The relationship between data collection and credit scoring

A relação entre a coleta de dados e credit scoring.

La relación entre la recolección de datos y el score de crédito

17/2/2022

In this article, we’ll explore how data collection systems can be improved to benefit credit invisibles and thus help with social mobility.

Neste artigo, vamos explorar como os sistemas de coleta de dados podem ser melhorados para beneficiar os invisíveis ao crédito e, assim, ajudar na mobilidade social.

Exploramos cómo se pueden mejorar los sistemas de recolección de datos para beneficiar a las personas invisibles al crédito y así ayudar con la movilidad social.

Other Popular Articles

According to the latest Worldbank study, 1.7 billion adults currently have no access to a bank account.  Considering how traditional credit scoring data collection systems work, it is not surprising that the financial exclusion numbers are so high.  In this article, we’ll explore how data collection systems can be improved to benefit credit invisibles and thus help with social mobility.


Data collection in traditional credit systems

When granting personal credit, lenders use credit scores as a reference to know if a person is reliable enough to receive a loan. This credit rating results from a previous credit analysis, which may vary depending on the institution that performs it. In general, traditional bureaus use certain common parameters related to credit history, such as payments, current debts, and the number of open accounts. 


The lower the credit score, the more difficult it will be for a person to receive a loan, and the more likely this person will incur higher interest rates given their perceived “high credit risk”. Consequently, limited credit history with insufficient historical data results in a shortsighted credit study with insufficient qualifications for loan approval. In other words, there is a vicious cycle in traditional credit scoring systems, a direct correlation between financial exclusion and traditional data collection processes.  Credit bureaus depend on information obtained from the banking system for decision making, a system that currently 1.7 billion people cannot access. 


Alternative data for those excluded from credit

The uprising of new fintech companies has allowed more people to have access to financial products. In the case of credit, these companies have provided new information collection systems based on alternative data and artificial intelligence that evaluate people, despite not having a bank account, according to much more complex behavioural parameters.


These fintechs have understood that a person’s digital presence says a lot about how a person is and that these behavioural patterns can change over time. Fintechs have brought to the table their technology to overcome traditional credit rating processes and obtain credit profiles in real-time more safely and capably to update and relearn continually. Alternative credit scores have come about to change the parameters of trust, shedding new light on a scoring system that leaves many people behind.

Benefits of alternative data collection for credit scoring


Complete credit profiles

A "footprint" or "digital shadow'' results from all the activities, actions and traces that a person leaves behind when browsing the Internet. All this alternative data is processed by artificial intelligence mechanisms that analyse them and create non-linear behaviour models that predict one’s present and future behaviour. 


Some examples of data that can be analysed from a "fingerprint" are email profile, that is if the email exists and if it comes from a fraudulent domain or not; the IP, where the connection originates; the telephone line, whether it is mobile or landline and whether the telephone exists; social networks, whether or not the person has social networks, which ones they use and who their friends are. With all this information, the profiles become much more complete, allowing lenders to make much more informed decisions.


Secure information

Having a secure data collection system is one of the keys to today's world, especially in the financial world. Every day fraudulent programs become more malicious capable of creating false profiles in order to later apply for a loan. Therefore, unlike traditional rating systems, the new alternative scores can identify, report, and prevent false identities from submitting an application again.


Cyberattacks, such as phishing, are becoming more frequent within the industry. They point at the companies’ client portfolios to obtain private data such as passwords and bank account numbers. That is why alternative information travels in metadata format, protecting the identity of the clients. The data collected is encrypted and non-PII data -non-personally identifiable information- to prevent any attack from revealing the users' identity.


The automation of processes and the capture of prospects in real-time

New data collection systems have not only increased the quality of credit scores but have also speed up decision-making processes. Thanks to automation, lenders can approve more trustworthy prospects, and borrowers won't have to wait long for their applications to be approved. This allows companies to accept more clients in less time and avoid the flight of prospects eager for instant results.


The new data collection systems have a great advantage over traditional systems due to their accuracy, ability to learn, security and processing speed. With these benefits in mind, technology helps improve data collection processes and work towards the ultimate goal of upward social mobility.

De acordo com o último estudo do Banco Mundial, 1,7 biliões de adultos atualmente não têm acesso a uma conta bancária. Considerando como funcionam os sistemas tradicionais de coleta de dados de score de crédito, não surpreende que os números de exclusão financeira sejam tão elevados. Neste artigo, vamos explorar como os sistemas de coleta de dados podem ser aprimorados para beneficiar os invisíveis ao crédito e, assim, ajudar na mobilidade social.

Coleta de dados em sistemas de crédito tradicionais

 

Ao conceder crédito pessoal, os credores utilizam scores de crédito como referência para saber se a pessoa é confiável o suficiente para receber um empréstimo. Essa avaliação de crédito resulta de uma análise de crédito prévia, que pode variar em função da instituição que a realiza. 

Geralmente, os birôs tradicionais usam certos parâmetros comuns relacionados ao histórico de crédito da pessoa, como pagamentos, dívidas correntes e a quantidade de contas abertas.  

Quanto menor a pontuação de crédito, mais difícil será para uma pessoa receber um empréstimo e mais provável será que essa pessoa incorra em taxas de juros mais elevadas, devido ao seu perfil de “alto risco de crédito”. Consequentemente, um histórico de crédito limitado com dados históricos insuficientes resulta em um estudo de crédito míope com qualificações insuficientes para aprovação de empréstimos. Em outras palavras, há um ciclo vicioso nos sistemas tradicionais de pontuação de crédito, uma correlação direta entre exclusão financeira e processos tradicionais de coleta de dados. Os birôs de crédito dependem das informações obtidas do sistema financeiro para a tomada de decisões, sistema que atualmente 1,7 bilhão de pessoas não podem acessar.

Dados alternativos para os excluídos ao crédito

 

O surgimento de novas companhias financeiras permitiu que mais pessoas tivessem acesso a produtos financeiros. Em relação ao crédito, essas empresas disponibilizaram novos sistemas de coleta de informações baseados em dados alternativos e inteligência artificial que avaliam pessoas apesar de não possuírem conta bancária e de acordo a parâmetros comportamentais muito mais complexos.

 

Essas fintechs compreenderam que a presença digital de uma pessoa diz muito sobre como uma pessoa é e que esses padrões comportamentais podem mudar ao longo do tempo. As fintechs trouxeram para a mesa sua tecnologia para superar os processos tradicionais de classificação de crédito e obter perfis de crédito em tempo real com mais segurança e capacidade de atualizar e reaprender continuamente. Os scores de crédito alternativos surgiram para mudar os parâmetros de confiança, lançando uma nova luz sobre um sistema de pontuação que deixa fora muitas pessoas.

Benefícios da coleta de dados alternativos para credit scoring

 

Perfis de crédito completos

Uma "pegada" ou "sombra digital" resulta de todas as atividades, ações e rastros que uma pessoa deixa visíveis ao navegar na Internet. Todos esses dados alternativos são processados por mecanismos de inteligência artificial que os analisam e criam modelos de comportamento não lineares que preveem o comportamento presente e futuro.

 

Alguns exemplos de dados que podem ser analisados a partir de uma “impressão digital” são: o perfil de e-mail; se o e-mail existe e se vem de um domínio fraudulento ou não; o IP, de onde se origina a conexão; a linha telefônica se é móvel ou telefone fixo e se o telefone existe; redes sociais, se a pessoa tem ou não redes sociais, quais usa e quem são seus amigos. Com todas essas informações, os perfis ficam muito mais completos, permitindo que os credores tomem decisões muito mais informadas.

 

Informação segura

Ter um sistema de coleta de dados seguro é uma das chaves para o mundo de hoje, especialmente no mundo financeiro. Todos os dias programas fraudulentos tornam-se mais maliciosos capazes de criar perfis falsos, para posteriormente aplicar para um empréstimo. Portanto, ao contrário dos sistemas de classificação tradicionais, as novas pontuações alternativas podem identificar, relatar e impedir que identidades falsas enviem uma solicitação novamente.

 

Ataques cibernéticos como “phishing”, estão se tornando cada vez mais frequentes na indústria. Eles apontam para as carteiras de clientes das empresas para obter dados privados como senhas e números de contas bancárias. E por isto que os dados alternativos viajam em formato de metadados, protegendo a identidade dos clientes. Os dados coletados estão criptografados em  dados não PII - informações não identificáveis pessoalmente - para evitar que qualquer ataque revele a identidade dos usuários.

 

A automação de processos e a captura de clientes potenciais em tempo real

Os novos sistemas de coleta de dados não aumentaram apenas a qualidade dos scores de crédito, mas também aceleraram os processos de tomada de decisões. Graças à automação, os credores podem aprovar clientes potenciais mais confiáveis, e os mutuários não terão que esperar muito para que seus pedidos sejam aprovados. Isso permite que as empresas aceitem mais clientes em menos tempo e evitem a fuga de clientes potenciais ansiosos por resultados instantâneos.

 

Os novos sistemas de coleta de dados proporcionam uma grande vantagem sobre os sistemas tradicionais devido à sua precisão, capacidade de aprender, segurança e velocidade de processamento. Com esses benefícios em mente, a tecnologia ajuda a melhorar os processos de coleta de dados e a trabalhar em direção ao objetivo final de mobilidade social ascendente.

De acuerdo con el último estudio de Worldbank, 1.7 billones de adultos no tienen acceso a una cuenta bancaria. Dado como funcionan los sistemas de obtención de crédito tradicionales no es sorprendente que las cifras de exclusión financiera sean tan altas. En este artículo vamos a explorar cómo los sistemas de recolección de datos pueden ser mejorados para beneficiar a las personas invisibles al crédito y así ayudar con la movilidad social.

La recolección de datos en los sistemas de crédito tradicionales


A la hora de otorgar un crédito, los prestamistas utilizan como referencia el score crediticio de una persona para saber si es confiable o no para recibir un préstamo. Esta calificación crediticia es un puntaje que se obtiene con base en un análisis crediticio, que puede variar según la institución que lo haga, pero, por lo general, los burós tradicionales se basen en ciertos parámetros comunes relacionados al historial crediticio como los pagos, las deudas actuales y la cantidad de cuentas abiertas.


Cuanto más bajo es el puntaje crediticio más dificultades tendrá una persona para recibir un préstamo, y en el caso que lo reciba, lo más probable es que obtenga tasas más altas por suponer un mayor riesgo de crédito. En consecuencia, un historial crediticio limitado que no tiene suficientes datos históricos resulta en un estudio crediticio pobre con calificaciones insuficientes para la aprobación de un préstamo. En otras palabras, existe un círculo vicioso en los sistemas tradicionales de calificación crediticia, una correlación directa entre la exclusión financiera y los procesos tradicionales de recopilación de datos. Los burós de crédito dependen de la información obtenida del sistema bancario para la toma de decisiones, sistema al que actualmente 1.700 billones de personas no pueden acceder.


Los datos alternativos para los excluídos del crédito 


La aparición de nuevas empresas fintech ha logrado que cada vez más personas puedan acceder a distintos productos financieros. En el caso del crédito, estas empresas han aportado nuevos sistemas de recolección de información basados en datos alternativos e inteligencia artificial que evalúan a las personas, a pesar de no tener una cuenta bancaria, bajo parámetros de comportamiento mucho más complejos. 


Estas fintech han entendido que la presencia digital de una persona dice mucho de cómo es la  persona y cómo se comporta y que, además, el comportamiento cambia con el tiempo. Por eso, han puesto toda la tecnología a disposición para superar los procesos de calificación crediticios tradicionales y obtener perfiles crediticios en tiempo real, más seguros y capaces de actualizarse y reaprender continuamente. Los scorings crediticios alternativos han venido a cambiar los parámetros de confianza, aportando nueva luz a un sistema de calificación que deja a muchas personas excluidas.



Beneficios de la recolección de datos alternativos para el score de crédito

Perfiles crediticios basados en huellas digitales 

La “huella” o “sombra digital'' son todas las actividades, acciones, rastros que una persona deja al navegar por internet. Todos estos datos, conocidos como datos alternativos, son procesados por mecanismos de inteligencia artificial que los analizan y crean modelos de comportamiento no lineales capaces de predecir el comportamiento presente y futuro.


Algunos ejemplos de datos que se pueden analizar desde una “huella digital” son el perfil de un email, es decir, si el email existe y si viene o no de un dominio fraudulento; el IP, donde se origina la conexión; la línea de teléfono, si es móvil o fija y si el teléfono existe; las redes sociales, si la persona tiene o no redes sociales, cuáles usa y quiénes son sus amistades. Con toda esta información, los perfiles se vuelven mucho más completos haciendo que los prestamistas puedan tomar decisiones más informadas. 


Información segura 

Tener un sistema de recolección de datos seguros es una de las claves del mundo de hoy, especialmente dentro del mundo financiero. Cada día surgen nuevos programas maliciosos capaces de crear perfiles falsos para aplicar a un préstamo. Por eso, a diferencia de los sistemas de calificación tradicionales, los nuevos scores alternativos pueden identificar, reportar y evitar que identidades falsas envíen una solicitud. 


Los ciberataques, como el phishing, son cada más frecuentes dentro de la industria. Estos ataques van dirigidos a la cartera de clientes de las empresas, con el objetivo de obtener datos privados como contraseñas, números de cuenta bancarias, entre otros. Es por eso que la información alternativa viaja en formato de metadata, protegiendo la identidad de los clientes. La data que se recolecta está encriptada y es non-PII data -información no-personal identificable- para evitar que cualquier ataque pueda revelar la identidad de los usuarios.


La automatización de procesos y la captación de prospectos en tiempo real

Los nuevos sistemas de recolección de datos no solo han aumentado la calidad de los scores de crédito, sino también han acelerado los procesos de decisión. Gracias a la automatización, los prestamistas pueden aprobar a más personas fiables y los prestatarios no deberán tener largos períodos de espera para que su solicitud sea aprobada. Esto permite que las empresas puedan aceptar a más clientes en menos tiempo y evitar la fuga de prospectos ansiosos por obtener resultados al instante. 


Los nuevos sistemas de recolección de datos le llevan una gran ventaja a los sistemas tradicionales por su precisión, capacidad de aprendizaje, seguridad y velocidad de procesamiento. Con todos estos beneficios en mente, la tecnología está ayudando a mejorar los procesos de recolección de datos y a trabajar en pos de su objetivo último de la movilidad social ascendente.