ഇതര ക്രെഡിറ്റ് സ്‌കോറിംഗ്: ഉപഭോക്തൃ വിവരങ്ങൾക്കായി വലിയ ഡാറ്റ സ്‌കോറിംഗ്

• രചയിതാവ്:
• രചയിതാവിന്റെ പേര്

  ക്വാണ്ടംറൺ ഫോയർസൈറ്റ്
• ഒക്ടോബർ 10, 2022

ഇൻസൈറ്റ് സംഗ്രഹം

കൂടുതൽ കമ്പനികൾ ഇതര ക്രെഡിറ്റ് സ്കോറിംഗ് ഉപയോഗിക്കുന്നു, കാരണം ഇത് ഉപഭോക്താക്കൾക്കും കടം കൊടുക്കുന്നവർക്കും പ്രയോജനകരമാണ്. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI), പ്രത്യേകിച്ച് മെഷീൻ ലേണിംഗ് (ML), പരമ്പരാഗത ബാങ്കിംഗ് ഉൽപ്പന്നങ്ങളിലേക്ക് പ്രവേശനമില്ലാത്ത ആളുകളുടെ ക്രെഡിറ്റ് യോഗ്യത വിലയിരുത്താൻ ഉപയോഗിക്കാം. ഈ രീതി സാമ്പത്തിക ഇടപാടുകൾ, വെബ് ട്രാഫിക്, മൊബൈൽ ഉപകരണങ്ങൾ, പൊതു രേഖകൾ എന്നിവ പോലെയുള്ള ഇതര ഡാറ്റ ഉറവിടങ്ങൾ നോക്കുന്നു. മറ്റ് ഡാറ്റാ പോയിന്റുകൾ നോക്കുന്നതിലൂടെ, ഇതര ക്രെഡിറ്റ് സ്‌കോറിംഗിന് സാമ്പത്തിക ഉൾപ്പെടുത്തൽ വർദ്ധിപ്പിക്കാനും സാമ്പത്തിക വളർച്ചയെ നയിക്കാനുമുള്ള കഴിവുണ്ട്.

ഇതര ക്രെഡിറ്റ് സ്കോറിംഗ് സന്ദർഭം

പരമ്പരാഗത ക്രെഡിറ്റ് സ്കോർ മോഡൽ പരിമിതപ്പെടുത്തുന്നതും നിരവധി ആളുകൾക്ക് അപ്രാപ്യവുമാണ്. ആഫ്രിക്ക സിഇഒ ഫോറത്തിൽ നിന്നുള്ള ഡാറ്റ അനുസരിച്ച്, ഏകദേശം 57 ശതമാനം ആഫ്രിക്കക്കാരും "ക്രെഡിറ്റ് അദൃശ്യരാണ്", അതായത് അവർക്ക് ബാങ്ക് അക്കൗണ്ടോ ക്രെഡിറ്റ് സ്‌കോറോ ഇല്ല. തൽഫലമായി, അവർക്ക് വായ്പ സുരക്ഷിതമാക്കാനോ ക്രെഡിറ്റ് കാർഡ് നേടാനോ ബുദ്ധിമുട്ടാണ്. സേവിംഗ്സ് അക്കൗണ്ടുകൾ, ക്രെഡിറ്റ് കാർഡുകൾ, അല്ലെങ്കിൽ വ്യക്തിഗത ചെക്കുകൾ എന്നിവ പോലുള്ള അവശ്യ സാമ്പത്തിക സേവനങ്ങളിലേക്ക് പ്രവേശനമില്ലാത്ത വ്യക്തികളെ അൺബാങ്ക്ഡ് (അല്ലെങ്കിൽ അണ്ടർബാങ്ക്ഡ്) ആയി കണക്കാക്കുന്നു.

ഫോർബ്‌സ് പറയുന്നതനുസരിച്ച്, ബാങ്കില്ലാത്ത ഈ ആളുകൾക്ക് ഇലക്ട്രോണിക് ക്യാഷ് ആക്‌സസ്, ഒരു ഡെബിറ്റ് കാർഡ്, പണം ഉടനടി നേടാനുള്ള കഴിവ് എന്നിവ ആവശ്യമാണ്. എന്നിരുന്നാലും, പരമ്പരാഗത ബാങ്കിംഗ് സേവനങ്ങൾ സാധാരണയായി ഈ ഗ്രൂപ്പിനെ ഒഴിവാക്കുന്നു. കൂടാതെ, സങ്കീർണ്ണമായ പേപ്പർവർക്കുകളും പരമ്പരാഗത ബാങ്ക് വായ്പകൾക്കായുള്ള മറ്റ് ആവശ്യകതകളും ദുർബലരായ ഗ്രൂപ്പുകൾ ഉയർന്ന പലിശ നിരക്കുകൾ ചുമത്തുന്ന ലോൺ സ്രാവുകളിലേക്കും പേഡേ ക്രെഡിറ്റർമാരിലേക്കും തിരിയുന്നതിലേക്ക് നയിച്ചു.

കൂടുതൽ അനൗപചാരികമായ (പലപ്പോഴും കൂടുതൽ കൃത്യമായ) മൂല്യനിർണ്ണയ മാർഗങ്ങൾ പരിഗണിച്ച്, പ്രത്യേകിച്ച് വികസ്വര രാജ്യങ്ങളിലെ, ബാങ്കില്ലാത്ത ജനസംഖ്യയെ ബദൽ ക്രെഡിറ്റ് സ്കോറിംഗ് സഹായിക്കും. പ്രത്യേകിച്ചും, യൂട്ടിലിറ്റി ബില്ലുകൾ, വാടക പേയ്‌മെന്റുകൾ, ഇൻഷുറൻസ് രേഖകൾ, സോഷ്യൽ മീഡിയ ഉപയോഗം, തൊഴിൽ ചരിത്രം, യാത്രാ ചരിത്രം, ഇ-കൊമേഴ്‌സ് ഇടപാടുകൾ, സർക്കാർ, പ്രോപ്പർട്ടി രേഖകൾ എന്നിങ്ങനെ വൈവിധ്യമാർന്ന ഡാറ്റ സ്രോതസ്സുകളിൽ നിന്നുള്ള വലിയ അളവിലുള്ള വിവരങ്ങൾ സ്കാൻ ചെയ്യാൻ AI സംവിധാനങ്ങൾ പ്രയോഗിക്കാവുന്നതാണ്. . കൂടാതെ, ഈ ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങൾക്ക് ക്രെഡിറ്റ് റിസ്കിലേക്ക് വിവർത്തനം ചെയ്യുന്ന ആവർത്തിച്ചുള്ള പാറ്റേണുകൾ തിരിച്ചറിയാൻ സഹായിക്കും, ബില്ലുകൾ അടയ്ക്കാനോ കൂടുതൽ സമയം ജോലിയിൽ തുടരാനോ ഇ-കൊമേഴ്‌സ് പ്ലാറ്റ്‌ഫോമുകളിൽ നിരവധി അക്കൗണ്ടുകൾ തുറക്കാനോ കഴിയും. ഈ പരിശോധനകൾ ലോണെടുക്കുന്നയാളുടെ പെരുമാറ്റത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും പരമ്പരാഗത രീതികൾ നഷ്‌ടമായേക്കാവുന്ന ഡാറ്റ പോയിന്റുകൾ തിരിച്ചറിയുകയും ചെയ്യുന്നു. 

തടസ്സപ്പെടുത്തുന്ന ആഘാതം

വളർന്നുവരുന്ന സാങ്കേതികവിദ്യകൾ ഇതര ക്രെഡിറ്റ് സ്‌കോറിംഗ് സ്വീകരിക്കുന്നത് ത്വരിതപ്പെടുത്തുന്നതിനുള്ള ഒരു പ്രധാന ഘടകമാണ്. ക്രെഡിറ്റ് ദാതാക്കളെ വിവരങ്ങൾ പരിശോധിക്കാൻ അനുവദിക്കുമ്പോൾ തന്നെ ഉപഭോക്താക്കളെ അവരുടെ ഡാറ്റ നിയന്ത്രിക്കാൻ അനുവദിക്കുന്നതിനുള്ള കഴിവ് കാരണം അത്തരം ഒരു സാങ്കേതികവിദ്യ ബ്ലോക്ക്ചെയിൻ ആപ്ലിക്കേഷനുകൾ ഉൾക്കൊള്ളുന്നു. ഈ ഫീച്ചർ ആളുകളെ അവരുടെ സ്വകാര്യ വിവരങ്ങൾ എങ്ങനെ സംഭരിക്കുകയും പങ്കിടുകയും ചെയ്യുന്നു എന്നതിൽ കൂടുതൽ നിയന്ത്രണം അനുഭവിക്കാൻ സഹായിക്കും.

ഉപകരണങ്ങളിലുടനീളമുള്ള ക്രെഡിറ്റ് റിസ്കിന്റെ കൂടുതൽ വിശദമായ ചിത്രത്തിനായി ബാങ്കുകൾക്ക് ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സ് (IoT) ഉപയോഗിക്കാനും കഴിയും; മൊബൈൽ ഫോണുകളിൽ നിന്ന് തത്സമയ മെറ്റാഡാറ്റ ശേഖരിക്കുന്നത് ഇതിൽ ഉൾപ്പെടുന്നു. ഹെൽത്ത് കെയർ പ്രൊവൈഡർമാർക്ക് സ്‌കോറിംഗ് ആവശ്യങ്ങൾക്കായി ആരോഗ്യ സംബന്ധിയായ വിവിധ ഡാറ്റ സംഭാവന ചെയ്യാൻ കഴിയും, അതായത് ഹൃദയമിടിപ്പ്, താപനില, മുൻകാല ആരോഗ്യപ്രശ്‌നങ്ങളുടെ റെക്കോർഡ് എന്നിവ പോലുള്ള ധരിക്കാവുന്നവയിൽ നിന്ന് ശേഖരിക്കുന്ന ഡാറ്റ. ലൈഫ്, ഹെൽത്ത് ഇൻഷുറൻസ് എന്നിവയ്ക്ക് ഈ വിവരങ്ങൾ നേരിട്ട് ബാധകമല്ലെങ്കിലും, ഇത് ബാങ്ക് ഉൽപ്പന്ന തിരഞ്ഞെടുപ്പുകളെ അറിയിച്ചേക്കാം. ഉദാഹരണത്തിന്, സാധ്യതയുള്ള COVID-19 അണുബാധ അടിയന്തിര ഓവർഡ്രാഫ്റ്റ് സഹായത്തിന്റെ ആവശ്യകതയെ സൂചിപ്പിക്കാം അല്ലെങ്കിൽ വായ്പ തിരിച്ചടവിനും ബിസിനസ്സ് തടസ്സത്തിനും ഉയർന്ന അപകടസാധ്യത ഘടകങ്ങളുള്ള ചെറുകിട ഇടത്തരം സംരംഭങ്ങൾ. അതേസമയം, കാർ ഇൻഷുറൻസിനായി, ചില കമ്പനികൾ പരമ്പരാഗത ക്രെഡിറ്റ് സ്‌കോറിങ്ങിന് പകരം ടെലിമാറ്റിക്‌സ് ഡാറ്റ (ജിപിഎസും സെൻസറുകളും) ഉപയോഗിക്കുന്നു, ഏതൊക്കെ ഉദ്യോഗാർത്ഥികൾ ഏറ്റവും കൂടുതൽ ബാധ്യസ്ഥരാണെന്ന് വിലയിരുത്തുന്നു. 

ഇതര ക്രെഡിറ്റ് സ്കോറിംഗിലെ ഒരു പ്രധാന ഡാറ്റാ പോയിന്റ് സോഷ്യൽ മീഡിയ ഉള്ളടക്കമാണ്. കടങ്ങൾ തിരിച്ചടയ്ക്കാനുള്ള ഒരു വ്യക്തിയുടെ സാധ്യത മനസ്സിലാക്കാൻ ഉപയോഗപ്രദമാകുന്ന ശ്രദ്ധേയമായ ഡാറ്റ ഈ നെറ്റ്‌വർക്കുകൾ സൂക്ഷിക്കുന്നു. ഔപചാരിക ചാനലുകൾ വെളിപ്പെടുത്തുന്നതിനേക്കാൾ ഈ വിവരങ്ങൾ പലപ്പോഴും കൂടുതൽ കൃത്യമാണ്. ഉദാഹരണത്തിന്, അക്കൗണ്ട് സ്റ്റേറ്റ്‌മെന്റുകൾ, ഓൺലൈൻ പോസ്റ്റുകൾ, ട്വീറ്റുകൾ എന്നിവ പരിശോധിക്കുന്നത് ഒരാളുടെ ചെലവ് ശീലങ്ങളെക്കുറിച്ചും സാമ്പത്തിക സ്ഥിരതയെക്കുറിച്ചും ഉള്ള ഉൾക്കാഴ്ചകൾ നൽകുന്നു, ഇത് ബിസിനസുകളെ മികച്ച തീരുമാനങ്ങളെടുക്കാൻ സഹായിക്കും. 

ഇതര ക്രെഡിറ്റ് സ്കോറിംഗിന്റെ പ്രത്യാഘാതങ്ങൾ

ഇതര ക്രെഡിറ്റ് സ്‌കോറിംഗിന്റെ വിശാലമായ പ്രത്യാഘാതങ്ങൾ ഉൾപ്പെടാം: 

• ഓപ്പൺ ബാങ്കിംഗും ബാങ്കിംഗും ഒരു സേവനമായി നൽകുന്ന കൂടുതൽ പാരമ്പര്യേതര ക്രെഡിറ്റ് ലെൻഡിംഗ് സേവനങ്ങൾ. ഈ സേവനങ്ങൾ ബാങ്കില്ലാത്തവരെ കൂടുതൽ കാര്യക്ഷമമായി വായ്പകൾക്കായി അപേക്ഷിക്കാൻ സഹായിച്ചേക്കാം.
• ക്രെഡിറ്റ് റിസ്ക്, പ്രത്യേകിച്ച് ആരോഗ്യം, സ്മാർട്ട് ഹോം ഡാറ്റ എന്നിവ വിലയിരുത്തുന്നതിന് ഐഒടിയുടെയും വെയറബിളുകളുടെയും വർദ്ധിച്ചുവരുന്ന ഉപയോഗം.
• ബാങ്ക് ഇല്ലാത്ത ആളുകളെ ക്രെഡിറ്റ് സേവനങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നതിനായി ഫോൺ മെറ്റാഡാറ്റ സേവനങ്ങൾ ഉപയോഗിക്കുന്ന സ്റ്റാർട്ടപ്പുകൾ.
• ബയോമെട്രിക്‌സ് ഒരു ഇതര ക്രെഡിറ്റ് സ്‌കോർ ഡാറ്റയായി കൂടുതലായി ഉപയോഗിക്കുന്നു, പ്രത്യേകിച്ച് ഷോപ്പിംഗ് ശീലങ്ങൾ നിരീക്ഷിക്കുന്നതിൽ.
• കൂടുതൽ ഗവൺമെന്റുകൾ പാരമ്പര്യേതര ക്രെഡിറ്റ് കൂടുതൽ ആക്സസ് ചെയ്യാവുന്നതും സേവനയോഗ്യവുമാക്കുന്നു. 
• സാധ്യതയുള്ള ഡാറ്റാ സ്വകാര്യത ലംഘനങ്ങളെക്കുറിച്ചുള്ള ആശങ്കകൾ വർദ്ധിക്കുന്നു, പ്രത്യേകിച്ച് ബയോമെട്രിക് ഡാറ്റ ശേഖരണത്തിന്.

പരിഗണിക്കേണ്ട ചോദ്യങ്ങൾ

• ഇതര ക്രെഡിറ്റ് സ്കോറിംഗ് ഡാറ്റ ഉപയോഗിക്കുന്നതിനുള്ള സാധ്യതയുള്ള വെല്ലുവിളികൾ എന്തൊക്കെയാണ്?
• ഇതര ക്രെഡിറ്റ് സ്‌കോറിംഗിൽ മറ്റ് സാധ്യതയുള്ള ഡാറ്റ പോയിന്റുകൾ എന്തൊക്കെയാണ് ഉൾപ്പെടുത്താൻ കഴിയുക?