Pargipink võib ennustada maksekäitumist

Andmeid kogutakse viies rühmas

Big Data Scoring kogub internetis pankadelt laenu taotlejate kohta andmeid viies erinevas andmerühmas.

Esiteks, seadme tehnilised andmed, mis näitavad, milline on seade, millega inimene veebilehele sattus ja kui tihti ta brauserit värskendab. Teatud tüüpi seadmete ja tarkvara kasutajad jäävad Kerti sõnul suurema tõenäosusega hätta. Ent see oleneb suuresti ka turust. Erinevate turgude krediidimudelid tuleb kohandada ja neid pidevalt uuendada. See annab pangale väärtuslikku infot, kas inimene jääb laenu tagasimaksmisega hätta.

Teiseks vaadatakse käitumuslikku infot. Kert rääkis, et enamasti inimesed ei taju seda, et hetkest, kui isik tuleb veebilehele, on võimalik tema kohta infot koguda - mida inimene vaatab, kuhu klikkab jne. Kui inimene läheb veebilehele laene küsima, siis Kerti sõnul on enamasti halvema maksekäitumisega need, kes hakkavad kohe laenutaotlust täitma. Need, kes loevad läbi hinnakirja, mõtlevad pikemalt, käivad võib-olla kodupangast laenujääke kontrollimas, on sageli parema krediidikäitumisega. Tihti pööratakse tähelepanu ka sellele, kuidas isik veebilehele jõudis ning mis oli see otsingusõna, mis ta veebilehele tõi. Seega algab Kerti sõnul krediidivõimekuse hindamine juba enne, kui inimene laenutaotluseni üldse jõuab.  

Kolmas oluline rühm on asukoha info. Enamasti pangad kogutava aadressiga midagi ei tee. Edasijõudnumad üritavad Kerti sõnul analüüsida postiindeksid, sest näiteks Tallinna teatud piirkondadest tulevad pangakliendid on üldjuhul parema maksekäitumisega. Kert rääkis, et Big Data Scoring koostab inimese kohta Google'i kaartide otsingu, mis annab neile sadu lehekülgi numbreid. Need maalivad pildi, kus inimene elab, ja annavad võimaluse maksekäitumist analüüsida.

Muu hulgas tõi Kert üllatava näite, mis võib osutuda maksekäitumise hindamisel positiivseks. Big Data Scoringu meeskond avastas, et mida rohkem on inimese kodukoha lähedal pargipinke, seda parema maksekäitumisega ta on. „Pinkide arvukus näitas, et elukoht asub parkide lähedal. Parkide lähedal asuvate inimeste kinnisvara on üldiselt kallim ja kaudselt saime analüüsida, kas inimene maksab hiljem oma laenu tagasi või mitte,“ rääkis Kert.

Neljas andmerühm on avalikud andmed. Kerti sõnul on inimesed, keda guugeldades ilmub nende LinkedIni konto, tavaliselt parema maksekäitumisega. Need, kelle loetellu kuulub aga näiteks mõnes foorumis esinemine, on halvema maksekäitumisega. „99% sellest, mida me kogume, on müra ega aita maksekäitumist prognoosida. Kui me oleme aga leidnud need üksikud killud, siis see müra järjest rohkem selgineb,“ kirjeldas Kert avalike andmete töötlust.

Viiendaks vaadatakse sotsiaalmeediast kogutud andmeid. Kert nentis, et sotsiaalmeediast automaatselt andmeid võtta ei saa ega ka soovita. „See on õhukesel jääl kõndimine, sest puudutab nii privaatset kui ka seadusandlikku poolt,“ nentis Kert.