Im vergangenen Jahr haben sich die Federal Housing Finance Agency (FHFA) und die von der Regierung geförderten Einrichtungen (GSEs) Fannie Mae und Freddie Mac verpflichtet, innovative Wege zu erkunden, um den Zugang zu Wohneigentum sicher und geschützt zu erweitern.
Dieser Vorwurf könnte zu keinem besseren Zeitpunkt kommen.
Das rassische Eigenheim Lücke zwischen schwarzen und weißen Amerikanern ist größer als 1960, und eine Kombination aus höheren Hypothekenzinsen, steigenden Immobilienpreisen und einem veralteten Modell zur Bewertung der Rückzahlungsfähigkeit der Verbraucher verschärft das Problem. Als Hypothekenprofis ist es unsere Pflicht, Wohneigentum in den Gemeinden, in denen wir tätig sind, mit nachhaltigen Möglichkeiten zur Eigenheimfinanzierung zu unterstützen. Glücklicherweise sind Fortschritte bei der Bewertung der Rückzahlungsfähigkeit der Verbraucher eingetreten und können Kreditgeber in die Lage versetzen, verantwortungsbewusste und integrativere Kreditpraktiken einzuführen.
Die einfachste Methode, um die Fähigkeit eines Verbrauchers zu verstehen, eine Hypothekenzahlung zu leisten, besteht darin, die Gelder zu analysieren, die jeden Monat bei seiner Bank ein- und ausgezahlt werden. Das langjährige Modell zur Bestimmung der Rückzahlungsfähigkeit, ein Kredit-Score der Verbraucher, berücksichtigt nur historische Kredite zur Bestimmung des Kreditrisikos. Es schließt unzählige Amerikaner aus, die keinen Kredit haben und wenig Kredit haben, und es schätzt möglicherweise die Rückzahlungsfähigkeit für Verbraucher mit niedrigeren Kredit-Scores falsch ein.
Ein ganzheitlicher Underwriting-Prozess, der Finanzdaten aus mehreren Vektoren – verfügbares Einkommen, frei verfügbares Einkommen und Kreditwürdigkeit – einbezieht, kann einen größeren Schutz vor dem Risiko bieten, das mit der Vergabe und Herstellung eines Kredits verbunden ist, und gleichzeitig ein lebendigeres Bild der tatsächlichen Zahlungsfähigkeit des Kreditnehmers vermitteln FormFree ruft ATP auf.
Die Verwendung von ATP bietet Kreditgebern das Beste aus beiden Welten. ATP bietet Kreditgebern nicht nur ein leistungsstarkes Tool zur verantwortungsvollen Ausweitung der Möglichkeiten zur Wohnungsbaufinanzierung auf unterversorgte Gemeinden, sondern ermöglicht es den Kreditgebern auch, das Volumen zu erhöhen, indem sie das Geschäft kreditwürdiger Kreditbewerber erfassen, die bei weniger ausgefeilten Underwriting-Modellen abgelehnt worden wären. ATP hilft Kreditgebern, abgelehnte Kredite in geschlossene Kredite umzuwandeln, und es hilft mehr Verbrauchern, die generationsübergreifende Vermögensbildungskraft des Wohneigentums freizusetzen.
Die Sprache der Cashflow-Daten verstehen
Obwohl die Analyse von Verbrauchertransaktionsdaten ein differenzierteres Verständnis der ATP eines Verbrauchers bietet, ist die manuelle Überprüfung von Kontoauszügen ein enormes Unterfangen für vielbeschäftigte Hypothekenprofis. Glücklicherweise bieten moderne Fortschritte in der Datenintelligenz Kreditgebern eine Möglichkeit, diesen Prozess ohne all den Aufwand wieder zu integrieren.
Die Verarbeitung natürlicher Sprache ist eine leistungsstarke Innovation des 21. Jahrhunderts und umfasst Aspekte der Linguistik, Informatik und künstlichen Intelligenz (KI), um Muster zwischen digitalen Daten und menschlicher Sprache zu erkennen. Zum Zwecke der Hypothekenvergabe kann die Verarbeitung natürlicher Sprache verwendet werden, um die Cashflow-Daten der Verbraucher aus ihren Kontoauszügen zu extrahieren, um den Kreditgebern ein besseres Verständnis des verfügbaren und frei verfügbaren Einkommens potenzieller Kunden zu ermöglichen.
Diese weitreichenden Daten sind für sich genommen hilfreich, aber noch nützlicher, wenn sie zusammen mit traditionellen Modellen der Kreditrisikobewertung betrachtet werden. Da Kreditgeber die durch die Verarbeitung natürlicher Sprache gewonnenen Daten mit anderen externen Datenquellen von Drittanbietern wie Kreditauskunfteien abgleichen können, bietet dies eine zusätzliche Sicherheitsebene bei der Bestimmung der Kreditwürdigkeit eines Hauskäufers.
Die Verarbeitung natürlicher Sprache kann auch unbeabsichtigte Verzerrungen verhindern, die durch alternative Formen der Datenintelligenz entstehen können. Während andere auf KI oder maschinellem Lernen basierende Technologien dafür bekannt sind, menschliche Vorurteile programmgesteuert zu lernen und anzuwenden, verwenden Lösungen zur Verarbeitung natürlicher Sprache regelbasierte Algorithmen, die nur Einkommen und Cashflow berechnen. Diese Algorithmen lassen absichtlich Informationen wie die ethnische Zugehörigkeit eines Bewerbers aus, um die Objektivität zu wahren. Auf diese Weise ist die Verarbeitung natürlicher Sprache darauf ausgelegt, die Wahrheit zu finden – die Wahrheit basiert auf tatsächlichen Bankdaten – anstatt langjährige menschliche Vorurteile zu unterstützen, die den Eigenheimbesitz für Kreditnehmer von Minderheiten einschränken.
Demokratisierung des Kreditentscheidungsprozesses
In diesem Jahr bezeugte FHFA-Direktorin Sandra Thompson vor dem Kongress, dass die Geschichte der Mietzahlungen für die Kreditwürdigkeit eines Verbrauchers genauso wichtig ist wie seine Hypothekenzahlung, und sie macht einen ausgezeichneten Punkt. Die Miete ist oft die bedeutendste Zahlung, die ein Verbraucher jeden Monat leistet, aber nicht alle Vermieter übermitteln die Mietzahlungshistorie der Verbraucher an die Kreditauskunfteien. Kleine Vermieter mit weniger ausgefeilten Systemen können häufig keine positive Miethistorie automatisch melden, sodass sich die positive Zahlungshistorie ihrer Mieter nicht in ihrer Kreditwürdigkeit widerspiegelt. Diese Machtdynamik, bei der sich Mieter auf ihre Beziehung zu ihrem Vermieter verlassen müssen, ist sowohl unfair gegenüber dem Verbraucher als auch zeitraubend für die Kreditgeber.
Indem Vermieter während der Kreditentscheidungsphase aufgefordert werden, das Zahlungsverhalten eines Mieters zu melden, sind Kreditgeber und Kreditnehmer auf Finanzdaten von Dritten angewiesen. Dies verlangsamt nicht nur den Underwriting-Prozess, sondern fügt auch eine weitere Risikoebene hinzu, da die von Vermietern angeforderten Daten unzuverlässig sein können. Wenn Sie eine Mietbestätigungsanfrage senden, kann ein beschäftigter oder unbeteiligter Vermieter diese einfach unterschreiben und bestätigen, dass ein Verbraucher seine Miete pünktlich bezahlt hat, ohne die strenge Sorgfaltspflicht, die Kreditgeber benötigen.
Darüber hinaus mindert die Verarbeitung natürlicher Sprache das Kreditrisiko durch die Analyse von Cashflow-Daten, die Kreditgeber normalerweise nicht berücksichtigen. Auch wenn das Einkommen einer Person beispielsweise ausreicht, um sich für einen Kredit zu qualifizieren, wenn sie Tausende pro Monat für die Kindertagesstätte oder private Bildung ihrer Kinder zahlt, wirken sich diese Ausgaben negativ auf den Geldbetrag aus, den sie jeden Monat für eine Hypothek aufbringen können . Mit Natural Language Processing, das die Bankdaten eines Verbrauchers auswertet, können Kreditgeber größere monatliche Ausgaben wie Kinderbetreuung bei der Bestimmung der Kreditwürdigkeit berücksichtigen. Dies ermöglicht Kreditgebern, mehr Eigenheimkäufer zu bedienen und die Pipelines auf sicherere und integrativere Weise am Laufen zu halten.
Der Einsatz von Technologie zur Unterstützung traditioneller Methoden zur Kreditrisikobewertung verleiht den Verbrauchern während des Kreditentscheidungsprozesses mehr Einfluss. Obwohl nicht jeder Verbraucher die Möglichkeit hat, seine Finanzdaten zu teilen, um den Kreditgebern zu zeigen, was ihn zu einem zuverlässigen Kreditnehmer macht, kann sein ATP mit der Verarbeitung natürlicher Sprache als Durchschnitt der Einnahmen und Ausgaben eines typischen Monats berechnet werden. Letztendlich erweitert dieser tiefere Einblick in die finanziellen Gewohnheiten der Verbraucher die Möglichkeiten für bezahlbaren Wohnraum, indem es Hauskäufern ermöglicht, ihr Kreditrisiko mit den Transaktionen in ihren Kontoauszügen und nicht nur mit ihrer Kreditwürdigkeit nachzuweisen.
Schützen Sie unsere Wirtschaft, indem Sie Wahrheit über Vertrauen stellen
Die Immobilienfinanzierungsbranche ist ein zentraler Akteur in unserer Wirtschaft, und ein Markt von solch enormer Größe und Einfluss beeinflusst zwangsläufig alles andere um ihn herum. Um die Gesundheit unserer Wohnungswirtschaft zu erhalten, wenden Kreditgeber, Investoren, Aufsichtsbehörden, GSEs und Fintechs besondere Sorgfalt bei den Richtlinien, Verfahren und Daten an, die sie zur Bestimmung des Kreditnehmerrisikos verwenden. Dieses Engagement für sicheres und nachhaltiges Wohneigentum hindert unsere Branche jedoch nicht daran, ihre Prozesse weiterzuentwickeln. Aus diesem Grund setzen sich die größten Machtzentren der Baufinanzierungsbranche, die FHFA und die GSEs, dafür ein, neue, innovative Wege zu finden, um Verbraucherdaten zu nutzen, um den Zugang zu nachhaltigen Krediten zu erweitern.
Mit einem tieferen Einblick in die vom Verbraucher genehmigten Bankdaten aus direkten Quellen können Kreditgeber viel mehr über die finanzielle Situation eines potenziellen Kreditnehmers bestimmen – von der Art und Weise, wie sie ihre Rechnungen bezahlen, über ihre verschiedenen Einkommensquellen, ihr Vermögen und sogar ihren Beschäftigungsstatus. Die Verarbeitung natürlicher Sprache ist in der Lage, diese verschiedenen Datenpunkte auf konsistente, strukturierte und organisierte Weise mit regelbasierten Algorithmen zu analysieren, die eine Vielzahl üblicher monatlicher Ausgaben schnell und einfach identifizieren können.
Es ist wichtig zu beachten, dass Technologien zur Verarbeitung natürlicher Sprache für die Hypothekenbranche nicht über Nacht entstanden sind. Informatiker haben mehrere Jahre gebraucht, um zuverlässige Algorithmen zu entwickeln, die es den automatisierten Underwriting-Systemen der GSEs ermöglichen, Verbraucherdaten zu empfangen, Transaktionen wie Mietzahlungen zu identifizieren und die Nachrichten zu erstellen, die an den Kreditgeber zurückgehen und ihm die ATP eines Verbrauchers mitteilen. Diese Systeme wurden sorgfältig getestet und erneut getestet, bevor sie für ein breites Kreditgeberpublikum freigegeben wurden. Diese Due-Diligence-Prüfung stellt sicher, dass die auf dem Markt verfügbare Technologie nicht nur effektiv und genau ist, sondern auch über angemessene regulatorische Schutzmaßnahmen verfügt und keine unbekannte Form von Voreingenommenheit enthält.
Die eigenen Finanzdaten eines Verbrauchers sind am zuverlässigsten, um das Risiko eines Verbrauchers zu identifizieren, anstatt sie durch mehrere Hände gehen und von einer anderen Art von Risikomodell bewerten zu lassen. Die Betrachtung tatsächlicher Finanztransaktionen mit Verarbeitung in natürlicher Sprache ermöglicht es Kreditgebern, sowohl „Wahrheitsdaten“, die Transaktionshistorie eines Verbrauchers aus seinen Konten, als auch eher auf Vertrauen basierende Daten, wie Berichte von Drittanbietern und Kreditbewertungen, in der Underwriting-Phase zu berücksichtigen.
Was kommt als nächstes?
Effektive Technologien zur Verarbeitung natürlicher Sprache extrahieren eine tiefere Bedeutung aus unstrukturierten Daten, um das Leben unzähliger potenzieller Eigenheimkäufer zu verbessern, für die Kredite unsichtbar sind oder die keinen Zugang zu bezahlbarer Wohnungsfinanzierung hatten. Durch den Einsatz dieser Technologie zum Vergleich des Cashflows mit anderen Kreditrisikobewertungsmodellen sind Kreditgeber besser in der Lage, Risiken angemessen und umfassend zu managen.
Die Hypothekenbranche hat erhebliche Fortschritte bei der Nutzung von Daten aus direkten Quellen gemacht, und es wird noch mehr kommen. Branchenführer investieren in Forschung und Entwicklung, um den Bereich der Finanzdaten zu erweitern, zu deren Anzeige und Analyse die Verbraucher den Kreditgebern die Erlaubnis erteilen können. Mit Unterstützung des FHFA kann die Hypothekenbranche politische Änderungen antizipieren, die differenziertere Risikobewertungen zum Vorteil von Kreditgebern, Verbrauchern und der Wohnungswirtschaft insgesamt unterstützen.
Der Beitrag Die Rolle von Verbrauchertransaktionsdaten bei der Steigerung des Zugangs zu Wohneigentum erschien zuerst auf HousingWire.