اگر تا به حال مجبور به گرفتن وام شده اید ، می دانید که چه تعداد از اسناد در فرآیند تأیید دخیل هستند.
خیلی زیاد است.
این فرآیند خسته کننده و زمان بر است و در موارد بسیار بیشتر از آنچه انتظار دارید-هنوز دستی است.
اکرولوس یک استارتاپ است که امیدوار است با یک پلت فرم اتوماسیون که به گفته آن اسناد مالی را با دقت بیش از 99 es تجزیه و تحلیل می کند ، این وضعیت را تغییر دهد. به همین منظور ، شرکت مستقر در نیویورک امروز اعلام کرده است که 80 میلیون دلار از بودجه سری C را برای ماموریت خود در کمک به وام دهندگان در خودکار کردن فرایند پذیره نویسی جمع آوری کرده است.
Fin VC هدایت مالی را بر عهده داشت که Ocrolus مستقر در نیویورک را “در شمال 500 میلیون دلار” ارزیابی می کند و مجموع بودجه آن از ابتدای سال 2014 به بیش از 100 میلیون دلار افزایش یافته است. Thomvest Ventures ، Mubadala Ventures ، Oak HC/FT ، FinTech Collective ، QED Investors ، Bullpen Capital ، ValueStream Ventures ، Laconia ، RiverPark Ventures ، Stage II Capital و Cross River Bank نیز در آخرین دور شرکت کردند.
این شرکت شرکتی است که در مورد وضعیت مالی خود شفاف کننده است. به گفته سام بوبلی ، بنیانگذار و مدیرعامل شرکت ، Ocrolus از سه ماهه اول سال 2018 تا سه ماهه دوم سال 2021 درآمد خود را از 1 میلیون دلار به 20 میلیون دلار در سال (ARR) افزایش داده است. این شرکت موفق به جذب تعدادی از مشتریان باکیفیت fintech ، از جمله Brex ، Enova ، LendingClub ، PayPal ، Plaid و SoFi شده است.
بوبلی گفت که این کار با صرف تقریباً 10 میلیون دلار در کل هزینه های فروش و بازاریابی انجام شده است.
در حال حاضر آماده است تا به دنبال موسسات مالی سنتی تر نیز باشد. این استارتاپ با سرمایه جدید خود قصد دارد محصولات “وام مسکن” و صنایع بانکی را “تهاجمی تر” بسازد و عملیات خود را در ایالات متحده گسترش دهد.
Ocrolus از ترکیبی از فناوری ، از جمله OCR (تشخیص شخصیت نوری) ، یادگیری ماشین/AI و داده های بزرگ برای تجزیه و تحلیل اسناد مالی استفاده می کند. بوبی می گوید ، اما آنچه آن را متمایز می کند ، جزء Human-in-the-Loop (HITL) است که در پردازش اسناد برای اطمینان بیشتر از دقت استفاده می شود.
به طور خلاصه ، هدف این شرکت کمک به وام دهندگان در تصمیم گیری سریعتر و مبتنی بر داده است. به گفته بوبلی ، فناوری آن می تواند اسناد مالی را طبقه بندی کند ، زمینه های کلیدی داده ها را شناسایی کند ، کلاهبرداری را تشخیص دهد و جریانهای نقدی را تجزیه و تحلیل کند. واضح است که همه گیری کووید -19 منجر به شتاب دیجیتالی در بسیاری از صنایع شده است و خدمات مالی در بین آنها بیشترین آسیب را دیده است. بوبلی خاطرنشان می کند: قبل از همه گیری ، کمتر از 1 درصد وام ها در جهان به صورت آنلاین پرداخت می شد. اما از زمان شیوع COVID-19 ، تقاضا برای فناوری وام دهی دیجیتالی در بین شرکت های خدمات مالی سنتی “به طور چشمگیری افزایش یافته است”.
وی گفت: “در حال حاضر ، زیرا COVID-19 موسسات مالی را مجبور به تکامل کرده است ، هر وام دهنده و بانکی چاره ای جز ارائه گزینه های آنلاین به مشتریان ندارند.”
لوگان آلین ، شریک اصلی و بنیانگذار Fin VC با این موضوع موافق است و اشاره می کند که fintechs و بانکها همچنان با “کوه” اسناد دیجیتالی و کاغذی در استخراج داده های مالی مورد نیاز برای پردازش و تجزیه و تحلیل در طول فرایند درخواست وام دست و پنجه نرم می کنند.
او از طریق ایمیل نوشت: “Ocrolus به عنوان یکی از ستون های اکوسیستم fintech ظهور کرده است و با استفاده از OCR ، AI/ML و داده های بزرگ/تجزیه و تحلیل این چالش ها را حل می کند.” “ما معتقدیم که Ocrolus به تازگی از نظر موارد استفاده و محدوده بستر خود شروع به کار کرده است و ما از این TAM بی قید و شرط هیجان زده هستیم.”
آلکروس معتقد است که Ocrolus تنها بازیکن موجود در فضا نیست ، اما آنچه به رشد و توسعه آن کمک می کند ، قابلیت تشخیص تقلب و تطابق انطباق آن ، و همچنین قابلیت های تجزیه و تحلیل و معیارهای مناسب برای مشتریان خود است.
جالب است که Ocrolus شروع کرد با هدف خودکارسازی فرایند درخواست مراقبت طولانی مدت Medicaid. مشخص شد که “متخصصان با حقوق خوب” وقت خود را صرف مرور اسناد صفحه به صفحه ، خط به خط می کنند.
بوبلی به TechCrunch گفت: “بنابراین ما شروع به تحقیق در مورد مشکل کردیم و آنچه آموختیم این است که فناوری موجود در بازار به اندازه کافی دقیق نیست تا مفید باشد.” بوبلی گفت ، غول های فناوری مانند مایکروسافت ، آمازون و گوگل محصولات OCR را ارائه می دهند ، اما بسیاری در خواندن متن PDF ها و تصاویر ، به ویژه هنگامی که اسناد نیمه ساختار یافته یا بدون ساختار هستند ، مشکل دارند. همچنین درک همه فرمت های مختلف برای ماشین ها دشوار است.
“ما می خواستیم روش جدیدی برای این کار ایجاد کنیم. و کاری که ما انجام دادیم این بود که ما یک پلت فرم مبتنی بر یادگیری ماشین ایجاد کردیم که شامل انسان نیز می شود. ” “هدف این بود که صرفنظر از اینکه سند ارائه شده چگونه است – اگر این سند تمیز از Chase باشد یا تصویر تلفن همراه مبهم از یک بانک محلی در کانزاس – ما می توانیم آن را با دقت کامل پردازش کنیم.”
هر کاری که راه حل نمی تواند بطور خودکار انجام دهد ، برای انجام تأیید داده ها ، به کارها و مسیرهای کوچکتر به تیم تحلیلگران و متخصصان کنترل کیفیت خود تقسیم می شود. سپس این شرکت از یک سری بررسی الگوریتم استفاده می کند تا مطمئن شود که کارکنان آن کار را به درستی انجام داده اند.
بوبلی گفت: “به طور خلاصه ، ما داده های دیجیتال ساختار یافته کاملاً دقیق را برای هر پرونده ای که پردازش می کنیم ، پس می دهیم.”
اعتبار تصویر: اکرولوس
در حدود یک سال یا بیشتر از عمر شرکت ، تیم متوجه شد که “وام دادن به بازار فرصت بسیار بزرگتر و جذاب تری بود” نسبت به Medicaid.
بوبلی به TechCrunch گفت: “ما واقعاً وارد فضای وام دهی فین تک در مکان مناسب در زمان مناسب شدیم.”
تا سال 2016 ، این شرکت محصول رسمی خود را روانه بازار کرده بود و درآمدزایی می کرد.
بوبلی گفت: “یکی از مزایای نرم افزار ما این است که واقعاً به مقیاس وام دهندگان fintech کمک کرده است.” “صادقانه بگویم ، محصول ما 10 برابر بهتر از انجام دستی است. هنگامی که ما وام ها را فوراً یا در عرض چند دقیقه ، زمانی که دیگران ساعت ها یا روزها طول می کشید ، پردازش کردیم ، مردم بدون اینکه حتی نیروی فروش داشته باشیم ، به ما مراجعه کردند – از جمله وام دهندگان بزرگ فناوری فین.
و برای Bobley ، این استارتاپ فراتر از سرعت بخشیدن به روند وام است. همچنین در مورد شمول مالی است.
بوبلی گفت: “بستر ما به وام دهندگان کمک می کند تا پذیره نویسی را به طور خودکار تضمین کنند و از جریانات نقدی و داده های درآمد برای نمره گذاری اعتبار استفاده کنند.” با تمرکز وام دهندگان در تجزیه و تحلیل سریعتر منابع مختلف داده های مالی ، Ocrolus زمینه بازی را برای هر وام گیرنده ای فراهم می کند و دسترسی به اعتبار را با هزینه کمتری فراهم می کند. “
این شرکت همچنین قصد دارد از سرمایه جدید خود برای ادامه استخدام با تمرکز بر تیم های یادگیری ماشین و علوم داده استفاده کند. همچنین در حال برنامه ریزی برای باز کردن تسهیلات جدید کنترل کیفیت داده ها در فلوریدا برای استقرار موسسات مالی و نهادهای دولتی با الزامات داده های خشکی.