Las opciones de financiación de arrendamiento con opción a compra abren el acceso y el poder adquisitivo a quienes tienen un historial financiero escaso. Una empresa estadounidense ofrece opciones sencillas y directas para ayudar a los propietarios de automóviles a conseguir los neumáticos, las ruedas y las reparaciones menores necesarias para mantener sus vehículos en la carretera. Prometen un proceso de solicitud sencillo con aprobación instantánea para solicitantes con un historial financiero saneado.
Los datos internos y externos de múltiples fuentes -de terceros e internos y proporcionados por los usuarios- se orquestaron y cosieron juntos y se analizaron para comprender mejor a los solicitantes , estudiando las distribuciones, patrones y anomalías en los datos.
Cuanto mejores sean los datos que se proporcionen a los modelos para tomar decisiones, mejores serán éstas. Para reunir la información más relevante para entrenar el modelo, se crearon características adicionales como ratios, velocidades y contadores de frecuencia, a partir de los datos de entrada disponibles. Por ejemplo, características estándar como el ratio deuda/ingresos o características no tradicionales como la confianza en el correo electrónico. Esto se hizo sin problemas utilizando las capacidades AutoAI de la plataforma RapidCanvas.
La plataforma AutoAI automatizó la creación del mejor modelo posible para predecir, en el momento de la solicitud de arrendamiento, qué solicitudes son arriesgadas. Con este enfoque de caja blanca, se puede explicar fácilmente el funcionamiento interno del modelo y la importancia de cada factor utilizado para la predicción. En situaciones de riesgo, es importante entender no sólo si alguien es arriesgado, sino también por qué lo es. La explicabilidad es importante para garantizar la responsabilidad, la equidad y la transparencia en los sistemas automatizados de toma de decisiones.
La evaluación de un caso depende de los perfiles individuales de los solicitantes, así como del entorno macroeconómico. Es importante poder simular situaciones del tipo "¿Y si...? Juegue con diferentes características y descubra cómo influyen en las predicciones.
Se generaron aplicaciones de datos interactivas para que los usuarios empresariales revisaran las predicciones de riesgo de arrendamiento y tomaran decisiones basadas en datos. Con una mayor visibilidad del perfil de riesgo de cada solicitante, el equipo pudo comprender mejor los factores que influían en el riesgo de arrendamiento y las tendencias derivadas de los datos.
Con un número cada vez mayor de candidatos y tendencias cambiantes, el modelo se actualiza continuamente para garantizar que el equipo disponga siempre de predicciones eficaces.
La promesa de marca de la empresa es un proceso de solicitud sencillo con aprobación instantánea para solicitantes con un perfil financiero escaso. La IA y el aprendizaje automático permitieron a la empresa ampliar su base de clientes y, al mismo tiempo, reforzar la promesa de marca.
El equipo fue capaz de detectar solicitudes de arrendamiento arriesgadas y repercutir positivamente en sus ingresos, hasta un 10%.
Gracias a la información proporcionada por los modelos dinámicos de aprendizaje automático en tiempo real para predecir resultados futuros, el equipo de la empresa de leasing pudo evaluar y gestionar mejor el riesgo tanto durante la solicitud como durante el periodo de amortización en curso.
Las aplicaciones de datos interactivas permitieron al equipo conocer mejor a los clientes. Las aplicaciones de datos muestran una vista de 360 grados de cada cliente, segmento y grupo de usuarios para comprender mejor los grupos de clientes con patrones y comportamientos similares, y analizar y explorar resultados alternativos.