordent des prêts. La plupart de ces institutions utilisent aujourd’hui des moteurs de règles, qui ont été construits avec soin en tenant compte des besoins de leur marché des prêts, et ils fonctionnent bien. Cependant, l’objectif est de voir un nombre accru de “bons” emprunteurs qui peuvent être des clients réguliers, la source de revenus qui mène à leur existence même et à leur croissance. Comment peuvent-ils les identifier ?

Devraient-ils continuer à ajouter plus de souscripteurs à l’équipe qui peuvent suivre le moteur de règles et 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 tristement Morpheus dans le film de science-fiction “The Matrix” sorti il y a 20 ans, et poursuit en expliquant la terrible solution (utilisation de la puissance 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, l’important est le “pouvoir humain” impliqué. Par exemple, dans le scénario bancaire susmentionné, la construction d’un système qui “émule” ce que l’équipe de souscripteurs peut aider à atteindre l’objectif. Alors que le système “d’imitation” commence à proposer de nouveaux emprunteurs, il ne reste plus aux souscripteurs non seniors qu’à valider et à voir s’ils les auraient agréés en l’absence du système.

Des systèmes de Machine Learning pour construire une matrice décisionnelle

Maintenant, comment pouvons-nous construire un système comme celui-là ? Un système d’apprentissage automatique “supervisé” (un sous-ensemble de l’intelligence artificielle) est une bonne approche pour construire ce type de systèmes. Comment un système d’apprentissage automatique supervisé peut-il aider ici ? Vous vous souvenez du film “The Imitation Game” où Alan Turing construit une machine pour déchiffrer les codes ?

Jack English—© 2014 The Weinstein Company. Tous les droits sont réservés.

L’IA est-elle chère ?

Et comme la plupart d’entre nous le pensent, l’utilisation de l’intelligence artificielle dans un scénario comme celui dont nous parlons ne coûtera pas très cher. En fait, l’utilisation d’un outil de workflow basé sur des règles peut en fait être coûteuse commercialement et autrement à long terme pour les raisons suivantes :

  • Les systèmes basés sur des règles sont construits sur un ensemble de faits concernant une situation et un ensemble de règles sur la façon de traiter ces faits.
  • Les systèmes basés sur des règles sont des systèmes déterministes et ne pas avoir les bonnes règles peut être difficile
  • À mesure que de plus en plus de règles sont ajoutées, les systèmes basés sur des règles peuvent devenir difficiles à manier.

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, bien que les systèmes d’intelligence artificielle puissent intégrer les gains d’efficacité recherchés par les établissements de crédit et les directeurs des recettes, ainsi que la transparence exigée par les consommateurs, les humains tels que les souscripteurs joueront toujours un rôle crucial dans la prise de décision.

Lire plus loin :

Comprendre pourquoi la notation de crédit traditionnelle n’est pas suffisante pour les entreprises de prêt ; les défis liés à l’adoption du ML, comment les surmonter et comment des institutions similaires comme la vôtre tirent parti de l’IA/ML pour améliorer leur retour sur investissement et réduire les taux de défaut, téléchargez notre livre blanc sur “Application de la science des données aux prêts financiers.

Vasudevan Swaminathan

Bibliophile, Movie buff & a Passionate Storyteller. President @ Zuci systems