O papel dos dados de transações no aumento do acesso à casa própria

No ano passado, a Agência Federal de Financiamento da Habitação (FHFA) e as entidades patrocinadas pelo governo (GSEs) Fannie Mae e Freddie Mac se comprometeram a explorar maneiras inovadoras de expandir o acesso à casa própria segura.

Essa cobrança não poderia ter vindo em melhor hora.

A diferença racial de propriedade de casas entre brancos e negros americanos é maior do que era em 1960, e uma combinação de taxas de juros de hipotecas crescentes, preços de casas crescentes e um modelo ultrapassado para avaliar a capacidade de pagamento dos consumidores está exacerbando o problema. Como profissionais de hipotecas, é nosso dever apoiar a propriedade da casa própria nas comunidades que atendemos com oportunidades de financiamento imobiliário sustentável. Felizmente, avanços na avaliação da capacidade de reembolso dos consumidores chegaram e podem permitir que os credores adotem práticas de empréstimo responsáveis ​​e mais inclusivas.

A maneira mais direta de entender a capacidade do consumidor de pagar uma hipoteca é analisar o dinheiro que entra e sai do banco a cada mês. O modelo de longo prazo para determinação da capacidade de pagamento, score de crédito ao consumidor, considera apenas o crédito histórico para determinar o risco de crédito. Exclui inúmeros americanos sem crédito e com crédito ruim, potencialmente calculando mal a capacidade de pagar para consumidores com baixa pontuação de crédito.

Um processo de subscrição abrangente que inclui dados financeiros de vários vetores – renda disponível, renda discricionária e pontuação de crédito – pode fornecer maior proteção contra os riscos associados à criação e ao processamento de um empréstimo, ao mesmo tempo em que fornece uma imagem mais clara da verdadeira capacidade de pagamento dos mutuários, o que FormFree chama ATP.

Usar o ATP dá aos credores o melhor dos dois mundos. Além de fornecer aos credores uma ferramenta poderosa para expandir com responsabilidade as oportunidades de financiamento habitacional para comunidades carentes, a ATP permite que os credores aumentem a escala assumindo o negócio de solicitantes de empréstimos com crédito que, de outra forma, seriam negados em modelos de subscrição menos complexos. A ATP ajuda os credores a transformar empréstimos negados em empréstimos fechados e ajuda mais consumidores a liberar o poder de geração de riqueza representado pela casa própria.

Entenda a linguagem das demonstrações de fluxo de caixa

Embora a análise de dados de transações do consumidor forneça uma compreensão mais precisa da métrica de ATP de um consumidor, a revisão manual de extratos bancários é uma tarefa formidável para profissionais de hipotecas ocupados. Felizmente, os avanços recentes na inteligência de dados oferecem aos credores uma maneira de reintegrar esse processo sem problemas.

Uma inovação poderosa no século 21, o processamento de linguagem natural incorpora aspectos de linguística, ciência da computação e inteligência artificial (IA) para identificar padrões entre dados digitais e linguagem humana. Para fins de empréstimos hipotecários, o processamento de linguagem natural pode ser usado para extrair dados de fluxo de caixa dos consumidores de seus extratos bancários para fornecer aos credores uma melhor compreensão das expectativas de renda disponível e discricionária.

Esses dados amplos são úteis por si só, mas são ainda mais úteis quando vistos em conjunto com os modelos tradicionais de avaliação de risco de crédito. Como os credores podem corroborar dados obtidos por meio de processamento de linguagem natural com outras fontes de dados externas, como agências de crédito, ele fornece uma camada adicional de segurança ao determinar a elegibilidade de crédito de um comprador residencial.

O processamento de linguagem natural também pode evitar vieses não intencionais que podem vir de formas alternativas de inteligência de dados. Enquanto outras tecnologias baseadas em inteligência artificial ou aprendizado de máquina são conhecidas por aprender e aplicar preconceitos humanos de forma programática, as soluções de processamento de linguagem natural usam algoritmos baseados em regras que apenas calculam renda e fluxo de caixa. Esses algoritmos ignoram intencionalmente informações como a etnia do candidato para manter a objetividade. Dessa forma, o processamento de linguagem natural é projetado para encontrar a verdade – a verdade baseada em dados bancários reais – em vez de apoiar os preconceitos humanos de longa data que limitam a propriedade de casas de mutuários minoritários.

Democratização do processo decisório de crédito

Este ano, Sandra Thompson, diretora da FHFA, testemunhou ao Congresso que o histórico de pagamentos de aluguéis é tão importante para avaliar o crédito ao consumidor quanto um pagamento de hipoteca, e ela fez um excelente argumento. O aluguel costuma ser o pagamento mais importante que um consumidor faz a cada mês, mas nem todos os proprietários enviam um histórico de pagamento de aluguel do consumidor às agências de crédito. Pequenos proprietários com sistemas menos complexos geralmente não podem relatar automaticamente um histórico positivo de aluguel, portanto, o histórico de pagamento positivo dos inquilinos não é refletido em suas pontuações de crédito. Essa dinâmica de poder, em que os inquilinos devem confiar em seu relacionamento com o proprietário, é injusta para o consumidor e demorada para os credores.

Ao exigir que os proprietários relatem o histórico de pagamentos de um inquilino durante o estágio de decisão de crédito, credores e mutuários se tornam dependentes de terceiros para obter dados financeiros. Isso não apenas retarda o processo de subscrição, mas também adiciona outra camada de risco, pois os dados solicitados aos proprietários podem não ser confiáveis. Ao enviar uma solicitação de verificação de aluguel, um proprietário ocupado ou não envolvido pode simplesmente assiná-lo e confirmar que o consumidor pagou seu aluguel em dia, sem a devida diligência rigorosa que os credores precisam.

Além disso, o processamento de linguagem natural reduz o risco de crédito analisando dados de fluxo de caixa que os credores normalmente não consideram. Por exemplo, embora a renda de uma pessoa possa ser suficiente para se qualificar para um empréstimo, se ela estiver pagando milhares por mês na creche ou na educação particular de seus filhos, essas despesas afetarão negativamente a quantidade de dinheiro que ela pode pagar pela hipoteca a cada mês. Usando o processamento de linguagem natural para extrair dados bancários do consumidor, os credores podem levar em consideração grandes despesas mensais, como creche, ao determinar a elegibilidade de crédito. Isso permite que os credores atendam a mais compradores de imóveis e mantenham os dutos fluindo de maneira mais segura e abrangente.

O uso da tecnologia para apoiar os métodos tradicionais de avaliação de risco de crédito dá mais poder às mãos dos consumidores durante o processo de tomada de decisão de crédito. Embora nem todo consumidor tenha a capacidade de compartilhar suas demonstrações financeiras para mostrar aos credores o que os torna um devedor confiável, com processamento de linguagem natural, seu ATP pode ser calculado como a receita e as despesas médias de um mês típico. Em última análise, esse olhar mais profundo sobre os hábitos financeiros dos consumidores expande as oportunidades de moradia a preços acessíveis, permitindo que os compradores demonstrem seu risco de crédito por meio de transações em seus extratos bancários, não apenas em sua pontuação de crédito.

Protegendo nossa economia colocando a verdade sobre a confiança

O setor de financiamento habitacional é um ator central em nossa economia, e um mercado desse tamanho e influência enorme afeta inerentemente tudo ao seu redor. Para manter nossa economia habitacional saudável, credores, investidores, reguladores, GSEs e empresas financeiras estão particularmente interessados ​​nas políticas, procedimentos e dados que usam para determinar o risco do mutuário. No entanto, esse compromisso com a propriedade segura e sustentável da casa própria não impede que nossa indústria desenvolva suas operações. É por isso que as duas maiores forças do setor de hipotecas, a FHFA e a GSE, estão comprometidas em encontrar maneiras novas e inovadoras de usar os dados do consumidor para expandir o acesso ao crédito sustentável.

Com uma análise mais profunda da fonte direta, dados bancários permitidos ao consumidor, os credores podem determinar mais sobre a situação financeira de um potencial mutuário – desde como eles pagam suas contas até suas várias fontes de renda, seus ativos e até mesmo seu status de emprego. O processamento de linguagem natural é capaz de analisar esses vários pontos de dados de maneira consistente, ordenada e ordenada usando algoritmos baseados em regras que podem identificar rápida e facilmente uma ampla gama de despesas mensais comuns.

É importante notar que as técnicas de processamento de linguagem natural para o setor de hipotecas não surgiram da noite para o dia. Os cientistas da computação levaram vários anos para construir algoritmos confiáveis ​​que permitem que os sistemas automatizados de subscrição da GSE recebam dados do consumidor, identifiquem transações como pagamentos de aluguel e criem mensagens que retornam ao credor para informá-lo sobre o ATP do consumidor. Esses sistemas foram meticulosamente testados e testados novamente antes de serem oferecidos a um amplo público de credores. Essa due diligence garante que a tecnologia disponível no mercado não seja apenas eficaz e precisa, mas também tenha as devidas salvaguardas regulatórias e não envolva qualquer forma de viés desconhecido.

Os dados financeiros do consumidor são os mais confiáveis ​​para identificar o risco do consumidor, em vez de passá-los por várias mãos e avaliá-los por meio de outro tipo de modelo de risco. Observar transações financeiras reais usando processamento de linguagem natural permite que os credores analisem “dados de fatos”, histórico de transações do consumidor de suas contas e mais dados baseados em confiança, como relatórios de terceiros e pontuações de crédito, no estágio de subscrição.

Qual é o próximo?

Técnicas eficazes de processamento de linguagem natural extraem um significado mais profundo de dados não estruturados para fazer a diferença na vida de inúmeros compradores em potencial que não podem ser vistos ou não têm acesso a financiamento habitacional acessível. Ao usar essa técnica para comparar o fluxo de caixa com outros modelos de avaliação de risco de crédito, os credores são mais capazes de gerenciar o risco de forma adequada e abrangente.

O setor de hipotecas fez um grande progresso na forma como aproveita os dados de fontes diretas, e há mais por vir. Os líderes do setor estão investindo em pesquisa e desenvolvimento para expandir a gama de dados financeiros que os consumidores podem dar permissão aos credores para visualizar e analisar. Com o apoio do FHFA, o setor de hipotecas pode antecipar mudanças de políticas que apoiem avaliações de risco mais precisas para melhorar o desempenho de credores, consumidores e da economia imobiliária como um todo.

Leave a Comment

Your email address will not be published.