Jenseits von Vorurteilen: Fünf Erkenntnisse zur Verbesserung der Kreditgerechtigkeit mit Reject-Inference-Techniken

Eine der kostengünstigsten Möglichkeiten, mit denen Finanzinstitute die Rentabilität ihres Kreditportfolios steigern können, ist die Verbesserung der Genauigkeit ihrer Genehmigungsmechanismen. „Reject Inference“-Techniken helfen Finanzinstituten dabei, genau das zu tun, und haben Auswirkungen auf die Kreditvergabe an Frauen, die andernfalls keinen Zugang zu Krediten hätten.

Menschen suchen Kredite für persönliche, geschäftliche oder Bildungszwecke. Finanzdienstleister (FSPs) bewerten diese Anträge mithilfe von Algorithmen, Kreditsachbearbeitern oder einer Kombination aus beidem. Diese Bewertungsmethoden können jedoch anfällig für Verzerrungen und Fehler sein, was zu einer ungerechtfertigten Ablehnung geeigneter Antragsteller führen kann.

Die Ablehnungsinferenz ist eine quantitative Methode, die Personen identifiziert, die kreditwürdig sein könnten, aber bei Kreditbewertungsprozessen fälschlicherweise als nicht kreditwürdig eingestuft wurden. Girls's World Banking hatte die Gelegenheit, in Zusammenarbeit mit acht Finanzdienstleistern umfangreiche Forschungen zur Verbesserung der Ablehnungsinferenztechniken durchzuführen. Diese Partnerschaft ermöglichte es uns, sowohl einen öffentlich zugänglichen Bericht als auch einen fünfstündigen Kurs zu diesem Thema zu erstellen. Dies Bericht Und Kurs wurden durch PayPal im Rahmen seiner Unterstützung der Arbeit von Girls’s World Banking ermöglicht, die Datenwissenschaft nutzt, um die Finanzdienstleistungen für Frauen mit niedrigem Einkommen weltweit zu verbessern.

„Girls’s World Banking ist eine globale Kraft, die Frauen und Mädchen weltweit den Zugang zu Finanzdienstleistungen erleichtert. Wir fühlen uns geehrt, zu ihrer neuesten Studie beigetragen zu haben, die sich damit beschäftigt, wie Finanzdienstleister auf der ganzen Welt maschinelles Lernen (ML) und künstliche Intelligenz (KI) nutzen können, um bei ihren Kreditwürdigkeitsprüfungen eine Ablehnungsverzerrung zu erkennen. Diese Forschung ist nicht nur wirkungsvoll; sie hat das Potenzial, zu transformativen Innovationen zu führen, insbesondere für Frauen mit niedrigem Einkommen, die sonst möglicherweise keinen Zugang zu den wichtigen Geschäftsfinanzierungen haben, die Finanzdienstleister in ihren Gemeinden anbieten können. Die Studie bietet umsetzbare Erkenntnisse, die diese Anbieter sofort umsetzen können, und befähigt sie, integrativer zu sein und einen nachhaltigen Unterschied für ihre Kunden zu machen.“

Andrea Donkor, SVP, International Regulatory Relations und Shopper Practices, PayPal

Hier in diese Erkenntnisnotizhaben wir unsere wichtigsten Ergebnisse und Erkenntnisse zusammengefasst:

1. Durch die Ablehnungsschlussfolgerung können die negativen Folgen des verstärkten Bias-Effekts gemildert werden.
   Bei Kreditgenehmigungen ist es entscheidend, Rückkopplungsschleifen oder verstärkte Verzerrungseffekte zu verstehen. Dieses Phänomen tritt auf, wenn die Ergebnisse eines Prozesses als Eingaben wiederverwendet werden, wodurch anfängliche Verzerrungen oder Fehler häufig verstärkt werden. Anfängliche Kreditablehnungen aufgrund von Verzerrungen oder Fehlern können sich negativ auf die Kredithistorie einer Individual auswirken und einen Kreislauf schaffen, in dem diese Antragsteller aufgrund ihrer nun beschädigten Kredithistorie schwerer um zukünftige Kredite kämpfen. Die Ablehnungsinferenz spielt eine Rolle bei der Identifizierung von Personen, die trotz anfänglicher Ablehnungen wahrscheinlich kreditwürdig sind.
2. Durch die Ablehnungsinferenz können die Kreditbewertungsprozesse von FSPs verbessert werden, ohne dass größere Änderungen an ihren bestehenden Kreditbewertungsverfahren erforderlich sind.
   FSPs investieren beträchtliche finanzielle Ressourcen und Zeit in die Entwicklung ihrer Methoden zur Kreditbewertung. Wenn diese Methoden die Entwicklung von Kreditbewertungsalgorithmen beinhalten, wird die Investition noch bedeutender. Größere Änderungen an diesem Modell sind schwierig vorzunehmen. Im Gegensatz dazu erleichtert die Ablehnungsinferenz eine reibungslose Integration mit aktuellen Methoden zur Kreditbewertung, wobei etablierte Praktiken beibehalten werden. Für FSPs ist die Implementierung von Ablehnungsinferenztechniken ein praktischer erster Schritt zur Verbesserung der Equity und zur Reduzierung verpasster Geschäftsmöglichkeiten.
3. In gesättigten Märkten mit zahlreichen FSPs ist die Gewinnung neuer Kunden eine Herausforderung und die irrtümliche Ablehnung potenzieller Kunden kann die Kosten in die Höhe treiben.
   Das Anbieten von Krediten in wettbewerbsintensiven Märkten bringt einzigartige Herausforderungen mit sich. Die überfüllte digitale Kreditlandschaft erschwert die Gewinnung und Bindung von Kunden. Fehlerhafte Ablehnungen, die berechtigten Antragstellern den Kredit verweigern und zum Verlust potenzieller Kunden führen, sind daher für FSPs, die in einem wettbewerbsintensiven Umfeld tätig sind, besonders kostspielig.
4. Durch die Zusammenführung von Matching-Algorithmen und Techniken des maschinellen Lernens (ML) kann ein leistungsstarker und intuitiver Ansatz zur Ablehnung von Inferenzen entstehen.
   Die Integration von Matching-Algorithmen wie Propensity Rating Matching mit ML-Modellen stellt eine robuste Methode zur Identifizierung kreditwürdiger Antragsteller dar, die aufgrund von Voreingenommenheit oder Fehlern irrtümlicherweise abgelehnt wurden. Dieser Ansatz bietet eine statistisch fundierte und intuitive Grundlage für die Nutzung verpasster Geschäftsmöglichkeiten mithilfe der Ablehnungsinferenz.
5. Die kontrafaktische Korrektur öffnet die Tür zu einer neuen, robusten und erklärbaren Klasse von Ablehnungsschlussfolgerungstechniken.
   Die kontrafaktische Korrektur, eine ML-Technik, kann Ablehnungsschlussfolgerungsmethoden erheblich verbessern. Diese Methode bietet klare, für Menschen verständliche Erklärungen für automatisierte Entscheidungen, was besonders bei Kreditbewertungen nützlich ist. Durch die Identifizierung der spezifischen Attribute, die Kreditentscheidungen beeinflussen, bietet sie den Antragstellern umsetzbares Suggestions zur Verbesserung ihrer zukünftigen Kreditwürdigkeit. In Kombination mit ML-Methoden zur Erkennung und Korrektur verrauschter Labels führt die kontrafaktische Korrektur einen neuartigen und robusten Ansatz zur Ablehnungsschlussfolgerung ein und verbessert sowohl die Equity als auch die Genauigkeit von Kreditbewertungen.

Die fünf hervorgehobenen Erkenntnisse weisen auf einen klaren Handlungsaufruf hin: Wenn Sie Kreditfairness anstreben und in Ihrem Portfolio mit einer hohen Ablehnungsquote konfrontiert sind, könnte die Implementierung von Techniken zur Ablehnungsschlussfolgerung und die Nutzung der Leistungsfähigkeit von ML die richtige Wahl für Sie sein.