Une formule de crédit alimentée par l'IA pourrait vous aider à obtenir un prêt

Les cotes de crédit sont depuis longtemps la principale mesure de la probabilité qu'un consommateur américain rembourse un prêt, des hypothèques aux cartes de crédit. Mais le les facteurs sur lesquels FICO et d'autres sociétés qui créent des cotes de crédit s'appuient - des choses comme les antécédents de crédit et les soldes de cartes de crédit - dépendent souvent du fait d'avoir déjà du crédit.

Au cours des dernières années , une culture de startups ont lancé sur la prémisse que les emprunteurs sans de tels antécédents pourraient encore être assez susceptibles de rembourser, et que leur probabilité de le faire pourrait être déterminée en analysant de grandes quantités de données, en particulier des données qui ne faisaient traditionnellement pas partie de l'évaluation du crédit. Ces entreprises utilisent des algorithmes et l'apprentissage automatique pour trouver des modèles significatifs dans les données, des signes alternatifs qu'un emprunteur présente un bon ou un mauvais risque de crédit.

Ces entreprises sont encore jeunes, mais à ce jour, rien ne prouve clairement que ces approches ont considérablement élargi le crédit disponible, et les prêteurs qui les utilisent appliquent souvent des taux d'intérêt élevés, selon un rapport par le National Consumer Law Center, un groupe de défense des consommateurs. Les défenseurs des consommateurs craignent que certaines de ces nouvelles sources de données, telles que les informations sur le comportement des consommateurs en ligne ou les données financières qui ne sont pas traditionnellement incluses dans l'analyse de crédit, puissent involontairement créer des biais dans les résultats, ce qui entraînerait un jugement injuste de certains emprunteurs. Aux États-Unis, la loi interdit aux prêteurs de prendre en compte la race, le sexe et la religion dans une décision de prêt.

ZestFinance, basée à Los Angeles, fondée par l'ancien CIO de Google Douglas Merrill, affirme avoir résolu ce problème avec une nouvelle plate-forme de notation de crédit, appelée ZAML. La société vend le logiciel d'apprentissage automatique aux prêteurs et propose également des services de conseil. Zest ne prête pas d'argent lui-même.

La plate-forme a été affinée sur la base de l'expérience de travail de Zest avec le moteur de recherche Baidu en Chine, où seulement 20% de la population a des antécédents de crédit connus. En étudiant 21 facteurs différents tels que la façon dont les gens recherchent et la façon dont ils traversent les pages Web, Zest a découvert des modèles dans les données de Baidu qui pourraient être utilisés pour décider de faire de petits prêts à ces clients pour des achats comme des vêtements. Parmi les éléments évalués par Zest, il y avait la correspondance entre le revenu autodéclaré d'une personne et son revenu modélisé, ce que Zest calcule que cette personne a réellement gagné en fonction d'un autre comportement. Tout aussi important que l'écart entre les revenus déclarés et modélisés est le moment où ils déclarent le revenu gonflé (en d'autres termes, un revenu supérieur à ce que le modèle implique qu'ils gagnent réellement) et combien ils l'ont gonflé, dit Merrill.

En deux mois, Baidu, qui a une petite entreprise de prêt, a approuvé 150 % d'emprunteurs supplémentaires sans augmentation des pertes sur leurs prêts, et la société a accordé des centaines de milliers de prêts depuis, dit Merrill.

Andrew Ng, scientifique en chef de Baidu, attribue à la technologie de Zest le mérite d'avoir aidé son entreprise à accélérer son entrée dans les services financiers aux consommateurs en améliorant la 'prédictivité' de leurs modèles de crédit à l'aide de données provenant du comportement de recherche en ligne des emprunteurs, des portefeuilles mobiles et d'autres sources. Avec Zest, Baidu a découvert que les emprunteurs qui adoptent des comportements à risque en ligne, comme le jeu ou la visite de sites Web à risque tels que ceux qui vendent des biens illicites ou commercialisent des événements à la recherche de sensations fortes, ont une probabilité statistique plus élevée de défaut de paiement sur un prêt.

Bien que peut-être 'évidents' avec le recul, des indices comme ceux-ci peuvent avoir un effet significatif sur les performances de souscription, a écrit Ng par e-mail.

Certaines données sont hors limites. Zest n'utilise pas données des médias sociaux dans son analyse, quelque chose que Merrill a qualifié d'effrayant, et qui, selon la société, n'est pas très utile dans ce type d'analyse.

Zest a également travaillé avec deux émetteurs de cartes de crédit et un prêteur automobile. Parmi les détenteurs de cartes de crédit, un signal important s'est avéré être des appels au service d'assistance, quelque chose que le prêteur ne faisait pas le lien avec la solvabilité avant le travail de Zest. Il s'avère qu'une personne qui appelle pour prolonger le délai de paiement d'un solde, bien que retardant un paiement, est susceptible d'être en fait un client fiable. L'intuition est parfois fausse, dit Merrill.

Une protection contre les biais, selon l'entreprise, est le fait que pour chaque emprunteur, le système évalue 100 000 points de données différents, et aucun point ne joue un rôle déterminant. Pour tester les biais, Zest s'appuie à nouveau sur l'apprentissage automatique, que le système utilise pour tester ses propres résultats. Il applique un algorithme que le Consumer Financial Protection Bureau utilise pour vérifier la discrimination, et effectue également d'autres tests pour trouver toute corrélation inattendue avec des facteurs que les prêteurs ne sont pas autorisés à prendre en compte.

Ng de Baidu a approuvé la technologie de Zest pour sa capacité à expliquer ce qu'il a appelé des 'modèles de souscription d'apprentissage automatique en boîte noire' et à se concentrer sur la détection et la correction des biais explicites et cachés.

Expliquer les décisions de crédit aux emprunteurs et aux régulateurs sera essentiel, déclare Chi Chi Wu, avocat au NCLC , expliquant en particulier si les modèles de données sur lesquels on s'appuie sont vraiment prédictifs, et pas seulement corrélés. Les données alternatives ne sont pas l'alpha et l'oméga, dit-elle.

cacher