十年来持续时间最长的经济扩张，汽车贷款机构正在寻找方法，以利用新的增长机会和降低风险。
机器学习它将改变汽车贷款行业，尤其是像FICO和其他传统信用评分在它之前所做的那样。能够采用人工智能的汽车贷款机构或许能够赢得更多客户，同时承担更少的风险。
根据我们的报告在美国，当谈到优化时，银行认为机器学习非常适合融资及贷款程序,如信用评分,风险管理,合规报告。
融资和贷款产品所产生的资金数额证明了这一点:4.38亿美元;融资和贷款这一类别的筹资额名列第三银行功能。资金数额是一个领域内人工智能吸引力的良好指标，因为银行和风投公司不太可能为人工智能初创企业提供资金，除非它们确信自己的产品能够产生投资回报率。
此外，在我们的ROI评分证据中，40%为银行提供融资和贷款的AI产品的公司得分在3分(满分4分)以上，这表明了一个相对强大的供应商生态系统和现有的吸引力。这表明，在贷款领域有几家人工智能供应商已经在为银行和金融服务公司创造回报。
这意味着机器学习已经自动化了银行和金融汽车贷款机构也将从中受益。
也就是说，金融中的自动化讨论在很大程度上集中在机器人过程自动化(战)。虽然RPA可能能够在规模上自动化信用评分，但在大多数情况下，它只是为了提高效率，因为它简化了现有的流程。
另一方面，机器学习可能需要更深入的整合，但它可以改善交易流程，并通过允许汽车贷款机构批准更多的roi为正的贷款申请，而拒绝风险更高的申请，从而降低风险。
为了了解更多关于机器学习是如何影响汽车贷款行业的，我们采访了Jay BudzikZest AI的首席技术官(CTO)谈到了该公司如何为汽车贷款机构带来价值。有兴趣的读者可能想要阅读Zest AI如何帮助声望提高了14%的贷款批准使用AI，阅读热情的案例研究。
在本文中，我们将讨论汽车贷款机构如何利用新的数据源来批准更多的申请并承担更少的风险。
汽车贷款决策的新数据源
汽车贷款机构习惯于使用逻辑回归模型，该模型在决定是否向申请人提供贷款时考虑一到二十多个变量。一般来说，在决定是否批准申请时，他们会考虑申请人的信用记录和当前使用情况、收入、雇主、首付款以及其他财务和信用指标。
然而，机器学习算法可以处理数百或数千个变量，并查看这些变量之间近乎无限的关系，以评估借款人的风险。
基于机器学习的贷款模型有各种各样的数据源，其中许多都被大多数传统模型忽略了。
人工智能和机器学习模型,比如那些用热情艾未未的软件,允许银行画准确信用风险见解基础上成百上千的新数据之间的交互变量之前不可用传统的信贷模式,如应用程序数据或CRM数据银行已经在客户。
例如，扩大数据集，使贷款人不仅可以考虑申请人是否破产，还可以考虑破产发生的时间、破产类型和严重程度。
机器学习模型还可以考虑申请人的客户呼叫中心历史、住所的历史，或者申请人是否有任何公开的法庭案例，这些案例取决于他们如何解决，可能会影响申请人的财务状况。
汽车贷款机构可以通过使用特定于申请人申请贷款购买的汽车的因素，利用这一广泛扩展的信用变量菜单。像汽车的型号和型号这样的数据是值得考虑的。根据Budzik:
我们与各种规模的汽车贷款机构合作——有时我们能够在使用机器学习之前查看他们现有的模型。我们经常会看到模型中使用10到15个变量来决定是否贷款给一个人，包括:汽车的首付比例、贷款金额等等，然后根据这些因素来做出他们的决定。
机器学习允许贷款人考虑数百甚至数千个变量，使他们对消费者有更准确的认识……这使贷款人有优势批准那些他们可能忽略的人。
拥有足够的数字化历史交易数据的汽车公司可能能够将这些数据输入到一个算法中，并深入了解具体的经销商应该批准哪些人为特定的汽车提供贷款。这在以前的统计方法中是可能的，但是在新的数据源和机器学习中可以得到更大的粒度。
例如，在美国各地，购买宝马的人偿还贷款的平均可能性可能低于购买丰田汽车的人。然而，特定的BMW经销店可能会使用此数据和算法来查找他们的客户基础高于平均水平的贷款偿还。
由于机器学习允许的微调，经销商可以批准更多的贷款，而不是使用来自全国各地经销商和贷款机构的全国数据。此外，他们还可以聘用风险较低的申请者，这些申请者可能已经通过了传统的信用评分。
使用人工智能来赢得没有信用的客户
新的数据来源可以用来向客户提供贷款，许多贷款人目前可能不愿意贷款给客户，因为他们没有足够的信用记录，或者因为他们的信用记录有污点。根据Budzik:
对于现在的年轻人来说尤其如此，他们使用借记卡，没有信用卡，大部分的交易和使用他们的在线支票账户，信用记录非常有限。这也适用于人口中代表性不足的部分，他们可能没有获得历史的手段或准备。
信用评分通常是客户偿还贷款的最佳客观指标，贷款机构将其作为一种准确决定是否贷款给客户以及是否遵守联邦存款保险公司的方法公平的贷款法律。
也就是说，很多人要么没有信用评分(2600万，据美国消费者金融保护局称或者他们的信用评分并不能准确反映他们的借贷历史。年轻的借贷者习惯于用他们的借记卡和支票账户在网上购物，很多人没有信用卡。
此外，年轻人尤其难以获得贷款，因为缺乏信用记录或信用差。根据TransUnion,43%的千禧一代有不良信用。他们缺乏信用记录的部分原因是由于他们的年龄，但许多千禧一代也表示不知道如何建立他们的信用。因此，较年轻的贷款申请人往往缺乏传统信贷模型用于确定贷款机构是否应向他们提供贷款的数据。
由于信用记录薄或信用记录混杂，低收入人群面临的问题尤其严重。由于他们最有可能需要一辆车去上班，那些能比竞争对手先为他们服务的汽车贷款机构，可能会赢得那些将伴随他们一生的客户。
传统的贷款模式可能会让这两个群体都难以获得贷款批准，因为它们考虑的变量较少，衡量其信誉度的指标也较少。人工智能和机器学习可能会让汽车贷款机构更容易做到这一点，使它们能够向服务不足的市场或体面的消费者提供汽车贷款，而这些消费者可能会被之前的车型所忽视。根据Budzik:
如果你过去有过信用问题，或者没有完美的记录，你可能会被拒绝。那些在他们的记录上可能有污点的人——这些人拥有汽车是最有意义的——允许他们去工作和养家。
此外，人工智能和机器学习可能会揭示某些信用记录有缺陷的客户，其信用风险可能不像传统贷款模型所认为的那么大。因此，汽车贷款机构可以批准更多的人使用机器学习贷款(从而赚更多的钱)。另一方面，机器学习可能会揭示，使用传统信用评分方式勉强获得批准的申请者可能比他们的信用评分所显示的风险更大;汽车贷款机构可以拒绝贷款，从而降低风险。
Zest AI声称这有助于提高声望金融服务增加了使用机器学习软件申请贷款的人数。据称，该公司的软件使用了2700个变量来决定声望是否应该借给申请人。因此，Zest AI声称，Prestige公司能够在不承担额外风险的情况下，批准14%以上的申请者。
设定利率的规范性分析
机器学习还可以让汽车贷款机构根据个人设定利率。类似于一些说明性分析模型建议保险理算师的赔付，说明性分析模型可以向汽车贷款公司的承销商建议申请人应该为他们的贷款支付多少利息。
而在应用机器学习,数据量是一个优势贷款算法不需要企业级的数据量来创建更准确,有针对性的预测,和热情AI声称小银行多年来一直在商业上通常有足够的数据应用毫升。这种趋势只使用较小的数据量可能会继续算法和ML趋于改善在未来几年。
采用人工智能的遵从性挑战
机器学习的“黑匣子”
传统模式允许承销商向贷款申请人解释，他们是如何做出是否批准贷款申请的决定的。这对于机器学习来说更加困难。
机器学习通常被称为“黑盒”问题，这意味着有时不可能知道一个算法是如何得出结论的。这就是为什么在金融领域采用人工智能是一个挑战;无法解释一个模特是如何拒绝别人的汽车贷款申请的，这可能会严重违反法律法规。热情的人工智能该公司的软件可以建立具有可解释性和透明度的模型，为汽车贷款机构提供一个正确和一致的答案，解释申请人被批准或被拒绝的原因。
避免歧视性的数据
出于对监管的担忧，许多汽车贷款机构决定使用曼梯公司。汽车贷款机构无法将许多因素合法地纳入它们的传统贷款模式，因此，它们也无法将这些因素纳入它们的机器学习模式。这些因素包括种族、性别和年龄，以及其他潜在的个人标记，随着更多的反歧视法在美国和欧洲生效，这些个人标记可能会在未来几年添加到列表中。
在使用机器学习模型时，遵守公平借贷法则可能会有点棘手，因为这些模型要筛选数据中无数的相互关系，并且可以将两个看似无害的变量连接在一起，形成一个歧视性因素。其中一个变量是申请人居住的地点。根据Budzik:
申请人的位置可以很好地预测他们的种族和民族，所以当你考虑像某人的位置这样的属性时，你必须非常小心。我们已经看到，即使在州一级，当你把一个人的生活状态与其他属性，如汽车里程数，联系起来，你可以得到非常完美的种族预测器。所以对模型进行全面的检查是很重要的，以确保它没有从歧视的角度做错事情，没有做出有偏见和不公平的决定。
汽车贷款机构的底线
最重要的是，机器学习可以让汽车贷款机构有竞争力地定价，在不增加风险的情况下为更大的客户群提供更有针对性的贷款和利率。至少，这是我们的目标。尽管采用速度缓慢，但金融机构已经开始投资于人工智能，用于放贷。
未来几年，机器学习可能是汽车贷款机构保持竞争力的必要手段。只要供应商的解决方案考虑到透明性和可解释性(确保遵从性和避免不必要的偏见)，贷款的采用只会随着更多的数据源变得可用而增加。
这篇文章由Zest AI赞助，并根据我们的《透明》杂志进行写作、编辑和出版Emerj赞助的内容指南。了解更多关于到达我们的ai集中执行观众的信息Emerj广告页面。
标题图片来源:Credit.com
