Pontuação de Crédito Alimentada por IA para o Perfil Limitado e Economia Informal

Um dos aspetos mais conservadores das finanças, a decisão de conceder crédito a alguém, está a ser transformada pela pontuação de crédito Impulsionado por IA. Esta é uma mudança gradual para indivíduos cujo histórico de crédito é rico e que estão com bancos há um longo período de tempo. No entanto, pode ser transformador para mutuários com ficheiros escassos e aqueles que estão na economia informal. Eles podem finalmente ser detetados em vez de serem invisíveis ao sistema. Este artigo discute a aplicação de dados alternativos para criar pontuações de crédito baseadas em IA para indivíduos e pequenas empresas que carecem de um registo de crédito tradicional, o risco de injustiça e preconceito quando os dados dos bureaus não estão disponíveis, e o impulso regulatório para criar IA explicável na subscrição de populações subbancarizadas.

Problema do Ficheiro Escasso e da Economia Informal

As classificações de crédito convencionais pressupõem algum tipo de existência financeira. Assumem que um indivíduo tem uma conta bancária, produtos financeiros formais, e já contraiu um empréstimo ou usou um cartão de crédito anteriormente. Pressupõem que os empregadores operam a folha de pagamento de forma formal e os comerciantes trabalham na parte visível da economia — a parte documentada. Praticamente, uma proporção colossal do mundo não é assim. Jovens adultos frequentemente não têm empréstimos ou cartões. Migrantes podem possuir bons antecedentes de crédito nos seus países de origem e nada nos novos. A maioria das suas transações é feita em dinheiro ou em plataformas digitais que não reportam aos bureaus: trabalhadores de economia gig, vendedores de rua, lojistas informais e um grande número de micro-empreendedores. Onde existem bureaus, mesmo a sua cobertura pode ser superficial ou tendenciosa em relação a populações urbanas e formalmente empregadas. O ficheiro do bureau de tais candidatos aparece em branco ou quase em branco para os credores. Como as equipas de risco são treinadas para confiar em dados dos bureaus, cometem erros a favor da cautela. O resultado é previsível: aumento de rejeições, limites mais estreitos, preços aumentados ou exclusão total.

Estes mutuários não são necessariamente mais arriscados; é apenas que o sistema é surdo e cego aos sinais que realmente caracterizam as suas vidas financeiras. O conceito básico da aplicação de IA à pontuação de crédito aqui é direto. Onde as estatísticas dos bureaus são insuficientes ou demasiado esparsas, procure noutros lugares. Existem numerosas pegadas digitais na vida moderna. Quando tais pegadas são recolhidas de forma responsável com consentimento e convertidas em sinais mais organizados, podem revelar muito sobre a estabilidade de uma pessoa, o seu potencial de rendimento e as suas probabilidades de reembolso. Uma das primeiras e mais valiosas fontes são frequentemente os dados das telecomunicações. Os operadores móveis compreendem como alguém carrega saldos pré-pagos regularmente, se usam o mesmo número ao longo dos anos ou mudam frequentemente, se são constantes ou erráticos na sua atividade, e se adquirem pacotes de dados do mesmo tamanho. Um indivíduo que mantém um número ao longo do tempo, recarrega o número e exibe padrões consistentes de utilização está geralmente mais profundamente integrado numa comunidade e mais consistente no seu comportamento em comparação com alguém que abandona ou oscila na utilização. A existência de estabilidade está associada a risco de crédito reduzido.

Outra fonte de poder são os dados de comércio eletrónico e de plataformas digitais. Pouco pode estar contido no ficheiro do bureau de um condutor de transporte por aplicação, mas uma plataforma pode aceder a contagens de viagens, rendimento por semana, dados de cancelamentos, avaliações de clientes e duração do condutor. Um micro-comerciante como vendedor num mercado deixa um histórico de encomendas concluídas, reembolsos feitos, reclamações apresentadas, ruturas de stock e padrões de crescimento. No caso de negócios informais, os dados da plataforma podem ser usados como o equivalente mais próximo de demonstrações financeiras oficiais. Em seguida, há contas bancárias, carteiras digitais e dados de fluxo de caixa de API de open banking. Embora um mutuário possa carecer de um longo histórico de crédito, ele ou ela também tende a ter uma conta onde o salário, rendimento de gig, remessas ou receitas de negócio são depositados. Através da análise de entradas e saídas baseadas no tempo, os credores podem estimar o rendimento comum, a sua variabilidade, se tem reservas ou não, e que porção do rendimento já foi alocada a despesas recorrentes como renda, serviços públicos e dívidas existentes. No caso do mutuário subbancarizado, a subscrição de fluxo de caixa é frequentemente mais fiável do que o scorecard tradicional, que depende tanto de empréstimos passados. Uma camada adicional é fornecida por APIs de folha de pagamento e emprego.

Em situações em que os empregadores estão ligados a serviços de folha de pagamento, os credores são capazes de confirmar o emprego, rendimentos mensais, a duração do emprego e mudanças de remuneração. Para aqueles com vários empregos a tempo parcial, esta imagem composta será muito mais informativa do que um recibo de pagamento. Por último, com uso adequado, dados comportamentais e ao nível do dispositivo podem ser usados para auxiliar tanto na fraude como na estimativa de risco. A duração do tempo que um indivíduo tem usado o mesmo dispositivo, a regularidade das suas localizações de login, como usam a aplicação ao longo dos meses, bem como a hora do dia em que geralmente fazem as transações, podem fornecer indicadores de autenticidade e estabilidade. Estes sinais devem ser tratados com cuidado de forma a prevenir discriminação por proxy, embora possam ser de apoio útil. Todas estas fontes estão ligadas pelo facto de contarem sobre a vida real de uma pessoa e como ele/ela vive, como ele/ela ganha e paga mesmo quando é claro que ele/ela nunca colocou o seu dedo num cartão de crédito na sua vida.

\

Como a IA Transforma Sinais Desorganizados numa Pontuação?

Estas outras fontes de dados são densamente povoadas e não estruturadas. A estrutura de registos de telecomunicações, eventos de plataforma, transações bancárias e telemetria de dispositivos não é a de um relatório de bureau tradicional. São ruidosos, dimensionais e cheios de padrões de idiossincrasia. Neste ponto, a IA, em particular a aprendizagem automática moderna, é necessária. O ciclo de vida comum começa com a agregação de dados. Os credores têm acesso a parceiros de telecomunicações, feeds de open banking, APIs de folha de pagamento e parceiros de plataforma sob condição de leis de proteção de dados e consentimento direto dos clientes.

Eles absorvem dados brutos em ambientes seguros e normalizam-nos. Atividades de recarga telefónica, crédito de carteira e encomendas de comércio eletrónico são convertidos em séries temporais que têm formatos regulares. Anomalias desnecessárias e duplicados são eliminados e valores em falta são processados. A partir disto, características são construídas por cientistas de dados. Eles criam variáveis de resumo em vez de meramente alimentar todas as transações brutas num modelo: fluxo de caixa líquido médio mensal; a proporção de meses em que as poupanças são positivas; o período consecutivo mais longo sem pagamentos a credores; os meses de ganhos insuficientes; crescimento ou declínio de ganhos de plataforma; variabilidade de horas de trabalho; permanência de localização semana a semana.

Estes atributos estão a tentar comprimir a vida económica de um indivíduo em números que podem ser digeridos pelo modelo. Árvores de Inclinação de gradiente, florestas aleatórias e redes neuronais são então algoritmos de aprendizagem automática que são treinados em dados históricos onde o resultado já é conhecido. No caso da pontuação de crédito, o resultado é geralmente um incumprimento pelo mutuário durante um período de tempo especificado, digamos seis ou doze meses. O modelo aprende combinações de características que indicam mais ou menos risco. Padrões encontrados entre subscritores humanos não teriam sido identificados por discernimento humano, como interações menores entre as volatilidades dos fluxos de caixa e a permanência na plataforma. A validação é crítica. O modelo é aplicado a dados em que não foi treinado para que o seu desempenho seja real e não um resultado de sobreajuste.

Medidas como AUC, coeficiente de Gini e estatísticas de Kolmogorov-Smirnov são usadas para medir o poder de discriminação, enquanto gráficos de calibração indicam se as probabilidades previstas são idênticas às taxas de incumprimento reais. Além dos números principais, os credores precisam de analisar o desempenho por segmento: novos no crédito versus mutuários experientes, várias ocupações, regiões e faixas de rendimento. Após a implementação, o modelo irá então classificar novos candidatos em tempo real, e uma resposta será fornecida em poucos segundos. O processo não pode terminar aí. As estatísticas mudam com o tempo, as plataformas evoluem as suas políticas e a macroeconomia evolui.

\

:::tip Esta história foi distribuída como um comunicado por Sanya Kapoor no âmbito do Programa de Blogging de Negócios da HackerNoon.

:::

\