مزیت مدیریت ریسک اعتباری با استفاده از هوش مصنوعی
مدیریت ریسک اعتباری با توجه به مدیریت ناکارآمد داده‌ها، محدودیت‌های اندازه‌گیری ریسک، فقدان ابزار ارزیابی ریسک و نقص فرآیند درک و تجسم بصری در مورد توانایی بازپرداخت وام‌گیرندگان، همچنان یک چالش قابل توجه برای بانک‌ها باقی مانده است. ارزیابی کامل از توانایی وام‌گیرندگان و درک کامل از میزان ذخیره ضرر وام برای مدیریت ریسک اعتباری و کاهش خسارات ضروری است.
با این اوصاف راه خروج از این موضوع چیست؟ با افزایش محبوبیت استفاده از منابع داده جدیدتر از جمله متا داده تلفن‌های هوشمند، سازمان‌های مالی اکنون از هوش مصنوعی (AI)، یادگیری ماشین (ML) و سایر ابزارها و پیشرفت‌ها در دیجیتالی‌سازی، به منظور مدیریت بهتر ریسک اعتباری استقبال می‌کنند. ترکیب یادگیری ماشین با کارت امتیازی سنتی، به اجرای مداوم ترکیبات مختلف متغیرها برای رسیدن به نتایج حاصل از داده‌های جمع‌آوری شده در طول تاریخ موردنظر، پیامک‌ها، ایمیل‌ها و پرونده‌ها کمک می‌کند. این امر به پیش‌بینی اثر متقابل تعداد زیادی متغیر موثر و شناسایی واضح نقاط قوت و ضعف مرتبط با وام کمک می‌کند؛ به طوری که هم دقت و هم زمان اتخاذ شده در تصمیم‌گیری اعتباری را بهبود می‌بخشد. لذا جای تعجب نیست که بسیاری از متخصصان بازار سرمایه بر این باورند که استفاده از داده‌های غیرسنتی در مقایسه با داده‌های سنتی، قابل اعتمادتر بوده و در تصمیم‌گیری‌های اعتباری مفیدتر هستند.
به عنوان مثال، در سال 2017 موسسه JP Morgan شروع به استفاده از بستری بر پایه هوش مصنوعی و به ویژه یادگیری ماشین کرد که قادر بود 12000 عدد از قراردادهای اعتباری تجاری سالانه را در مدت بسیار کوتاهی بررسی کند. در صورتی که اگر قرار بود کارشناسان با استفاده از متدها و داده‌های سنتی اقدام به بررسی قراردادها نمایند، زمان بسیار زیادی نیاز بود و امکان داشت نتایج دقیق نیز حاصل نشود.
توانایی مدل های یادگیری ماشین در تجزیه و تحلیل مقدار زیادی از داده‌ها – چه ساختاری و چه غیر ساختاری – می تواند قابلیت‌های تحلیلی را در مدیریت ریسک و انطباق آن بهبود بخشد، به مدیران ریسک در موسسات مالی اجازه می‌دهد ریسک ها را به طور موثر و به موقع شناسایی کنند، تصمیمات آگاهانه تری بگیرند و خطرات بانکی را کم کنند.
محرک‌های اصلی تحول دیجیتالی در شرکت‌های خدمات مالی
– رقابت بی‌امان بین بانک‌های سنتی و بانک‌های چابک فین‌تک و دیجیتال که با ارائه خدمات پیشرفته مشتریان بیشتری را به خود جلب می‌کنند.
– تمرکز جدید بر اتوماسیون، داده‌های بزرگ، تجزیه و تحلیل و نوآوری که در بسیاری از بخش‌های اقتصاد از جمله امور مالی اتخاذ شده است.
– تمایل مشتریان بانکی و خدمات مالی به استفاده از خدمات دیجیتال و به طور کلی فناوری؛ در واقع مشتریان نسل‌های جدید، به ویژه افراد زیر 35 سال می‌خواهند آنلاین باشند و از تمام مزایای خدمات دیجیتال استفاده کنند.
– تحول دیجیتال در بانک‌ها برای استفاده از آخرین فن‌آوری‌ها و رویکردهای نوآورانه و بهینه‌سازی بهره‌وری عملیاتی و هزینه‌ای ضروری است.
بانک‌ها چگونه از هوش مصنوعی استفاده می‌کنند؟
آمارهای Statista نشان می‌دهد که مهمترین حوزه‌های بانکی که در آنها از هوش مصنوعی استفاده می‌شود، حوزه صدور کارت‌ها و پرداخت‌ها می‌باشد. بانک‌ها معمولاً برای فرآیندهای پیچیده، تکراری و تحلیل داده از هوش مصنوعی استفاده می‌نمایند.
یکی دیگر از کاربردهای هوش مصنوعی در بانکداری، شناسایی و پیگیری انواع کلاهبرداری، جعل و تقلب است. یکی از سرمایه‌گذاران استراتژیک در این زمینه شرکت Feedzai است که به عنوان شرکتی پیشگام در حوزه علوم داده شناخته می‌شود. این شرکت از روش یادگیری مبتنی بر ماشین برای ارزیابی داده‌های کلان و شناخت فعالیت‌های بالقوه کلاهبرداری در اکثر نهادهای تجاری به ویژه بانک‌ها (بانکداری آنلاین و حضوری) استفاده می‌کند.
با این‌حال، احتمالاً مهمترین کاربرد هوش مصنوعی در بخش خدمات مالی، مدیریت ریسک است زیرا برآوردها نشان می‌دهد که به طور متوسط ضرر فعالان بخش مالی به دلیل حملات کلاهبرداری حدوداً معادل 1.5 درصد از درآمد سالانه آنها را تشکیل می‌دهد.
هوش مصنوعی به عنوان تغییردهنده روند مدیریت ریسک
هوش مصنوعی یک تغییردهنده مدیریت ریسک در امور مالی است؛ زیرا ابزارها و راه حل‌های متنوع‌تری را برای شناسایی خطرات احتمالی و تقلب در اختیار بانک‌ها و نهادهای اعتباری قرار می‌دهد. بحران‌های مالی موجود در دهه قبل، مشکلات زیادی را در زمینه اعتباردهی به مشتریان برای شرکت‌های ارائه‌دهنده خدمات مالی ایجاد نمود. قبل از انقلاب دیجیتال در صنعت خدمات مالی، تجزیه و تحلیل اطلاعات مشتری براساس برخی اکتشافات نسبتاً ساده بود و داده‌های ارزشمند مشتریان از طریق گروه‌های متمرکز و نظرسنجی از رفتار مصرف‌کننده (مشتری) به دست می‌آمد که نتایج آن همیشه مطابق با واقعیت نبود و نارسایی‌های بسیاری داشت. اما امروزه فناوری‌های جدید به کسب وکارها اجازه می‌دهند به داده‌های بسیار عظیمی در مورد رفتار و نیازهای مصرف‌کنندگان دسترسی داشته و الگوهای رفتاری مشتریان را پیش‌بینی کنند.
یکی دیگر از منشاءهای مهم مشکلات بانک‌ها، فناوری وام آنلاین و ظهور نوع دیگری از وام‌دهندگان است. نوع جدید وام‌دهندگان که از آنها با عنوان وام‌دهندگان غیرسنتی یاد می‌شود، از الگوریتم‌های مبتنی بر فناوری و ادغام نرم‌افزار برای ارزیابی مشخصات اعتباری مشتریان استفاده می‌کنند. این وام‌دهندگان همچنین از داده‌های جایگزین مانند عکس‌ها و مستندات موجود در شبکه‌های اجتماعی، داده‌های GPS، مستندات تجارت‌های الکترونیکی، خریدهای آنلاین، پرداخت قبوض و داده‌های تلفن همراه به منظور تحلیل رفتار وام‌گیرندگان استفاده می‌نمایند.
هوش مصنوعی در مواقعی که نیاز به رسیدگی و ارزیابی داده‌های ساختارنیافته است، به خوبی می‌تواند با برنامه‌ها و متدهای خود مدیریت ریسک را انجام دهد. پیش‌بینی می‌شود که مدیران ریسک نهادهای مالی در آینده، به جای صرف وقت و هزینه برای مدیریت ریسک‌های ذاتی موجود در فرآیندهای عملیاتی، بیشتر بر تجزیه و تحلیل و راه‌های کاهش ضرر و زیان بر پایه هوش مصنوعی تمرکز نمایند.
جوانب مثبت استفاده از هوش مصنوعی در مدیریت ریسک بانکداری
با توجه به توسعه فن‌آوری‌های دیجیتال و کاهش هزینه ذخیره اطلاعات، هوش مصنوعی در حال تبدیل شدن به بخشی جدایی‌ناپذیر از فرایندهای تجاری است. یادگیری ماشین، امکان مدیریت و تجزیه و تحلیل داده‌های بدون ساختار را فراهم می‌کند؛ بنابراین در وقت و هزینه شرکت‌های خدمات مالی صرفه‌جویی می‌شود.
هوش مصنوعی در مدیریت ریسک بانکی می‌تواند هزینههای عملیاتی، نظارتی و انطباق را کاهش دهد و رتبه‌بندی اعتباری قابل اعتمادی را برای تصمیم‌گیرندگان اعتبار فراهم کند. مدل ارزیابی ریسک هوش مصنوعی قادر است ارزیابی سریع و دقیق ریسک را با استفاده از هر داده‌ای – چه مالی و چه غیرمالی – فراهم کند که می‌تواند در شخصیت و ظرفیت مشتری نقش داشته باشد.
راهکارهای مدیریت ریسک با استفاده از هوش مصنوعی همچنین می توانند برای اعتبارسنجی و آزمون استرس نیز استفاده شوند.
چالش‌های پیش روی مدیریت ریسک بانکی با استفاده از هوش مصنوعی چیست؟
استفاده از هوش مصنوعی به جای روش‌های سنتی مبتنی بر رگرسیون لاجستیک در عین حال که راهگشا است، چالش نیز دارد. علاوه بر چالش‌های فنی توسعه برنامه‌های هوش مصنوعی برای بانکداری، مانند ساخت الگوریتم‌های صحیح و مرتبط، چالش‌های مربوط به حوزه تنظیم مقررات و حقوق دسترسی به داده‌ها نیز وجود دارد. در واقع امتیاز اعتباری مبتنی بر هوش مصنوعی برای بسیاری از قانون‌گذاران و سازمان‌ها مانند یک جعبه سیاه می‌باشد. بخش فین‌تک با رعایت دقیق مقررات مربوط به داده‌ها اداره می‌شود. نقض داده‌ها هزینه‌بر است و وضع قوانین جدید مسئولیت جدی را برای شرکت‌هایی که با داده‌های شخصی سروکار دارند فراهم می‌کند.
دیدگاهتان را بنویسید لغو پاسخ