قادة الفكر
كيف يساعد بيانات المستوى المعاملاتي المُقرضين على رؤية المزيد وتقليل المخاطر
غالبًا ما يتم تمثيل الذكاء الاصطناعي في مجال الإقراض على أنه سلاح فضي يسرع من عمليات التقييم الحالية أو كطبقة رقمية تعمل ك盒ة سوداء، والتي في الواقع لن تمر على فحوصات الامتثال. هذه التصويرات لا يمكن أن تكون أبعد عن الحقيقة حول ما يغير مستقبل تقييم المخاطر الائتمانية على حافة Industry.
الذكاء الاصطناعي الذي يغير في الواقع مستقبل التقييم والقرض يأتي من مزيج قوي من الشفرة التحديدية وتعلم الآلة وبيانات المستوى المعاملاتي. هذه الفروقة مهمة من الناحية العملية والقانونية؛ فهي تعني نظامًا حيث يمكن تفسير كل قرار، وحيث يتم توسيع الوصول الائتماني بشكل مسؤول بدلاً من إعادة إنتاج التحيزات الحالية.
إنها حول تكنولوجيا تساعد في حصول مقترض معين على قرض دون أن يتم رفضه، وتقليل المخاطر لصالح المزيد من الفرص للمؤسسات المالية. هنا السبب في أن هذا النهج يستحق المتابعة، وكيفية القيام بذلك.
تحتاج عملية إعادة هيكلة إلى إعادة نظر عاجلة
النماذج التقليدية للتقييم مبنية على أساس بسيط نسبيًا: تاريخ المقترض، بما في ذلك سلوكه السابق، الذي يتم تسجيله في درجات البورصة والبيانات، هو مقياس موثوق به لائتمانيته. على مدار القرن الماضي، كان هذا النهج، الذي يتم تعريفه بالمراجع المتأخرة، كافياً إلى حد ما، 주로 لأن البيانات لم تكن متاحة بسهولة.
لكن ذلك قد تغير الآن. نماذج التقييم التقليدية ودرجات الائتمان هي نماذج استرجاعية، تعتمد بشكل كبير على لحظة معينة لا تصور بالضرورة الصورة الكاملة لصحة مالية المقترض المحتمل. لقد مر أكثر من عقدين منذ أن أصبحت إدارة البيانات الرقمية أكثر من إدارة البيانات التناظرية، حيث أصبحت المعلومات المتاحة على الفور هي العادة. ملف الائتمان الذي يستغرق أشهر للوصول إلى صندوق بريد كاتب العدل هو علامة على أن النموذج الحالي هو طريقة عفا عليها الزمن لمعالجة المعلومات.
وأهم من ذلك، أن هذه البنية التحتية للبيانات القديمة والغالبًا ما تكون غير دقيقة تزيد فقط من تهديد المقترض غير المرئي، الذي لا يجب على صناعة التمويل تجاهله. الأسواق تغيرت بشكل كبير خلال النصف قرن الماضي. الآن، الشركات الصغيرة في مرحلة التأسيس تشكل جزءًا كبيرًا من القطاع الخاص في الولايات المتحدة، والجزء الأكبر في أوروبا. يُنظر إليهم بشكل متزايد على أنهم عمود الفقرة لاقتصاد المستقبل، لكن فشل البنية التحتية لدرجات الائتمان يتركهم على الهامش.
وأشخاص على مستوى فردي يتعرضون أيضًا للعواقب. في المملكة المتحدة، وجدت دراسة واحدة أن البنوك قد ترفض 80% من متقدمي القروض الذين لديهم ملفات ائتمان رقيقة – الذين هم في الواقع منخفضون المخاطر. هذا يعني 4 مليارات دولار (3 مليارات جنيه إسترليني) من القروض منخفضة المخاطر المفقودة. الخبراء يشيرون إلى بيانات البورصة التقليدية كجاني أساسي.
هذا بالضبط ما يعالجه الذكاء الاصطناعي على مستوى المعاملات. بدلاً من الاعتماد على المؤشرات المتأخرة المأخوذة من السجلات التاريخية التي يمكن أن تكون متأخرة بأشهر، تحليل هذه الأنظمة الحاضر. يتم إعطاء كتّاب العدل والمقرضين رؤية حقيقية لسلوك وصحّة مالية المقترض المحتمل الآن، وليس بعد أسابيع أو أشهر. كيف؟ الذكاء الاصطناعي على مستوى المعاملات، الذي يستخرج رؤى مثل التدفقات النقدية وأنماط الدفع وديناميات الإنفاق والدخل مباشرة من حساب البنك.
ذلك يعطي كتّاب العدل ومقدمي القروض تدفقًا مستمرًا من البيانات الموثوقة والمعنية لتقييم سلوك وصحّة مالية المقترض بشكل كامل. وهناك نتائج مهمة مرتبطة بهذا النهج. يتم زيادة معدلات الموافقة على القروض بين 10 و35٪، دون أخذ مخاطر إضافية. كما يتم تسريع قرارات القروض بحد أقصى خمسة أضعاف، وتقليل خسائر المحفظة بنسبة 15-40٪.
يجب ملاحظة أن هذا ليس وضعًا حيث يأخذ المقرضون فرصًا على المقترضين عاليي المخاطر. المزيد من المقترضين لا يعني بالضرورة المزيد من المخاطر. ما يحدث هو أن المزيد من المقترضين يصبحون مرئيين – الشركات الصغيرة والفردية – جنبًا إلى جنب مع منهجية يمكن تفسيرها من الألف إلى الياء.
بالطبع، لا يمكن للذكاء الاصطناعي أن يsupplement حكم بشري، ولا ينبغي له ذلك. ما زال المحللون الائتمانيون وكتّاب العدل مطلوبين في العملية المتقدمة. دور الذكاء الاصطناعي يجب أن يكون لتوسيع الثقة والقدرة والتفسير والدقة دون التضحية بالمسؤولية والمدخلات البشرية. بعد كل شيء، الأمور المالية هي منطقة حساسة للغاية من حيث ثقة المستهلك: الناس يريدون أن يعرفوا أن هناك إنسانًا مشاركًا.
ما يكشفه تحليل المستوى المعاملاتي
فهم ما يتحليله الذكاء الاصطناعي مهم بنفس القدر الذي يُعتبر مهمًا لماذا يُستحق إحضاره إلى عملية التقييم في المقام الأول.
درجة البورصة تخبر كاتب العدل أن الشخص أو الشركة قد سددت ديونها تاريخيًا. لكن هذا لا يمنح كتّاب العدل والمقرضين khảية قراءة بين السطور في كل حالة على حدة. منذ أن تكون درجة البورصة مجرد صورة سريعة، الاعتماد حصريًا على مؤشرات مثل درجات البورصة يترك المحللين عمياء لنمط أوسع يروي القصة الكاملة لائتمانية المقترض.
خذ حالة أنماط الإيرادات الموسمية. بالنسبة للعديد من الشركات الصغيرة، الإيرادات ليست خطًا مسطحًا ولكن خطًا له قمم ووهاد يتعافى في الدورات. هذه هي الأمور الطبيعية في قطاعات مختلفة، لكنها تثير انذارات عند أخذها خارج السياق – كما هو الحال في وثيقة تلتقط اللحظة ولكن لا شيء آخر.
بيانات المعاملات التي يتم تغذيتها مباشرة من حساب البنك توفر عدسة إلى مرونة الشركة: كيف يستعاد الإيراد ويدار الفجوات بين القمم والوهاد. توفر رؤية أعمق في مرونة الأعمال، بالإضافة إلى السماح بالاستباقية بدلاً من اتخاذ نظرة استرجاعية لمآل مالي المقترض. البيانات التقليدية لا تميز بالضرورة بين شركة ماهرة ومتعمدة تتنقل ببطء بين الربع، وشركة خاسرة المال بلا نهاية.
يمكنها أيضًا ربط النقاط حول تركيز الموردين الذي قد يُغفل عنه في نموذج تقييم تقليدي. الشركات التي لديها قاعدة موردين أو عملاء ضيقة لها ملف مخاطر مختلف تمامًا عن تلك التي لديها قاعدة أوسع. ملف الائتمان لا يحتوي على هذه الضعف التي يمكن أن تكون حاسمة في قرار المقرض.
ودورات تحويل النقد، الوقت الذي تستغرقه الشركات لتحويل المخزون إلى نقد، يتم إبرازها مع التحليل المعاملاتي، وليس فقط الميزانية. شركة صغيرة مع إيرادات متواضعة ولكن دائرة أضيق يمكن أن تكون أكثر مرونة في الأجل الطويل مقابل شركة أكبر مع إيرادات قوية ولكن دائرة تحويل بطيئة.
نفس المنطق يطبق على أنماط الدخل المتغيرة، والتي أصبحت أكثر شيوعًا في ظل اقتصاد غيج والازدهار في الاستشارات الحرة والشركات الناشئة. من الصعب على المقترضين ومتقدمي القروض من هذه البرك تجنب الرفض حيث يكون تباين الدخل علمًا حمراء في البداية. التحليل المعاملاتي، مع ذلك، يحدد النمط الأساسي والأوسع حول عادات الإنفاق وتواتر الدفع والمداخل مقابل المخرجات وسلوك مالي عام.
هنا بالضبط حيث يأتي الطابع الحقيقي للتحليل الرقمي المعاملاتي. المؤشرات اللازمة لقراءة كاملة للمخاطر وความ قابلية للسداد ليست ساكنة بشكل عام. صورة سريعة واحدة أقل دقة لأنها ليست مستمرة. مجموعة من المؤشرات التي تم تجاهلها في البداية والعمل المتأخر هو المكان الذي يتم العثور فيه على معظم خسائر المحفظة والمخاطر الإضافية.
جعل البيانات ديمقراطية وضمان استخدام الذكاء الاصطناعي بشكل مسؤول
اتباع نهج تحليل المستوى المعاملاتي بشكل صحيح يسهل أيضًا عملية تقييم أكثر عدلاً وشفافية. المعايير التقليدية مثل الميزانيات وبيانات البورصة تظهر تاريخ المقترض مع نظام الائتمان الرسمي. هذا يعمل بشكل كافٍ إلى حد ما للأشخاص الذين لديهم تاريخ أطول مع هذا النظام. بالنسبة لأولئك الذين لا يملكون ذلك، بما في ذلك المستشارين والشركات الصغيرة الشباب، يجعلهم غير مرئيين.
بيانات المستوى المعاملاتي هي كل شيء حول الرؤية. ترى ما يغفل عنه المؤشرات التقليدية لأنها ترى كيف يتم إدارة الأموال وسلوكياتها تتقلب لحظة بلحظة. كتّاب العدل يصلون إلى طبقة أعمق من الفهم الذاتي لائتمانية المقترض. بسبب ذلك، يتم تصميم البيانات هيكليًا لتكون أكثر ديمقراطية.
ملاحظة حيوية: لا يعني ذلك أن الذكاء الاصطناعي يؤدي تلقائيًا إلى نظام أكثر عدلاً. الخوارزميات يتم تدريبها على البيانات التاريخية و قرارات القرض. التحيزات التي توجد في البيانات المستخدمة لتدريب الذكاء الاصطناعي تجعله عرضة للتحيز. إذا تم استبعاد مجموعات معينة تاريخيًا من قرارات القرض، فإن نموذجًا معيبًا سيؤدي فقط إلى إعادة إنتاج هذا التحيز والتمييز.
للأسف، هناك حالات مسجلة من التمييز المستمر بسبب نقص الشفافية وعدم وجود تدقيق لأنظمة الذكاء الاصطناعي – وجدت دراسة حديثة أن النساء يتم منحهن درجات ائتمان أقل من الرجال بشكل متسق.
الخيارات التصميمية المتعلقة ببنية البيانات وإدارة تدفق العمل فيما يتعلق بالذكاء الاصطناعي تحدد ما إذا كان العدل يصبح ضمانًا. يجب تنفيذ الذكاء الاصطناعي بشكل مسؤول، ويتضمن ذلك تجسيد الشفافية والقابلية للتدقيق والمسؤولية والأمان في كل مرحلة. البيانات المستخدمة ومصادرها ووجهاتها تحدد ما يرى الذكاء الاصطناعي على مستوى المعاملات وينتج عنه رؤى. معايير دقة البيانات المتسقة متصلة مباشرة بموثوقية هذه الأدوات.
في النهاية، هذه السمات لم تعد اختيارية. يطالب المنظمون بالهياكل القابلة للتدقيق والشفافية التي تطرد مخاطر التحيز والتمييز. توجيه الإقراض الاستهلاكي 2 (CCD2) في الاتحاد الأوروبي، على سبيل المثال، يحدد معايير صريحة لاتخاذ القرارات الائتمانية الآلية، بما في ذلك حقوق المقترضين للتفسير والمراجعة البشرية. في الواقع، هذا التنظيم قد خضع لمراجعات التي ستجعله أكثر صرامة بشكل كبير في وقت لاحق من هذا العام.
في حين أن السرعة هي عاملاً مهمًا، إلا أنها ليست العامل المحدد الوحيد. الدقة والعدل والشفافية والرؤية هي جميعها مهمة بنفس القدر لل مؤسسات المالية التي تريد مواكبة الأسواق والتطورات التنظيمية. الذكاء الاصطناعي على مستوى المعاملات، الذي يتم بناؤه في إطارات معمارية لها الشفافية والمسؤولية في قلبها، يسمح لهم بذلك.
