Reading Time: 6 mins

Op kunstmatige intelligentie gebaseerde acceptatie met HALO

Op kunstmatige intelligentie gebaseerde acceptatie met HALO

Credit underwriting solution

Een recente discussie met een senior consultant van een van de beste banken ter wereld bracht de volgende acceptatieproblemen aan het licht:

  • Er zijn gemakkelijk 400 inkomende leningaanvragen die binnen een dag binnenkomen. Met een team van 25 verzekeraars is het praktisch onmogelijk om deze aanvragen te valideren.
  • We hebben geen goede grip op acceptatie – hoewel de totale verliespercentages binnen onze acceptabele 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 vormt een aanvulling daarop.

HALO creëert een dynamische underwriting scorecard die zichzelf voortdurend verbetert op basis van de continue stroom input en output en identificeert andere factoren die kredietverstrekkers niet eens in overweging nemen. Met HALO kunnen kredietverlenende instellingen de grenzen van kredietwaardigheid verleggen op basis van hun eetlust voor 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 dat wel zouden moeten. 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 toepassingsbron (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.)
D. Demografie (geografie, industrie, leeftijd, enz.)
E. De kenmerken die kredietverstrekkers ontvangen van de alternatieve kredietscore (van bedrijven zoals MicroBilt)
F. De attributen die geldschieters ontvangen van bronnen zoals Experian voor fraude met identiteitsverificatie
G. De cashflow en transacties van de bankafschriften van de aanvrager
H. De keuze die de aanvrager maakt ten aanzien van bedrag, termijn en betaling
I. Type bankrekening
J. Tijdstip van uitgifte van belastingnummer voor bedrijven
K. Type bedrijfsentiteit (LLC, Corp, Sole Prop, etc.)
L. De feitelijke betalingsprestatie van de opdrachtgever aan wie een kredietverstrekker een voorschot heeft verstrekt.

HALO helpt kredietverstrekkers uiteindelijk om alles van “A-K” uit te zoeken dat dient als een voorspeller van de leningprestaties voor de “Lender”.
DP_Vasu

Vasudevan Swaminathan

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