वैकल्पिक क्रेडिट स्कोअरिंग: ग्राहकांच्या माहितीसाठी मोठा डेटा शोधणे

इमेज क्रेडिट:
प्रतिमा क्रेडिट
iStock

वैकल्पिक क्रेडिट स्कोअरिंग: ग्राहकांच्या माहितीसाठी मोठा डेटा शोधणे

वैकल्पिक क्रेडिट स्कोअरिंग: ग्राहकांच्या माहितीसाठी मोठा डेटा शोधणे

उपशीर्षक मजकूर
कृत्रिम बुद्धिमत्ता (AI), टेलिमॅटिक्स आणि अधिक डिजिटल अर्थव्यवस्थेमुळे वैकल्पिक क्रेडिट स्कोअरिंग अधिक मुख्य प्रवाहात होत आहे.
    • लेखक बद्दल:
    • लेखक नाव
      क्वांटमरुन फोरसाइट
    • ऑक्टोबर 10, 2022

    अंतर्दृष्टी सारांश

    अधिक कंपन्या पर्यायी क्रेडिट स्कोअरिंग वापरत आहेत कारण त्याचा फायदा ग्राहकांना आणि कर्जदारांना होतो. आर्टिफिशियल इंटेलिजेंस (AI), विशेषतः मशीन लर्निंग (ML), ज्यांना पारंपारिक बँकिंग उत्पादनांमध्ये प्रवेश नाही अशा लोकांच्या क्रेडिट पात्रतेचे मूल्यांकन करण्यासाठी वापरले जाऊ शकते. ही पद्धत आर्थिक व्यवहार, वेब ट्रॅफिक, मोबाइल डिव्हाइस आणि सार्वजनिक रेकॉर्ड यासारख्या पर्यायी डेटा स्रोतांकडे पाहते. इतर डेटा पॉइंट्स बघून, पर्यायी क्रेडिट स्कोअरिंगमध्ये आर्थिक समावेश वाढवण्याची आणि आर्थिक वाढ वाढवण्याची क्षमता आहे.

    वैकल्पिक क्रेडिट स्कोअरिंग संदर्भ

    पारंपारिक क्रेडिट स्कोअर मॉडेल बर्याच लोकांसाठी मर्यादित आणि अगम्य आहे. आफ्रिका सीईओ फोरमच्या आकडेवारीनुसार, सुमारे 57 टक्के आफ्रिकन लोक "क्रेडिट अदृश्य" आहेत, याचा अर्थ त्यांच्याकडे बँक खाते किंवा क्रेडिट स्कोअर नाही. परिणामी, त्यांना कर्ज मिळवण्यात किंवा क्रेडिट कार्ड मिळवण्यात अडचणी येतात. बचत खाती, क्रेडिट कार्ड किंवा वैयक्तिक धनादेश यासारख्या आवश्यक आर्थिक सेवांमध्ये प्रवेश नसलेल्या व्यक्तींना बँक नसलेले (किंवा अंडरबँक केलेले) मानले जाते.

    फोर्ब्सच्या म्हणण्यानुसार, या बँक नसलेल्या लोकांना इलेक्ट्रॉनिक कॅश ऍक्सेस, डेबिट कार्ड आणि त्वरित पैसे मिळवण्याची क्षमता आवश्यक आहे. तथापि, पारंपारिक बँकिंग सेवा सहसा या गटाला वगळतात. याव्यतिरिक्त, पारंपारिक बँक कर्जासाठी जटिल कागदपत्रे आणि इतर आवश्यकतांमुळे असुरक्षित गट लोन शार्क आणि उच्च-व्याज दर लागू करणार्‍या पेडे क्रेडिटर्सकडे वळले आहेत.

    वैकल्पिक क्रेडिट स्कोअरिंग अधिक अनौपचारिक (आणि अनेकदा अधिक अचूक) मूल्यमापनाच्या माध्यमांचा विचार करून, विशेषत: विकसनशील राष्ट्रांमध्ये बँक नसलेल्या लोकसंख्येला मदत करू शकते. विशेषतः, युटिलिटी बिले, भाडे देयके, विमा रेकॉर्ड, सोशल मीडिया वापर, रोजगार इतिहास, प्रवास इतिहास, ई-कॉमर्स व्यवहार आणि सरकारी आणि मालमत्ता रेकॉर्ड यासारख्या विविध डेटा स्रोतांमधून मोठ्या प्रमाणात माहिती स्कॅन करण्यासाठी AI प्रणाली लागू केली जाऊ शकते. . या व्यतिरिक्त, या स्वयंचलित प्रणाली आवर्ती नमुने ओळखण्यात मदत करू शकतात जे क्रेडिट जोखमीचे भाषांतर करतात, ज्यामध्ये बिले भरण्यात अक्षमता किंवा जास्त काळ नोकरी धरून ठेवणे किंवा ई-कॉमर्स प्लॅटफॉर्मवर बरीच खाती उघडणे समाविष्ट आहे. हे धनादेश कर्जदाराच्या वर्तनावर लक्ष केंद्रित करतात आणि पारंपारिक पद्धतींनी चुकलेले डेटा पॉइंट ओळखतात. 

    व्यत्यय आणणारा प्रभाव

    पर्यायी क्रेडिट स्कोअरिंगच्या अवलंबनाला गती देण्यासाठी उदयोन्मुख तंत्रज्ञान हे महत्त्वाचे घटक आहेत. अशाच एका तंत्रज्ञानामध्ये ब्लॉकचेन ऍप्लिकेशन्सचा समावेश आहे ज्यामुळे ग्राहकांना त्यांच्या डेटावर नियंत्रण ठेवता येते आणि तरीही क्रेडिट प्रदात्यांना माहितीची पडताळणी करण्याची परवानगी मिळते. हे वैशिष्ट्य लोकांना त्यांची वैयक्तिक माहिती कशी संग्रहित आणि सामायिक केली जाते यावर अधिक नियंत्रण ठेवण्यास मदत करू शकते.

    बँका सर्व उपकरणांवर क्रेडिट जोखमीच्या अधिक तपशीलवार चित्रासाठी इंटरनेट ऑफ थिंग्ज (IoT) देखील वापरू शकतात; यामध्ये मोबाईल फोनवरून रिअल-टाइम मेटाडेटा गोळा करणे समाविष्ट आहे. हेल्थकेअर प्रदाते स्कोअरिंगच्या उद्देशाने विविध आरोग्य-संबंधित डेटाचे योगदान देऊ शकतात, जसे की हृदय गती, तापमान, आणि आधीपासून अस्तित्वात असलेल्या आरोग्य समस्यांची कोणतीही नोंद यासारख्या वेअरेबलमधून गोळा केलेला डेटा. ही माहिती थेट जीवन आणि आरोग्य विम्यावर लागू होत नसली तरी, ती बँकेच्या उत्पादनांच्या निवडींची माहिती देऊ शकते. उदाहरणार्थ, संभाव्य COVID-19 संसर्ग आपत्कालीन ओव्हरड्राफ्ट सहाय्याची गरज किंवा लघु आणि मध्यम उद्योगांना कर्जाची परतफेड आणि व्यवसायात व्यत्यय येण्यासाठी जास्त जोखीम घटक आहेत हे सूचित करू शकते. दरम्यान, कार विम्यासाठी, काही कंपन्या कोणते उमेदवार जबाबदार असण्याची शक्यता आहे याचे मूल्यांकन करण्यासाठी पारंपारिक क्रेडिट स्कोअरिंगऐवजी टेलिमॅटिक्स डेटा (GPS आणि सेन्सर्स) वापरतात. 

    वैकल्पिक क्रेडिट स्कोअरिंगमधील एक महत्त्वाचा डेटा पॉइंट म्हणजे सोशल मीडिया सामग्री. या नेटवर्कमध्ये प्रभावशाली प्रमाणात डेटा असतो जो एखाद्या व्यक्तीच्या कर्जाची परतफेड करण्याची शक्यता समजून घेण्यासाठी उपयुक्त ठरू शकतो. औपचारिक चॅनेल जे प्रकट करतात त्यापेक्षा ही माहिती अनेकदा अधिक अचूक असते. उदाहरणार्थ, खाते स्टेटमेंट, ऑनलाइन पोस्ट आणि ट्विट तपासणे एखाद्याच्या खर्च करण्याच्या सवयी आणि आर्थिक स्थिरतेबद्दल अंतर्दृष्टी देतात, जे व्यवसायांना चांगले निर्णय घेण्यास मदत करू शकतात. 

    वैकल्पिक क्रेडिट स्कोअरिंगचे परिणाम

    वैकल्पिक क्रेडिट स्कोअरिंगच्या व्यापक परिणामांमध्ये हे समाविष्ट असू शकते: 

    • ओपन बँकिंग आणि बँकिंग-एज-ए-सेवेद्वारे अधिक अपारंपारिक क्रेडिट कर्ज सेवा. या सेवा बँक नसलेल्यांना कर्जासाठी अधिक कार्यक्षमतेने अर्ज करण्यास मदत करू शकतात.
    • क्रेडिट जोखीम, विशेषतः आरोग्य आणि स्मार्ट होम डेटाचे मूल्यांकन करण्यासाठी IoT आणि वेअरेबलचा वाढता वापर.
    • स्टार्टअप्स फोन मेटाडेटा सेवा वापरून क्रेडिट सेवा ऑफर करण्यासाठी बँक नसलेल्या लोकांचे मूल्यांकन करतात.
    • बायोमेट्रिक्सचा वापर वैकल्पिक क्रेडिट स्कोअर डेटा म्हणून केला जात आहे, विशेषत: खरेदीच्या सवयींचे निरीक्षण करण्यासाठी.
    • अधिक सरकारे अपारंपारिक क्रेडिट अधिक सुलभ आणि सेवायोग्य बनवतात. 
    • विशेषत: बायोमेट्रिक डेटा संकलनासाठी संभाव्य डेटा गोपनीयतेच्या उल्लंघनाबद्दल वाढत्या चिंता.

    विचारात घेण्यासारखे प्रश्न

    • वैकल्पिक क्रेडिट स्कोअरिंग डेटा वापरण्यात संभाव्य आव्हाने कोणती आहेत?
    • पर्यायी क्रेडिट स्कोअरिंगमध्ये इतर संभाव्य डेटा पॉईंट्स काय समाविष्ट केले जाऊ शकतात?

    अंतर्दृष्टी संदर्भ

    या अंतर्दृष्टीसाठी खालील लोकप्रिय आणि संस्थात्मक दुवे संदर्भित केले गेले: