Pagtuklas ng modernong pagmamarka ng panganib sa kredito sa pagbili ngayon, magbayad sa paglaon

Ang ideya ng pagpayag sa mga mamimili na magbayad para sa mga kalakal na higit sa maraming mga installment ay hindi nangangahulugang isang bagong imbensyon. Ang mga pagbabayad ng layaway at installment ay naging bahagi ng tanawin ng pananalapi at consumer sa mga dekada. Ngunit ngayon, pagkatapos ng isang mabagal na proseso ng paggawa ng makabago, ang paraan ng pagbabayad ay nabago, muling binigyan, at pinalawak upang maabot ang isang mas malawak na pandaigdigang demograpiko. At tinawag namin itong Buy Now, Pay Mamaya o BNPL.

Habang ang pandemikya ay pinabilis ang pag-uptake ng BNPL, nagtataas din ito ng wastong mga katanungan tungkol sa tunay na pag-unawa ng mga mamimili sa mga produkto, ang kanilang kakayahang kayang bayaran ang kanilang binibili, at ang mga potensyal na epekto sa kanilang mga marka sa kredito.

Sa ulat na ito, susuriin namin nang mas malalim ang pagbili ngayon, magbabayad sa ibang pagkakataon sa merkado, timbangin ang napakalaking patuloy na potensyal nito, at bibigyan ka ng pinakabagong pag-iisip at pagsasaliksik kung paano maaaring magpatuloy na umunlad ang sektor, sa pamamagitan ng pagkuha ng papel na namumuno sa pagpapabuti ng mga mamimili 'kredito.

Basahin ang puting papel

Anong nasa loob?

Ang BNPL para sa mga Milenyo, Gig-manggagawa at Higit Pa

Alamin kung bakit ang BNPL ang pinaka ginustong mode ng pagbabayad ngayon at kung ano ang maaaring nagkakamali tungkol dito.

Pagtimbang ng Mga Panganib Laban sa Kita

Alamin kung ano ang mga pitfalls ng isang hindi mahusay na naisakatuparan na solusyon sa BNPL at kung paano ito makuha nang tama sa unang pagsubok.

Pangako ng Mas Mahusay na Mga Desisyon sa Credit

Tuklasin kung ano ang maaaring gawin ng teknolohiya upang matulungan kang mag-navigate patungo sa mas mataas na kita ay nabawasan ang mga panganib.

Mangyaring Ipasok ang Business Email Address
Salamat! Maaari mong i-download ang whitepaper / ebook sa ibaba. Magpapadala din kami sa iyo ng email ng isang kopya para sa ligtas na pagpapanatili.
Basahin ang puting papel
Naku! May nangyaring mali habang isinusumite ang form.
Mangyaring Ipasok ang Business Email Address
Salamat! Ipapadala namin ang iyong whitepaper / ebook sa ilang sandali. Pagmasdan ang iyong inbox.
Naku! May nangyaring mali habang isinusumite ang form.
Basahin ang puting papel

Pagtuklas ng modernong pagmamarka ng panganib sa kredito sa pagbili ngayon, magbayad sa paglaon

Mangyaring punan ang iyong mga detalye upang makakuha ng eksklusibong pag-access sa e-book

Salamat! Natanggap ang iyong pagsumite at papadalhan ka namin ng iyong kopya sa ilang sandali.

Naku! May nangyaring mali habang isinusumite ang form.

Ang CredoLab ay nangunguna sa makabagong mga kasanayan sa pamamahala ng peligro na nakikipag-ugnay sa mga diskarte sa pagmomodelo ng peligro sa kredito na na-access ng paggulong sa paggamit ng cell phone. Ang Core sa negosyo ng CredoLab ay ang pipeline ng pagmomodelo nito. Kinukuha ang smartphone bilang input, ang pipeline ng pagpoproseso ng data ay binubuo ng isang serye ng mga awtomatikong hakbang, na-root sa mga diskarte sa pag-aaral ng makina, na sa huli ay naglalabas ng isang hulang modelo para sa default ng kredito. Upang maprotektahan ang pagiging kompidensiyal at upang matiyak laban sa bias sa mga indibidwal na customer sa pautang, ang metadata na hindi nakikilala lamang ang ginagamit.

Iniulat ng e-book na ito ang mga natuklasan ni Dr Xiaofei (Susan) Wang, Lecturer at Research Scholar, Yale University mula sa isang pagsusuri na ginawa niya sa modelo ng pagmamarka ng CredoLab. Isinasaalang-alang niya ang isang malawak na hanay ng mga alternatibong diskarte para sa iba't ibang mga iba't ibang mga hakbang ng pipeline at natagpuan ang kanais-nais na mga resulta, kabilang ang kapag inilapat sa totoong data.

Sa e-book na ito, unang tuklasin namin ang mga hanay ng data na kinokonsumo ng CredoLab, kung paano ito isinasalin sa mga marka, at ang kinalabasan na hinahatid nito. Sa huling bahagi ng papel, titingnan namin kung paano umabot ang algorithm ng CredoLab kung ihahambing sa ibang mga pangunahing manlalaro na may mga katulad na modelo ng pagmamarka.

Dr. Xiaofei (Susan) Wang, PhD

Lecturer at Scholar ng Pananaliksik, Kagawaran ng Statistics & Science sa Data, Yale University

Ipinanganak sa Nanjing, China, lumipat si Dr. Wang sa USA sa murang edad at naiugnay sa ilan sa mga nangungunang institusyon. Ginawa niya ang kanyang mga bachelor mula sa University of California at kanyang PhD sa Statistics mula sa Yale University. Kasalukuyan siyang nagtataglay ng mga respetadong posisyon sa isang bilang ng mga asosasyon at nagtatrabaho sa Yale University bilang isang lektor at scholar sa pagsasaliksik. Siya ay may isang bilang ng mga publication at accolades sa kanyang kredito.