Financial institutions find it much easier to assess customers
with an existing credit history, or those living in urban areas.
There are also several credit bureaus that assist them in this
endeavour. However, these frameworks do not work as well
for new-to-credit customers, especially in rural areas.
If only industry wide models or simple heuristics were used
to score such customers, many deserving loan applicants
would end up not getting a loan or not getting it on
reasonable terms. Instead, if a good risk scorecard is built
using KYC data, which is collected from every loan applicant
as a routine and regulated process, it is possible to ensure
every applicant receives an objective score.
To tackle this problem, non-linear models such as Random
Forest and XGBoost are being used which can accommodate
many parameters, including categorical ones, and are
reasonably resistant to noise in the data.

Les institutions financières trouvent beaucoup plus facile d'évaluer les clients ayant un historique de crédit existant, ou ceux qui vivent dans les zones urbaines. Il existe également plusieurs bureaux de crédit qui les assistent dans cette démarche. Cependant, ces cadres ne fonctionnent pas aussi bien pour les nouveaux clients du crédit, en particulier dans les zones rurales. Si seuls des modèles à l'échelle de l'industrie ou des heuristiques simples étaient utilisés pour évaluer ces clients, de nombreux demandeurs de prêt méritants finiraient par ne pas obtenir de prêt ou ne pas l'obtenir à des conditions raisonnables. Au lieu de cela, si un bon tableau de bord des risques est construit à l'aide des données KYC, qui sont collectées auprès de chaque demandeur de prêt dans le cadre d'un processus de routine et réglementé, il est possible de s'assurer que chaque demandeur reçoit un score objectif. Pour résoudre ce problème, des modèles non linéaires tels que Random Forest et XGBoost sont utilisés, qui peuvent prendre en charge de nombreux paramètres, y compris des paramètres catégoriels, et sont raisonnablement résistants au bruit dans les données.

t can often be difficult to build a risk scorecard using only
KYC data, which often has noise and incompleteness issues.
However, if realized, it can be used to provide an objective
score to all loan applicants, even new-to-credit ones. Non-
linear classification algorithms are suitable for this purpose.
Several variables are collected from the customer during the
KYC process, such as the age of the customer, self-reported
income, type of occupation, loan purpose, etc. All these
features can be added to a non-linear risk model and their
complex interactions allowed to take place.

Il peut souvent être difficile de créer une carte de pointage des risques en utilisant uniquement les données KYC, qui présentent souvent des problèmes de bruit et d'incomplétude. Cependant, s'il est réalisé, il peut être utilisé pour fournir une note objective à tous les demandeurs de prêt, même ceux qui sont nouveaux dans le crédit. Les algorithmes de classification non linéaire conviennent à cette fin. Plusieurs variables sont collectées auprès du client au cours du processus KYC, telles que l'âge du client, les revenus autodéclarés, le type de profession, l'objet du prêt, etc. Toutes ces caractéristiques peuvent être ajoutées à un modèle de risque non linéaire et leur complexité. interactions autorisées à avoir lieu.

Credit scoring using KYC data