Scorecard digital: meningkatkan akses kredit melalui prediktabilitas yang lebih tinggi dan tingkat persetujuan yang lebih besar

Hari ini, mayoritas lender leverage sistem penilaian yang ditawarkan oleh mereka lembaga pelaporan kredit Nasional (CRAs) atau Biro sebagai bagian dari penilaian kredit dari peminjam. Namun, ketersediaan data terbatas untuk pelamar dengan sejarah kredit yang ada, biasanya mereka di tengah untuk segmen berpenghasilan tinggi.

FinTechs seperti CredoLab leverage yang sangat khusus jenis data alternatif-smartphone metadata-untuk menghasilkan digital perilaku Scorecard yang mengurangi ketergantungan pada pelanggan yang sudah ada perbankan atau sejarah kredit. Whitepaper ini melemparkan cahaya pada bagaimana beberapa industri, Semua di persimpangan dengan layanan keuangan, dapat meningkatkan keputusan pinjaman dan meningkatkan pengalaman pelanggan melalui pembelajaran mesin berbasis pemodelan risiko kredit.

Baca dokumen teknis

Apa yang ada di dalam?

Metadata smartphone

Cari tahu lebih lanjut tentang kekuatan dan penggunaan dari perbatasan baru dalam risiko kredit.

Aplikasi Universal

Jelajahi bagaimana industri besar di seluruh dunia siap untuk mengadopsi teknologi ini.

Demokratisasi layanan keuangan

Temukan wajah baru FinTech yang menggeser fokus dari sekadar akses kredit ke pemberdayaan keuangan.

Silakan Masukkan Alamat Email Bisnis
Terima kasih! Anda dapat mengunduh whitepaper /ebook di bawah ini. Kami juga akan mengirimi Anda salinan untuk menjaga keamanan.
Baca dokumen teknis
Ups! Terjadi kesalahan saat mengajukan formulir.
Silakan Masukkan Alamat Email Bisnis
Terima kasih! Kami akan mengirimkan whitepaper / ebook Anda segera. Awasi kotak masuk anda.
Ups! Terjadi kesalahan saat mengajukan formulir.
Baca dokumen teknis

Scorecard digital: meningkatkan akses kredit melalui prediktabilitas yang lebih tinggi dan tingkat persetujuan yang lebih besar

Hari ini, mayoritas lender leverage sistem penilaian yang ditawarkan oleh mereka lembaga pelaporan kredit Nasional (CRAs) atau Biro sebagai bagian dari penilaian kredit dari peminjam. Namun, ini terbatas terutama untuk pelamar dengan sejarah kredit yang ada, biasanya mereka di tengah untuk kelompok berpenghasilan tinggi.

FinTechs seperti CredoLab leverage yang sangat khusus jenis data alternatif-smartphone metadata-untuk menghasilkan Scorecard digital yang mengurangi ketergantungan pada pelanggan yang sudah ada perbankan atau sejarah kredit. Whitepaper ini melemparkan cahaya pada bagaimana beberapa industri semua di persimpangan dengan layanan keuangan dapat meningkatkan keputusan pinjaman dan meningkatkan pengalaman pelanggan melalui mesin belajar-driven risiko kredit pemodelan.

Apa yang ada di dalam?

● Metadata smartphone: Cari tahu lebih lanjut tentang kekuatan dan penggunaan perbatasan baru dalam risiko kredit

● Aplikasi Universal: Jelajahi bagaimana industri besar di seluruh dunia siap mengadopsi teknologi ini.

● Demokratisasi layanan keuangan: Temukan wajah baru FinTech yang mengalihkan fokus dari akses kredit belaka ke pemberdayaan keuangan.

Baca E-book

Silakan isi detail Anda untuk mendapatkan akses eksklusif ke e-book

Terima kasih! Pengajuan Anda telah diterima dan kami akan mengirimkan salinan Anda segera.

Ups! Terjadi kesalahan saat mengajukan formulir.

CredoLab berada di garis depan praktik manajemen risiko inovatif yang terlibat dengan pendekatan pemodelan risiko kredit baru yang dimungkinkan oleh lonjakan penggunaan telepon seluler. Inti dari bisnis CredoLab adalah model pencetakan skor kami. Mengambil smartphone sebagai masukan data utama, model pengolahan data kami terdiri dari serangkaian langkah otomatis, berakar pada teknik pembelajaran mesin, yang akhirnya mencetak model prediktif untuk kegalalan pembayaran pinjaman. Untuk melindungi kerahasiaan dan menghindari bias terhadap individu pemohon pinjaman, kami hanya menggunakan metadata yang tidak mungkin mengidentifikasi individu yang bersangkutan.

E-book ini melaporkan temuan Dr Xiaofei (Susan) Wang, dosen dan Research Scholar, Yale University dari tinjauan yang dia lakukan pada model penilaian CredoLab. Dia mempertimbangkan sekumpulan pendekatan alternatif untuk berbagai langkah yang berbeda dalam metode pencetakan skor kami dan menemukan hasil yang baik, termasuk ketika diterapkan pada data yang nyata.

Dalam e-book ini, pertama tama kita menjelajahi kumpulan data yang dipakai CredoLab, bagaimana kami menerjemahkannya menjadi Skor, dan hasilnya skor tersebut. Di bagian akhir e-book ini, kita melihat bagaimana kinerja algoritma CredoLab bila dibandingkan dengan pemain utama lainnya dengan model penilaian yang hampir sama.

Dr. Xiaofei (Susan) Wang, PhD

Dosen dan sarjana riset, Departemen Statistik & data Science, Universitas Yale

Lahir di Nanjing, Cina, Dr. Wang pindah ke Amerika Serikat pada usia dini dan telah bekerja dengan beberapa lembaga terkemuka. Dia mengantongi Bachelor's Degree dari University of California dan PhD di  bidangstatistik dari Universitas Yale. Beliau saat ini memegang posisi terhormat di sejumlah Asosiasi dan bekerja di Universitas Yale sebagai dosen dan sarjana peneliti. Ia memiliki sejumlah publikasi dan penghargaan atas kerja kerasnya.