Alternativa kreditpoentado: Spurante grandajn datumojn por konsumantaj informoj

• Aŭtoro:
• Aŭtora nomo

  Quantumrun Foiresight
• Oktobro 10, 2022

Enrigarda resumo

Pli da kompanioj uzas alternativan kreditpoentadon ĉar ĝi profitigas konsumantojn kaj pruntedonantojn. Artefarita inteligenteco (AI), specife maŝinlernado (ML), povas esti uzata por taksi la kreditecon de homoj, kiuj ne havas aliron al tradiciaj bankaj produktoj. Ĉi tiu metodo rigardas alternativajn datumfontojn kiel financajn transakciojn, TTT-trafikon, porteblajn aparatojn kaj publikajn rekordojn. Rigardante aliajn datumajn punktojn, alternativa kreditpoentado havas la eblecon pliigi financan inkludon kaj stiri ekonomian kreskon.

Alternativa kreditpoenta kunteksto

La tradicia kreditpoenta modelo estas limiga kaj neatingebla por multaj homoj. Laŭ datumoj de la Africa CEO Forum, ĉirkaŭ 57 procentoj de afrikanoj estas "nevideblaj kreditoj", kio signifas, ke al ili mankas bankkonto aŭ kreditpoentaro. Kiel rezulto, ili havas malfacilaĵojn por certigi prunton aŭ akiri kreditkarton. Individuoj, kiuj ne havas aliron al esencaj financaj servoj kiel ŝparkontoj, kreditkartoj aŭ personaj ĉekoj, estas konsiderataj nebankitaj (aŭ subbankitaj).

Laŭ Forbes, ĉi tiuj nebankitaj homoj bezonas elektronikan kontantan aliron, debetkarton kaj la kapablon akiri monon rapide. Tamen, tradiciaj bankaj servoj kutime ekskludas ĉi tiun grupon. Krome, la kompleksa papero kaj aliaj postuloj por konvenciaj bankpruntoj rezultigis vundeblajn grupojn turnantajn al pruntŝarkoj kaj salajraj kreditoroj kiuj trudas altajn interezajn indicojn.

Alternativa kreditpoentado povas helpi la nebankitan populacion, precipe en evolulandoj, konsiderante pli neformalajn (kaj ofte pli precizajn) rimedojn de taksado. Aparte, AI-sistemoj povas esti aplikitaj por skani grandajn volumojn de informoj de diversaj datumfontoj, kiel servaĵofakturoj, lupagoj, asekuraj registroj, uzado de sociaj amaskomunikiloj, dungadohistorio, vojaĝhistorio, e-komercaj transakcioj kaj registaraj kaj posedaĵoj. . Aldone, ĉi tiuj aŭtomatigitaj sistemoj povas helpi identigi ripetiĝantajn ŝablonojn, kiuj tradukiĝas al kreditrisko, inkluzive de la malkapablo pagi fakturojn aŭ teni laborpostenojn tro longe, aŭ malfermi tro multajn kontojn en retkomercaj platformoj. Ĉi tiuj kontroloj temigas la konduton de pruntedonanto kaj identigas datenpunktojn, kiujn tradiciaj metodoj eble maltrafis. 

Disrompa efiko

Emerĝantaj teknologioj estas ŝlosila faktoro por akceli la adopton de alternativa kreditpoentado. Unu tia teknologio inkluzivas blokoĉenajn aplikojn pro sia kapablo lasi klientojn kontroli siajn datumojn dum daŭre permesante al kreditprovizantoj kontroli la informojn. Ĉi tiu funkcio povus helpi homojn senti pli da kontrolo pri kiel iliaj personaj informoj estas konservitaj kaj kunhavataj.

Bankoj ankaŭ povas uzi la Interreton de Aĵoj (IoT) por pli detala bildo de kreditrisko tra aparatoj; ĉi tio inkluzivas kolekti realtempajn metadatenojn de poŝtelefonoj. Sanprovizantoj povas kontribui diversajn sano-rilatajn datumojn por gajnaj celoj, kiel datumoj kolektitaj de porteblaj kiel korfrekvenco, temperaturo kaj ajna rekordo de antaŭekzistaj sanproblemoj. Kvankam ĉi tiuj informoj ne rekte validas por vivo kaj sanasekuro, ĝi povas informi bankajn produktelektojn. Ekzemple, ebla COVID-19-infekto povus signali la bezonon de kriza superkredita helpo aŭ malgrandaj kaj mezaj entreprenoj havantaj pli altajn riskfaktorojn por prunto-repago kaj komerca interrompo. Dume, por aŭtoasekuro, iuj kompanioj uzas telematikajn datumojn (GPS kaj sensiloj) anstataŭ tradicia kreditpoentado por taksi kiuj kandidatoj plej verŝajne respondecos. 

Unu ŝlosila datuma punkto en alternativa kreditpoentado estas enhavo de sociaj amaskomunikiloj. Ĉi tiuj retoj tenas impresan kvanton da datumoj, kiuj povas esti utilaj por kompreni la probablecon de homo repagi ŝuldojn. Ĉi tiuj informoj ofte estas pli precizaj ol tio, kion malkaŝas formalaj kanaloj. Ekzemple, kontrolado de kontoj, interretaj afiŝoj kaj tweets donas informojn pri la elspezkutimoj kaj ekonomian stabilecon de iu, kiuj povas helpi entreprenojn fari pli bonajn decidojn. 

Implicoj de alternativa kreditpoentado

Pli larĝaj implicoj de alternativa kreditpoentado povas inkludi: 

• Pli da netradiciaj kreditpruntedonaj servoj nutritaj de malferma bankado kaj bankado-kiel-servo. Ĉi tiuj servoj povas helpi la nebankitajn peti pruntojn pli efike.
• La kreskanta uzo de IoT kaj porteblaj por taksi kreditan riskon, precipe pri sano kaj inteligentaj hejmaj datumoj.
• Noventreprenoj uzantaj telefonajn metadatumajn servojn por taksi nebankitajn homojn por oferti kreditajn servojn.
• Biometriko estas ĉiam pli uzata kiel alternativa kreditpoentaro datumoj, precipe en monitorado de butikumadaj kutimoj.
• Pli da registaroj farante netradician krediton pli alirebla kaj utilebla. 
• Pliiĝantaj zorgoj pri eblaj malobservoj pri privateco de datumoj, precipe por biometrika datumkolektado.

Konsiderindaj demandoj

• Kio estas la eblaj defioj en uzado de alternativaj kreditpoentadaj datumoj?
• Kion aliaj eblaj datumpunktoj povas esti inkluzivitaj en alternativa kreditpoentado?