Vaihtoehtoinen luottoluokitus: Big datan kerääminen kuluttajatiedon saamiseksi

• Kirjoittaja:
• tekijän nimi

  Quantumrun Foiresight
• Lokakuu 10, 2022

Havainnon yhteenveto

Yhä useammat yritykset käyttävät vaihtoehtoista luottoluokitusta, koska se hyödyttää kuluttajia ja lainanantajia. Tekoälyä (AI), erityisesti koneoppimista (ML), voidaan käyttää sellaisten ihmisten luottokelpoisuuden arvioimiseen, joilla ei ole perinteisiä pankkituotteita. Tämä menetelmä tarkastelee vaihtoehtoisia tietolähteitä, kuten rahoitustapahtumia, verkkoliikennettä, mobiililaitteita ja julkisia tietueita. Tarkasteltaessa muita tietopisteitä vaihtoehtoinen luottoluokitus voi lisätä taloudellista osallisuutta ja edistää talouskasvua.

Vaihtoehtoinen luottopisteytyskonteksti

Perinteinen luottopistemalli on rajoittava ja monille saavuttamaton. Africa CEO Forumin tietojen mukaan noin 57 prosenttia afrikkalaisista on "luoton näkymätöntä", mikä tarkoittaa, että heiltä puuttuu pankkitili tai luottopisteet. Tämän seurauksena heillä on vaikeuksia saada lainaa tai saada luottokorttia. Henkilöt, joilla ei ole pääsyä tärkeisiin rahoituspalveluihin, kuten säästötilit, luottokortit tai henkilökohtaiset shekit, katsotaan pankkivapaiksi (tai alipankeiksi).

Forbesin mukaan nämä pankkittömät ihmiset tarvitsevat sähköisen käteisen, pankkikortin ja mahdollisuuden saada rahaa nopeasti. Perinteiset pankkipalvelut eivät kuitenkaan yleensä sisällä tätä ryhmää. Lisäksi perinteisten pankkilainojen monimutkainen paperityö ja muut vaatimukset ovat johtaneet siihen, että haavoittuvat ryhmät kääntyvät lainahaiden ja palkkapäivävelkojien puoleen, jotka määräävät korkeita korkoja.

Vaihtoehtoinen luottoluokitus voi auttaa pankkittomia väestöä, erityisesti kehitysmaissa, harkitsemalla epävirallisia (ja usein tarkempia) arviointikeinoja. Tekoälyjärjestelmiä voidaan soveltaa erityisesti suurten tietomäärien skannaamiseen erilaisista tietolähteistä, kuten sähkölaskuista, vuokramaksuista, vakuutustietueista, sosiaalisen median käytöstä, työhistoriasta, matkahistoriasta, verkkokaupan tapahtumista sekä viranomais- ja kiinteistörekistereistä. . Lisäksi nämä automatisoidut järjestelmät voivat auttaa tunnistamaan toistuvia malleja, jotka johtavat luottoriskiin, mukaan lukien kyvyttömyys maksaa laskuja tai pitää työpaikkoja liian pitkään tai avata liian monta tiliä sähköisen kaupankäynnin alustoilla. Nämä tarkistukset keskittyvät lainanottajan käyttäytymiseen ja tunnistavat tietopisteitä, jotka perinteiset menetelmät ovat saattaneet unohtaa. 

Häiritsevä vaikutus

Kehittyvät teknologiat ovat avaintekijä vaihtoehtoisten luottoluokitusten käyttöönottoa nopeuttaessa. Yksi tällainen tekniikka sisältää lohkoketjusovelluksia, koska se antaa asiakkaiden hallita tietojaan samalla, kun luotonantajat voivat tarkistaa tiedot. Tämä ominaisuus voi auttaa ihmisiä hallitsemaan paremmin sitä, miten heidän henkilökohtaisia ​​tietojaan tallennetaan ja jaetaan.

Pankit voivat myös käyttää esineiden Internetiä (IoT) saadakseen tarkemman kuvan luottoriskeistä eri laitteissa. tähän sisältyy reaaliaikaisten metatietojen kerääminen matkapuhelimista. Terveydenhuollon tarjoajat voivat antaa erilaisia ​​terveyteen liittyviä tietoja pisteytystarkoituksiin, kuten puetettavista laitteista kerätyt tiedot, kuten syke, lämpötila ja kaikki tiedot olemassa olevista terveysongelmista. Vaikka nämä tiedot eivät suoraan koske henki- ja sairausvakuutuksia, ne voivat antaa tietoja pankin tuotevalinnoista. Esimerkiksi mahdollinen COVID-19-tartunta voi olla merkki tilinylitysavun tarpeesta tai pienillä ja keskisuurilla yrityksillä, joilla on korkeammat riskitekijät lainan takaisinmaksulle ja liiketoiminnan häiriöille. Samaan aikaan autovakuutuksissa jotkut yritykset käyttävät telemaattisia tietoja (GPS ja anturit) perinteisen luottopisteytyksen sijaan arvioidakseen, mitkä ehdokkaat ovat todennäköisimmin vastuussa. 

Yksi keskeinen tietopiste vaihtoehtoisessa luottopisteydessä on sosiaalisen median sisältö. Näissä verkoissa on vaikuttava määrä tietoa, joka voi olla hyödyllistä ymmärtääkseen henkilön todennäköisyyttä maksaa velkoja. Nämä tiedot ovat usein tarkempia kuin mitä viralliset kanavat paljastavat. Esimerkiksi tiliotteiden, verkkojulkaisujen ja twiittien tarkistaminen antaa käsityksen jonkun kulutustottumuksista ja taloudellisesta vakaudesta, mikä voi auttaa yrityksiä tekemään parempia päätöksiä. 

Vaihtoehtoisen luottopisteytyksen vaikutukset

Vaihtoehtoisen luottopisteytyksen laajempia vaikutuksia voivat olla: 

• Lisää epäperinteisiä luotonantopalveluita avoimen pankkitoiminnan ja pankkipalveluna vauhdittamana. Nämä palvelut voivat auttaa pankkittomia hakemaan lainaa tehokkaammin.
• IoT:n ja puettavien laitteiden lisääntyvä käyttö luottoriskien arvioinnissa, erityisesti terveys- ja älykotitietojen arvioinnissa.
• Startup-yritykset, jotka käyttävät puhelimen metatietopalveluita saadakseen pankkittomia ihmisiä tarjoamaan luottopalveluja.
• Biometrisiä tietoja käytetään yhä enemmän vaihtoehtoisena luottopistetietona erityisesti ostotottumusten seurannassa.
• Useammat hallitukset tekevät epäperinteisistä luotoista helpommin saatavilla ja palvelukykyisempiä. 
• Kasvava huoli mahdollisista tietosuojaloukkauksista, erityisesti biometristen tietojen keruun osalta.

Pohdittavia kysymyksiä

• Mitkä ovat mahdolliset haasteet vaihtoehtoisten luottoluokitustietojen käytössä?
• Mitä muita mahdollisia tietopisteitä voidaan sisällyttää vaihtoehtoiseen luottopisteytykseen?