Dados de crédito Powers

No decorrer de quase 30 anos de coleta de dados sobre padrões de gastos com consumidores, a Experian PLC acumulou informações detalhadas sobre mais de 1 bilhão de pessoas e 25 milhões de empresas americanas. Como uma das “três grandes” departamentos de relatórios de crédito, juntamente com a TransUnion LLC e a Equifax Inc., ele coleta as informações vitais para as instituições financeiras que tomam decisões sobre a quem emprestar e quanto.

Quando a análise de grandes dados assumiu o mundo financeiro por tempestade há alguns anos, a Experian percebeu que estava sentada em uma mina de ouro. Em 2019, começou a projetar uma expansão transformadora em análise de software program e dados, criando um negócio que agora gera 35% das US $ 7 bilhões da empresa em receitas anuais.

O software program está agora no centro da estratégia de crescimento da Experian. “Eu entrei há 10 anos, e a empresa agora é quase irreconhecível”, disse Alex Lintner, diretor executivo da Experian Software program and Know-how.

No centro do novo negócio está a Plataforma Ascend, um conjunto synthetic orientado a inteligência introduzido em 2023 que integra dados, análises, ferramentas de desenvolvimento de software program, prevenção de fraudes, análise de empréstimos e outros serviços. É uma versão comercial da análise que a Experian faz há décadas.

Atualmente focado em serviços financeiros, assistência médica, advertising and marketing automotivo e digital, a Ascend automatiza muitas das tarefas manuais de ciência de dados que são padrão nesses setores há anos. É usado por 80 grandes organizações nos EUA e 8.000 cientistas de dados. Clientes e parceiros construíram mais de 1.500 soluções embaladas.

Balanço de risco

A Ascend atende a duas necessidades principais que são comuns a instituições financeiras e fornecedores de produtos e serviços de large bicket. “Eles querem um modelo que diga que tipo de clientes eles querem ganhar e como reduzir o risco de fraude”, disse Lintner. “Construir o modelo e ir do ambiente analítico para o ambiente tem sido um processo trabalhoso, demorado, tedioso e propenso a erros. Encontramos maneiras de automatizar isso”.

As três agências de crédito grandes são mais conhecidas por suas pontuações de classificação que avaliam a credibilidade de um consumidor, mas avaliar a probabilidade de uma pessoa pagar um empréstimo a tempo é muito mais sutil do que uma única pontuação.

Pacientes de um hospital ou pessoas que compram um carro geralmente pagam a conta ao longo do tempo. Cerca de 75% dos compradores de carros dos EUA arrendam ou financiam seus veículos, disse Lintner. A probabilidade de uma pessoa ser uma boa perspectiva ou risco envolve fatores demográficos complexos, bem como seus hábitos de compra de carros, histórico de crédito e características do estilo de vida.

Os profissionais de advertising and marketing usam dados de várias fontes para atingir possíveis compradores de carros com ofertas, enquanto as empresas de financiamento automotivo consideram fatores comportamentais ao decidir os termos de um empréstimo. A Experian reuniu 200 atributos, ou perfis comportamentais de compradores. Seus clientes combinam esses dados com fontes de informação externa e interna para criar modelos que orientam suas decisões. Todos os dados são anonimizados para cumprir os regulamentos.

Automatizando o trabalho grunhido

A Experian automatizou grande parte do trabalho grunhido de chicotear dados em forma para torná-los dignos de análise. “Limpamos os dados e para garantir que sejam completos, precisos, nos formatos certos e frescos”, disse Lintner. “Então, temos um ambiente de sandbox analítico, onde os cientistas de dados podem executar seu código Python, R ou SAS para construir um modelo”.

Assistente Experianuma ferramenta de IA generativa que a empresa anunciou em outubro passado, auxilia na codificação, aprimora a transparência do modelo e ajuda os cientistas de dados a percorrer várias iterações rapidamente com conselhos para codificação e implantação ideais. Ganhou recentemente o 2025 Prêmio de inovação da FinTech Breakthrough for Analytics.

“Ele não substitui um cientista de dados; é como ter um consultor experiente sentado ao seu lado”, disse Keith Little, presidente da Experian Software program Options. “Você pode fazer perguntas sobre os dados e isso ajuda você ao código usando a Gen AI que treinamos com anos de experiência”.

Little disse que a Experian esperava inicialmente que o assistente melhorasse a produtividade da codificação em cerca de 30%, mas “vimos clientes que estão alcançando até 60% de ganhos”.

Corrigindo o desvio do modelo

A GEN AI também ajuda depois que os modelos se movem para a produção. O modelo “Drift” é um problema comum no qual o desempenho de um modelo de aprendizado de máquina piora ao longo do tempo, à medida que os dados do mundo actual se divergem do usado no treinamento. A detecção de deriva tem sido tradicionalmente difícil, pois as mudanças acontecem gradualmente e podem ser difíceis de detectar.

A Experian automatizou esse processo, disse Lintner. “Quando um modelo se aproxima, criamos um alerta usando a Gen AI que identifica a causa raiz e faz sugestões de alterações que podem restaurar o modelo à sua eficácia quando foi originalmente construído”, disse ele.

Uma caixa de fraude agrega bilhões de eventos em todo o mundo e os exibe em um mapa de calor correlacionado com gatilhos como ofertas de e -mail. “Você pode ver que talvez tenha aceitado e -mails associados a fraudes em outras organizações; portanto, provavelmente não deve fazer negócios com esse cliente”, disse Little.

A Challenger Modeling, uma técnica usada para testar modelos alternativos de aprendizado de máquina contra um modelo de produção, reduziu o tempo para identificar padrões fraudulentos de semanas a alguns dias, disse Little.

Termos de rejeição

Outro recurso da plataforma é “rejeitar inferir”, uma técnica de pontuação de crédito que estima a credibilidade dos candidatos anteriormente rejeitados para um empréstimo. Como os modelos tradicionais coletam apenas dados de candidatos aceitos, a rejeição da inferência tenta reduzir o viés inferindo o que poderia ter acontecido se os candidatos rejeitados tivessem sido aprovados.

A disciplina também analisa os clientes que rejeitaram uma oferta de empréstimo e depois aceitaram uma de outra fonte. “Talvez eles tenham recebido um empréstimo com um oitavo de uma taxa de juros percentual”, disse Lintner, “então talvez você deva pensar nos termos que oferece ou talvez suas diretrizes de fraude sejam muito apertadas”.

Em um setor altamente regulamentado, a Gen AI também ajuda a gerar as montanhas da papelada necessária para a conformidade.

“Pode levar meses ou anos para colocar modelos em produção; grande parte do motivo é a conformidade”, disse Little. A Experian treinou seu modelo GEN AI na orientação do SR 11-7 sobre o gerenciamento de riscos do modelo exigido pelo Federal Reserve e pelo Escritório de Controladoria do Departamento do Tesouro dos EUA. “Também podemos treinar o modelo nas políticas do cliente, para que a plataforma gerará a papelada junto com seus modelos para satisfazer o OCC”, disse Little.

Com uma plataforma que combina colaboração, um conjunto integrado de ferramentas e uma interface de usuário comum, a Experian espera se tornar o Microsoft Workplace of Credit score Analytics, disse Lintner. “Nossa intenção é fazer pelas indústrias que servimos o que a Microsoft fez para o PC”, disse ele.

Foto: Experian