Seperti apa Banca AideXa, sebuah perusahaan bank fintech, dalam menggunakan AI Decisioning Platform untuk mendukung perkembangan usaha kecil dan menengah?

Dalam era perbankan yang terus bertransformasi, inovasi menjadi kunci dalam mendukung pertumbuhan dan perkembangan usaha kecil dan menengah (UKM). Hal yang dilakukan oleh Banca AideXa adalah salah satu contoh kisah sukses inovasi tersebut.

Seperti yang mereka sampaikan dalam webinar berjudul “Revolutionizing SME Financing: How Banca AideXa uses an AI Decisioning Platform and Open Banking to Support SME Growth”, AideXa merupakan bukti akan potensi teknologi yang mengubah cara lembaga keuangan berinteraksi dan memberdayakan UKM. Banca AideXa, sebuah bank fintech yang berfokus pada bisnis UKM, menjadi pelopor dalam revolusi ini di Italia

Dengan komitmen yang kuat untuk menyederhanakan akses UKM terhadap kredit melalui pendekatan yang sepenuhnya digital, Banca AideXa memanfaatkan kecerdasan buatan (AI) dan konsep open banking yang dikombinasikan dengan penggunaan credit decisioning platform. Dengan demikian akan tercipta pengalaman kredit yang mulus, efisien, dan berbasis data.

Artikel ini akan menyampaikan kembali wawasan yang telah dibagikan Banca AideXa mengenai cara Banca AideXa membantu UKM mengatasi kelemahannya, membuat solusi yang sesuai dengan kebutuhan nasabah UKM, memanfaatkan potensi data dan model AI dalam strateginya, serta bekerja sama dengan Actico sebagai penyedia credit decision platform.

Banca AideXa (kedepannya disebut Aidexa) merupakan perusahaan fintech asal Italia pertama yang berfokus pada bisnis sektor usaha kecil dan menengah (UKM).

Didirikan pada tahun 2020, Aidexa lahir dengan misi yang sangat jelas, yaitu untuk membantu kehidupan para pengusaha Italia. Itulah mengapa bisnis inti mereka adalah memberikan pinjaman kepada UKM secara 100% digital yang memanfaatkan peluang yang diberikan oleh teknologi open banking.

Aidexa mengatakan bahwa kunci keberhasilan dari strategi mereka adalah berkat adanya data dan model AI.

Namun sebelum membahas hal tersebut, penting untuk mengetahui terlebihi dahulu kelemahan dan kelebihan dari sektor usaha UKM di industri keuangan. Menurut Aidexa, pada dasarnya pembiayaan untuk sektor UKM itu sulit dan mahal. Kelemahan-kelemahan lainnya adalah:

• Lebih rentan dibandingkan korporasi atau perusahaan besar pada saat kondisi ekonomi yang sulit
• Balance sheet yang tidak atau belum diaudit.
• Memiliki sumber daya yang berpengalaman yang lebih sedikit dibanding perusahaan besar.
• Pendapatan yang kecil

Namun di sisi lain, UKM juga memiliki kesempatan besar untuk bertumbuh secara bisnis. Setidaknya di Italia, UKM merupakan penopang utama ekonomi negara tersebut. Hingga 50% Produk Domestik Bruto (PDB) Italia terdiri dari usaha kecil dengan karyawan kurang dari 50 orang.

Selain itu, hal lainnya yang perlu diperhatikan terkait UKM adalah berikut:

• Cukup fleksibel untuk meningkatkan pendapatan yang besar.
• UKM umumnya dimiliki oleh pendiri yang mengelola strategi keuangannya sendiri. Dalam hal pengalaman pelanggan, UKM berperilaku lebih seperti nasabah individu daripada nasabah perusahaan.

Bagaimana cara AideXa membantu hambatan-hambatan yang dialami UKM?

UKM seringkali mengalami kesulitan dalam mengajukan pinjaman ke bank tradisional. AideXa ingin mengambil peran dalam meningkatkan akses kredit tersebut bagi pengusaha-pengusaha UKM. Selain itu, karakteristik nasabah UKM yang mirip dengan nasabah individu mendorong AideXa untuk memberikan pengalaman yang cepat, sederhana, dan transparan. Hal tersebut tentunya diharapkan oleh nasabah UKM layaknya nasabah individu.

AideXa menilai bahwa data dan model AI akan sangat membantu mereka dalam mengatasi masalah yang dialami UKM.

Sebagi contoh, informasi dari balance sheet yang belum atau tidak diaudit tentunya tidak dapat diandalkan. Namun setiap UKM pasti memiliki data transaksi akun. Adanya data transaksi ini dapat menggantikan kualitas balance sheet yang tidak reliable tadi.

Dalam data transaksi, dapat ditemukan ribuan data points yang akan digunakan dalam analisis kelayakan kredit perusahaan. Selain itu, untuk memenuhi kebutuhan nasabah UKM akan transparansi, AideXa juga membangun sistem yang melibatkan interaksi manusia dalam keputusan kredit dan hubungan dengan nasabah.

Salah satu cara yang diterapkan oleh AideXa untuk memenuhi kebutuhan ini adalah dengan menggunakan model explainable AI yang diintegrasikan dengan sebuah credit decisioning platform.

Terdapat tiga pilar utama yang dilakukan AideXa dalam menggunakan data dan model AI, yaitu:

Mengumpulkan data melalui data-lake

Data-lake (tempat penyimpanan data) digunakan untuk mengumpulkan data operasional dari berbagai sumber dan mengubahnya menjadi data analitik. Terdapat tiga lapisan data di data-lake, yaitu bronze, silver, dan gold layer.

Data operational dipindahkan ke bronze layer yang kemudian diterapkan data cleansing sehingga naik ke silver layer. Pada gold layer, dilakukan cleansing data lebih lanjut sehingga pada tahapan ini kualitas data sudah cukup baik (setara dengan kualitas data pada EDW) dan sudah dapat digunakan oleh Data Scientist dan Business Analyst.

Proses transformasi data operasional menjadi analytical data ini sangat singkat, bahkan dikatakan near real-time. Ketika nasabah sedang melakukan proses pendaftaran di web dan mengisi beberapa data, sistem mengirimkan data ke data-lake dalam waktu beberapa menit saja.

AideXa juga menekankan pentingnya melihat data sebagai sebuah produk, bukan aset sampingan yang hanya digunakan sewaktu-waktu seperti yang biasanya terjadi pada bank tradisional. Dengan melihat data sebagai produk, data yang dipindahkan ke data-lake dipastikan sudah siap dikonsumsi berbagai pihak.

Dengan begitu, AideXa mengklaim dapat memangkas waktu sebanyak 9 minggu dari total 10 minggu yang dibutuhkan bank tradisional dalam memahami data, membersihkan data, dan menjaga integritas data. Sehingga, tim Data Scientist dapat menggunakan waktu tersebut untuk fokus membuat model Machine Learning.

Mengembangkan model Machine Learning

Model Machine Learning (ML) dibuat menggunakan data tradisional berupa data transaksi akun yang memiliki tingkat granularity yang cukup tinggi. Untuk teknik yang digunakan, AideXa menggunakan berbagai teknik pemodelan ML dalam menganalisis data seperti Random Forest dan Logistic Regression.

Selain itu mereka juga menggunakan pendekatan Incremental Learning, yakni metode yang dapat menangani data kapanpun data tersedia dan memastikan data digunakan oleh pihak yang berkepentingan, dalam penerapannya. Sebab, data yang Aidexa gunakan bertambah seiring dengan waktu.

Ada 5 sumber data utama yang digunakan oleh Aidexa. Dari setiap sumber data, setidaknya ada satu model ML yang digunakan. Berikut adalah sumber data tersebut:

• Informasi Publik

Informasi yang diungkapkan ke publik seperti sektor bisnis perusahaan,

• Balance Sheet

Walaupun untuk bisnis UKM data balance sheet tidak sepenuhnya dapat diandalkan, dalam data yang menunjukkan KPI utama seperti pendapatan masih dapat diekstrak untuk kedepannya digunakan dalam data transaksi.

• Pemberi data eksternal

Data dari Credit Bureau (data CRIF, atau SLIK jika di Indonesia) dan Bank of Italy.

• Data transaksi

Data arus kas Perusahaan.

• Text mining data transaksi

Pada kolom deskripsi atau berita di tiap transaksi, dapat diperoleh informasi seperti kategori transaksi, nama atau pihak yang dituju, dan lain-lainnya.

Runtime implementasi yang cepat dan fleksibel.

Untuk mencapai implementasi yang cepat dan fleksibel, AideXa menerapkan dua cara, yaitu Banking-as-a-Service dan platform pengambilan keputusan kredit (credit decisioning platform).

Dengan adanya Banking-as-a-Service, pengajuan kredit di AideXa dapat sepenuhnya dilakukan secara digital. Hal ini kemudian didukung dengan sistem perangkat lunak dan infrastruktur yang dirancang dan dikembangkan secara khusus untuk beroperasi dalam environment cloud (Cloud-native components). Banking-as-a-Service juga memungkinkan AideXa membuat API yang dapat dikustomisasi sesuai kebutuhan partner.

Selain penggunaan Banking-as-a-Service, penggunaan Credit Decisioning platform juga berperan besar dalam implementasi AI pada sistem keputusan kredit AideXA.

Dalam banyak kasus, ketika berbicara tentang teknologi atau model ML dalam industri fintech, sering kali fokus lebih besar diberikan pada algoritma dan model ML itu sendiri. Sementara infrastruktur yang memfasilitasi implementasi dan penggunaan model sering diabaikan.

Menurut AideXa, tanpa credit decisioning platform yang baik, model machine learning hanya akan menjadi konsep teoritis, bukan sesuatu yang berdampak dalam bisnis fintech.

Oleh karena itu, AideXa mengimplementasikan model ML dalam bentuk microservices, sementara untuk menjalankan seluruh model tersebut digunakan sebuah Credit Decisioning Platform (CDP). Decisioning platform yang digunakan ini dapat dengan mudah diakses melalui serangkaian API yang dipanggil saat user menginput data di website. Decisioning platform kemudian mengevaluasi kualitas kredit dari data yang diinput di website secara real-time, dengan akurasi yang semakin meningkat seiring dengan banyaknya data yang diberikan.

Terkadang untuk kasus jumlah pinjaman yang cukup besar, adanya campur tangan manusia dalam pengambilan keputusan kredit akan memberikan hasil yang lebih baik dibandingkan hanya menggunakan model ML sepenuhnya.Decisioning platform inilah yang kemudian membantu menyusun data dan menyediakan antarmuka pengguna atau user interface (UI) yang dapat digunakan Credit Analyst mengambil keputusan kredit.

Memilih Actico sebagai solusi Credit Decisioning Platform

Seperti yang disebutkan sebelumnya, credit decisioning platform merupakan ‘aktor’ utama dalam keseluruhan sistem keputusan kredit di AideXa karena kemampuannya dalam mengkoordinasikan berbagai sistem yang terlibat. Selain terintegrasi dengan webpage pengajuan kredit melalui API, credit decisioning platform menyediakan UI untuk Credit Analyst dan juga dapat terhubung dengan data-lake.

Dikarenakan perannya yang krusial, AideXa menekankan bahwa memilih platform yang tepat adalah langkah yang sangat penting. Oleh karena itu, AideXa menggunakan Actico untuk memenuhi kebutuhan mereka akan sebuah platform keputusan kredit.

Mengutip dari website Actico, solusi CDP yang dimiliki Actico merupakan perangkat lunak yang menggabungkan antara business rule dan ML dengan teknologi otomatisasi yang memungkinkan perusahaan melakukan proses pengambilan keputusan di dunia digital.

Dalam pembuatan model pemutusan kredit, Actico menawarkan sebuah editor grafis yang penggunaannya intuitif dan memungkinkan integrasi dengan model ML (dalam bahasa pemrograman Python, R, SAS, atau H2O) yang sudah tersedia. Selain itu, Actico juga memungkinkan integrasi data (baik internal maupun eksternal) dan integrasi dengan sistem yang sudah ada menggunakan API. Dengan berbagai fitur yang disediakan ini, AideXa menilai fleksibilitas dan kemudahan yang ditawarkan Actico telah meningkatkan efisiensi pada sistem keputusan kredit mereka.

Untuk kasus AideXa sendiri, terdapat penggunaan beberapa platform yang disediakan Actico dalam arsitektur sistem keputusan kreditnya. Beberapa yang mereka gunakan dalam arsitekturnya adalah sebagai berikut:

• Rule Engine

Merupakan mesin yang melakukan otomatisasi proses pengambilan keputusan dari aturan bisnis dan model ML yang dibuat.

• Underwriter UI

UI yang digunakan oleh Credit Analyst jika diperlukan pengambilan keputusan secara manual.

• Data layer

Komponen yang mengintegrasikan Credit decision platform dengan data-lake.

Dalam rentang waktu 3 tahun menerapkan strategi dan teknologi ini, hasil yang diharapkan AideXa sudah cukup terlihat. AideXa sudah memiliki 3.400 peminjam, dengan kualitas peminjam yang juga cukup baik, yaitu sebesar 3,4% jika dinyatakan dalam rasio NPE (Non-Performing Exposure).

Strategi yang diterapkan AideXa juga menjadikan mereka sebagai institusi dengan solusi peminjaman paling cepat di Italia, memerlukan waktu hanya 20 menit untuk para pengusaha mengetahui status dari pembiayaannya. AideXa juga memungkin para pengusaha untuk menerima uang pencairan dalam waktu 48 jam. Sebagai perbandingan, umumnya di Italia UKM memerlukan waktu antara 60-90 hari untuk proses evaluasi kredit.

Cara Banca AideXa menerapkan Credit Decisioning Platform, Machine Learning, dan Open Banking telah mengungkapkan bagaimana peran penting teknologi dan inovasi dalam menjawab kebutuhan finansial UKM. Dengan fokus pada pemberdayaan UKM, Banca AideXa telah membuka jalan bagi lebih banyak pengusaha untuk mengakses pembiayaan yang mereka butuhkan dengan cepat dan efisien. Melalui kolaborasi dengan Actico, mereka telah menciptakan solusi yang mengubah cara pengambilan keputusan kredit dilakukan. (Adri)