تیزی سے، قرض دہندہ انڈر رائٹنگ کے فیصلوں کو مطلع کرنے کے لیے متبادل ڈیٹا کی طرف رجوع کر رہے ہیں۔
سالوں سے، FICO جیسے رسمی کریڈٹ سکور کا استعمال کرتے ہوئے کریڈٹ دیا جاتا رہا ہے۔
تاہم، بہت سے صارفین کو مسترد کر دیا جاتا ہے، جس کی وجہ سے پوری ڈیموگرافکس کو غیر محفوظ چھوڑ دیا جاتا ہے، اس کے باوجود کہ بہت سے لوگ اپنے مطلوبہ کریڈٹ کو برداشت کرنے کے قابل ہوتے ہیں۔ متبادل ڈیٹا سیٹ فرد کی مکمل تصویر فراہم کرتے ہیں، شمولیت کو بہتر بناتے ہیں۔
پرووینر، ایک AI فیصلہ سازی کا آلہ فراہم کرنے والا، میزبانی کرتا ہے a Fintech Nexus کے ساتھ ویبینار، جس نے غیر محفوظ افراد کو کریڈٹ لانے میں متبادل ڈیٹا کے امکانات کو تلاش کیا۔ ماڈریٹر ٹوڈ اینڈرسن نے ویبنار ترتیب دینے اور مقررین کا تعارف کرانے پر پروونیر کا شکریہ ادا کرتے ہوئے سیشن کا آغاز کیا۔
متبادل ڈیٹا کیا ہے؟
ویبنار کریڈٹ فیصلہ سازی کے حوالے سے متبادل ڈیٹا کی تعریف کے ساتھ شروع ہوا۔
یو ایس بینک میں بی این پی ایل/پی او ایس قرضے کی سربراہ میا ہنٹنگٹن نے کہا، "یہ کوئی بھی ڈیٹا ہے جس کا صارفین کے کریڈٹ رویے سے براہ راست تعلق نہیں ہے۔"
ایرن ایلارڈ، پرزم ڈیٹا کے جنرل مینیجر، نے توسیع کرتے ہوئے کہا، "مجھے لگتا ہے کہ یہ ڈیٹا کیا ہے۔ اگر متبادل ڈیٹا اس قسم کا ماس بالٹی ہے، تو یہ وہ چیز ہے جو تاریخی طور پر، ادارہ جاتی طور پر استعمال شدہ کریڈٹ اسکورنگ یا کریڈٹ رپورٹس کی طرح نہیں ہے۔
"اگر ہم ان چیزوں کے بارے میں بات کر رہے ہیں جو حقیقی مالی حقائق ہیں، جیسے کہ، ایک صارف کتنا کماتا ہے؟ وہ آمدنی کتنی مستحکم ہے؟ وہ اپنا پیسہ کیسے خرچ کرتے ہیں؟ وہ کیسے بچاتے ہیں؟ یہ اس سے کہیں زیادہ بنیادی محسوس ہوتا ہے کہ صارفین کس طرح مالی فیصلے کرتے ہیں۔
اس نے وضاحت کی کہ اوسط صارف سے بات کرتے وقت، ان کا کرنٹ اکاؤنٹ وہ ہوتا ہے جہاں وہ اپنی مالی زندگی کا زیادہ تر حصہ گزارتے ہیں۔ یہاں، صارف اپنا پے چیک وصول کرتا ہے، اپنا ڈیبٹ کارڈ استعمال کرسکتا ہے اور بل ادا کرسکتا ہے۔
جب ایک صارف یہ فیصلہ کرتا ہے کہ آیا وہ کچھ برداشت کر سکتا ہے اور قرض لے سکتا ہے، تو اس نے کہا، وہ کریڈٹ فیصلہ کرنے کے تکنیکی عناصر کی بجائے اپنی روزمرہ کی زندگی کی آمد اور اخراج پر غور کرتے ہیں۔
"(متبادل ڈیٹا) اس ڈیٹا کی بہت زیادہ تکمیل ہے جو صارف کی زندگی سے بات کرتا ہے۔"
مالی شمولیت کو بہتر بنانے کی صلاحیت
کئی سالوں سے، بہت سے صارفین مناسب کریڈٹ سکور بنانے میں ناکامی کی وجہ سے کریڈٹ تک رسائی سے محروم رہے ہیں۔ روایتی کریڈٹ سکور پر تنقید کی گئی ہے کہ وہ بہت زیادہ سخت ہیں اور جدید صارفین کے طرز زندگی اور حالات کی باریکیوں کا حساب دینے سے قاصر ہیں۔
"اس متبادل اعداد و شمار کو یکجا کرنے سے، آپ اکثر علاج کو زیادہ دانے دار سطح پر حل کرنے کے قابل ہوتے ہیں، آپ کا انفرادی گاہک کیا کر رہا ہے اس کے بارے میں بالکل نیچے پہنچتے ہیں اور پورے حصے میں پیٹرن دیکھنے کے قابل ہوتے ہیں،" کیتھی اسٹارز، ایگزیکٹو نائب صدر نے کہا۔ Provenir میں امریکہ کے.
"آپ متبادل ڈیٹا کی طاقت استعمال کر سکتے ہیں، جس کی اکثر تاریخ بہت لمبی ہوتی ہے۔ لہذا آپ ایسے نمونے دیکھ سکتے ہیں جو آپ پہلے نہیں دیکھ سکتے تھے، جو مطلع کرنے میں مدد کر سکتے ہیں۔ آپ کو خطرے کا پورا پورٹ فولیو معلوم ہے۔"
"آپ اس گاہک سے مل رہے ہیں جہاں وہ موجود ہیں اور ایک موزوں پیشکش فراہم کر رہے ہیں، جو اکثر اپنانے میں اضافہ کرتا ہے۔"
"اس غیر محفوظ مارکیٹ کو دیکھ کر، آپ ڈیٹا لینے کے قابل ہیں۔ اور اس تاریخ اور رویے کے پیٹرن اور دیگر ڈیٹا سیٹوں کے ساتھ، آپ ایسے فیصلے کرنے کے قابل ہو جاتے ہیں جو کریڈٹ اور دھوکہ دہی دونوں پر خطرے کی حد کو پورا کرتے ہیں کیونکہ آپ ان صارفین کو شامل کر رہے ہیں جو روایتی طور پر آپ ان تک پہنچنے اور انہیں مالی آلات پیش کرنے کے قابل نہیں ہوں گے۔ وہ ماضی میں استعمال نہیں کر سکتے تھے۔
اس نے وضاحت کی کہ یہ دانے دار شکل اور طویل تاریخ نئے صارفین کو لینے کے دوران دھوکہ دہی کو کامیابی سے کم کرتی ہے۔ متبادل ڈیٹا کا استعمال کرتے ہوئے فیصلہ سازی کے بہت سے ماڈلز میں شامل ریئل ٹائم ڈیٹا ویو قرض دہندہ کو بصیرت فراہم کرتا ہے جو دھوکہ دہی کی جلد شناخت کر سکتا ہے۔
Fintechs سامنے، لیکن بینک پکڑ رہے ہیں
AI اور مشین لرننگ کو لاگو کرنا مالیاتی اداروں کی اس ڈیٹا کو نکالنے اور استعمال کرنے کی صلاحیت میں بنیادی حیثیت رکھتا ہے۔ بعض اوقات خام ڈیٹا کے ایک بڑے تالاب سے ہٹائے جانے کے بعد، ان ٹولز نے قرض دہندگان کو یہ صلاحیت فراہم کی ہے کہ وہ غیر محفوظ صارفین کی قرض کی اہلیت کا فوری جائزہ لے سکیں۔
مقررین نے اس بات سے اتفاق کیا کہ فنٹیک نے ٹیکنالوجی کو لاگو کرنے میں قیادت کی ہے، BNPL کی آسمان چھوتی مقبولیت ان کی کامیابی کی ایک اہم مثال ہے۔ تاہم، بینکوں نے پکڑنا شروع کر دیا ہے اور وہ صارفین کی خدمت میں فنٹیکس کی اختراع سے میل کھا رہے ہیں جسے وہ روایتی طور پر مسترد کر دیتے ہیں۔
"یہ اس طرح ہے کہ صارفین بات چیت کرنے کی توقع کرتے ہیں۔ اس طرح موجودہ معیشت کام کرتی ہے،" ہنٹنگٹن نے کہا۔ "مجھے نہیں لگتا کہ اب یہ کوئی آپشن ہے کہ بینکوں کے لیے نہیں کہنا۔ روایتی طور پر ہم نے ہمیشہ ایسا کیا ہے، اور ہم اسے اسی طرح کرتے رہیں گے۔"
بینکوں کو، اپنے وراثت کے نظام کے ساتھ، نئی ٹیکنالوجی کو شامل کرنے میں دشواری کا سامنا کرنا پڑا ہے، جس کے لیے تعمیل شدہ معیارات کو برقرار رکھنے کے لیے وسیع پیمانے پر اقدامات کی ضرورت ہے۔
"اس کے بارے میں کوئی غلطی مت کرو. اسے درست کرنا اور اسے جاری رکھنا بہت پیچیدہ ہے، خاص طور پر، جیسا کہ آپ جانتے ہیں، بڑے مالیاتی ادارے اور ہمارے کچھ بنیادی ڈھانچے،" ہنٹنگٹن نے کہا۔
"شروع کرنا اور اسے درست کرنا انتہائی پیچیدہ ہے۔ میرے خیال میں یہ سب کچھ ان ماڈلز کی تعمیر کے بارے میں ہے، ان کو ساتھ ساتھ چلانے کے لیے کہ یہ متوقع نتیجہ تھا… میرے خیال میں یہ اس کا ایک بہت بڑا حصہ ہے جس کے بارے میں بہت سے بینک اس وقت سوچ رہے ہیں۔
وضاحت مشکل لیکن ضروری ہے۔
AI کے استعمال کو ریگولیٹرز اور صارفین کی طرف سے یکساں طور پر تنقید کا سامنا کرنا پڑا ہے، جو فکر مند ہیں کہ ٹیکنالوجی میں وراثتی تعصب ہو سکتا ہے۔ وضاحت اور وضاحت کا موضوع جس کی بنیاد پر فیصلے کیے جاتے ہیں متبادل ڈیٹا کے وسیع مجموعوں کو لیتے وقت پہلے سے زیادہ متعلقہ ہو گیا ہے۔
وضاحت کے معیار کے مطابق رہنا ان اداروں کے لیے چیلنج ہو سکتا ہے جو اندرون ملک ماڈل بنانا چاہتے ہیں جو ان کے انڈر رائٹنگ کے عمل کو مطلع کریں گے۔
"لہذا جب آپ کے پاس اے آئی مشین لرننگ ماڈل ہوتا ہے، تو آپ ریئل ٹائم میں کام کرنے کے قابل ہوتے ہیں، آپ ریئل ٹائم میں مطلع کرنے کے قابل ہوتے ہیں، آپ بصیرت کو باہر لے جانے کے قابل ہوتے ہیں، اور آپ اس قابل ہوتے ہیں ایک حقیقی وقت کی بنیاد پر تربیت اور وضاحت کی صلاحیت حاصل کرنے کے لیے،" اسٹارز نے کہا۔
"اگر آپ کے پاس غیر ایف سی آر ڈیٹا کو شامل کرنے اور اسے اس کی مقامی شکل میں لینے کی ٹیکنالوجی ہے، تو آپ اس ڈیٹا کو اپنے فیصلے میں داخل کر سکتے ہیں۔ اس کے بعد ماڈلز کو مطلع کرنے کے لیے استعمال کیا جا سکتا ہے، اور آپ کا فیصلہ وہی ہے جو تعمیل کو برقرار رکھے گا۔
ایلارڈ نے یہ کہتے ہوئے اتفاق کیا کہ فیصلہ سازی کے ماڈلز بناتے وقت دستاویزات اور وضاحت کو یقینی بنانا اس تعمیل کے لیے اہم ہے اور مستقبل میں اور بھی اہم ہو سکتا ہے۔
اگرچہ فی الحال، ڈیٹا تک رسائی محدود ہو سکتی ہے، امریکہ میں اوپن بینکنگ کو فروغ دینے کی بڑھتی ہوئی کوششوں میں متبادل ڈیٹا تک وسیع رسائی پیدا کرنے کی صلاحیت ہے۔
"امید ہے، مستقبل میں، صارف کے لیے یہ کہنا کم پیچیدہ اور بہت آسان ہو گا، 'میرے تمام اکاؤنٹس یہ ہیں۔ یہ وہ جگہ ہے جہاں میں بینک کرتا ہوں، یہ وہ جگہ ہے جہاں میں کاروبار کرتا ہوں، اور میں، بطور صارف، اپنا ڈیٹا شیئر کرنے کا انتخاب کر رہا ہوں۔' پھر، اس کی بنیاد پر کریڈٹ کے فیصلے کرنے والے لوگوں پر لازم ہے کہ وہ اسے ایڈجسٹ کرنے اور استعمال کرنے کے لیے صحیح ٹیکنالوجی تک رسائی حاصل کریں،‘‘ ایلارڈ نے کہا۔
"جب تک ڈیٹا دستیاب ہے، اس کا فائدہ اٹھانے کے لیے صحیح حل چننا ہے۔"
تینوں مقررین نے محسوس کیا کہ تکنیکی حل کا انتخاب متبادل ڈیٹا کی کامیابی میں اضافہ کے ہدف تک پہنچنے کے لیے اہم ہے۔
کریڈٹ بیورو کو تبدیل کرنے کا وقت
ویبنار کے آخری سوالات میں سے ایک کریڈٹ بیورو کی طرف متوجہ ہوا۔
روایتی کریڈٹ سکور سالوں سے قرضے کو انڈر رائٹ کرنے کا ایک معیاری طریقہ رہا ہے۔ کریڈٹ فیصلہ سازی میں Fintech کی اختراع ایک وسیع تر سامعین کے لیے کریڈٹ کو کھولنے کے متبادل طریقوں کی فوری ضرورت بن گئی ہے۔ متبادل ڈیٹا کی آمد کریڈٹ بیورو کے اسکورنگ کے عمل کو مطلع کر سکتی ہے، انفرادی اداروں کے لیے متبادل، اندرون ملک ٹیکنالوجیز کی ضرورت کو نظرانداز کر کے۔
"مجھے نہیں لگتا کہ کوئی آپشن ہے،" ہنٹنگٹن نے کہا۔ "مجھے لگتا ہے کہ انہیں ماڈل کو تبدیل کرنا ہوگا اور جس طرح سے اس کور کا حساب لگایا جاتا ہے اور اس میں سے کچھ ڈیٹا کو شامل کرنا ہوگا۔"
"سوال یہ ہوگا کہ وہ اس بات کو یقینی بنانے کے لیے کس رفتار سے اختراع کر سکتے ہیں کہ وہ ڈیٹا اور ڈیٹا کے متبادل ذرائع کو متعلقہ طریقے سے استعمال کر رہے ہیں۔"
متعلقہ:
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://news.fintechnexus.com/provenir-webinar-alternative-data-the-catalyst-for-financial-inclusion/