Alternativno ocjenjivanje kredita: pretraživanje velikih podataka za informacije o potrošačima

• Autor:
• Ime autora

  Quantumrun Foiresight
• Oktobar 10, 2022

Sažetak uvida

Više kompanija koristi alternativno ocjenjivanje kredita jer koristi potrošačima i zajmodavcima. Vještačka inteligencija (AI), posebno mašinsko učenje (ML), može se koristiti za procenu kreditne sposobnosti ljudi koji nemaju pristup tradicionalnim bankarskim proizvodima. Ova metoda razmatra alternativne izvore podataka kao što su finansijske transakcije, web promet, mobilni uređaji i javni zapisi. Gledajući druge podatke, alternativno ocjenjivanje kredita ima potencijal da poveća finansijsku uključenost i pokrene ekonomski rast.

Alternativni kontekst kreditnog bodovanja

Tradicionalni model kreditnog rezultata je ograničavajući i nedostupan za mnoge ljude. Prema podacima Afričkog CEO Foruma, oko 57 posto Afrikanaca je "kreditno nevidljivo", što znači da nemaju bankovni račun ili kreditni rezultat. Kao rezultat toga, imaju poteškoća u osiguravanju zajma ili dobivanju kreditne kartice. Pojedinci koji nemaju pristup osnovnim finansijskim uslugama kao što su štedni računi, kreditne kartice ili lični čekovi smatraju se nebankarskim (ili nedovoljno bankovnim).

Prema Forbesu, ovim ljudima koji nemaju banku potreban je elektronski pristup gotovini, debitna kartica i mogućnost da brzo dobiju novac. Međutim, tradicionalne bankarske usluge obično isključuju ovu grupu. Osim toga, složena papirologija i drugi zahtjevi za konvencionalne bankarske kredite doveli su do toga da se ranjive grupe okreću lihvarima i kreditorima koji nameću visoke kamate.

Alternativno ocjenjivanje kredita može pomoći stanovništvu bez bankovnog poslovanja, posebno u zemljama u razvoju, uzimajući u obzir neformalnije (i često preciznije) načine procjene. Konkretno, AI sistemi se mogu primijeniti za skeniranje velike količine informacija iz različitih izvora podataka, kao što su računi za komunalije, plaćanja stanarine, evidencije osiguranja, korištenje društvenih medija, povijest zaposlenja, povijest putovanja, transakcije e-trgovine, te evidencija vlade i imovine . Osim toga, ovi automatizirani sistemi mogu pomoći u identifikaciji ponavljajućih obrazaca koji se pretvaraju u kreditni rizik, uključujući nemogućnost plaćanja računa ili zadržavanja poslova predugo, ili otvaranje previše naloga na platformama za e-trgovinu. Ove provere se fokusiraju na ponašanje zajmoprimca i identifikuju tačke podataka koje su tradicionalne metode možda propustile. 

Ometajući uticaj

Nove tehnologije su ključni faktor u ubrzavanju usvajanja alternativnog kreditnog bodovanja. Jedna takva tehnologija uključuje blockchain aplikacije zbog svoje sposobnosti da omogući kupcima da kontrolišu svoje podatke, a da pritom dopušta davaocima kredita da provjere informacije. Ova funkcija bi mogla pomoći ljudima da osjećaju veću kontrolu nad načinom na koji se njihovi lični podaci pohranjuju i dijele.

Banke također mogu koristiti Internet stvari (IoT) za detaljniju sliku kreditnog rizika na različitim uređajima; ovo uključuje prikupljanje metapodataka u realnom vremenu sa mobilnih telefona. Pružaoci zdravstvenih usluga mogu doprinijeti raznim zdravstvenim podacima u svrhu bodovanja, kao što su podaci prikupljeni od nosivih uređaja kao što su broj otkucaja srca, temperatura i bilo koji zapis o već postojećim zdravstvenim problemima. Iako se ove informacije ne odnose direktno na životno i zdravstveno osiguranje, one mogu pomoći u odabiru bankarskih proizvoda. Na primjer, potencijalna infekcija COVID-19 može signalizirati potrebu za hitnom pomoći prekoračenja ili mala i srednja poduzeća koja imaju veće faktore rizika za otplatu kredita i prekid poslovanja. U međuvremenu, za osiguranje automobila, neke kompanije koriste telematske podatke (GPS i senzore) umjesto tradicionalnog kreditnog bodovanja kako bi procijenile koji kandidati će najvjerovatnije biti odgovorni. 

Jedan od ključnih podataka u alternativnom kreditnom bodovanju je sadržaj društvenih medija. Ove mreže sadrže impresivnu količinu podataka koji mogu biti korisni u razumijevanju vjerovatnoće neke osobe da otplati dugove. Ove informacije su često tačnije od onoga što formalni kanali otkrivaju. Na primjer, provjera izvoda računa, online postova i tvitova daju uvid u nečije navike potrošnje i ekonomsku stabilnost, što može pomoći preduzećima da donesu bolje odluke. 

Implikacije alternativnog kreditnog bodovanja

Šire implikacije alternativnog kreditnog bodovanja mogu uključivati: 

• Više netradicionalnih usluga kreditiranja potaknute otvorenim bankarstvom i bankarstvom kao uslugom. Ove usluge mogu pomoći osobama koje nemaju banku da efikasnije apliciraju za kredite.
• Sve veća upotreba interneta stvari i nosivih uređaja za procjenu kreditnog rizika, posebno podataka o zdravlju i pametnom domu.
• Startapi koji koriste usluge telefonskih metapodataka kako bi procijenili ljude bez bankovnih usluga kako bi ponudili kreditne usluge.
• Biometrija se sve više koristi kao alternativni kreditni rezultat, posebno u praćenju kupovnih navika.
• Više vlada čini netradicionalne kredite pristupačnijim i uslužnijim. 
• Povećana zabrinutost zbog potencijalnog kršenja privatnosti podataka, posebno za prikupljanje biometrijskih podataka.

Pitanja koja treba razmotriti

• Koji su potencijalni izazovi u korištenju alternativnih podataka o kreditnom bodovanju?
• Koji drugi potencijalni podaci mogu biti uključeni u alternativno ocjenjivanje kredita?