De senaste framstegen inom artificiell intelligens och maskininlärning, tillsammans med utvecklingen av storskalig datalagring, åtkomst och bearbetningsteknik, har väckt intresset bland finansinstitutioner för nya datakällor för kreditvärdering.

Exempel på dessa nya källor inkluderar fakturabetalningshistorik för telefon-, verktygs- och streamingtjänster; transaktionsregister från check-, spar- och penningmarknadskonton; och hyresbetalningshistorik. Motivet är tvåfaldigt – strävan efter vinst, inklusive att skapa nya konton och förbättra social välfärd genom att utöka kredittillgången till dem som saknar traditionella kreditpoäng.

Ny forskning från University of Notre Dame visar att upprepade resor till mataffären kan vara allt som behövs för att bevisa kreditvärdighet.

Artikeln med titeln "Using Grocery Data for Credit Decisions" är på gång i Management Science från Joonhyuk Yang, biträdande professor i marknadsföring vid Notre Dames Mendoza College of Business, tillsammans med Jung Youn Lee från Rice University och Eric T. Anderson från Northwestern University. Ett arbetsdokument finns tillgängligt i SSRN Electronic Journal .

Teamet samarbetade med ett multinationellt konglomerat verksamt i flera kontantberoende utvecklingsländer i Asien och Afrika. Datasponsorn äger en kreditkortsutgivare och en storskalig snabbköpskedja, vilket gjorde det möjligt för forskarna att slå samman data från de två domänerna och observera beteendet hos 30 089 konsumenter.

De började med att omvandla rådata till en mer effektiv uppsättning indata och tog bort signaler om kreditrisk från dagligvarudata.

"Vårt tillvägagångssätt motiverades av vårt samtal med chefen för datasponsorn, som sa:"För att arbeta med dessa enorma datamängder behöver du en strategi för att sammanfatta de viktigaste databitarna i meningsfulla variabler. En naiv metod att helt enkelt kasta alla vår data på det här problemet utan någon struktur är osannolikt att fungera", sa Yang.

"Denna anmärkning resonerar med en annan kommentar från en chef på en av de ledande bankerna i USA som vi pratade med. Chefen nämnde att det största hindret för att använda storskalig, granulär konsumentdata för att göra lån inte är en brist tillgång till sådana uppgifter, utan snarare en brist på kunskap om hur man kan utnyttja dem effektivt."

Upprepade matinköpsvanor pekar på signaler om kreditrisk.

Att köpa cigaretter eller energidrycker är förknippat med en högre sannolikhet för missade kreditkortsbetalningar eller försumliga, medan köp av "bra" eller hälsosamma matvaror, inklusive färsk mjölk eller vinägerdressingar, är kopplat till att konsekvent betala kreditkortsräkningar i tid.

"Guidad av en omfattande litteratur om vanor, konstruerar vi variabler som mäter nivån av konsistens, eller bristen på sådan, i vad och hur kunder köper," sa Yang. "Matvarudata lämpar sig särskilt väl för att mäta allmänna konsumentegenskaper eftersom matvaror är ohållbara nödvändigheter, så konsumenter gör ofta och upprepade val."

Vad en individ köper kan hjälpa till att förklara vilken typ av betalare de är, även efter att ha kontrollerat för olika sociodemografiska variabler och kreditpoäng.

"Genom att använda enkätbetyg på produktnivå hittar vi suggestiva bevis för att köp av hälsosammare men mindre bekväma matvaror förutsäger ansvarsfullt betalningsbeteende," sa Yang. "Vi ser också en positiv och robust korrelation mellan konsekvens i olika dimensioner av matinköp och att göra snabba kreditkortsbetalningar."

Kortinnehavare som konsekvent betalar sina räkningar i tid är mer benägna att handla på samma veckodag, spendera liknande belopp över månader och köpa samma varumärken och produktkategorier.

Genom en simulering av hypotetiska kreditvärderings- och beslutsprocesser visar teamet att dagligvarudata kan erbjuda informativa signaler om kreditrisk, vilket leder till förbättrade kreditutfall för kreditvärdiga individer och ökad lönsamhet för långivare.

Till exempel, inkorporering av livsmedelsdata förbättrar avsevärt förutsägande noggrannhet för personer utan kreditvärdighet, vilket resulterar i en förbättring som sträcker sig från 3,11 till 7,66 procentenheter.

Studien karakteriserar också förhållanden under vilka användningen av livsmedelsdata inte tillför något inkrementellt värde, vilket kan belysa när långivare kan få incitament att samla in, förvärva och utnyttja alternativa data.

"Särskilt finner vi att den inkrementella nyttan av livsmedelsdata minskar kraftigt när traditionella kreditpoäng eller relationsspecifik kredithistorik blir tillgänglig," sa Yang. "Dessa resultat belyser potentialen för finansinstitutioner att använda livsmedelsdata för att ge kredit till individer som saknar traditionella kreditvärderingar samtidigt som de visar begränsningarna hos denna nya datakälla."

Resultaten har direkta ledningsmässiga konsekvenser för långivare, eftersom att använda livsmedelsdata för kreditvärdering ger en möjlighet att få tillgång till en stor, outnyttjad marknad. Långivare kan utöka sin kundbas och förbättra sin lönsamhet genom att ge krediter till konsumenter som för närvarande inte är betjänade eller underbetjänade av det traditionella kreditsystemet.

Mer information: Jung Youn Lee et al, Köp- och betalningsvanor:Använda livsmedelsdata för att förutsäga kreditkortsbetalningar, SSRN Electronic Journal (2021). DOI:10.2139/ssrn.3868547

Journalinformation: Management Science

Tillhandahålls av University of Notre Dame