KI-gestützte Bonitätsbewertung für dünne Akten und informelle Wirtschaft

Einer der konservativsten Aspekte der Finanzwelt, die Entscheidung, jemandem einen Kredit zu gewähren, wird durch KI-gesteuerte Kreditbewertung transformiert. Dies ist eine schrittweise Veränderung für Personen, deren Kredithistorie umfangreich ist und die über einen langen Zeitraum bei Banken sind. Es könnte jedoch lebensverändernd sein für Kreditnehmer mit dünnen Akten und jene, die in der informellen Wirtschaft tätig sind. Sie können endlich erkannt werden, anstatt für das System unsichtbar zu sein. Dieser Artikel diskutiert die Anwendung alternativer Daten zur Erstellung KI-basierter Kreditscores für Einzelpersonen und kleine Unternehmen, die keine traditionelle Kredithistorie haben, das Risiko von Ungerechtigkeit und Voreingenommenheit, wenn Bureau-Daten nicht verfügbar sind, und den regulatorischen Antrieb zur Schaffung erklärbarer KI bei der Kreditvergabe an unterversorgte Bevölkerungsgruppen.

Problem dünner Akten und informeller Wirtschaft

Konventionelle Bonitätsbewertungen setzen eine Art finanzielle Existenz voraus. Sie gehen davon aus, dass eine Person ein Bankkonto hat, formelle Finanzprodukte besitzt und zuvor einen Kredit aufgenommen oder eine Kreditkarte verwendet hat. Sie setzen voraus, dass Arbeitgeber die Gehaltsabrechnung formal durchführen und Händler im sichtbaren Teil der Wirtschaft arbeiten – dem dokumentierten Teil. Praktisch ist ein gewaltiger Anteil der Welt nicht so. Junge Erwachsene haben oft keine Kredite oder Karten. Migranten können in ihren Herkunftsländern gute Bonitätshistorien besitzen und in ihren neuen Ländern nichts. Die meisten ihrer Transaktionen werden in bar oder auf digitalen Plattformen durchgeführt, die nicht an Auskunfteien berichten: Gig-Worker, Straßenverkäufer, informelle Ladenbesitzer und eine große Anzahl von Mikrounternehmern. Wo es Auskunfteien gibt, kann ihre Abdeckung oberflächlich sein oder zugunsten städtischer, formal beschäftigter Bevölkerungsgruppen verzerrt sein. Die Bureau-Akte solcher Antragsteller erscheint Kreditgebern leer oder fast leer. Da Risikoteams darauf trainiert sind, Bureau-Daten zu vertrauen, machen sie Fehler zugunsten der Vorsicht. Das Ergebnis ist vorhersehbar: erhöhte Ablehnung, engere Limits, erhöhte Preise oder vollständiger Ausschluss.

Diese Kreditnehmer sind nicht unbedingt riskanter; es ist nur so, dass das System taub und blind für die Signale ist, die tatsächlich ihr Finanzleben charakterisieren. Das Grundkonzept der Anwendung von KI auf die Kreditbewertung ist hier unkompliziert. Wo Bureau-Statistiken fehlen oder zu spärlich sind, suche anderswo. Es gibt zahlreiche digitale Fußabdrücke im modernen Leben. Wenn solche Fußabdrücke auf verantwortungsvolle Weise mit Zustimmung gesammelt und in besser organisierte Signale umgewandelt werden, können sie viel über die Stabilität einer Person, ihr Verdienstpotenzial und ihre Rückzahlungschancen aussagen. Eine der ersten und wertvollsten Quellen sind oft Telekommunikationsdaten. Mobilfunkbetreiber verstehen, wie jemand Prepaid-Guthaben regelmäßig auflädt, ob er über Jahre dieselbe Nummer verwendet oder häufig wechselt, ob er in seiner Aktivität beständig oder unregelmäßig ist und ob er Datenpakete derselben Größe erwirbt. Eine Person, die im Laufe der Zeit eine Nummer behält, die Nummer auflädt und konsistente Nutzungsmuster zeigt, ist im Allgemeinen tiefer in einer Gemeinschaft verwurzelt und konsistenter in ihrem Verhalten im Vergleich zu jemandem, der die Nutzung abbricht oder schwankt. Ob Stabilität vorhanden ist, ist mit verringertem Kreditrisiko verbunden.

Eine weitere Kraftquelle sind E-Commerce und Daten von digitalen Plattformen. Wenig kann in der Bureau-Akte eines Fahrdienst-Fahrers enthalten sein, aber eine Plattform kann auf Fahrtenanzahl, Einkommen pro Woche, Stornierungsdaten, Kundenbewertungen und Fahrerdauer zugreifen. Ein Mikrohändler als Verkäufer in einem Marktplatz hinterlässt eine Historie abgeschlossener Bestellungen, vorgenommener Rückerstattungen, eingegangener Beschwerden, Lagerausfälle und Wachstumsmuster. Im Fall informeller Unternehmen können Plattformdaten als nächstes Äquivalent zu offiziellen Finanzberichten verwendet werden. Als nächstes gibt es Bankkonto-, digitale Geldbörsen- und Open-Banking-API-Cashflow-Daten. Obwohl ein Kreditnehmer möglicherweise keine lange Kredithistorie hat, hat er oder sie tendenziell auch ein Konto, auf dem Gehalt, Gig-Einkommen, Überweisungen oder Geschäftseinnahmen eingezahlt werden. Durch die Analyse zeitbasierter Zuflüsse und Abflüsse können Kreditgeber das gemeinsame Einkommen, seine Variabilität, ob es Puffer hat oder nicht und welcher Anteil des Einkommens bereits für wiederkehrende Ausgaben wie Miete, Nebenkosten und bestehende Schulden zugewiesen wurde, abschätzen. Im Fall des unterversorgten Kreditnehmers ist das Cashflow-Underwriting oft zuverlässiger als die traditionelle Scorecard, die so sehr auf vergangene Kredite angewiesen ist. Eine weitere Ebene wird durch Gehaltsabrechnungs- und Beschäftigungs-APIs bereitgestellt.

In Situationen, in denen Arbeitgeber mit Gehaltsabrechnungsdiensten verbunden sind, können Kreditgeber die Beschäftigung, monatliche Einkünfte, die Beschäftigungsdauer und Vergütungsänderungen bestätigen. Für diejenigen mit mehreren Teilzeitjobs wird dieses zusammengesetzte Bild viel informativer sein als eine Gehaltsabrechnung. Schließlich können bei ordnungsgemäßer Verwendung Verhaltens- und Geräteebenen-Daten zur Unterstützung sowohl bei der Betrugsbekämpfung als auch bei der Risikobewertung eingesetzt werden. Die Zeitdauer, die eine Person dasselbe Gerät verwendet hat, die Regelmäßigkeit ihrer Anmeldeorte, wie sie die App über die Monate nutzen sowie die Tageszeit, zu der sie normalerweise Transaktionen durchführen, können Indikatoren für Echtheit und Beständigkeit liefern. Diese Signale sollten mit Sorgfalt behandelt werden, um Proxy-Diskriminierung zu verhindern, obwohl sie nützliche Unterstützung sein können. All diese Quellen sind durch die Tatsache verbunden, dass sie über das reale Leben einer Person erzählen und wie er/sie lebt, wie er/sie verdient und zahlt, selbst wenn klar ist, dass er/sie nie einen Finger auf eine Kreditkarte gelegt hat.

\

Wie verwandelt KI unscharfe Signale in einen Score?

Diese anderen Datenquellen sind dicht besiedelt und unstrukturiert. Die Struktur von Telekommunikationsprotokollen, Plattformereignissen, Banktransaktionen und Gerätetelemetrie entspricht nicht der eines traditionellen Bureau-Berichts. Sie sind laut, dimensional und voller idiosynkratischer Muster. An diesem Punkt ist KI, insbesondere modernes maschinelles Lernen, notwendig. Der übliche Lebenszyklus beginnt mit der Datenaggregation. Kreditgeber haben Zugang zu Telekommunikationspartnern, Open-Banking-Feeds, Gehaltsabrechnungs-APIs und Plattformpartnern unter der Bedingung von Datenschutzgesetzen und direkter Zustimmung der Kunden.

Sie absorbieren Rohdaten in sichere Umgebungen und normalisieren sie. Telefon-Aufladeaktivitäten, Wallet-Gutschriften und E-Commerce-Bestellungen werden in Zeitreihen mit regulären Formaten umgewandelt. Unnötige Anomalien und Duplikate werden eliminiert und fehlende Werte werden verarbeitet. Daraus werden Merkmale von Datenwissenschaftlern konstruiert. Sie erstellen zusammenfassende Variablen, anstatt lediglich alle Rohtransaktionen in ein Modell einzuspeisen: durchschnittlicher monatlicher Netto-Cashflow; der Anteil der Monate, in denen die Ersparnisse positiv sind; die längste aufeinanderfolgende Periode ohne Zahlungen an Gläubiger; die Monate der Unterverdienste; Wachstum oder Verfall der Plattformeinkünfte; Variabilität der Arbeitsstunden; Beständigkeit des Standorts Woche für Woche.

Diese Attribute versuchen, das wirtschaftliche Leben einer Person in Zahlen zu pressen, die vom Modell verdaut werden können. Gradient Boosting Trees, Random Forests und neuronale Netzwerke sind dann Machine-Learning-Algorithmen, die auf historischen Daten trainiert werden, bei denen das Ergebnis bereits bekannt ist. Im Fall der Kreditbewertung ist das Ergebnis normalerweise ein Zahlungsausfall des Kreditnehmers über einen bestimmten Zeitraum, sagen wir sechs oder zwölf Monate. Das Modell lernt Kombinationen von Merkmalen kennen, die mehr oder weniger Risiko anzeigen. Muster, die unter menschlichen Underwritern gefunden wurden, wären nicht durch menschliches Urteilsvermögen identifiziert worden, wie geringfügige Wechselwirkungen zwischen den Volatilitäten von Cashflows und Plattformzugehörigkeit. Validierung ist kritisch. Das Modell wird auf Daten angewendet, auf denen es nicht trainiert wurde, damit seine Leistung real ist und nicht das Ergebnis von Overfitting.

Maße wie AUC, Gini-Koeffizient und Kolmogorow-Smirnow-Statistiken werden verwendet, um die Diskriminierungskraft zu messen, während Kalibrierungsdiagramme anzeigen, ob die vorhergesagten Wahrscheinlichkeiten mit den tatsächlichen Ausfallraten identisch sind. Zusätzlich zu den Hauptzahlen müssen Kreditgeber die Leistung nach Segment betrachten: neue Kreditnehmer versus erfahrene Kreditnehmer, verschiedene Berufe, Regionen und Einkommensbänder. Nach der Bereitstellung wird das Modell dann neue Antragsteller im Handumdrehen bewerten, und eine Antwort wird innerhalb weniger Sekunden bereitgestellt. Der Prozess kann dort nicht enden. Statistiken ändern sich mit der Zeit, Plattformen entwickeln ihre Richtlinien weiter und die Makroökonomie entwickelt sich weiter.

\

:::tip Diese Geschichte wurde als Veröffentlichung von Sanya Kapoor im Rahmen des HackerNoon's Business Blogging Program verteilt.

:::

\