Automatisierte Einkommensberechnung: Die Qualitätskontrolle von Hypotheken ist jetzt noch intelligenter

Lassen Sie Ihre Einkommensberechnungstabellen hinter sich: Die Qualitätskontrolle von Hypotheken ist jetzt noch intelligenter

Ja, dies ist ein Blog zur Hypothekenautomatisierung, aber ich bin nicht hier, um einfach von Anfang an mit Automatisierung zu prahlen. Dies ist ein kleiner Augenöffner — eine Lektion aus dem letzten Jahr und einige praktische Hinweise dazu, was Sie tun können, wenn Sie planen, Ihre Prozesse zur Qualitätskontrolle von Hypotheken zu automatisieren, um Kredite schneller zu genehmigen und eine höhere Effizienz zu erzielen — und das alles mit demselben Team, das Sie heute haben, und dem gleichen knappen Budget.

Also, hier ist ein kurzer Einblick in den ACES Mortgage Quality Control Report 2024.

Im zweiten Quartal 2024 stieg die Rate kritischer Defekte bei Hypothekendarlehen um 14,56%und erreichte 1,81% — das zweite Quartal in Folge mit steigenden Mängeln.

Schlimmer noch, einkommens- und beschäftigungsbedingte Defizite wurden wettgemacht 37,01% aller kritischen Mängel, was auf anhaltende Probleme mit der genauen Überprüfung des Einkommens der Kreditnehmer hindeutet.

„Der Anstieg kritischer Mängel in diesem Quartal signalisiert, dass die Kreditgeber ihre Anstrengungen zur Qualitätskontrolle verdoppeln müssen, insbesondere angesichts steigender Mengen“, warnte Nick Volpe, EVP von ACES Quality Management.

Hat sich die Situation im dritten Quartal verbessert? Wir werden am Ende des Blogs darauf zurückkommen, aber siehst du die Ironie?

2024 wurde als das Jahr der praktischen Anwendbarkeit von KI gefeiert, und immer mehr Unternehmen nutzten die Automatisierung. Doch die Hypothekenbranche hatte große Probleme. Wenn Sie eine Hypothek aufgenommen haben, wissen Sie, dass die Zahlen des letzten Jahres nicht besonders gut waren.

Also, hier ist die große Frage: Warum hinkt die Qualitätskontrolle von Hypotheken bei der Automatisierung auch nach all den Jahren immer noch hinterher? Der erste Schritt, um dies zu beheben, besteht darin, zu wissen, was falsch ist. In diesem Blog erfahren Sie, wie Sie das richtige Tool zur Qualitätskontrolle von Hypotheken für Ihr Unternehmen finden, das tatsächlich Ergebnisse liefert und nicht nur ausgefallene Versprechen. Wir werden uns mit einem der größten Probleme befassen — der Überprüfung des Einkommens von Kreditnehmern. Bleiben Sie bis zum Ende dabei und ich werde ein wegweisendes Tool vorstellen, das mehr automatisiert, als Sie sich jemals vorgestellt haben!

Was macht die Qualitätskontrolle von Hypotheken schwierig?

Die Qualitätskontrolle von Hypotheken ist seit langem ein komplexer und zeitaufwändiger Prozess. Angesichts der enormen Menge an Dokumenten ist die manuelle Überprüfung nicht nur mühsam, sondern auch fehleranfällig. Im Laufe der Jahre haben Automatisierungstools wie Optical Character Recognition (OCR) versucht, den Prozess zu rationalisieren, doch in einem wichtigen Bereich versagen sie immer noch: Sie halten mit den sich ständig ändernden Vorschriften und den sich ständig ändernden Formaten von Hypothekendokumenten Schritt. Wie kann die Branche also diese Einschränkungen überwinden? Lassen Sie uns das erkunden.

Letztes Jahr haben wir eine durchgeführt LinkedIn Umfrage unter den Wirtschaftsprüfern von Hypotheken, bei der gefragt wurde, was die meiste Zeit bei der Qualitätskontrolle von Hypotheken in Anspruch nimmt. Über 70% der Befragten gaben an, dass eine datenübergreifende Überprüfung erforderlich ist. Das ist keine Überraschung — bei herkömmlichen Methoden müssen Prüfer Daten aus mehreren Dokumenten manuell vergleichen. Selbst Automatisierungslösungen wie RPA und OCR erfordern immer noch manuelle Prüfungen in verschiedenen Datenbanken.

Und genau das ist bei Hypotheken passiert. Die Leute investieren in Automatisierungstools wie die traditionelle OCR, ohne zu wissen, dass diese Tools den gesamten Prozess heimlich durch mehrere Überprüfungen und Überprüfungen komplizieren, um sicherzustellen, dass die extrahierten Daten korrekt sind. Deshalb ist es wichtig, nur zu automatisieren, aber mit den richtigen Tools.

Über 70% der Prüfer geben an, dass datenübergreifende Überprüfungen die meiste Zeit in Anspruch nehmen.

Die Belastung der manuellen Einkommensberechnung bei der Qualitätskontrolle von Hypotheken

Für Hypothekenprüfer ist die Einkommensüberprüfung ein entscheidender Schutz. Es stellt sicher, dass sich die Kreditnehmer ihre Kredite tatsächlich leisten können, und trägt so dazu bei, das Risiko von Zwangsvollstreckungen zu verringern.

Die Hypothekenkrise 2008 hat uns eindringlich daran erinnert, was passiert, wenn die Einkommensüberprüfung übersehen wird. Kreditgeber vergaben riskante Kredite — viele ohne Überprüfung des Einkommens (auch bekannt als „Lügnerdarlehen“) —, was zu Massenausfällen und einem finanziellen Zusammenbruch führte.

Als Reaktion darauf führte der Dodd-Frank Act strengere Kreditvergabestandards ein, darunter die Ability-to-Repay (ATR) Rules (ATR) und die Qualified Mortgage (QM) Standards. Diese Vorschriften machten die Einhaltung der Vorschriften zu einer nicht verhandelbaren Priorität und stellten sicher, dass die Kreditgeber die Rückzahlungsfähigkeit eines Kreditnehmers vor der Genehmigung eines Kredits gründlich prüfen.

Dennoch ist die Einkommensberechnung auch heute noch hochkomplex.

Hier ist der Grund:

1. Mehrere Einnahmequellen

• Angestellte, Selbstständige, Gig-Worker und Provisionsjobs — für alle sind unterschiedliche Überprüfungsmethoden erforderlich.
• Einige Einkommensquellen (z. B. das Grundgehalt) sind stabil, während andere (z. B. Provisionen, Einkommen von Freiberuflern) schwanken.

2. Dokumentieren Sie die Vielfalt

• Gehaltsabrechnungen, W-2, 1099, K-1, Steuererklärungen und Kontoauszüge — jeder folgt einem anderen Format, was die manuelle Bearbeitung langsam und fehleranfällig macht.
• Internationale Bewerber erschweren den Prozess zusätzlich durch Währungsschwankungen.

3. Herausforderungen im Verhältnis zwischen Schulden und Einkommen (DTI)

• Bei DTI-Berechnungen müssen bestehende Schulden, Unterhalt, Kindergeld und andere Abzüge berücksichtigt werden.
• Das Rechner für das Verhältnis von Schulden zu Einkommen muss den Richtlinien von entsprechen Fannie Mae, Freddie Mac, die CFPB und andere Aufsichtsbehörden.

4. Aufdeckung von Betrug

• Veränderte Gehaltsabrechnungen, gefälschte Steuerdokumente und überhöhte Gewinn- und Verlustrechnungen stellen erhebliche Risiken dar.
• Das manuelle Erkennen von Inkonsistenzen ist ineffizient und anfällig für menschliche Fehler.

Verwendet Ihr Team immer noch Tabellen für die Einkommensberechnung?

Viele Hypothekenfachleute verlassen sich bei der Einkommensüberprüfung immer noch auf Excel-Tabellen. Dieser Ansatz weist jedoch erhebliche Einschränkungen auf:

1. Hohe Fehlerraten

• Eine Studie in der Zeitschrift für Organisations- und Endbenutzer-Computing habe das gefunden 94% der Tabellen enthalten Fehler, mit einem Durchschnitt 5,2% Mobilfunkfehlerrate.
• Fehlkalkulationen in automatisierte Hypothekenabwicklung kann zu Compliance-Verstößen und Kreditverlusten führen.

2. Fehlende Konfigurierbarkeit von Regeln

• Die Regeln für Hypothekeneinnahmen variieren je nach Kreditnehmerprofil (z. B. Vollzeitbeschäftigte oder Provisionszahlungen oder Selbstständige).
• Tabellenkalkulationen verfügen nicht über Funktionen zur dynamischen Regelkonfiguration, was Anpassungen umständlich macht.

3. Compliance-Risiken

• Automatisierte Einkommensberechnung in Tabellenkalkulationen kann nicht mit den regulatorischen Änderungen Schritt halten von Fannie Mae-, Freddie Mac-, FHA-, VA- und QM/ATR-Standards.
• Keine integrierten Warnmeldungen bei Überschreitung der DTI-Grenzwerte oder fehlender Compliance-Benchmarks.

4. Keine Zusammenarbeit in Echtzeit

• Wenn mehrere Benutzer an derselben Datei arbeiten, besteht das Risiko, dass Daten überschrieben werden oder dass Berechnungen widersprüchlich sind.
• Tabellenkalkulationen lassen sich nicht integrieren mit automatisierte Hypothekenabwicklung Tools, die eine manuelle Datenübertragung erfordern.

Warum ist es wichtig, die Überprüfung der Berechnung des Kreditnehmereinkommens zu automatisieren?

Unabhängig davon, wie komplex diese Prozesse sind, benötigen Kreditsachbearbeiter am Ende des Tages schnelle, zuverlässige Zahlen, um festzustellen, für wie viel sich ein Kreditnehmer qualifiziert. Versicherer müssen sicherstellen, dass diese Zahlen korrekt sind und alle Richtlinien zur Risikobewertung erfüllen. Kreditgeber und QC-Auditoren stehen unter ständigem Druck, die Einhaltung der Anleger- und regulatorischen Anforderungen sicherzustellen. Und dann gibt es QC-Drittanbieter, deren gesamte Aufgabe darin besteht, die Richtigkeit der Hypothekenakten zu überprüfen. Das ist eine Menge manueller Arbeit, und seien wir ehrlich — es kann leicht passieren, dass Fehler passieren.

Qualitätskontrolle von Infrarot-Hypotheken: Überprüfen Sie das Einkommen des Kreditnehmers, auch ohne ein Dokument zu öffnen

Seit über einem Jahrzehnt arbeiten wir mit einigen der führenden Hypothekengeber zusammen, und wenn wir eine Sache gelernt haben, dann diese: Sie suchen immer nach intelligenteren Wegen, um Prozesse zu vereinfachen ohne Abstriche bei der Qualität. Und ehrlich gesagt, genau so denken wir auch.

Einer unserer Kunden hat es perfekt ausgedrückt: „Unsere Dateneingabeteams müssen immer noch Dokumente öffnen und manuell überprüfen, ob die extrahierten Daten korrekt sind. Das wollen wir nicht. Können Sie eine Lösung entwickeln, bei der sie das Dokument überhaupt nicht öffnen müssen?“

Einer unserer Kunden hat es perfekt ausgedrückt: Können Sie eine Lösung entwickeln, bei der sie das Dokument überhaupt nicht öffnen müssen?“

Also haben wir die Dinge verbessert. Im Laufe der Jahre haben wir die Automatisierung der Einkommensüberprüfung für Kreditnehmer perfektioniert — so nahtlos, dass unsere Kunden das Dokument nicht einmal anfassen müssen. Wir haben ein ganzes gebaut agentische Plattform das nicht nur Daten extrahiert, sondern den gesamten Prozess von Anfang bis Ende automatisiert, ohne dass menschliches Eingreifen erforderlich ist.

Anstatt Stunden damit zu verschwenden, Zahlen manuell zu überprüfen, erledigt unsere KI-gestützte Plattform die schwere Arbeit für Sie. Sie automatisiert die Einkommensüberprüfung, kennzeichnet Unstimmigkeiten sofort und stellt sicher, dass jede Zahl korrekt ist. So können Sie sich darauf konzentrieren, echte Probleme zu lösen, anstatt Tabellenkalkulationsdetektiv zu spielen.

Also, wenn Sie über Automatisierung nachdenken Qualitätskontrolle von Hypotheken, wisse einfach — niemand macht es so wie wir. Im Folgenden wird Schritt für Schritt beschrieben, wie die automatische Berechnung des Kreditnehmereinkommens von Infrrd funktioniert.

Schritt 1: Überprüfung und Klassifizierung von Dokumenten

Laden Sie zunächst Ihr Hypothekendokumentenpaket hoch. Normalerweise müsste ein menschlicher Prüfer jedes Dokument manuell durchgehen — manchmal über 100 Seiten —, um zu überprüfen, was darin enthalten ist. Aber nicht mit der Plattform zur Einkommensberechnung von Infrrd. Das System scannt automatisch das gesamte Dokumentenpaket und klassifiziert jede Datei. Es identifiziert, ob es sich bei einem Dokument um ein Gehaltsabrechnung, eine VOE (Verification of Employment), ein Kreditantrag (1003) oder eine abschließende Offenlegung. Sie müssen nichts manuell kategorisieren — das System erledigt das für Sie.

Sobald die Klassifizierung abgeschlossen ist, bestimmt sie auch, wie viele Kreditnehmer das Darlehen in Anspruch nehmen. Anstatt die Seiten durchsuchen zu müssen, um herauszufinden, ob es nur einen oder mehrere Kreditnehmer gibt, teilt Ihnen das System sofort mit, zum Beispiel: „Dieses Kreditpaket umfasst einen Kreditnehmer namens Moses und einen anderen namens Maria.“

Schritt 2: Versionierung von Dokumenten

Wenn ein Darlehenspaket mehrere Versionen desselben Dokuments enthält — z. B. verschiedene Versionen des 1003 Kreditantrag oder abschließende Offenlegung—das System organisiert sie in der richtigen Reihenfolge. Es erkennt automatisch, um welche Version es sich handelt anfänglich einer, welcher ist der endgültig, und ordnet sie entsprechend an. Wenn Sie die Bestellung manuell überprüfen oder korrigieren möchten, können Sie dies ebenfalls tun.

Zum Beispiel, wenn es drei verschiedene abschließende Offenlegungen, das System überprüft die Daten und ermittelt die neueste Version, die Vorgängerversion und die davor. Auf diese Weise vermeiden Sie die Verwirrung, die durch den manuellen Vergleich verschiedener Versionen entsteht.

Schritt 3: Identifizierung und Validierung von Diskrepanzen

Sobald die Dokumente sortiert sind, beginnt die Plattform Überprüfung der Angaben zum Kreditnehmer über verschiedene Dateien hinweg. Nehmen wir an, der Vorname eines Kreditnehmers erscheint als „Moses“ in einem Dokument, aber als „Nein“ in einem anderen. Das System kennzeichnet diese Inkonsistenz sofort als Diskrepanz.

An dieser Stelle haben Sie einige Optionen. Sie können wählen, ob Sie die Diskrepanz ignorieren, wenn sie nicht signifikant ist, ein Problem einreichen, wenn eine Korrektur erforderlich ist, oder ein neues Dokument mit dem korrigierten Namen anfordern. Das System ermöglicht es Ihnen, Unstimmigkeiten nach ihrem Schweregrad zu kategorisieren. Wenn ein kritischer Fehler gefunden wird, z. B. nicht übereinstimmende Kreditnehmernamen in Rechtsdokumenten, können Sie ihn direkt auf der Plattform eskalieren lassen.

Schritt 4: Automatisierte Einkommensberechnung

Nach der Überprüfung der Kreditnehmerdaten fährt das System mit der Einkommensberechnung fort. Es extrahiert einkommensbezogene Daten aus Gehaltsabrechnungen, W-2, Steuererklärungen und VOEs und führt dann Berechnungen auf der Grundlage der Art des Einkommens durch, das der Kreditnehmer erhält.

Zunächst werden wichtige Details wie der Name des Arbeitgebers und das Start- und Enddatum der Lohnperiode aus den Gehaltsabrechnungen abgerufen. Selbst wenn in einer Gehaltsabrechnung nicht ausdrücklich ein Startdatum erwähnt wird, ermittelt das System es auf intelligente Weise, indem es Dokumente mit mehreren Versionen analysiert.

Als Nächstes wird die Zahlungshäufigkeit des Kreditnehmers identifiziert. Wenn der Kreditnehmer alle zwei Wochen bezahlt wird, erkennt das System dies und berücksichtigt es in die Einkommensberechnungen. Es kategorisiert auch verschiedene Verdienstarten — wie Grundgehalt, Überstundenvergütung und Prämienzahlung —, sodass Sie genau sehen können, wie die einzelnen Komponenten zum Gesamteinkommen beitragen.

Schritt 5: Trendanalyse und Diskrepanzprüfungen

Die Plattform berechnet nicht nur das Einkommen, sondern verfolgt auch Trends im Laufe der Zeit. Wenn das Einkommen eines Kreditnehmers von Jahr zu Jahr erheblich schwankt, wird dies als potenzielles Problem eingestuft.

Zum Beispiel, wenn das Einkommen eines Kreditnehmers stieg im Jahr 2022 um 27% und dann um weitere 16,5% im Jahr 2023, das System erkennt dieses Wachstumsmuster. Wenn die Zunahme oder Abnahme über einem vordefinierten Schwellenwert liegt, wie z. B. 10%—es hebt hervor, dass es sich um eine Diskrepanz handelt, die einer weiteren Überprüfung bedarf.

Nehmen wir an, die Überstundenvergütung eines Kreditnehmers ging zurück und stieg dann um 30%. Das System kennzeichnet diese Variante als etwas, das möglicherweise einer zusätzlichen Überprüfung bedarf. Sie können diese Diskrepanzregeln entsprechend Ihren Anforderungen konfigurieren.

Schritt 6: Audit nach Abschluss

Dieses Tool ist auch wertvoll für Audits nach Abschluss. Da das Darlehen bereits abgeschlossen ist, hilft das System bei der Identifizierung potenzieller Probleme verpassten während des Underwritings.

Beispielsweise wird überprüft, ob die Gehaltsabrechnung des Kreditnehmers zum Zeitpunkt des Abschlusses innerhalb eines akzeptablen Zeitrahmens lag. So wie für einen Visumantrag aktuelle Kontoauszüge erforderlich sind, verlangen auch Hypothekengeber, dass die Gehaltsabrechnungen innerhalb einer bestimmten Frist ab dem Abschlussdatum des Darlehens eingegangen sind. Das System validiert diese Regeln automatisch und stellt so die Einhaltung der Anleger- und regulatorischen Anforderungen sicher.

Schritt 7: Dynamische Überprüfung und Benutzeranpassungen

Sobald alle Berechnungen und Überprüfungen abgeschlossen sind, können Sie die Ergebnisse auf der Plattform dynamisch überprüfen. Stellen Sie sich das als Live-Tabelle vor. Wenn Sie mit einer Zahl nicht einverstanden sind oder verschiedene Szenarien untersuchen möchten, können Sie die Zahlen manuell anpassen, und das System aktualisiert die Berechnungen sofort.

Wenn beispielsweise das zweiwöchentliche Gehalt eines Kreditnehmers mit 2.500 USD berechnet wurde, Sie aber der Meinung sind, dass eine Anpassung erforderlich ist, können Sie den Wert ändern und die Auswirkungen auf das Monats- und Jahreseinkommen in Echtzeit verfolgen. Diese Flexibilität ermöglicht es Ihnen, verschiedene Einkommensszenarien zu simulieren und fundierte Entscheidungen zu treffen, bevor Sie die Zahlen finalisieren.

Schritt 8: Integration und API-Unterstützung

Die Plattform ist so konzipiert, dass sie nahtlos mit Loan Origination Systems (LOS) und anderer vorhandener Hypothekensoftware zusammenarbeitet. Sie können sie als eigenständige Schnittstelle verwenden oder sie über APIs in Ihren bestehenden Underwriting-Workflow integrieren.

Wenn ein Kreditgeber beispielsweise es vorzieht, sein aktuelles System zur Dokumentenüberprüfung beizubehalten, aber die Einkommensüberprüfung verbessern möchte, kann er die API von Infrrd integrieren, um das Einkommen automatisch zu berechnen und Abweichungen zu erkennen, ohne die Plattform zu wechseln.

Schritt 9: KI-gestützte Unterstützung (zukünftige Verbesserungen)

In Kürze wird die Plattform eine enthalten KI-Assistent das ermöglicht es Ihnen, gesprächig mit dem System zu interagieren. Anstatt manuell durch Dashboards zu navigieren, können Sie dem Assistenten Fragen stellen wie:

• „Welche Unstimmigkeiten wurden in dieser Datei gefunden?“
• „Können Sie die Einkommensgeschichte des Kreditnehmers zusammenfassen?“
• „Zeigen Sie mir alle fehlenden Dokumente für dieses Darlehen.“

Der Assistent wird auch dafür sorgen intelligente Empfehlungen um Benutzern zu helfen, ihre Arbeit zu priorisieren. Falls es welche gibt mehrere Diskrepanzen, es wird am meisten vorschlagen kritisch diejenigen, die zuerst angesprochen werden müssen.

Zurück zu den ACES Mortgage Quality Control Trends-Berichten: Die Ergebnisse des dritten Quartals zeichnen sich durch eine Mischung aus Fortschritt und Beharrlichkeit aus. Die Rate kritischer Defekte ist gesunken 17% von Q2 bis Q3 und pendelte sich bei 1,51% ein — ein klares Zeichen für eine Verbesserung. Die Zahlen verbessern sich zwar, verdeutlichen aber auch die anhaltenden Herausforderungen, die wir bewältigen müssen.

Einkommens-/Beschäftigungsmängel sind mit 25% nach wie vor das Hauptproblem, gefolgt von Vermögenswerten (16,67%) und Kredit- und Kreditdokumentationen (jeweils 12,12%). Diese anhaltenden Problembereiche erinnern uns daran, dass wir zwar Fortschritte machen, die Einführung einer lückenlosen Qualitätskontrolle von Hypotheken jedoch noch nicht abgeschlossen ist.

Dabei geht es nicht nur um die Einhaltung von Vorschriften, sondern auch um Vertrauen, Genauigkeit und die Stärkung der Grundlagen der Hypothekenbranche. Diese Erkenntnisse sollten sowohl als Meilenstein als auch als Aufforderung zum Handeln dienen, um die Prozesse zu verfeinern, die Kontrollen zu verschärfen und bis 2025 eine widerstandsfähigere QC-Landschaft für Hypotheken aufzubauen.

Der Fortschritt ist real — aber auch die Arbeit, die vor uns liegt.

‍