ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್: ಗ್ರಾಹಕರ ಮಾಹಿತಿಗಾಗಿ ದೊಡ್ಡ ಡೇಟಾವನ್ನು ಸ್ಕೋರಿಂಗ್ ಮಾಡುವುದು

• ಲೇಖಕ ಬಗ್ಗೆ:
• ಲೇಖಕ ಹೆಸರು

  ಕ್ವಾಂಟಮ್ರನ್ ಫೊರ್‌ಸೈಟ್
• ಅಕ್ಟೋಬರ್ 10, 2022

ಒಳನೋಟ ಸಾರಾಂಶ

ಹೆಚ್ಚಿನ ಕಂಪನಿಗಳು ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತಿವೆ ಏಕೆಂದರೆ ಇದು ಗ್ರಾಹಕರು ಮತ್ತು ಸಾಲದಾತರಿಗೆ ಪ್ರಯೋಜನವನ್ನು ನೀಡುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಬ್ಯಾಂಕಿಂಗ್ ಉತ್ಪನ್ನಗಳಿಗೆ ಪ್ರವೇಶವನ್ನು ಹೊಂದಿರದ ಜನರ ಕ್ರೆಡಿಟ್ ಅರ್ಹತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI), ನಿರ್ದಿಷ್ಟವಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ (ML) ಅನ್ನು ಬಳಸಬಹುದು. ಈ ವಿಧಾನವು ಹಣಕಾಸಿನ ವಹಿವಾಟುಗಳು, ವೆಬ್ ಟ್ರಾಫಿಕ್, ಮೊಬೈಲ್ ಸಾಧನಗಳು ಮತ್ತು ಸಾರ್ವಜನಿಕ ದಾಖಲೆಗಳಂತಹ ಪರ್ಯಾಯ ಡೇಟಾ ಮೂಲಗಳನ್ನು ನೋಡುತ್ತದೆ. ಇತರ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ನೋಡುವ ಮೂಲಕ, ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್ ಆರ್ಥಿಕ ಸೇರ್ಪಡೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಮತ್ತು ಆರ್ಥಿಕ ಬೆಳವಣಿಗೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.

ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್ ಸಂದರ್ಭ

ಸಾಂಪ್ರದಾಯಿಕ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರ್ ಮಾದರಿಯು ಸೀಮಿತವಾಗಿದೆ ಮತ್ತು ಅನೇಕ ಜನರಿಗೆ ಪ್ರವೇಶಿಸಲಾಗುವುದಿಲ್ಲ. ಆಫ್ರಿಕಾ ಸಿಇಒ ಫೋರಮ್‌ನ ಮಾಹಿತಿಯ ಪ್ರಕಾರ, ಸುಮಾರು 57 ಪ್ರತಿಶತದಷ್ಟು ಆಫ್ರಿಕನ್ನರು "ಕ್ರೆಡಿಟ್ ಅದೃಶ್ಯರಾಗಿದ್ದಾರೆ" ಅಂದರೆ ಅವರಿಗೆ ಬ್ಯಾಂಕ್ ಖಾತೆ ಅಥವಾ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರ್ ಇಲ್ಲ. ಪರಿಣಾಮವಾಗಿ, ಅವರು ಸಾಲವನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ಅಥವಾ ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್ ಪಡೆಯಲು ಕಷ್ಟಪಡುತ್ತಾರೆ. ಉಳಿತಾಯ ಖಾತೆಗಳು, ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್‌ಗಳು ಅಥವಾ ವೈಯಕ್ತಿಕ ಚೆಕ್‌ಗಳಂತಹ ಅಗತ್ಯ ಹಣಕಾಸು ಸೇವೆಗಳಿಗೆ ಪ್ರವೇಶವನ್ನು ಹೊಂದಿರದ ವ್ಯಕ್ತಿಗಳನ್ನು ಬ್ಯಾಂಕಿಲ್ಲದ (ಅಥವಾ ಅಂಡರ್ಬ್ಯಾಂಕ್) ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಫೋರ್ಬ್ಸ್ ಪ್ರಕಾರ, ಈ ಬ್ಯಾಂಕ್ ಇಲ್ಲದ ಜನರಿಗೆ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ನಗದು ಪ್ರವೇಶ, ಡೆಬಿಟ್ ಕಾರ್ಡ್ ಮತ್ತು ತ್ವರಿತವಾಗಿ ಹಣವನ್ನು ಪಡೆಯುವ ಸಾಮರ್ಥ್ಯದ ಅಗತ್ಯವಿದೆ. ಆದಾಗ್ಯೂ, ಸಾಂಪ್ರದಾಯಿಕ ಬ್ಯಾಂಕಿಂಗ್ ಸೇವೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಈ ಗುಂಪನ್ನು ಹೊರತುಪಡಿಸುತ್ತವೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸಾಂಪ್ರದಾಯಿಕ ಬ್ಯಾಂಕ್ ಸಾಲಗಳಿಗೆ ಸಂಕೀರ್ಣವಾದ ದಾಖಲೆಗಳು ಮತ್ತು ಇತರ ಅವಶ್ಯಕತೆಗಳು ದುರ್ಬಲ ಗುಂಪುಗಳು ಹೆಚ್ಚಿನ ಬಡ್ಡಿದರಗಳನ್ನು ವಿಧಿಸುವ ಸಾಲ ಶಾರ್ಕ್‌ಗಳು ಮತ್ತು ಪೇಡೇ ಸಾಲಗಾರರ ಕಡೆಗೆ ತಿರುಗುತ್ತವೆ.

ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್ ಹೆಚ್ಚು ಅನೌಪಚಾರಿಕ (ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾದ) ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಗಳನ್ನು ಪರಿಗಣಿಸುವ ಮೂಲಕ ವಿಶೇಷವಾಗಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿರುವ ರಾಷ್ಟ್ರಗಳಲ್ಲಿ ಬ್ಯಾಂಕ್ ಮಾಡದ ಜನಸಂಖ್ಯೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಯುಟಿಲಿಟಿ ಬಿಲ್‌ಗಳು, ಬಾಡಿಗೆ ಪಾವತಿಗಳು, ವಿಮಾ ದಾಖಲೆಗಳು, ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಬಳಕೆ, ಉದ್ಯೋಗ ಇತಿಹಾಸ, ಪ್ರಯಾಣದ ಇತಿಹಾಸ, ಇ-ಕಾಮರ್ಸ್ ವಹಿವಾಟುಗಳು ಮತ್ತು ಸರ್ಕಾರಿ ಮತ್ತು ಆಸ್ತಿ ದಾಖಲೆಗಳಂತಹ ವೈವಿಧ್ಯಮಯ ಡೇಟಾ ಮೂಲಗಳಿಂದ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಮಾಹಿತಿಯನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅನ್ವಯಿಸಬಹುದು. . ಹೆಚ್ಚುವರಿಯಾಗಿ, ಈ ಸ್ವಯಂಚಾಲಿತ ವ್ಯವಸ್ಥೆಗಳು ಕ್ರೆಡಿಟ್ ಅಪಾಯಕ್ಕೆ ಭಾಷಾಂತರಿಸುವ ಮರುಕಳಿಸುವ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಬಿಲ್‌ಗಳನ್ನು ಪಾವತಿಸಲು ಅಸಮರ್ಥತೆ ಅಥವಾ ಹೆಚ್ಚು ಸಮಯದವರೆಗೆ ಉದ್ಯೋಗಗಳನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುವುದು ಅಥವಾ ಇ-ಕಾಮರ್ಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಲ್ಲಿ ಹಲವಾರು ಖಾತೆಗಳನ್ನು ತೆರೆಯುವುದು. ಈ ತಪಾಸಣೆಗಳು ಸಾಲಗಾರನ ನಡವಳಿಕೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ತಪ್ಪಿಸಿಕೊಂಡಿರುವ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ. 

ಅಡ್ಡಿಪಡಿಸುವ ಪರಿಣಾಮ

ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್‌ನ ಅಳವಡಿಕೆಯನ್ನು ವೇಗಗೊಳಿಸುವಲ್ಲಿ ಉದಯೋನ್ಮುಖ ತಂತ್ರಜ್ಞಾನಗಳು ಪ್ರಮುಖ ಅಂಶಗಳಾಗಿವೆ. ಅಂತಹ ಒಂದು ತಂತ್ರಜ್ಞಾನವು ಬ್ಲಾಕ್‌ಚೈನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಏಕೆಂದರೆ ಗ್ರಾಹಕರು ತಮ್ಮ ಡೇಟಾವನ್ನು ನಿಯಂತ್ರಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುವ ಸಾಮರ್ಥ್ಯದಿಂದಾಗಿ ಕ್ರೆಡಿಟ್ ಪೂರೈಕೆದಾರರಿಗೆ ಮಾಹಿತಿಯನ್ನು ಪರಿಶೀಲಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಈ ವೈಶಿಷ್ಟ್ಯವು ಜನರು ತಮ್ಮ ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯನ್ನು ಹೇಗೆ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹಂಚಿಕೊಳ್ಳಲಾಗುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಹೆಚ್ಚು ನಿಯಂತ್ರಣವನ್ನು ಅನುಭವಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಸಾಧನಗಳಾದ್ಯಂತ ಕ್ರೆಡಿಟ್ ಅಪಾಯದ ಹೆಚ್ಚು ವಿವರವಾದ ಚಿತ್ರಕ್ಕಾಗಿ ಬ್ಯಾಂಕುಗಳು ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ (IoT) ಅನ್ನು ಸಹ ಬಳಸಬಹುದು; ಇದು ಮೊಬೈಲ್ ಫೋನ್‌ಗಳಿಂದ ನೈಜ-ಸಮಯದ ಮೆಟಾಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಹೆಲ್ತ್‌ಕೇರ್ ಪೂರೈಕೆದಾರರು ಸ್ಕೋರಿಂಗ್ ಉದ್ದೇಶಗಳಿಗಾಗಿ ವಿವಿಧ ಆರೋಗ್ಯ-ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ಕೊಡುಗೆ ನೀಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಧರಿಸಬಹುದಾದ ಹೃದಯ ಬಡಿತ, ತಾಪಮಾನ ಮತ್ತು ಮೊದಲೇ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಆರೋಗ್ಯ ಸಮಸ್ಯೆಗಳ ಯಾವುದೇ ದಾಖಲೆಯಿಂದ ಸಂಗ್ರಹಿಸಲಾದ ಡೇಟಾ. ಈ ಮಾಹಿತಿಯು ಜೀವ ಮತ್ತು ಆರೋಗ್ಯ ವಿಮೆಗೆ ನೇರವಾಗಿ ಅನ್ವಯಿಸುವುದಿಲ್ಲವಾದರೂ, ಇದು ಬ್ಯಾಂಕ್ ಉತ್ಪನ್ನದ ಆಯ್ಕೆಗಳನ್ನು ತಿಳಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಸಂಭಾವ್ಯ COVID-19 ಸೋಂಕು ತುರ್ತು ಓವರ್‌ಡ್ರಾಫ್ಟ್ ನೆರವು ಅಥವಾ ಸಣ್ಣ ಮತ್ತು ಮಧ್ಯಮ ಉದ್ಯಮಗಳು ಸಾಲ ಮರುಪಾವತಿ ಮತ್ತು ವ್ಯಾಪಾರದ ಅಡಚಣೆಗೆ ಹೆಚ್ಚಿನ ಅಪಾಯಕಾರಿ ಅಂಶಗಳನ್ನು ಹೊಂದಿರುವ ಅಗತ್ಯವನ್ನು ಸೂಚಿಸಬಹುದು. ಏತನ್ಮಧ್ಯೆ, ಕಾರು ವಿಮೆಗಾಗಿ, ಕೆಲವು ಕಂಪನಿಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್ ಬದಲಿಗೆ ಟೆಲಿಮ್ಯಾಟಿಕ್ಸ್ ಡೇಟಾವನ್ನು (GPS ಮತ್ತು ಸಂವೇದಕಗಳು) ಬಳಸುತ್ತವೆ, ಯಾವ ಅಭ್ಯರ್ಥಿಗಳು ಹೆಚ್ಚಾಗಿ ಜವಾಬ್ದಾರರಾಗಿರುತ್ತಾರೆ ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸುತ್ತಾರೆ. 

ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್‌ನಲ್ಲಿ ಒಂದು ಪ್ರಮುಖ ಡೇಟಾ ಪಾಯಿಂಟ್ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ವಿಷಯವಾಗಿದೆ. ಈ ನೆಟ್‌ವರ್ಕ್‌ಗಳು ಪ್ರಭಾವಶಾಲಿ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಹೊಂದಿದ್ದು ಅದು ಸಾಲಗಳನ್ನು ಮರುಪಾವತಿ ಮಾಡುವ ವ್ಯಕ್ತಿಯ ಸಾಧ್ಯತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಉಪಯುಕ್ತವಾಗಿದೆ. ಈ ಮಾಹಿತಿಯು ಸಾಮಾನ್ಯವಾಗಿ ಔಪಚಾರಿಕ ಚಾನಲ್‌ಗಳು ಬಹಿರಂಗಪಡಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಖಾತೆ ಹೇಳಿಕೆಗಳು, ಆನ್‌ಲೈನ್ ಪೋಸ್ಟ್‌ಗಳು ಮತ್ತು ಟ್ವೀಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಯಾರೊಬ್ಬರ ಖರ್ಚು ಅಭ್ಯಾಸಗಳು ಮತ್ತು ಆರ್ಥಿಕ ಸ್ಥಿರತೆಯ ಒಳನೋಟಗಳನ್ನು ನೀಡುತ್ತದೆ, ಇದು ವ್ಯವಹಾರಗಳಿಗೆ ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. 

ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್‌ನ ಪರಿಣಾಮಗಳು

ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್‌ನ ವ್ಯಾಪಕ ಪರಿಣಾಮಗಳು ಒಳಗೊಂಡಿರಬಹುದು: 

• ತೆರೆದ ಬ್ಯಾಂಕಿಂಗ್ ಮತ್ತು ಬ್ಯಾಂಕಿಂಗ್-ಸೇವೆಯಂತೆ ಹೆಚ್ಚು ಸಾಂಪ್ರದಾಯಿಕವಲ್ಲದ ಕ್ರೆಡಿಟ್ ಸಾಲ ಸೇವೆಗಳು. ಈ ಸೇವೆಗಳು ಬ್ಯಾಂಕ್ ಮಾಡದವರಿಗೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಾಲಗಳಿಗೆ ಅರ್ಜಿ ಸಲ್ಲಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು.
• ಕ್ರೆಡಿಟ್ ಅಪಾಯವನ್ನು ನಿರ್ಣಯಿಸಲು IoT ಮತ್ತು ಧರಿಸಬಹುದಾದ ವಸ್ತುಗಳ ಹೆಚ್ಚುತ್ತಿರುವ ಬಳಕೆ, ವಿಶೇಷವಾಗಿ ಆರೋಗ್ಯ ಮತ್ತು ಸ್ಮಾರ್ಟ್ ಹೋಮ್ ಡೇಟಾ.
• ಕ್ರೆಡಿಟ್ ಸೇವೆಗಳನ್ನು ನೀಡಲು ಬ್ಯಾಂಕ್ ಮಾಡದ ಜನರನ್ನು ನಿರ್ಣಯಿಸಲು ಫೋನ್ ಮೆಟಾಡೇಟಾ ಸೇವೆಗಳನ್ನು ಬಳಸುವ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು.
• ಬಯೋಮೆಟ್ರಿಕ್ಸ್ ಅನ್ನು ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರ್ ಡೇಟಾವಾಗಿ ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತಿದೆ, ವಿಶೇಷವಾಗಿ ಶಾಪಿಂಗ್ ಅಭ್ಯಾಸಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು.
• ಹೆಚ್ಚಿನ ಸರ್ಕಾರಗಳು ಸಾಂಪ್ರದಾಯಿಕವಲ್ಲದ ಸಾಲವನ್ನು ಹೆಚ್ಚು ಸುಲಭವಾಗಿ ಮತ್ತು ಸೇವೆಗೆ ಒಳಪಡಿಸುತ್ತವೆ. 
• ಸಂಭಾವ್ಯ ಡೇಟಾ ಗೌಪ್ಯತೆ ಉಲ್ಲಂಘನೆಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚುತ್ತಿರುವ ಕಾಳಜಿ, ವಿಶೇಷವಾಗಿ ಬಯೋಮೆಟ್ರಿಕ್ ಡೇಟಾ ಸಂಗ್ರಹಣೆಗಾಗಿ.

ಪರಿಗಣಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಗಳು

• ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್ ಡೇಟಾವನ್ನು ಬಳಸುವಲ್ಲಿ ಸಂಭವನೀಯ ಸವಾಲುಗಳು ಯಾವುವು?
• ಪರ್ಯಾಯ ಕ್ರೆಡಿಟ್ ಸ್ಕೋರಿಂಗ್‌ನಲ್ಲಿ ಇತರ ಸಂಭಾವ್ಯ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಏನು ಸೇರಿಸಿಕೊಳ್ಳಬಹುದು?