વૈકલ્પિક ક્રેડિટ સ્કોરિંગ: ઉપભોક્તા માહિતી માટે મોટો ડેટા સ્કોરિંગ

ઇમેજ ક્રેડિટ:
છબી ક્રેડિટ
iStock

વૈકલ્પિક ક્રેડિટ સ્કોરિંગ: ઉપભોક્તા માહિતી માટે મોટો ડેટા સ્કોરિંગ

વૈકલ્પિક ક્રેડિટ સ્કોરિંગ: ઉપભોક્તા માહિતી માટે મોટો ડેટા સ્કોરિંગ

સબહેડિંગ ટેક્સ્ટ
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI), ટેલિમેટિક્સ અને વધુ ડિજિટલ અર્થતંત્રને કારણે વૈકલ્પિક ક્રેડિટ સ્કોરિંગ વધુ મુખ્ય પ્રવાહ બની રહ્યું છે.
    • લેખક:
    • લેખક નામ
      ક્વોન્ટમરુન ફોરસાઈટ
    • ઓક્ટોબર 10, 2022

    આંતરદૃષ્ટિનો સારાંશ

    વધુ કંપનીઓ વૈકલ્પિક ક્રેડિટ સ્કોરિંગનો ઉપયોગ કરી રહી છે કારણ કે તેનાથી ગ્રાહકો અને ધિરાણકર્તાઓને ફાયદો થાય છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI), ખાસ કરીને મશીન લર્નિંગ (ML), નો ઉપયોગ એવા લોકોની ક્રેડિટપાત્રતાનું મૂલ્યાંકન કરવા માટે થઈ શકે છે જેમની પાસે પરંપરાગત બેંકિંગ ઉત્પાદનોની ઍક્સેસ નથી. આ પદ્ધતિ નાણાકીય વ્યવહારો, વેબ ટ્રાફિક, મોબાઇલ ઉપકરણો અને સાર્વજનિક રેકોર્ડ્સ જેવા વૈકલ્પિક ડેટા સ્રોતોને જુએ છે. અન્ય ડેટા પોઈન્ટ્સને જોઈને, વૈકલ્પિક ક્રેડિટ સ્કોરિંગ નાણાકીય સમાવેશને વધારવાની અને આર્થિક વૃદ્ધિને આગળ વધારવાની ક્ષમતા ધરાવે છે.

    વૈકલ્પિક ક્રેડિટ સ્કોરિંગ સંદર્ભ

    પરંપરાગત ક્રેડિટ સ્કોર મોડલ ઘણા લોકો માટે મર્યાદિત અને અગમ્ય છે. આફ્રિકા CEO ફોરમના ડેટા અનુસાર, લગભગ 57 ટકા આફ્રિકનો "ક્રેડિટ અદ્રશ્ય" છે, જેનો અર્થ છે કે તેમની પાસે બેંક એકાઉન્ટ અથવા ક્રેડિટ સ્કોર નથી. પરિણામે, તેમને લોન મેળવવામાં કે ક્રેડિટ કાર્ડ મેળવવામાં મુશ્કેલી પડે છે. જે વ્યક્તિઓ પાસે બચત ખાતા, ક્રેડિટ કાર્ડ અથવા વ્યક્તિગત ચેક જેવી આવશ્યક નાણાકીય સેવાઓની ઍક્સેસ નથી તેઓને બેંક વગરના (અથવા અંડરબેંક્ડ) ગણવામાં આવે છે.

    ફોર્બ્સના જણાવ્યા અનુસાર, આ બેંક વગરના લોકોને ઈલેક્ટ્રોનિક કેશ એક્સેસ, ડેબિટ કાર્ડ અને તાત્કાલિક નાણાં મેળવવાની ક્ષમતાની જરૂર છે. જો કે, પરંપરાગત બેંકિંગ સેવાઓ સામાન્ય રીતે આ જૂથને બાકાત રાખે છે. વધુમાં, પરંપરાગત બેંક લોન માટે જટિલ કાગળ અને અન્ય આવશ્યકતાઓને પરિણામે નબળા જૂથો લોન શાર્ક અને પે-ડે લેણદારો તરફ વળ્યા છે જેઓ ઊંચા વ્યાજ દરો લાદે છે.

    વૈકલ્પિક ક્રેડિટ સ્કોરિંગ મૂલ્યાંકનના વધુ અનૌપચારિક (અને ઘણી વખત વધુ સચોટ) માધ્યમોને ધ્યાનમાં લઈને, ખાસ કરીને વિકાસશીલ રાષ્ટ્રોમાં, બેંક વિનાની વસ્તીને મદદ કરી શકે છે. ખાસ કરીને, યુટિલિટી બિલ્સ, ભાડાની ચૂકવણી, વીમા રેકોર્ડ, સોશિયલ મીડિયાનો ઉપયોગ, રોજગાર ઇતિહાસ, મુસાફરી ઇતિહાસ, ઈ-કોમર્સ વ્યવહારો અને સરકારી અને મિલકત રેકોર્ડ્સ જેવા વિવિધ ડેટા સ્ત્રોતોમાંથી મોટી માત્રામાં માહિતી સ્કેન કરવા માટે AI સિસ્ટમ્સ લાગુ કરી શકાય છે. . વધુમાં, આ સ્વયંસંચાલિત સિસ્ટમો રિકરિંગ પેટર્નને ઓળખવામાં મદદ કરી શકે છે જે ક્રેડિટ રિસ્કમાં અનુવાદ કરે છે, જેમાં બિલ ચૂકવવામાં અસમર્થતા અથવા ખૂબ લાંબા સમય સુધી નોકરીઓ રાખવા અથવા ઈ-કોમર્સ પ્લેટફોર્મ પર ઘણા બધા એકાઉન્ટ્સ ખોલવા સહિત. આ ચેક્સ લોન લેનારના વર્તન પર ધ્યાન કેન્દ્રિત કરે છે અને ડેટા પોઈન્ટને ઓળખે છે જે પરંપરાગત પદ્ધતિઓ ચૂકી ગયા હોઈ શકે છે. 

    વિક્ષેપકારક અસર

    વૈકલ્પિક ક્રેડિટ સ્કોરિંગને અપનાવવાની પ્રક્રિયાને વેગ આપવા માટે ઉભરતી તકનીકો મુખ્ય પરિબળ છે. આવી જ એક ટેક્નોલોજીમાં ગ્રાહકોને તેમના ડેટાને નિયંત્રિત કરવા દેવાની ક્ષમતાને કારણે બ્લોકચેન એપ્લીકેશનનો સમાવેશ થાય છે જ્યારે ક્રેડિટ પ્રદાતાઓને માહિતી ચકાસવાની મંજૂરી આપે છે. આ સુવિધા લોકોને તેમની વ્યક્તિગત માહિતી કેવી રીતે સંગ્રહિત અને શેર કરવામાં આવે છે તેના પર વધુ નિયંત્રણ અનુભવવામાં મદદ કરી શકે છે.

    બેંકો સમગ્ર ઉપકરણો પર ક્રેડિટ જોખમના વધુ વિગતવાર ચિત્ર માટે ઇન્ટરનેટ ઓફ થિંગ્સ (IoT) નો ઉપયોગ પણ કરી શકે છે; આમાં મોબાઇલ ફોનમાંથી રીઅલ-ટાઇમ મેટાડેટા એકત્રિત કરવાનો સમાવેશ થાય છે. આરોગ્યસંભાળ પ્રદાતાઓ સ્કોરિંગ હેતુઓ માટે વિવિધ આરોગ્ય સંબંધિત ડેટાનું યોગદાન આપી શકે છે, જેમ કે હૃદયના ધબકારા, તાપમાન અને પહેલાથી અસ્તિત્વમાં રહેલી સ્વાસ્થ્ય સમસ્યાઓના કોઈપણ રેકોર્ડ જેવા પહેરવાલાયક વસ્તુઓમાંથી એકત્રિત કરવામાં આવેલ ડેટા. જ્યારે આ માહિતી જીવન અને આરોગ્ય વીમા પર સીધી રીતે લાગુ પડતી નથી, તે બેંકની પ્રોડક્ટની પસંદગીની માહિતી આપી શકે છે. ઉદાહરણ તરીકે, સંભવિત COVID-19 ચેપ કટોકટી ઓવરડ્રાફ્ટ સહાયની જરૂરિયાત અથવા નાના અને મધ્યમ ઉદ્યોગોને લોનની ચુકવણી અને વ્યવસાયમાં વિક્ષેપ માટે વધુ જોખમી પરિબળોનો સંકેત આપી શકે છે. દરમિયાન, કાર વીમા માટે, કેટલીક કંપનીઓ કયા ઉમેદવારો સૌથી વધુ જવાબદાર છે તેનું મૂલ્યાંકન કરવા પરંપરાગત ક્રેડિટ સ્કોરિંગને બદલે ટેલિમેટિક્સ ડેટા (GPS અને સેન્સર) નો ઉપયોગ કરે છે. 

    વૈકલ્પિક ક્રેડિટ સ્કોરિંગમાં એક મુખ્ય ડેટા પોઈન્ટ સોશિયલ મીડિયા સામગ્રી છે. આ નેટવર્ક્સમાં પ્રભાવશાળી માત્રામાં ડેટા છે જે વ્યક્તિની દેવાની ચૂકવણી કરવાની સંભાવનાને સમજવામાં ઉપયોગી થઈ શકે છે. આ માહિતી ઔપચારિક ચેનલો જે દર્શાવે છે તેના કરતાં ઘણી વખત વધુ સચોટ હોય છે. ઉદાહરણ તરીકે, એકાઉન્ટ સ્ટેટમેન્ટ, ઓનલાઈન પોસ્ટ્સ અને ટ્વીટ્સ તપાસવાથી કોઈની ખર્ચ કરવાની ટેવ અને આર્થિક સ્થિરતાની સમજ મળે છે, જે વ્યવસાયોને વધુ સારા નિર્ણયો લેવામાં મદદ કરી શકે છે. 

    વૈકલ્પિક ક્રેડિટ સ્કોરિંગની અસરો

    વૈકલ્પિક ક્રેડિટ સ્કોરિંગની વ્યાપક અસરોમાં નીચેનાનો સમાવેશ થઈ શકે છે: 

    • ઓપન બેંકિંગ અને બેંકિંગ-એ-એ-સર્વિસ દ્વારા વધુ બિન-પરંપરાગત ક્રેડિટ ધિરાણ સેવાઓ. આ સેવાઓ બેંક વગરની લોન માટે વધુ અસરકારક રીતે અરજી કરવામાં મદદ કરી શકે છે.
    • ક્રેડિટ જોખમનું મૂલ્યાંકન કરવા માટે IoT અને વેરેબલનો વધતો ઉપયોગ, ખાસ કરીને આરોગ્ય અને સ્માર્ટ હોમ ડેટા.
    • ક્રેડિટ સેવાઓ ઓફર કરવા માટે બેંક વગરના લોકોની આકારણી કરવા માટે ફોન મેટાડેટા સેવાઓનો ઉપયોગ કરીને સ્ટાર્ટઅપ્સ.
    • બાયોમેટ્રિક્સનો વૈકલ્પિક ક્રેડિટ સ્કોર ડેટા તરીકે વધુને વધુ ઉપયોગ કરવામાં આવી રહ્યો છે, ખાસ કરીને ખરીદીની આદતો પર દેખરેખ રાખવામાં.
    • વધુ સરકારો બિન-પરંપરાગત ધિરાણને વધુ સુલભ અને સેવાયોગ્ય બનાવે છે. 
    • સંભવિત ડેટા ગોપનીયતા ઉલ્લંઘનો વિશે વધતી ચિંતાઓ, ખાસ કરીને બાયોમેટ્રિક ડેટા સંગ્રહ માટે.

    ધ્યાનમાં લેવાના પ્રશ્નો

    • વૈકલ્પિક ક્રેડિટ સ્કોરિંગ ડેટાનો ઉપયોગ કરવામાં સંભવિત પડકારો શું છે?
    • વૈકલ્પિક ક્રેડિટ સ્કોરિંગમાં અન્ય સંભવિત ડેટા પોઈન્ટનો શું સમાવેશ કરી શકાય?

    આંતરદૃષ્ટિ સંદર્ભો

    આ આંતરદૃષ્ટિ માટે નીચેની લોકપ્રિય અને સંસ્થાકીય લિંક્સનો સંદર્ભ આપવામાં આવ્યો હતો: