Con una aplicación para disminuir la tasa de riesgo, Quash se convirtió en la ganadora del la primera edición de Fintech Idol, el concurso de empresas tecnológicas de nuestro evento virtual FATV celebrado en mayo. Esta plataforma de Behavioral Lending que determina la propensidad que tienen los clientes para repagar préstamos según su personalidad se basa en datos como las actitudes, habilidades, conocimiento e intereses de los aplicantes, así como su historial financiero.
En esta entrevista conocemos de primera mano con Yoel Gavlovski, CEO de QUASH.ai, cómo funciona la plataforma y su proyección después de haber sido reconocida por Fintech Americas.
La primera idea surgió en el 2019 luego de una charla de Machine Learning en San Francisco, donde el director de Data de Nike mostró una nueva tecnología que les estaba permitiendo acelerar la forma en que se demoran en entender las intenciones de compra de sus usuarios, pasando de 36 horas a milisegundos. La tecnología les daba el mismo poder que hoy en día tiene Netflix para predecir qué película vas a ver o Amazon sobre qué producto vamos a comprar la próxima semana.
Unas semanas después, conversando con un director de Riesgo de un banco, me contó cómo estaban tomando decisiones crediticias al combinar sus modelos internos de riesgo con los bureaus tradicionales del país. Cuando le pregunté por qué estaban rechazando al 80% de los aplicantes, su respuesta fue que es muy alto el riesgo de agregar nuevas reglas crediticias con las tecnologías que se usaban para ese entonces.
Después de investigar qué prácticas de vanguardia permitían mejorar estas cifras, el resto de fundadores de QUASH y yo descubrimos que la principal razón de los altos rechazos a préstamos por las instituciones financieras era la falta de data en la mayoría de los países de LATAM, pero que una vez robustecida la información de estos aplicantes con otras fuentes de data, al menos la mitad de ese 80% de rechazados sí eran capaces de ser buenos pagadores.
Los siguientes seis meses fueron de estudio y conocimiento de las distintas formas en las cuales otras tecnologías ya habían intentado solucionar este reto en el pasado. En este período, nos dimos cuenta de que ninguno de los intentos pasados utilizaba las prácticas predictivas de vanguardia de Nike, Netflix o Amazon; donde por ejemplo, cada vez que Amazon predice sobre una persona, arroja 1.000 predicciones en promedio y al final escoge las 3 predicciones donde mayor confianza hay. Fue ahí donde nos preguntamos: ¿Qué pasaría si además de capturar la data tradicional típica de cualquier aplicante para un préstamo buscáramos conocer más sobre todas las fuentes de data alternativas existentes de ese individuo: información de servicios, compras transaccionales, información psicométrica y metadata?
Al culminar el estudio, descubrimos que hoy en día, en promedio, existen 700 fuentes de data por individuo en LATAM, un 30% por encima de lo que había disponible hace tan solo 2 años.
Finalmente, se le consultó a 40 instituciones financieras a lo largo de la región de LATAM si estarían dispuestos a probar una solución que les permitiera establecer un presupuesto mensual de validación de prueba de estos puntos de datos, el riesgo máximo que estaría dispuestos a asumir y el mínimo retorno que esperarían, para probar la rentabilidad de agregar nuevas reglas de piloto a política crediticia. Al finalizar el período de prueba, las 40 instituciones mostraron en promedio un aumento de 300 a 1.000 reglas predictivas en menos de 6 meses.
Y así fue como igual que Amazon escoge 3 las mejores predicciones de qué producto es el más probable que cada comprador termine llevándose, QUASH le permitió a estas instituciones financieras aumentar 40% su aceptación sin aumentar el riesgo al acelerar la forma de agregar nuevas reglas según su apetito de riesgo. Un resultado que, además de darle un valor importante a las instituciones financieras, nos despertó un sentido de responsabilidad enorme, al saber que podemos ayudar a más de 250 millones de personas en LATAM que sí tienen derecho a acceder a fuentes de crédito, para mejorar sus condiciones de vida (salud, educación, emprender un negocio y demás).
QUASH le permite a los bancos y entidades financieras incrementar aceptación sin aumentar el riesgo a través del uso de data alternativa y machine learning. QUASH.ai ofrece 2 soluciones:
Hemos visto cómo bancos en Latinoamérica han incrementado su aceptación en hasta un 40% y reduciendo defaults hasta en un 20%.
QUASH.ai ha demostrado ser el puente del uso de modelos convencionales, al permitir a las instituciones financieras a verdaderamente conocer la personalidad de a quienes le otorgan préstamos. Ayudando en productos financieros como microcrédito, tarjetas de crédito, préstamos de consumo y PYMES.
La implementación consiste de tres pasos:
1) Validación: Para validar el valor que QUASH.ai le agregaría a la insitución financiera, solo tienen que enviar una muestra de 10.000 aplicantes de: 1) Qué información capturan en el proceso de aplicación, 2) A quiénes aprueban/rechazan y 3) De los que aprueban quiénes han fallado. Una vez enviado, QUASH.ai les envía un análisis preliminar del incremento en aceptación y reducción en pagos tardíos que tendrían en los primeros 2 a 3 meses de prueba.
2) Integración: Una vez el cliente ha observado el valor que puede obtener con QUASH.ai, le damos acceso a nuestro API, de manera que sus credit managers puedan hacer llamados a nuestro modelo. El cliente pondera el nivel de relevancia que nuestro modelo tendrá en el suyo.
3) Inclusión de Data Alternativa y Acceso a la Plataforma: Tras haber validado por 3 meses el valor agregado, QUASH.ai le recomienda qué data alternativa debería utilizar para continuar incrementando aceptación y reduciendo default. Adicionalmente, el cliente recibe el acceso a la plataforma donde los directores de riesgo establecen un presupuesto mensual de prueba, el riesgo máximo que estaría dispuestos a asumir y el mínimo retorno que esperarían. La plataforma también permite que los directores de riesgo crediticio hagan pruebas manuales para comparar si las recomendaciones de Machine Learning automáticas de QUASH.ai son más acertadas.
El área que obtiene mayor valor es el departamento de Riesgo de Crédito. También trabajamos con las áreas de Innovación y Comerciales de la institución financiera.
A raíz del COVID-19 las reglas crediticias del pasado perdieron vigencia y para las nuevas instituciones no cuentan con data histórica de cómo se ajustaron en previas recesiones económicas.
Una gran cantidad de instituciones financieras han iniciado a utilizar a QUASH.ai durante el COVID-19 principalmente con miras de robustecer la data que cuentan de cada aplicante. Al mismo tiempo, buscan acelerar la forma como agregan nuevas reglas de piloto a política crediticia de forma rentable, con la intención de salir al mercado y poder incrementar su market share.
Gracias a Fintech Américas, pudimos conocer a una cantidad importante de clientes, partners y levantar la más reciente inversión de $1M para poder ayudar a las Instituciones Financieras a recuperar su confianza crediticia durante el COVID-19.
Si quieres saber más sobre QUASH y cómo está ayudando a las instituciones financieras en América Latina a recuperar su confianza crediticia en tiempos de COVID-19 te invitamos a conocerlo en un webinar el viernes 26 de junio a las 11am EST. Regístrate aquí.