Εναλλακτική βαθμολόγηση πίστωσης: Έλεγχος μεγάλων δεδομένων για πληροφορίες καταναλωτών

• Συγγραφέας:
• όνομα συγγραφέα

  Quantumrun Foiresight
• Οκτώβριος 10, 2022

Περίληψη Insight

Περισσότερες εταιρείες χρησιμοποιούν εναλλακτική αξιολόγηση πιστοληπτικής ικανότητας επειδή ωφελεί τους καταναλωτές και τους δανειστές. Η τεχνητή νοημοσύνη (AI), συγκεκριμένα η μηχανική μάθηση (ML), μπορεί να χρησιμοποιηθεί για την αξιολόγηση της πιστοληπτικής ικανότητας ατόμων που δεν έχουν πρόσβαση σε παραδοσιακά τραπεζικά προϊόντα. Αυτή η μέθοδος εξετάζει εναλλακτικές πηγές δεδομένων, όπως οικονομικές συναλλαγές, κίνηση ιστού, κινητές συσκευές και δημόσια αρχεία. Εξετάζοντας άλλα σημεία δεδομένων, η εναλλακτική πιστοληπτική βαθμολογία έχει τη δυνατότητα να αυξήσει τη χρηματοοικονομική ένταξη και να οδηγήσει την οικονομική ανάπτυξη.

Εναλλακτικό πλαίσιο αξιολόγησης πιστοληπτικής ικανότητας

Το παραδοσιακό μοντέλο πιστωτικής βαθμολογίας είναι περιοριστικό και απρόσιτο για πολλούς ανθρώπους. Σύμφωνα με στοιχεία από το φόρουμ των CEO της Αφρικής, περίπου το 57 τοις εκατό των Αφρικανών είναι «αόρατοι ως προς την πίστωση», που σημαίνει ότι δεν έχουν τραπεζικό λογαριασμό ή πιστωτικό σκορ. Ως αποτέλεσμα, δυσκολεύονται να εξασφαλίσουν ένα δάνειο ή να αποκτήσουν πιστωτική κάρτα. Άτομα που δεν έχουν πρόσβαση σε βασικές χρηματοοικονομικές υπηρεσίες, όπως λογαριασμοί ταμιευτηρίου, πιστωτικές κάρτες ή προσωπικές επιταγές θεωρούνται χωρίς τραπεζικό λογαριασμό (ή υποτραπεζικά).

Σύμφωνα με το Forbes, αυτοί οι μη τραπεζικοί άνθρωποι χρειάζονται ηλεκτρονική πρόσβαση σε μετρητά, μια χρεωστική κάρτα και τη δυνατότητα να αποκτήσουν χρήματα αμέσως. Ωστόσο, οι παραδοσιακές τραπεζικές υπηρεσίες συνήθως αποκλείουν αυτήν την ομάδα. Επιπλέον, η περίπλοκη γραφειοκρατία και άλλες απαιτήσεις για τα συμβατικά τραπεζικά δάνεια είχαν ως αποτέλεσμα ευάλωτες ομάδες να στρέφονται σε τοκογλύφους και πιστωτές που επιβάλλουν υψηλά επιτόκια.

Η εναλλακτική αξιολόγηση πιστοληπτικής ικανότητας μπορεί να βοηθήσει τον πληθυσμό χωρίς τραπεζικό λογαριασμό, ειδικά στις αναπτυσσόμενες χώρες, εξετάζοντας πιο άτυπα (και συχνά πιο ακριβή) μέσα αξιολόγησης. Συγκεκριμένα, τα συστήματα τεχνητής νοημοσύνης μπορούν να εφαρμοστούν για τη σάρωση μεγάλου όγκου πληροφοριών από διάφορες πηγές δεδομένων, όπως λογαριασμούς κοινής ωφελείας, πληρωμές ενοικίων, ασφαλιστικά αρχεία, χρήση μέσων κοινωνικής δικτύωσης, ιστορικό απασχόλησης, ιστορικό ταξιδιού, συναλλαγές ηλεκτρονικού εμπορίου και κρατικά αρχεία και αρχεία ιδιοκτησίας . Επιπλέον, αυτά τα αυτοματοποιημένα συστήματα μπορούν να βοηθήσουν στον εντοπισμό επαναλαμβανόμενων μοτίβων που μεταφράζονται σε πιστωτικό κίνδυνο, συμπεριλαμβανομένης της αδυναμίας πληρωμής λογαριασμών ή διατήρησης θέσεων εργασίας για πάρα πολύ καιρό ή του ανοίγματος πάρα πολλών λογαριασμών σε πλατφόρμες ηλεκτρονικού εμπορίου. Αυτοί οι έλεγχοι επικεντρώνονται στη συμπεριφορά του δανειολήπτη και εντοπίζουν σημεία δεδομένων που μπορεί να έχουν χάσει οι παραδοσιακές μέθοδοι. 

Αποδιοργανωτικός αντίκτυπος

Οι αναδυόμενες τεχνολογίες αποτελούν βασικό παράγοντα για την επιτάχυνση της υιοθέτησης της εναλλακτικής αξιολόγησης πιστοληπτικής ικανότητας. Μια τέτοια τεχνολογία περιλαμβάνει εφαρμογές blockchain λόγω της ικανότητάς της να επιτρέπει στους πελάτες να ελέγχουν τα δεδομένα τους, ενώ παράλληλα επιτρέπει στους παρόχους πιστώσεων να επαληθεύουν τις πληροφορίες. Αυτή η δυνατότητα θα μπορούσε να βοηθήσει τους ανθρώπους να αισθάνονται ότι έχουν περισσότερο έλεγχο στον τρόπο αποθήκευσης και κοινής χρήσης των προσωπικών τους πληροφοριών.

Οι τράπεζες μπορούν επίσης να χρησιμοποιήσουν το Διαδίκτυο των πραγμάτων (IoT) για μια πιο λεπτομερή εικόνα του πιστωτικού κινδύνου σε όλες τις συσκευές. Αυτό περιλαμβάνει τη συλλογή μεταδεδομένων σε πραγματικό χρόνο από κινητά τηλέφωνα. Οι πάροχοι υγειονομικής περίθαλψης μπορούν να συνεισφέρουν διάφορα δεδομένα που σχετίζονται με την υγεία για σκοπούς βαθμολόγησης, όπως δεδομένα που συλλέγονται από φορητές συσκευές όπως ο καρδιακός ρυθμός, η θερμοκρασία και οποιοδήποτε αρχείο προϋπαρχόντων προβλημάτων υγείας. Αν και αυτές οι πληροφορίες δεν ισχύουν άμεσα για την ασφάλιση ζωής και υγείας, ενδέχεται να ενημερώνουν τις επιλογές των τραπεζικών προϊόντων. Για παράδειγμα, μια πιθανή μόλυνση από τον COVID-19 μπορεί να σηματοδοτεί την ανάγκη για βοήθεια έκτακτης ανάγκης για υπερανάληψη ή τις μικρές και μεσαίες επιχειρήσεις που έχουν υψηλότερους παράγοντες κινδύνου για την αποπληρωμή δανείου και τη διακοπή των εργασιών. Εν τω μεταξύ, για την ασφάλιση αυτοκινήτου, ορισμένες εταιρείες χρησιμοποιούν δεδομένα τηλεματικής (GPS και αισθητήρες) αντί για την παραδοσιακή βαθμολογία πίστωσης για να αξιολογήσουν ποιοι υποψήφιοι είναι πιο πιθανό να ευθύνονται. 

Ένα βασικό σημείο δεδομένων στην εναλλακτική βαθμολογία πιστώσεων είναι το περιεχόμενο των μέσων κοινωνικής δικτύωσης. Αυτά τα δίκτυα διαθέτουν έναν εντυπωσιακό όγκο δεδομένων που μπορεί να είναι χρήσιμοι για την κατανόηση της πιθανότητας ενός ατόμου να αποπληρώσει χρέη. Αυτές οι πληροφορίες είναι συχνά πιο ακριβείς από αυτές που αποκαλύπτουν επίσημα κανάλια. Για παράδειγμα, ο έλεγχος των δηλώσεων λογαριασμού, των αναρτήσεων στο διαδίκτυο και των tweets δίνει πληροφορίες για τις συνήθειες δαπανών και την οικονομική σταθερότητα κάποιου, κάτι που μπορεί να βοηθήσει τις επιχειρήσεις να λάβουν καλύτερες αποφάσεις. 

Επιπτώσεις της εναλλακτικής πιστωτικής βαθμολόγησης

Οι ευρύτερες επιπτώσεις της εναλλακτικής πιστωτικής βαθμολογίας μπορεί να περιλαμβάνουν: 

• Περισσότερες μη παραδοσιακές υπηρεσίες δανεισμού πιστώσεων που τροφοδοτούνται από την ανοιχτή τραπεζική και την τραπεζική ως υπηρεσία. Αυτές οι υπηρεσίες μπορεί να βοηθήσουν τους μη τραπεζικούς να υποβάλουν αίτηση για δάνεια πιο αποτελεσματικά.
• Η αυξανόμενη χρήση του IoT και των wearables για την αξιολόγηση του πιστωτικού κινδύνου, ιδιαίτερα των δεδομένων υγείας και έξυπνων κατοικιών.
• Startups που χρησιμοποιούν υπηρεσίες μεταδεδομένων τηλεφώνου για να αξιολογήσουν άτομα που δεν έχουν τραπεζικές συναλλαγές για να προσφέρουν πιστωτικές υπηρεσίες.
• Τα βιομετρικά στοιχεία χρησιμοποιούνται όλο και περισσότερο ως εναλλακτικά δεδομένα πιστωτικής βαθμολογίας, ιδιαίτερα στην παρακολούθηση των συνηθειών αγορών.
• Περισσότερες κυβερνήσεις κάνουν τις μη παραδοσιακές πιστώσεις πιο προσιτές και εξυπηρετικές. 
• Αυξανόμενες ανησυχίες σχετικά με πιθανές παραβιάσεις του απορρήτου των δεδομένων, ιδιαίτερα για τη συλλογή βιομετρικών δεδομένων.

Ερωτήσεις προς εξέταση

• Ποιες είναι οι πιθανές προκλήσεις στη χρήση εναλλακτικών δεδομένων πιστωτικής βαθμολογίας;
• Ποια άλλα πιθανά σημεία δεδομένων μπορούν να συμπεριληφθούν στην εναλλακτική βαθμολόγηση πιστώσεων;