Pemarkahan kredit alternatif: Menjelajah data besar untuk maklumat pengguna

• Pengarang
• Nama pengarang

  Quantumrun Foiresight
• Oktober 10, 2022

Ringkasan cerapan

Lebih banyak syarikat menggunakan pemarkahan kredit alternatif kerana ia memberi manfaat kepada pengguna dan pemberi pinjaman. Kecerdasan buatan (AI), khususnya pembelajaran mesin (ML), boleh digunakan untuk menilai kelayakan kredit orang yang tidak mempunyai akses kepada produk perbankan tradisional. Kaedah ini melihat sumber data alternatif seperti transaksi kewangan, trafik web, peranti mudah alih dan rekod awam. Dengan melihat titik data lain, pemarkahan kredit alternatif berpotensi untuk meningkatkan rangkuman kewangan dan memacu pertumbuhan ekonomi.

Konteks pemarkahan kredit alternatif

Model skor kredit tradisional adalah terhad dan tidak boleh diakses oleh ramai orang. Menurut data dari Forum Ketua Pegawai Eksekutif Afrika, sekitar 57 peratus orang Afrika adalah "kredit tidak kelihatan", yang bermaksud mereka tidak mempunyai akaun bank atau skor kredit. Akibatnya, mereka menghadapi kesukaran mendapatkan pinjaman atau mendapatkan kad kredit. Individu yang tidak mempunyai akses kepada perkhidmatan kewangan penting seperti akaun simpanan, kad kredit atau cek peribadi dianggap tidak mempunyai akaun bank (atau tidak mempunyai akaun bank).

Menurut Forbes, orang yang tidak mempunyai akaun bank ini memerlukan akses tunai elektronik, kad debit, dan keupayaan untuk mendapatkan wang dengan segera. Walau bagaimanapun, perkhidmatan perbankan tradisional biasanya mengecualikan kumpulan ini. Di samping itu, kertas kerja yang kompleks dan keperluan lain untuk pinjaman bank konvensional telah menyebabkan kumpulan yang terdedah beralih kepada peminjam dan pemiutang hari gaji yang mengenakan kadar faedah tinggi.

Pemarkahan kredit alternatif boleh membantu penduduk yang tidak mempunyai akaun bank, terutamanya di negara membangun, dengan mempertimbangkan cara penilaian yang lebih tidak formal (dan selalunya lebih tepat). Khususnya, sistem AI boleh digunakan untuk mengimbas sejumlah besar maklumat daripada sumber data yang pelbagai, seperti bil utiliti, bayaran sewa, rekod insurans, penggunaan media sosial, sejarah pekerjaan, sejarah perjalanan, urus niaga e-dagang dan rekod kerajaan dan harta benda. . Selain itu, sistem automatik ini boleh membantu mengenal pasti corak berulang yang diterjemahkan kepada risiko kredit, termasuk ketidakupayaan untuk membayar bil atau memegang pekerjaan terlalu lama, atau membuka terlalu banyak akaun pada platform e-dagang. Semakan ini memfokuskan pada tingkah laku penerima pinjaman dan mengenal pasti titik data yang mungkin terlepas daripada kaedah tradisional. 

Kesan yang mengganggu

Teknologi baru muncul adalah faktor utama dalam mempercepatkan penggunaan pemarkahan kredit alternatif. Satu teknologi sedemikian termasuk aplikasi blockchain kerana keupayaannya untuk membenarkan pelanggan mengawal data mereka sambil masih membenarkan penyedia kredit mengesahkan maklumat tersebut. Ciri ini boleh membantu orang berasa lebih mengawal cara maklumat peribadi mereka disimpan dan dikongsi.

Bank juga boleh menggunakan Internet Perkara (IoT) untuk mendapatkan gambaran yang lebih terperinci tentang risiko kredit merentas peranti; ini termasuk mengumpul metadata masa nyata daripada telefon mudah alih. Penyedia penjagaan kesihatan boleh menyumbang pelbagai data berkaitan kesihatan untuk tujuan pemarkahan, seperti data yang dikumpul daripada boleh pakai seperti kadar denyutan jantung, suhu dan sebarang rekod isu kesihatan yang sedia ada. Walaupun maklumat ini tidak terpakai secara langsung kepada insurans hayat dan kesihatan, ia mungkin memaklumkan pilihan produk bank. Sebagai contoh, kemungkinan jangkitan COVID-19 mungkin menandakan keperluan untuk bantuan overdraf kecemasan atau perusahaan kecil dan sederhana yang mempunyai faktor risiko yang lebih tinggi untuk pembayaran balik pinjaman dan gangguan perniagaan. Sementara itu, untuk insurans kereta, sesetengah syarikat menggunakan data telematik (GPS dan penderia) dan bukannya pemarkahan kredit tradisional untuk menilai calon mana yang paling berkemungkinan bertanggungjawab. 

Satu titik data utama dalam pemarkahan kredit alternatif ialah kandungan media sosial. Rangkaian ini mempunyai jumlah data yang mengagumkan yang boleh berguna dalam memahami kemungkinan seseorang untuk membayar balik hutang. Maklumat ini selalunya lebih tepat daripada apa yang didedahkan oleh saluran formal. Contohnya, menyemak penyata akaun, siaran dalam talian dan tweet memberikan cerapan tentang tabiat perbelanjaan dan kestabilan ekonomi seseorang, yang boleh membantu perniagaan membuat keputusan yang lebih baik. 

Implikasi pemarkahan kredit alternatif

Implikasi yang lebih luas daripada pemarkahan kredit alternatif mungkin termasuk: 

• Lebih banyak perkhidmatan pinjaman kredit bukan tradisional yang didorong oleh perbankan terbuka dan perbankan-sebagai-perkhidmatan. Perkhidmatan ini boleh membantu mereka yang tidak mempunyai perbankan memohon pinjaman dengan lebih cekap.
• Peningkatan penggunaan IoT dan boleh pakai untuk menilai risiko kredit, terutamanya data kesihatan dan rumah pintar.
• Pemula yang menggunakan perkhidmatan metadata telefon untuk menilai orang yang tidak mempunyai perbankan untuk menawarkan perkhidmatan kredit.
• Biometrik semakin digunakan sebagai data skor kredit alternatif, terutamanya dalam memantau tabiat membeli-belah.
• Lebih banyak kerajaan menjadikan kredit bukan tradisional lebih mudah diakses dan boleh digunakan. 
• Meningkatkan kebimbangan tentang kemungkinan pelanggaran privasi data, terutamanya untuk pengumpulan data biometrik.

Soalan yang perlu dipertimbangkan

• Apakah cabaran yang berpotensi dalam menggunakan data pemarkahan kredit alternatif?
• Apakah mata data berpotensi lain yang boleh dimasukkan dalam pemarkahan kredit alternatif?