Quelle est la valeur d'une solution qui n'est jamais adoptée ?
chez Rubyx, nous avons tenu à relever les défis liés à l'adoption de nos solutions d'évaluation du crédit. Ainisi, nous avons développé une approche éprouvée pour instaurer la confiance et obtenir l'adhésion des principales parties prenantes - les agents de crédit - pour nos solutions d'évaluation du crédit, afin que nous puissions nous assurer que nos clients prêteurs puissent bénéficier pleinement de la solution que nous avons développée avec eux.
Séances d'alignement dédiées
Pour que les agents de crédit fassent confiance à la solution d'évaluation du crédit, ils ont d'abord besoin d'une bonne compréhension technique, et d'un alignement des résultats pour prouver que la solution fonctionne réellement -voir, c'est croire.Ainsi, en plus de la formation technique pour les aider, dans de nombreux cas, passer des tableaux de bord d'experts à la notation algorithmique, nous avons mis en place des sessions d'alignement dédiées avec les agents de crédit où nous pouvons comparer les résultats de nos algorithmes de notation avec leur propre analyse.
Au cours de ces sessions, nous demandons aux agents de crédit de sélectionner au hasard des clients qu'ils considèrent comme bons, moyens et risqués. Nous comparons ensuite leurs évaluations avec les résultats générés par nos algorithmes.
Au départ, les agents de crédit sont sceptiques, comme il est naturel lorsqu'on intègre une nouvelle technologie dans des flux de travail établis. Cependant, au fil du temps, ils commencent à réaliser que notre solution s'aligne systématiquement sur leurs propres évaluations dans la majorité des cas.
Tirer les leçons des inadéquations
Bien entendu, la concordance n'est jamais totale. Dans les cas où l'évaluation d'un agent de crédit et les résultats de notre algorithme ne concordent pas, nous consacrons du temps et des efforts à en comprendre la raison sous-jacente. Et la raison est souvent que la familiarité personnelle d'un agent et son historique à long terme avec un client ont conduit à des évaluations subjectives qui ne reflètent pas les modèles objectifs de comportement de ce client. Découvrir ces préjugés est inestimable pour renforcer la confiance dans la solution que nous avons déployée.
Inversement, si l'algorithme produit des résultats inexacts, cela peut être dû à des activités récentes ou spécifiques du client qui n'ont pas été saisies dans les données utilisées comme entrée du modèle. Par exemple, des difficultés financières rencontrées dans un autre établissement pourraient ne pas être prises en compte. C'est précisément la raison pour laquelle nous proposons la fonction de retrait, qui permet aux agents de crédit d'exercer leur expertise et de rejeter les clients qu'ils perçoivent comme risqués malgré la recommandation de l'algorithme de procéder au décaissement. Il est important de noter que les clients qui ont été exclus peuvent facilement être réintégrés une fois que la situation devient plus sûre. En outre, ces sessions s'avèrent être une excellente occasion de recueillir des commentaires et d'identifier les domaines potentiels où les règles de gestion ne tiennent pas pleinement compte des spécificités du marché local,en impliquant activement les agents de crédit dans ce processus itératif, nous nous assurons que notre système de notation tient compte de leur expertise et des nuances du marché local, ce qui améliore sa précision et sa pertinence.
Adopter la solution d'évaluation du crédit en toute confiance
Ces sessions de collaboration jouent un rôle essentiel dans l'adoption réussie de la solution et dans l'établissement de la confiance dans notre technologie d'évaluation du crédit parmi les professionnels qui l'utilisent quotidiennement. En comblant le fossé entre les algorithmes et l'expertise humaine, nous permettons aux agents de crédit d'adopter notre solution en toute confiance, sachant qu'elle complète leurs connaissances et apporte une valeur ajoutée à leurs processus de décision.
Nous pensons que l'instauration d'un climat de confiance et la promotion de l'adoption vont de pair lors de la mise en œuvre de nouvelles technologies (notamment les prêts automatisés )en engageant activement les parties prenantes, en s'attaquant aux préjugés et en intégrant le retour d'information, nous pouvons créer un environnement dans lequel les algorithmes d'évaluation du crédit sont perçus comme des alliés de confiance.Le système d'information sur le marché du travail permet d'améliorer l'efficacité et la précision des décisions en matière de prêt.