மாற்று கிரெடிட் ஸ்கோரிங்: நுகர்வோர் தகவலுக்கான பெரிய தரவைத் தேடுதல்

• ஆசிரியர் பற்றி:
• ஆசிரியர் பெயர்

  Quantumrun தொலைநோக்கு பார்வை
• அக்டோபர் 10, 2022

நுண்ணறிவு சுருக்கம்

பல நிறுவனங்கள் மாற்று கடன் மதிப்பீட்டைப் பயன்படுத்துகின்றன, ஏனெனில் இது நுகர்வோர் மற்றும் கடன் வழங்குபவர்களுக்கு பயனளிக்கிறது. செயற்கை நுண்ணறிவு (AI), குறிப்பாக இயந்திர கற்றல் (ML), பாரம்பரிய வங்கி தயாரிப்புகளுக்கு அணுகல் இல்லாத நபர்களின் கடன் தகுதியை மதிப்பிடுவதற்கு பயன்படுத்தப்படலாம். இந்த முறை நிதி பரிவர்த்தனைகள், இணைய போக்குவரத்து, மொபைல் சாதனங்கள் மற்றும் பொது பதிவுகள் போன்ற மாற்று தரவு மூலங்களைப் பார்க்கிறது. பிற தரவுப் புள்ளிகளைப் பார்ப்பதன் மூலம், மாற்றுக் கடன் மதிப்பீடு நிதிச் சேர்க்கையை அதிகரிக்கவும், பொருளாதார வளர்ச்சியைத் தூண்டவும் ஆற்றலைக் கொண்டுள்ளது.

மாற்று கடன் மதிப்பெண் சூழல்

பாரம்பரிய கிரெடிட் ஸ்கோர் மாதிரியானது வரம்புக்குட்பட்டது மற்றும் பலருக்கு அணுக முடியாதது. ஆப்பிரிக்காவின் தலைமை நிர்வாக அதிகாரி மன்றத்தின் தரவுகளின்படி, சுமார் 57 சதவீத ஆப்பிரிக்கர்கள் "கடன் கண்ணுக்கு தெரியாதவர்கள்", அதாவது அவர்களுக்கு வங்கிக் கணக்கு அல்லது கிரெடிட் ஸ்கோர் இல்லை. இதன் விளைவாக, அவர்கள் கடனைப் பெறுவதில் அல்லது கிரெடிட் கார்டைப் பெறுவதில் சிரமப்படுகிறார்கள். சேமிப்புக் கணக்குகள், கிரெடிட் கார்டுகள் அல்லது தனிப்பட்ட காசோலைகள் போன்ற அத்தியாவசிய நிதிச் சேவைகளுக்கு அணுகல் இல்லாத நபர்கள் வங்கியில் இல்லாதவர்கள் (அல்லது குறைந்த வங்கிகள்) எனக் கருதப்படுவார்கள்.

ஃபோர்ப்ஸின் கூற்றுப்படி, இந்த வங்கியற்ற நபர்களுக்கு மின்னணு பண அணுகல், டெபிட் கார்டு மற்றும் உடனடியாக பணத்தைப் பெறும் திறன் ஆகியவை தேவை. இருப்பினும், பாரம்பரிய வங்கி சேவைகள் பொதுவாக இந்த குழுவை விலக்குகின்றன. கூடுதலாக, சிக்கலான ஆவணங்கள் மற்றும் வழக்கமான வங்கிக் கடன்களுக்கான பிற தேவைகள் பாதிக்கப்படக்கூடிய குழுக்கள் அதிக வட்டி விகிதங்களை விதிக்கும் கடன் சுறாக்கள் மற்றும் பேடே க்ரெடிடர்களிடம் திரும்புகின்றன.

மாற்று கடன் ஸ்கோரிங் என்பது வங்கி இல்லாத மக்களுக்கு, குறிப்பாக வளரும் நாடுகளில், மிகவும் முறைசாரா (மற்றும் மிகவும் துல்லியமான) மதிப்பீட்டு வழிமுறைகளைக் கருத்தில் கொண்டு உதவலாம். குறிப்பாக, பயன்பாட்டு பில்கள், வாடகைக் கொடுப்பனவுகள், காப்பீட்டுப் பதிவுகள், சமூக ஊடக பயன்பாடு, வேலைவாய்ப்பு வரலாறு, பயண வரலாறு, இ-காமர்ஸ் பரிவர்த்தனைகள் மற்றும் அரசு மற்றும் சொத்துப் பதிவுகள் போன்ற பல்வேறு தரவு மூலங்களிலிருந்து பெரிய அளவிலான தகவல்களை ஸ்கேன் செய்ய AI அமைப்புகளைப் பயன்படுத்தலாம். . கூடுதலாக, இந்த தானியங்கு அமைப்புகள் கடன் அபாயத்திற்கு மொழிபெயர்க்கும் தொடர்ச்சியான வடிவங்களை அடையாளம் காண உதவும், பில்களை செலுத்த இயலாமை அல்லது அதிக நேரம் வேலைகளை வைத்திருக்க இயலாமை, அல்லது ஈ-காமர்ஸ் தளங்களில் அதிக கணக்குகளைத் திறப்பது ஆகியவை அடங்கும். இந்த காசோலைகள் கடன் பெறுபவரின் நடத்தையில் கவனம் செலுத்துகின்றன மற்றும் பாரம்பரிய முறைகள் தவறவிட்ட தரவு புள்ளிகளை அடையாளம் காணும். 

சீர்குலைக்கும் தாக்கம்

வளர்ந்து வரும் தொழில்நுட்பங்கள் மாற்று கடன் மதிப்பீட்டை ஏற்றுக்கொள்வதை விரைவுபடுத்துவதற்கான முக்கிய காரணியாகும். அத்தகைய ஒரு தொழில்நுட்பமானது பிளாக்செயின் பயன்பாடுகளை உள்ளடக்கியது. இந்த அம்சம் மக்கள் தங்கள் தனிப்பட்ட தகவல் எவ்வாறு சேமிக்கப்படுகிறது மற்றும் பகிரப்படுகிறது என்பதைக் கட்டுப்படுத்த அதிக அளவில் உணர உதவும்.

வங்கிகள் இன்டர்நெட் ஆஃப் திங்ஸை (IoT) சாதனங்கள் முழுவதும் கடன் அபாயத்தைப் பற்றிய விரிவான படத்திற்கு பயன்படுத்தலாம்; மொபைல் ஃபோன்களிலிருந்து நிகழ்நேர மெட்டாடேட்டாவைச் சேகரிப்பது இதில் அடங்கும். இதயத் துடிப்பு, வெப்பநிலை மற்றும் ஏற்கனவே இருக்கும் உடல்நலப் பிரச்சினைகளின் பதிவு போன்ற அணியக்கூடிய பொருட்களிலிருந்து சேகரிக்கப்பட்ட தரவு போன்ற, ஸ்கோரிங் நோக்கங்களுக்காக உடல்நலம் தொடர்பான பல்வேறு தரவை ஹெல்த்கேர் வழங்குநர்கள் பங்களிக்க முடியும். இந்தத் தகவல் ஆயுள் மற்றும் உடல்நலக் காப்பீட்டிற்கு நேரடியாகப் பொருந்தாது என்றாலும், இது வங்கி தயாரிப்புத் தேர்வுகளைத் தெரிவிக்கலாம். எடுத்துக்காட்டாக, சாத்தியமான COVID-19 நோய்த்தொற்று அவசரகால ஓவர் டிராஃப்ட் உதவியின் அவசியத்தை அல்லது கடனைத் திருப்பிச் செலுத்துதல் மற்றும் வணிகத் தடங்கலுக்கு அதிக ஆபத்துக் காரணிகளைக் கொண்ட சிறு மற்றும் நடுத்தர நிறுவனங்களின் தேவையைக் குறிக்கலாம். இதற்கிடையில், கார் காப்பீட்டிற்கு, சில நிறுவனங்கள் பாரம்பரிய கிரெடிட் ஸ்கோரிங்கிற்குப் பதிலாக டெலிமாடிக்ஸ் தரவை (ஜிபிஎஸ் மற்றும் சென்சார்கள்) பயன்படுத்துகின்றன. 

மாற்று கடன் மதிப்பீட்டில் ஒரு முக்கிய தரவு புள்ளி சமூக ஊடக உள்ளடக்கம் ஆகும். இந்த நெட்வொர்க்குகள் ஒரு நபரின் கடனைத் திருப்பிச் செலுத்துவதற்கான சாத்தியக்கூறுகளைப் புரிந்துகொள்வதில் பயனுள்ளதாக இருக்கும் ஒரு ஈர்க்கக்கூடிய அளவிலான தரவைக் கொண்டுள்ளன. முறையான சேனல்கள் வெளிப்படுத்துவதை விட இந்தத் தகவல் பெரும்பாலும் துல்லியமானது. எடுத்துக்காட்டாக, கணக்கு அறிக்கைகள், ஆன்லைன் இடுகைகள் மற்றும் ட்வீட்களைச் சரிபார்ப்பது ஒருவரின் செலவுப் பழக்கம் மற்றும் பொருளாதார ஸ்திரத்தன்மை பற்றிய நுண்ணறிவை வழங்குகிறது, இது வணிகங்கள் சிறந்த முடிவுகளை எடுக்க உதவும். 

மாற்று கடன் மதிப்பீட்டின் தாக்கங்கள்

மாற்று கடன் மதிப்பீட்டின் பரந்த தாக்கங்கள் பின்வருமாறு: 

• திறந்த வங்கி மற்றும் வங்கி-ஒரு-சேவை மூலம் தூண்டப்பட்ட பாரம்பரியமற்ற கடன் கடன் வழங்கும் சேவைகள். இந்தச் சேவைகள் வங்கியில்லாதவர்கள் இன்னும் திறமையாக கடன்களுக்கு விண்ணப்பிக்க உதவலாம்.
• கடன் அபாயத்தை மதிப்பிடுவதற்கு IoT மற்றும் அணியக்கூடிய பொருட்களின் பயன்பாடு அதிகரித்து வருகிறது, குறிப்பாக உடல்நலம் மற்றும் ஸ்மார்ட் ஹோம் தரவு.
• ஃபோன் மெட்டாடேட்டா சேவைகளைப் பயன்படுத்தும் ஸ்டார்ட்அப்கள் வங்கியில்லாத நபர்களுக்கு கடன் சேவைகளை வழங்க மதிப்பீடு செய்கின்றன.
• பயோமெட்ரிக்ஸ் ஒரு மாற்று கிரெடிட் ஸ்கோர் தரவாக அதிகளவில் பயன்படுத்தப்படுகிறது, குறிப்பாக ஷாப்பிங் பழக்கங்களை கண்காணிப்பதில்.
• அதிகமான அரசாங்கங்கள் பாரம்பரியமற்ற கடன்களை அணுகக்கூடியதாகவும் சேவை செய்யக்கூடியதாகவும் ஆக்குகின்றன. 
• சாத்தியமான தரவு தனியுரிமை மீறல்கள் பற்றிய கவலைகள் அதிகரித்து வருகின்றன, குறிப்பாக பயோமெட்ரிக் தரவு சேகரிப்பு.

கருத்தில் கொள்ள வேண்டிய கேள்விகள்

• மாற்று கிரெடிட் ஸ்கோரிங் தரவைப் பயன்படுத்துவதில் சாத்தியமான சவால்கள் என்ன?
• மாற்று கடன் மதிப்பீட்டில் மற்ற சாத்தியமான தரவு புள்ளிகள் என்ன சேர்க்கப்படலாம்?