وام دهندگان به طور فزاینده ای به داده های جایگزین روی می آورند تا تصمیمات پذیره نویسی را مطلع کنند.
برای سال ها، اعتبار با استفاده از امتیازات اعتباری رسمی مانند FICO اعطا می شود.
با این حال، بسیاری از مصرف‌کنندگان رد می‌شوند و با وجود اینکه بسیاری از آنها می‌توانند اعتباری را که به دنبال آن هستند، بپردازند، کل جمعیت‌شناسی را نادیده می‌گیرند. مجموعه داده‌های جایگزین تصویر کاملی از فرد ارائه میکند و گنجاندن را بهبود می‌بخشد.
Provenir، یک ارائه دهنده ابزار تصمیم گیری هوش مصنوعی، میزبان یک وبینار با Fintech Nexus، که احتمالات داده های جایگزین را برای اعتبار بخشیدن به افراد محروم مورد بررسی قرار می دهد. گرداننده تاد اندرسون جلسه را با تشکر از Provenir برای راه اندازی وبینار و معرفی سخنرانان آغاز کرد.
داده های جایگزین چیست؟
وبینار با تعریف داده های جایگزین در مورد تصمیم گیری اعتبار شروع شد.
میا هانتینگتون، رئیس بخش وام دهی BNPL/POS در بانک ایالات متحده، گفت: "این هر داده ای است که مستقیماً به رفتار اعتباری مصرف کننده مرتبط نیست."
ارین آلارد، مدیر کل Prism Data، در این باره توضیح داد: «فکر می‌کنم این داده‌ها چیست. اگر داده‌های جایگزین این نوع سطل انبوه باشد، آن چیزی است که از نوع امتیازدهی اعتباری یا گزارش‌های اعتباری مورد استفاده تاریخی و نهادی نیست.
«اگر ما در مورد چیزهایی صحبت می کنیم که حقایق مالی واقعی هستند، چیزهایی مانند، یک مصرف کننده چقدر درآمد دارد؟ این درآمد چقدر پایدار است؟ آنها پول خود را چگونه خرج می کنند؟ چگونه پس انداز می کنند؟ این موضوع در مورد نحوه تصمیم گیری های مالی مصرف کنندگان بسیار اساسی تر است."
او توضیح داد که هنگام صحبت با مصرف کننده معمولی، حساب جاری آنها جایی است که بیشتر زندگی مالی خود را سپری می کنند. در اینجا، مصرف کننده چک حقوق خود را دریافت می کند، می تواند از کارت بدهی خود استفاده کند و قبوض را پرداخت کند.
به گفته او، وقتی یک مصرف کننده تصمیم می گیرد که آیا می تواند چیزی را بپردازد و بدهی بپذیرد، احتمالاً به جای عناصر فنی تصمیم گیری اعتبار، ورودی ها و خروجی های زندگی روزمره خود را در نظر می گیرد.
"(داده های جایگزین) بسیار بیشتر تکمیل داده هایی است که از زندگی مصرف کننده صحبت می کند."
توانایی بهبود شمول مالی
برای سال ها، بسیاری از مصرف کنندگان به دلیل ناتوانی در ایجاد یک امتیاز اعتباری مناسب، از دسترسی به اعتبار محروم مانده اند. نمرات اعتباری سنتی به دلیل اینکه خیلی سفت و سخت باقی مانده اند و نمی توانند تفاوت های ظریف سبک زندگی و شرایط مصرف کنندگان مدرن را توضیح دهند مورد انتقاد قرار گرفته اند.
کتی استارز، معاون اجرایی، می‌گوید: «در ترکیب این داده‌های جایگزین، اغلب می‌توانید به درمان‌ها در سطحی بسیار دقیق‌تر رسیدگی کنید، دقیقاً به آنچه مشتری فردی شما انجام می‌دهد و قادر به دیدن الگوها در سراسر بخش هستید.» آمریکا در پروونیر.
می‌توانید از قدرت داده‌های جایگزین استفاده کنید که اغلب سابقه طولانی‌تری دارند. بنابراین می توانید الگوهایی را ببینید که ممکن است قبلاً قادر به دیدن آنها نبوده باشید، که می تواند به اطلاع رسانی کمک کند. شما کل سبد ریسک را می شناسید.»
"شما در جایی که مشتری هستند ملاقات می کنید و یک پیشنهاد مناسب ارائه می دهید، که اغلب پذیرش را افزایش می دهد."
با نگاهی به بازاری که کمتر از آن استفاده می شود، می توانید داده ها را دریافت کنید. و با آن تاریخچه و الگوی رفتاری و سایر مجموعه‌های داده، می‌توانید تصمیماتی بگیرید که آستانه ریسک را هم در مورد اعتبار و هم تقلب برآورده میکند، زیرا مشتریانی را که به طور سنتی نمی‌توانید به آنها دسترسی داشته باشید و به آنها ابزارهای مالی ارائه می‌دهید. آنها در گذشته نمی توانستند استفاده کنند.
او توضیح داد که این نگاه ریز و سابقه طولانی با موفقیت تقلب را هنگام پذیرش مصرف کنندگان جدید کاهش می دهد. نمای زمان واقعی داده که در بسیاری از مدل‌های تصمیم‌گیری با استفاده از داده‌های جایگزین گنجانده شده است، بینشی به وام‌دهنده می‌دهد که می‌تواند به سرعت تقلب را شناسایی کند.
فین‌تک‌ها جلوتر هستند، اما بانک‌ها در حال عقب‌نشینی هستند
پیاده‌سازی هوش مصنوعی و یادگیری ماشینی در توانایی موسسات مالی برای استخراج و استفاده از این داده‌ها نقش اساسی داشته است. این ابزارها در مواقعی که از مجموعه بزرگی از داده‌های خام حذف می‌شوند، به وام دهندگان این امکان را می‌دهند که به سرعت اعتبار مصرف‌کنندگانی که از آنها استفاده نمی‌کنند را ارزیابی کنند.
سخنرانان موافق بودند که فین‌تک در پیاده‌سازی این فناوری پیشتاز بوده است و محبوبیت سرسام‌آور BNPL نمونه بارز موفقیت آنها است. با این حال، بانک‌ها شروع به تطبیق با نوآوری فین‌تک‌ها در ارائه خدمات به مشتریانی کرده‌اند که به‌طور سنتی آنها را رد می‌کردند.
این نحوه تعامل مشتریان است. هانتینگتون گفت: اقتصاد کنونی چگونه کار می کند. من فکر نمی‌کنم دیگر گزینه‌ای برای نه گفتن بانک‌ها باشد. به طور سنتی ما همیشه این کار را انجام می‌دهیم و به همین روش ادامه خواهیم داد.»
بانک‌ها، با سیستم‌های قدیمی خود، در ترکیب فناوری جدید با مشکل مواجه شده‌اند، که نیازمند اجرای اقدامات گسترده برای حفظ استانداردهای منطبق است.
"در این مورد اشتباه نکن. هانتینگتون گفت: درست کردن آن و راه اندازی آن بسیار پیچیده است، به خصوص، همانطور که می دانید، موسسات مالی بزرگتر و برخی از زیرساخت های ما.
«شروع کردن و درست کردن آن بسیار پیچیده است. من فکر می‌کنم همه چیز در مورد ساخت آن مدل‌ها است، اجرای آنها در کنار هم تا بگویم این نتیجه مورد انتظار بود... فکر می‌کنم این بخش بزرگی از چیزی است که احتمالاً بسیاری از بانک‌ها در حال حاضر به آن فکر می‌کنند.»
توضیح‌پذیری دشوار اما ضروری است
استفاده از هوش مصنوعی از سوی تنظیم‌کننده‌ها و مصرف‌کنندگان به طور یکسان مورد انتقاد قرار گرفته است، زیرا نگران این هستند که این فناوری ممکن است دارای سوگیری ارثی باشد. موضوع توضیح‌پذیری و وضوح که بر اساس آن تصمیم‌ها گرفته می‌شوند، هنگام استفاده از مجموعه‌های وسیعی از داده‌های جایگزین، اهمیت بیشتری پیدا کرده است.
انطباق با استانداردهای توضیح پذیری می تواند برای مؤسساتی که می خواهند مدل های داخلی بسازند که فرآیند پذیره نویسی آنها را مطلع می کند، چالش برانگیز باشد.
بنابراین وقتی یک مدل یادگیری ماشینی هوش مصنوعی دارید، می‌توانید در زمان واقعی عملیاتی کنید، می‌توانید در زمان واقعی اطلاع‌رسانی کنید، می‌توانید بینش‌ها را دریافت کنید، و می‌توانید استارز می‌گوید تا آموزش ببینند و قابلیت توضیح را در زمان واقعی داشته باشند.
«اگر فناوری ترکیب داده‌های غیر FCR و دریافت آنها به شکل اصلی خود را دارید، می‌توانید آن داده‌ها را مستقیماً در تصمیم‌گیری خود وارد کنید. سپس می توان از آن برای اطلاع رسانی به مدل ها استفاده کرد و تصمیم شما همان چیزی است که انطباق را حفظ می کند.
آلارد موافقت کرد و اظهار داشت که اطمینان از مستندات و وضوح در ساخت مدل‌های تصمیم‌گیری برای این انطباق بسیار مهم است و می‌تواند در آینده اهمیت بیشتری پیدا کند.
در حالی که در حال حاضر، دسترسی به داده ها می تواند محدود باشد، تلاش های افزایش یافته در توسعه بانکداری باز در ایالات متحده پتانسیل ایجاد دسترسی گسترده به داده های جایگزین را دارد.
"امیدواریم که در آینده، گفتن این جمله برای یک مصرف کننده، "همه حساب های من در اینجا" پیچیده تر و بسیار آسان تر خواهد بود. اینجا جایی است که من بانک دارم، اینجا جایی است که تجارت می کنم، و من به عنوان یک مصرف کننده، انتخاب می کنم که داده هایم را به اشتراک بگذارم. سپس، مردمی که بر اساس آن تصمیمات اعتباری می گیرند، موظف است که به فناوری مناسب برای تنظیم و استفاده از آن دسترسی داشته باشند.»
"تا زمانی که داده ها در دسترس هستند، انتخاب راه حل مناسب برای استفاده از آن است."
هر سه سخنران احساس کردند که انتخاب راه حل فناورانه برای موفقیت داده های جایگزین در دستیابی به هدف افزایش گنجاندن، حیاتی است.
زمان تغییر دفتر اعتبار است
یکی از سؤالات پایانی وبینار به دفتر اعتبار پرداخت.
امتیاز اعتباری سنتی برای سال‌ها روشی استاندارد برای پذیره‌نویسی وام بوده است. نوآوری فین‌تک در تصمیم‌گیری اعتبار، نیاز فوری به راه‌های جایگزین برای باز کردن اعتبار برای مخاطبان گسترده‌تر شده است. هجوم داده‌های جایگزین می‌تواند فرآیند امتیازدهی دفتر اعتبار را روشن کند و نیاز به فناوری‌های جایگزین و داخلی برای مؤسسات فردی را دور بزند.
هانتینگتون گفت: "من فکر نمی کنم گزینه ای وجود داشته باشد." "من فکر می کنم آنها باید مدل و نحوه محاسبه این هسته را تغییر دهند و برخی از این داده ها را در خود بگنجانند."
سوال این است که آنها با چه سرعتی می توانند نوآوری کنند تا اطمینان حاصل شود که از داده ها و منابع جایگزین داده به شیوه ای مناسب استفاده می کنند.
مربوط:
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://news.fintechnexus.com/provenir-webinar-alternative-data-the-catalyst-for-financial-inclusion/