ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్: వినియోగదారు సమాచారం కోసం పెద్ద డేటాను స్కోరింగ్ చేయడం
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్: వినియోగదారు సమాచారం కోసం పెద్ద డేటాను స్కోరింగ్ చేయడం
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్: వినియోగదారు సమాచారం కోసం పెద్ద డేటాను స్కోరింగ్ చేయడం
- రచయిత గురించి:
- అక్టోబర్ 10, 2022
అంతర్దృష్టి సారాంశం
మరిన్ని కంపెనీలు ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ని ఉపయోగిస్తున్నాయి ఎందుకంటే ఇది వినియోగదారులు మరియు రుణదాతలకు ప్రయోజనం చేకూరుస్తుంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI), ప్రత్యేకంగా మెషిన్ లెర్నింగ్ (ML), సంప్రదాయ బ్యాంకింగ్ ఉత్పత్తులకు యాక్సెస్ లేని వ్యక్తుల క్రెడిట్ యోగ్యతను అంచనా వేయడానికి ఉపయోగించవచ్చు. ఈ పద్ధతి ఆర్థిక లావాదేవీలు, వెబ్ ట్రాఫిక్, మొబైల్ పరికరాలు మరియు పబ్లిక్ రికార్డ్ల వంటి ప్రత్యామ్నాయ డేటా మూలాలను చూస్తుంది. ఇతర డేటా పాయింట్లను చూడటం ద్వారా, ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ ఆర్థిక చేరికను పెంచడానికి మరియు ఆర్థిక వృద్ధిని పెంచే సామర్థ్యాన్ని కలిగి ఉంటుంది.
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ సందర్భం
సాంప్రదాయ క్రెడిట్ స్కోర్ మోడల్ పరిమితమైనది మరియు చాలా మందికి అందుబాటులో ఉండదు. ఆఫ్రికా CEO ఫోరమ్ నుండి వచ్చిన డేటా ప్రకారం, దాదాపు 57 శాతం మంది ఆఫ్రికన్లు "క్రెడిట్ అదృశ్యం" అని అర్థం, అంటే వారికి బ్యాంక్ ఖాతా లేదా క్రెడిట్ స్కోర్ లేదు. ఫలితంగా, వారు రుణం పొందడంలో లేదా క్రెడిట్ కార్డు పొందడంలో ఇబ్బందులు పడుతున్నారు. పొదుపు ఖాతాలు, క్రెడిట్ కార్డ్లు లేదా వ్యక్తిగత చెక్లు వంటి ముఖ్యమైన ఆర్థిక సేవలకు ప్రాప్యత లేని వ్యక్తులు బ్యాంక్లో లేనివారు (లేదా అండర్బ్యాంకింగ్)గా పరిగణించబడతారు.
ఫోర్బ్స్ ప్రకారం, ఈ అన్బ్యాంకింగ్ వ్యక్తులకు ఎలక్ట్రానిక్ నగదు యాక్సెస్, డెబిట్ కార్డ్ మరియు వెంటనే డబ్బును పొందగల సామర్థ్యం అవసరం. అయినప్పటికీ, సాంప్రదాయ బ్యాంకింగ్ సేవలు సాధారణంగా ఈ సమూహాన్ని మినహాయించాయి. అదనంగా, సంక్లిష్టమైన వ్రాతపని మరియు సంప్రదాయ బ్యాంకు రుణాల కోసం ఇతర అవసరాలు అధిక-వడ్డీ రేట్లు విధించే లోన్ షార్క్లు మరియు పేడే క్రెడిటార్ల వైపు మొగ్గు చూపడానికి హాని కలిగించే సమూహాలకు దారితీసింది.
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ అనేది మరింత అనధికారిక (మరియు తరచుగా మరింత ఖచ్చితమైన) మూల్యాంకన మార్గాలను పరిగణనలోకి తీసుకోవడం ద్వారా, ముఖ్యంగా అభివృద్ధి చెందుతున్న దేశాలలో, బ్యాంక్ లేని జనాభాకు సహాయపడుతుంది. ప్రత్యేకించి, యుటిలిటీ బిల్లులు, అద్దె చెల్లింపులు, బీమా రికార్డులు, సోషల్ మీడియా వినియోగం, ఉపాధి చరిత్ర, ప్రయాణ చరిత్ర, ఇ-కామర్స్ లావాదేవీలు మరియు ప్రభుత్వ మరియు ఆస్తి రికార్డుల వంటి విభిన్న డేటా మూలాధారాల నుండి పెద్ద మొత్తంలో సమాచారాన్ని స్కాన్ చేయడానికి AI సిస్టమ్లను అన్వయించవచ్చు. . అదనంగా, ఈ ఆటోమేటెడ్ సిస్టమ్లు క్రెడిట్ రిస్క్కి అనువదించే పునరావృత నమూనాలను గుర్తించడంలో సహాయపడతాయి, వీటిలో బిల్లులు చెల్లించలేకపోవడం లేదా ఎక్కువ కాలం ఉద్యోగాలు చేయడం లేదా ఇ-కామర్స్ ప్లాట్ఫారమ్లలో చాలా ఖాతాలను తెరవడం వంటివి ఉంటాయి. ఈ తనిఖీలు రుణగ్రహీత యొక్క ప్రవర్తనపై దృష్టి సారిస్తాయి మరియు సాంప్రదాయ పద్ధతులు తప్పిన డేటా పాయింట్లను గుర్తిస్తాయి.
విఘాతం కలిగించే ప్రభావం
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ యొక్క స్వీకరణను వేగవంతం చేయడంలో అభివృద్ధి చెందుతున్న సాంకేతికతలు కీలకమైన అంశం. అటువంటి సాంకేతికత బ్లాక్చెయిన్ అప్లికేషన్లను కలిగి ఉంటుంది, దాని సామర్థ్యం కారణంగా కస్టమర్లు వారి డేటాను నియంత్రించడానికి క్రెడిట్ ప్రొవైడర్లను అనుమతిస్తుంది. ఈ ఫీచర్ వ్యక్తులు తమ వ్యక్తిగత సమాచారం ఎలా నిల్వ చేయబడి, భాగస్వామ్యం చేయబడుతుందనే దానిపై మరింత నియంత్రణలో ఉండటానికి సహాయపడుతుంది.
పరికరాలలో క్రెడిట్ రిస్క్ యొక్క మరింత వివరణాత్మక చిత్రం కోసం బ్యాంకులు ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT)ని కూడా ఉపయోగించవచ్చు; ఇది మొబైల్ ఫోన్ల నుండి నిజ-సమయ మెటాడేటాను సేకరించడం. హెల్త్కేర్ ప్రొవైడర్లు స్కోరింగ్ ప్రయోజనాల కోసం వివిధ ఆరోగ్య సంబంధిత డేటాను అందించవచ్చు, గుండె రేటు, ఉష్ణోగ్రత వంటి ధరించగలిగే వాటి నుండి సేకరించిన డేటా మరియు ముందుగా ఉన్న ఆరోగ్య సమస్యల రికార్డు వంటివి. ఈ సమాచారం నేరుగా జీవిత మరియు ఆరోగ్య బీమాకు వర్తించదు, ఇది బ్యాంక్ ఉత్పత్తి ఎంపికలను తెలియజేయవచ్చు. ఉదాహరణకు, సంభావ్య కోవిడ్-19 ఇన్ఫెక్షన్ అత్యవసర ఓవర్డ్రాఫ్ట్ సహాయం లేదా చిన్న మరియు మధ్యతరహా పరిశ్రమలు రుణ చెల్లింపు మరియు వ్యాపార అంతరాయం కోసం అధిక ప్రమాద కారకాలను కలిగి ఉండడాన్ని సూచిస్తుంది. ఇదిలా ఉండగా, కారు భీమా కోసం, కొన్ని కంపెనీలు సాంప్రదాయ క్రెడిట్ స్కోరింగ్కు బదులుగా టెలిమాటిక్స్ డేటాను (GPS మరియు సెన్సార్లు) ఉపయోగిస్తాయి.
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్లో ఒక కీలకమైన డేటా పాయింట్ సోషల్ మీడియా కంటెంట్. ఈ నెట్వర్క్లు ఆకట్టుకునే డేటాను కలిగి ఉంటాయి, ఇవి అప్పులను తిరిగి చెల్లించే వ్యక్తి యొక్క సంభావ్యతను అర్థం చేసుకోవడంలో ఉపయోగపడతాయి. అధికారిక ఛానెల్లు వెల్లడించే వాటి కంటే ఈ సమాచారం చాలా ఖచ్చితమైనది. ఉదాహరణకు, ఖాతా స్టేట్మెంట్లు, ఆన్లైన్ పోస్ట్లు మరియు ట్వీట్లను తనిఖీ చేయడం వలన ఒకరి ఖర్చు అలవాట్లు మరియు ఆర్థిక స్థిరత్వం గురించి అంతర్దృష్టులు లభిస్తాయి, ఇవి వ్యాపారాలు మెరుగైన నిర్ణయాలు తీసుకోవడంలో సహాయపడతాయి.
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ యొక్క చిక్కులు
ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ యొక్క విస్తృత చిక్కులు వీటిని కలిగి ఉండవచ్చు:
- ఓపెన్ బ్యాంకింగ్ మరియు బ్యాంకింగ్-యాజ్-ఎ-సర్వీస్ ద్వారా మరింత సాంప్రదాయేతర క్రెడిట్ లెండింగ్ సేవలు. ఈ సేవలు బ్యాంకింగ్ లేనివారు మరింత సమర్థవంతంగా రుణాల కోసం దరఖాస్తు చేసుకోవడంలో సహాయపడవచ్చు.
- క్రెడిట్ రిస్క్, ముఖ్యంగా ఆరోగ్యం మరియు స్మార్ట్ హోమ్ డేటాను అంచనా వేయడానికి IoT మరియు వేరబుల్స్ యొక్క పెరుగుతున్న వినియోగం.
- క్రెడిట్ సేవలను అందించడానికి బ్యాంక్ లేని వ్యక్తులను అంచనా వేయడానికి ఫోన్ మెటాడేటా సేవలను ఉపయోగించే స్టార్టప్లు.
- బయోమెట్రిక్స్ ప్రత్యామ్నాయ క్రెడిట్ స్కోర్ డేటాగా ఎక్కువగా ఉపయోగించబడుతున్నాయి, ముఖ్యంగా షాపింగ్ అలవాట్లను పర్యవేక్షించడంలో.
- సాంప్రదాయేతర క్రెడిట్ను మరింత అందుబాటులోకి మరియు సేవ చేయగలిగేలా మరిన్ని ప్రభుత్వాలు చేస్తున్నాయి.
- సంభావ్య డేటా గోప్యతా ఉల్లంఘనల గురించి, ముఖ్యంగా బయోమెట్రిక్ డేటా సేకరణ కోసం పెరుగుతున్న ఆందోళనలు.
పరిగణించవలసిన ప్రశ్నలు
- ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్ డేటాను ఉపయోగించడంలో సంభావ్య సవాళ్లు ఏమిటి?
- ప్రత్యామ్నాయ క్రెడిట్ స్కోరింగ్లో ఏ ఇతర సంభావ్య డేటా పాయింట్లను చేర్చవచ్చు?
అంతర్దృష్టి సూచనలు
ఈ అంతర్దృష్టి కోసం క్రింది ప్రసిద్ధ మరియు సంస్థాగత లింక్లు సూచించబడ్డాయి: