A Study on the Application of Alternative Data in Credit Assessment for the Unbanked Population
Cette étude démontre que l'intégration de données alternatives, telles que les historiques de paiement des loyers et des services publics, dans les modèles d'évaluation du crédit par apprentissage automatique augmente considérablement les taux d'approbation de prêts pour la population « invisible au crédit » sans augmenter substantiellement les risques de défaut ni compromettre l'équité démographique, favorisant ainsi l'inclusion financière.