داده‌های جایگزین؛ راه‌حلی برای کاهش شکاف وام‌دهی در مقیاس جهانی
مقدمه
تقریباً 1.2 میلیارد نفر در دنیا وجود دارند که به خدمات بانکی دسترسی ندارند ولیکن عدم دسترسی به خدمات بانکی، به معنای عدم توانایی در بازپرداخت بدهی نیست.
– در اروپا 33 درصد از افرادی که فاقد حساب بانکی هستند، به صورت تمام وقت مشغول به کار هستند و 9 درصد افراد بدون حساب بانکی نیز دانشجو و یا دانش‌آموز هستند.
– در کانادا از میان 60 درصد افرادی که صاحب خانه هستند، حدود 3 درصد فاقد حساب سنتی بانک هستند.
– در مصر، جایی که میزان نفوذ خدمات بانکی بسیار پایین است، حجم اقتصاد غیررسمی حدود 90 میلیارد دلار تخمین زده می‌شود.
اگر رویکردی ایجاد شود که افراد فاقد حساب بانکی نیز بتوانند از خدمات بانکی استفاده کنند، درآمد بخش بانکی 380 میلیارد دلار ارتقا خواهد یافت.
بسیاری از افراد عقیده دارند که سیستم امتیاز اعتبار فعلی دارای مشکل است. زیرا افراد برای دریافت وام باید دارای سابقه اعتباری باشند، در صورتی که افرادی وجود دارند که یا به طور کل به خدمات بانکی دسترسی ندارند و یا دسترسی آنها بسیار محدود است و بدون دریافت وام نمی‌توانند دارای سابقه اعتباری باشند. درخصوص این افراد چگونه باید تصمیم‌گیری شود؟
چگونه استفاده از داده‌های جایگزین، فرآیند اعطای وام را مقرون به صرفه و بدون ریسک می‌سازند؟
بسیاری از بانک‌ها هنوز هم بر ارزیابی اعتبار یک وام‌دهنده بالقوه براساس سوابق اعتباری سنتی متکی هستند. در نتیجه چنین بانک‌هایی دید نسبتاً ساده‌تری به متقاضیان و مشتریان خود دارند. اما در دنیای ارتباطی امروز، اتکای بیش از حد به یک منبع داده محدودیت‌های بیشتری نسبت به فرصت‌ها به همراه دارد.
با یادگیری چگونگی استخراج و عملیاتی کردن منابع داده‌های جایگزین و با استفاده از خدمات توسعه یادگیری ماشین، بانک‌ها می‌توانند پیشنهادات وام بیشتری را به مشتریان ارائه دهند بدون اینکه خود را در معرض خطرات اضافی قرار دهند. اپلیکیشن‌های فوق‌العاده چینی نمونه بارزی از بکارگیری هوش مصنوعی در بانک‌ها و چگونگی استفاده از زیرساخت‌های فناور محور هستند که باعث می‌شوند وام به صورت ایمن و موثر به تمام متقاضیان حتی مشتریان کم اعتبار نیز برسد.
موفق‌ترین بانک‌های چینی در استفاده از داده‌های جایگزین برای اعتبارسنجی
WeBank از طریق Weilidai، وام‌های تجاری و شخصی خود را به متقاضیان ارائه می‌دهد و به کاربران این امکان را می‌دهد که مستقیماً از WeChat pay درخواست وام خود را ارسال نمایند. با استفاده از پشتوانه فناوری ABCD (AI: هوش مصنوعی، Blockchain: بلاکچین، Cloud: ابر، Data: داده‌ها) سه بانک دیجیتال و برجسته چینی (WeBank ، MYBank و XWbank) اکنون سالانه بیش از 10 میلیون درخواست وام را پردازش می کنند در حالی که هر کدام فقط 1000 تا 2000 کارمند دارند. علاوه بر این، نسبت وام غیرعملیاتی (NPL) این بانک‌ها به طور متوسط 1درصد است. آنچه بیش از همه در کاهش معوقات این بانک‌ها موثر بوده است، نوع استفاده از اطلاعات مشتری بوده است. WeBank برای دستیابی به یک امتیاز دقیق اعتباری، به ترکیبی از سوابق پرداخت کاربران، تماس‌ها و پیام‌های رسانه‌های اجتماعی اعتماد می‌کند. MyBank برای تأیید مشتریان خود از داده‌های تجارت الکترونیک استفاده می‌کند. همچنین XWBank نیز از ترکیبی از داده‌های جایگزین که از سایر سیستم عامل‌های فناوری به دست می‌آید، بهره می‌برد.
اگر یک بانک یا نهاد مالی قصد داشته باشد به تجزیه و تحلیل رفتار مشتریان خود بپردازد و یا درخصوص امور مالی تصمیم‌گیری نماید، می‌تواند از لیست منابع داده‌ای که در زیر عنوان شده است استفاده نماید.
منابع داده‌ای جایگزین برای اعتبارسنجی و یا رتبه‌بندی اعتباری:
- داده‌های ارائه شده از سوی تأمین‌کنندگان خدمات انرژی: می‌تواند به اثبات محل سکونت افراد و توانایی آنها در پرداخت قبوض کمک نماید
- پرداخت اجاره‌بها: جزء اطلاعات اضافی دریافتی از سوی مشتری است.
- مالکیت دارایی و سابقه اشتغال: جزء آیتم‌های بسیار مهم در ارزیابی مشتری هستند.
- داده‌های مربوط به دستگاه POS و معاملات مالی: این شاخص‌ها اطلاعات مهمی درخصوص چگونگی هزینه‌کرد پول توسط مشتری و همچنین نحوه مدیرت پول را ارائه می‌کنند.
- اطلاعات خوداظهاری موجود در بانک: مشتریان می‌توانند به منظور بالا بردن رتبه اعتباری خود، اطلاعات مرتبط با چک و حساب‌های پس‌انداز خود را در اختیار بانک و یا موسسات اعتبارسنجی قرار دهند.
- اطلاعات به دست آمده از فین‌تک‌ها: وبسایت‌های وام‌دهی P2P، اپلیکیشن‌های مدیریت ثروت و سرمایه‌گذاری و حتی ابزارهای مدیریت مالی شخصی، شامل انبوهی از اطلاعات دقیق مشتری است. با استفاده از بانکداری باز و ارتقای اکوسیستم API، دستیابی به چنین داده‌هایی حقیقتاً یک تخصص فنی است.
- داده‌های مخابرات و تلفن همراه: امروزه تلفن‌های مدرن یا هوشمند میزبان بسیاری از اطلاعات شخصی و منحصربفرد افراد هستند و شرکت‌های مالی نوآور و خلاق در تلاش هستند تا از این اطلاعات برای بهینه کردن محصولات اعتباری و یا وام‌های خود استفاده کنند.
چگونه از اطلاعات موبایل برای اعتبارسنجی استفاده کنیم؟
هر یک از ما در زندگی خود جنبه‌های مختلفی داریم که انتخاب می‌کنیم از طرق مختلف مانند رسانه‌های اجتماعی، با دنیا به اشتراک بگذاریم و همه ما ردپای دیجیتالی منحصربفردی را به نمایش می‌گذاریم که نشان می‌دهد چه کسی هستیم، چه کاری انجام می‌دهیم و پول خود را صرف چه اموری می‌کنیم؟
امروزه با استفاده از داده‌های تلفن‌های همراه، می‌توان به ارزیابی وضعیت مالی و رفتاری افراد پرداخت. یکی از مهم‌ترین بخش‌هایی که قابلیت استفاده از داده‌های استخراج شده از تلفن همراه را دارد، اعتبارسنجی و یا رتبه‌بندی اعتباری افراد است که در ذیل به مهم‌ترین اطلاعات موردنیاز آنها اشاره می‌شود:
داده‌های منتخب برای اعتبارسنجی:
اطلاعات مربوط به اشتراک: بررسی نوع پروفایل فرد، دوره زمانی اشتراک در سامانه‌ها و یا شبکه‌های مختلف
موارد استفاده از تلفن همراه: الگوی تماس، اقساط خرد، پرداخت معوقات، الگوی شارژ حساب، میزان ذخیره اعتبار، دوران وقفه و بهبودی بازپرداخت‌ها
اطلاعات دیگر: موقعیت مکانی فرد، رومینگ خارج از کشور، دانلود اپلیکیشن‌های مالی
نتایج حاصل از تجزیه و تحلیل داده‌های منتخب:
پس از جمع‌آوری و پردازش اطلاعات به دست‌آمده از تلفن‌های همراه هوشمند، از این اطلاعات می‌توان برای تعیین شاخص‌های مهم مالی اعتبارسنجی استفاده نمود که در ذیل به تعدادی از این شاخص‌ها اشاره شده است:
تعیین توانایی مالی لازم برای بازپرداخت: سطح درآمد، ثبات زندگی، الگوی مصارف
مشخصات مدیریت اعتبار: چگونگی رفتار در بازپرداخت، مدیریت وقفه‌های ایجاد شده در بازپرداخت
برآورد الگوی زندگی: پایداری وضعیت شهروندی، استخدام، شبکه تماس‌ها
سود مالی: وضعیت حساسیت نسبت به کسب سود، تقاضا برای حمایت مالی
اما نحوه استفاده از داده‌های تلفن همراه خود مراحل مختلفی دارد که در ادامه ذکر می‌شود.
1- جمع‌آوری اطلاعات اولیه و پایه مشتری:
برای موثر بودن، هر مدل اعتباری به برخی از داده‌های اولیه نیاز دارد. در مورد داده روی دستگاه تلفن همراه، این موارد عبارتند از:
– نام کامل مشتری
– تاریخ تولد
– آدرس مرتبط با شماره تلفن موبایل
– داده‌های تاریخی در مورد پرداخت‌های قبض تلفن، شارژ اضافی حساب قبوض و یا تاریخ پرداخت سایر قبوض
– الگوی عمومی تماس‌ها و تماس‌گیرنده‌های مکرر
Tala، یک شرکت وام‌دهی در مقیاس کوچک است که در حال حاضر در کشورهای مکزیک، فیلیپین، هند و کنیا فعال است و به مشتریان خود خدمات مالی ارائه می‌دهد. این شرکت از کاربران خود می‌خواهد که ابتدا اطلاعات اولیه را ارائه نمایند و این امکان را ایجاد می‌کند که به شناسایی افراد فاقد حساب بانکی و دارای سابقه کلاهبرداری پرداخته شود. در مرحله بعد، اپلیکیشن Tala اطلاعات اضافه‌تری را برای تعیین توانایی و ظرفیت بازپرداخت اقساط متقاضی مورد استفاده قرار می‌دهد که شامل موارد زیر می‌باشد:
- اطلاعات دستگاه اندروید: داده‌های موقعیت جغرافیایی، برنامه‌ها و سرویس‌هایی که اغلب استفاده می‌شود.
- داده‌های رفتاری: اطلاعات رومینگ خارج از کشور، الگوهای تماس و …
در نهایت مدل اعتبارسنجی مورد استفاده در Tala، مبتنی بر 250 داده متمایز است که بین رفتارهای خاص و عملکرد خوب و بد اعتباری، ارتباط (همبستگی) ایجاد می‌کند.
2- نظارت بر داده‌های مربوط به پرداخت با اپلیکیشن‌های موبایل:
در موارد و مکان‌هایی که ضریب نفوذ بانکداری سنتی ضعیف است، پرداخت‌های سیار از طریق تلفن همراه داده‌های مهم و جذابی به نظر می‌رسند. این داده‌ها دومین منبع مهم اطلاعاتی هستند.
با اجازه کاربر، اطلاعات زیر از کیف پول سیار افراد قابل استخراج است:
– اطلاعات مربوط به هزینه‌کرد پول و معاملات
– اطلاعات مربوط به تبادلات در بستر P2P، میزان ذخیره اعتبار و برداشت وجه نقد
– اطلاعاتی درخصوص وفاداری متقاضی به بانک یا فروشگاهی خاص، اطلاعات مربوط به کارت‌ها
خدمات کیف پول همراه (به عنوان مثال M-Pesa) منبع غنی دیگری از داده‌های مالی است. در کشورهای در حال توسعه، استفاده از خدمات کیف پول همراه به طور موثر جای بانک‌های سنتی را گرفته‌اند. این بدان معناست که مردم غالباً شرکت‌های ارائه‌دهنده خدمات پول سیار را برای دریافت حقوق، پرداخت قبض و تسویه حساب سایر امور مالی انتخاب می‌کنند.
3- درخواست اطلاعات اضافه از کاربر:
یک شرکت مالی و یا نهاد رتبه‌بندی و اعتبارسنجی برای افزایش بازدهی الگوریتم امتیازدهی اعتبار خود می‌تواند به کاربران اجازه دهد تا داده‌های اضافی را خود گزارش دهند. این شرکت‌ها می‌توانند پرسشنامه‌ها یا فرم‌های شخصی‌سازی شده را برای جمع‌آوری قطعات گمشده پازل ایجاد نمایند.
در این مورد، اکثر متقاضیان از ارائه اطلاعات خود برای بالا بردن رتبه و یا امتیار اعتباری خویش استقبال می‌کنند. طبق اطلاعات اکسپرین، حدود 58 درصد از افراد آمریکایی اظهار داشته‌اند که با کمک کردن به فرآیند تجمیع و تکمیل اطلاعات خود برای اعتبارسنجی و یا رتبه‌بندی، احساس قدرت بیشتری دارند.
در بازارهای رشد یافته، وام‌گیرندگان بالقوه تمایل دارند تا اطلاعات زیر را با بانک یا نهاد رتبه‌بندی به اشتراک بگذارند:
– تاریخچه پرداخت قبوض آب، برق، تلفن و …
– اطلاعات مربوط به چک، تعهدات مالی قابل پرداخت و اطلاعات درآمدی افراد
– اطلاعات مربوط به معاملات و پس‌اندازهای افراد
در کشورهای در حال توسعه، اطلاعات زیر مورد مبادله قرار می‌گیرد:
– حواله‌های داخلی و خارجی
– درآمد آزاد / خوداشتغالی
– هر گونه شواهدی در مورد سابقه دریافت وام و یا اعتبار از شرکت‌های ارائه‌دهنده خدمات غیرسنتی
4- ایجاد یک الگوریتم اعتبارسنجی اختصاصی با استفاده از یادگیری ماشین:
یادگیری ماشین (ML) بهترین راه‌حل فناوری برای مدل‌های اعتبارسنجی ریسک است. پیش‌تر استفاده مکرر از یادگیری ماشین در سایر بخش‌های بانکداری، قابلیت‌های این تکنولوژی را ثابت کرده است.
گزارش اخیر بانک تسویه حساب‌های بین‌المللی چین، در مورد تجزیه و تحلیل داده‌های معاملات وام شرکت پیشرو چینی FinTech به این نتیجه رسیده است که:
- مدل پیش‌بینی شده اعتبار مبتنی بر یادگیری ماشین، نسبت به مدل‌های سنتی امتیازدهی اعتبار (که هم از داده‌های سنتی و هم از داده های جایگزین استفاده می‌کنند)، در پیش‌بینی خسارات و پیش‌فرض‌های وام‌گیرندگان عملکرد بهتری داشته است.
- داده‌های جایگزین قدرت پیش‌بینی مدل‌های امتیازدهی اعتبار را افزایش می‌دهد.
- مدل‌های مبتنی بر یادگیری ماشین، به دنبال شوک منفی به عرضه کل اعتبار، قادر خواهند بود تا زیان‌ها و پیش‌فرض‌ها را بهتر پیش‌بینی کنند.
- با گذشت زمان، مدل‌های مبتنی بر یادگیری ماشین با در دسترس قرار دادن داده‌های جدید، عملکرد خود را بهبود می‌بخشند.
چالش اصلی ساخت چنین مدل‌های پیش‌بینی‌کننده اعتبارسنجی، حجم بسیار زیاد داده‌های تلفن همراه است. برای عملیاتی کردن تمام دیدگاه‌ها، بایستی یک فرآیند قدرتمند و حاکم بر داده‌ها و یک سیستم عامل پشتیبانی داده ایجاد شود.
پلتفرم مدیریت داده در یادگیری ماشین، استفاده از یک سرویس ذخیره‌سازی ابری برای کلیه داده‌های جمع‌آوری شده و خوداظهاری مشتریان است که برای اعتبارسنجی از طریق یک الگوریتم خاص، مورد استفاده قرار می‌گیرد. برای ایجاد کارایی، پلتفرم مدیریت داده باید به صورت زیر باشد:
- امکان هماهنگ‌سازی میان داده‌های دریافتی (همزمان و دوره‌ای) از چندین منبع مختلف
- دارای سیستم انعطاف‌پذیر و بهینه شده برای پشتیبانی از پردازش سریع حجم بالای داده‌های خام
مرحله بعد، ساختن یک الگوریتم اعتبارسنجی است. هدف از ایجاد این الگوریتم، ایجاد نسبت‌های وزن‌دهی مناسب با توجه به درجه اهمیت هر یک از داده‌های جایگزین و محاسبه نمره کل اعتبارسنجی برای هر متقاضی است.
بهترین روش های یادگیری ماشین برای استفاده در اعتبارسنجی و رتبه‌بندی اعتباری عبارتند از:
- طبقه‌بندی
- رگرسیون لجستیک باینری
- الگوریتم مبتنی بر درخت تصمیم‌گیری
- ماشین‌های برداری تقویت‌کننده
- ایجاد کارت امتیازی
نتیجه‌گیری:
گنجاندن متدهای هوش مصنوعی مانند یادگیری ماشین و نیز توانایی استخراج و پردازش داده‌های جایگزین مهم و البته قابل دسترس مانند اطلاعات تلفن‌های همراه در فرآیندهای اعتبارسنجی و رتبه‌بندی، منجر به کاهش شکاف وام‌دهی در مقیاس جهانی و امکان استفاده تمام مردم جهان از خدمات بانکی و اعتباری با وجود طبقه‌بندی‌های مختلف، خواهد شد. از این رو، مزایای عمده‌ای برای فین‌تک‌ها، بانک‌ها و موسسات مالی و اعتباری دارد که مشهودترین و ملموس‌ترین مزیت آن افزایش درآمد است ولیکن به خوبی روشن است که در کنار افزایش درآمد، عواید اجتماعی و اقتصادی بسیاری نیز به دنبال خواهد داشت.
دیدگاهتان را بنویسید لغو پاسخ