貸款人總是面臨某種程度的不確定性，但過去幾年確實讓這個行業經受了考驗。 儘管許多人已經使用新的支持技術增強了他們的系統，但仍然存在許多不確定因素——包括因 Covid 救助基金導致的收入膨脹和學生貸款償還暫停導致的消費能力增加——這在承保過程中造成了混亂。
我們與 PayNearMe 的高級銷售總監 Jill Bohlken 進行了交談，了解當今貸款環境發生了怎樣的變化，以及我們對今年的展望。
描述當前的貸款環境及其在過去幾年中的變化。
吉爾博爾肯： 一言以蔽之，當前的貸款環境是不可預測的。 許多匯聚的市場力量在貸方、商家和借款人之間造成了一些不確定性。
我們的消費價格持續上漲，導致可支配收入減少，消費者藉貸更多以支付成本。 根據紐約聯儲的第三季度報告，去年家庭以 15 年來最快的速度增加債務，信用卡餘額集體增長超過 15%。
與此同時，七次加息導致貸款人的利潤率下降，同時他們面臨著吸引新客戶的日益激烈的競爭。
供應鏈中斷等外部力量繼續抑制汽車等一些借貸市場。 貸款期限更長（汽車貸款超過七年）和即時融資等新興趨勢增加了拖欠風險，促使貸方建立準備金並減少管理費用以應對違約情況。
您能否討論一下您觀察到的消費者藉貸行為的任何顯著趨勢或變化？
博爾肯： 去年，由於 Covid 救濟基金過剩和供應短缺，經濟對商品和服務的需求空前增長。 最近，由於通貨膨脹和利率上升，我們看到貸款需求開始正常化。 對於開票人來說，管理風險和違約始終是重中之重。 根據 Experian 的數據，到第三季度，新車貸款的 60 天拖欠率為 0.48%，二手車貸款為 1.17%。
一個更積極的趨勢是完全由網絡和移動設備完成的在線貸款申請的增加。 這種自助服務創新提高了交易速度並加快了貸款審批速度，更不用說為消費者提供了更方便的體驗。
哪些工具、數據或技術可以幫助貸方在延長貸款前降低違約風險？
博爾肯： 擴大使用人工智能和機器學習來分析大量數據並產生可操作的見解是迄今為止貸方應該追求的最令人興奮的工具。 支付平台可以提供一個數據倉庫，將交易數據存儲在一個地方，然後將機器學習模型應用於單個客戶的數據或聚合的行業數據，以創建更智能的風險模型。
例如，人工智能可用於使用數百個數據點（郵政編碼、收入水平、信用評分等）來分析客戶群體，並為該群體分配風險評分。 人工智能甚至可以從政府來源獲取數據，例如失業率和 GDP 報告，以進一步揭示風險。 這項研究幫助貸款人確定如何以及在哪裡找到高概率、低風險的客戶，並相應地調整他們的風險分析和營銷支出。
一旦貸款已經延期怎麼辦？
博爾肯： 支付提供商可以使用多種工具和策略幫助貸方防止延遲或錯過付款，例如通過文本、電子郵件或推送通知發送付款提醒。 供應商可以提供廣泛的支付渠道，讓客戶可以靈活地支付。 在長期延遲付款的情況下，提供商可以提供干預措施以幫助避免違約，例如靈活的還款計劃。
特別令人興奮的是，AI 和 ML 現在使這些策略更加有效。 例如，可以訓練 AI 不斷掃描付款行為以識別多次延遲付款的客戶，然後自動啟動一系列參與消息，促使客戶付款。 人工智能還可以自動解決常見的支付問題。 例如，如果客戶有多個 ACH 退貨，AI 可以應用業務規則，要求他們僅使用現金或卡支付。
這些自動化解決方案為貸方節省了時間和金錢。 人工智能不僅規避了許多可能導致違約的行為，而且還省去了手動解決支付問題的時間和人力。
展望 2023 年，貸方是否會更加猶豫是否向借款人提供貸款？
博爾肯： 很難肯定地說，但需求確實依然旺盛。 根據最近的 Consumer Pulse 研究，四分之一的美國人計劃在 2023 年尋求新的信貸或再融資。然而，根據 Experian 的數據，汽車貸款餘額增長了 7.6%，因此貸方可能希望通過調整信用狀況來抵御風險他們的客戶並削減後台預算以保持更高水平的儲備。
與此同時，貸款人可能會相信這句格言，“手中的一隻鳥勝過叢林中的兩隻鳥。” 這意味著更加重視為現有投資組合提供服務，並通過減少拖欠、降低收款成本以及通過自動化和優化提高運營效率來實現回報最大化。
如果放款人減少發放貸款，需求過剩將流向何方？ 消費者會轉向發薪日貸款，還是其他貸款機構能夠（並且願意）滿足貸款需求？
博爾肯： 在我與許多大型貸方的互動中，我注意到許多人正在裁員，這是一種減少孵化和調整業務規模以適應不穩定貸款環境的方法。
在消費者溢出方面，我看到了幾種“替代”貸款類型的變化，包括先買後付，它將大件物品的付款分成幾筆付款； 在這裡買在這裡付款，這使得汽車經銷商既可以充當賣方又可以充當貸方。 這兩種選擇都吸引了信用不佳和/或獲得傳統融資的選擇有限的客戶。
另一方面，在近十年的負面報導和嚴格的監管監督之後，發薪日貸款正在失去光彩。 它們仍然在一些消費者藉貸中發揮作用，但大多數能夠找到替代方案的消費者會這樣做以避免高額的利率和費用。
