كيف تساعد البيانات على مستوى المعاملات المُقرضين على رؤية المزيد وتقليل المخاطر

الذكاء الاصطناعي في القروض غالباً ما يتم التعبير عنه بشكل خاطئ على أنه سلاح سحري يسرع من عمليات التصديق الحالية أو كطبقة رقمية تعمل كصندوق أسود ولا يمكن أن تمر عبر فحوصات التوافق. هذه الصور لا يمكن أن تكون أبعد عن الحقيقة حول ما يغير مستقبل التقييم الائتماني في طليعة الصناعة.

الذكاء الاصطناعي الذي يغير في الواقع مستقبل التقييم الائتماني والقروض يأتي من مزيج قوي من البرامج الحسابية والتعلم الآلي وبيانات المعاملات على مستوى التعاملات. هذه الفروق مهمة من الناحية العملية والقانونية؛ فهي تعني نظامًا حيث كل قرار يمكن تفسيره وحيث يتم توسيع الوصول الائتماني بشكل مسؤول بدلاً من إعادة إنتاج التحيزات الحالية.

إنها تقنية تساعد على خروج ملفات المقترضين الذين يستحقون الائتمان من كومة الرفض وتقليل المخاطر لصالح المزيد من الفرص للمؤسسات المالية. هنا لماذا هذا النهج يستحق المتابعة وكيفية القيام بذلك.

تحتاج عملية إعادة هيكلة إلى إجراء بشكل عاجل

النماذج التقليدية للتقييم الائتماني تستند إلى أساس متقن نسبيًا: تاريخ المقترض، بما في ذلك سلوكه السابق، الذي يتم تسجيله في تقييمات وكالات الائتمان والبيانات، هو مقياس موثوق به لمدى جودة ائتمانه. على مدار القرن الماضي، كان هذا النهج، الذي يتم تعريفه بواسطة مؤشرات متأخرة، كافياً إلى حد ما، ويرجع ذلك بشكل رئيسي إلى أن البيانات لم تكن متاحة بسهولة.

لكن ذلك قد تغير الآن. نماذج التقييم الائتماني التقليدية وتصنيفات الائتمان هي نماذج استرجاعية، تعتمد بشكل كبير على لحظة معينة قد لا تصور بالضرورة الصورة الكاملة لصحة المالية للمقترض المحتمل. لقد مر أكثر من عقدين منذ أن تجاوزت إدارة البيانات الرقمية إدارة البيانات التناظرية، حيث أصبحت المعلومات المتاحة على الفور عادة. ملف الائتمان الذي يستغرق أشهر للوصول إلى صندوق بريد تحتويه هو علامة على أن النموذج الحالي هو وسيلة قديمة ومؤرخة لمعالجة المعلومات.

ومن المهم أن البنية التحتية للبيانات القديمة والمعيبة غالباً ما تزيد من تهديد المقترض غير المرئي، وهو ما لا ينبغي للمجال المالي أن يغفل عنه. تغيرت الأسواق بشكل كبير خلال النصف قرن الماضي. الآن، تشكل الشركات الصغيرة في مراحلها الأولى جزءًا كبيرًا من القطاع الخاص في الولايات المتحدة، والجزء الأكبر في أوروبا. يُنظر إليهم على نحو متزايد على أنهم العمود الفقري لاقتصاد المستقبل، لكن فشل البنية التحتية لتصنيف الائتمان يتركهم على هامش المجتمع.

ويواجه الأفراد على المستوى الفردي عواقب ذلك أيضًا. في المملكة المتحدة، وجدت دراسة أن البنوك قد ترفض 80% من مقدمي الطلبات الذين لديهم ملفات ائتمان رقيقة – الذين هم في الواقع منخفضون المخاطر. هذا يعني 4 مليارات دولار (3 مليارات جنيه إسترليني) من قروض منخفضة المخاطر المفقودة. يعزز الخبراء البيانات التقليدية لوكالات الائتمان كجاني للجريمة.

यहى بالضبط ما يعالجه التحليل على مستوى المعاملات. بدلاً من الاعتماد على المؤشرات المتأخرة المأخوذة من السجلات التاريخية التي يمكن أن تكون قديمة بعدة أشهر، تحليل هذه الأنظمة الحالية والآن. يتم تزويد أخصائيي التقييم الائتماني والمقرضين بالرؤية الفعلية لسلوك وصحته المالية للمقترض المحتمل الآن، وليس بعد أسابيع أو أشهر. كيف؟ التحليل على مستوى المعاملات، الذي يستخرج رؤى مثل التدفقات النقدية وأنماط الدفع والديناميات الاستهلاكية والدخل مباشرة من حساب البنك.

ذلك يعطي أخصائيي التقييم الائتماني تدفقًا مستمرًا من البيانات الموثوقة والمعنية لتقييم سلوك وصحته المالية للمقترض بشكل كامل. وهناك نتائج مهمة ترتبط بهذا النهج. تزيد معدلات الموافقة على القروض بين 10 و35٪، دون أخذ مخاطر إضافية. كما يتم تسريع قرارات القروض بحد أقصى خمس مرات، وتقليل خسائر المحفظة بنسبة 15-40٪.

من الجدير بالذكر أن هذا ليس وضعًا حيث يأخذ المقرضون فرصًا على المقترضين ذوي المخاطر العالية. المزيد من المقترضين لا يعني بالضرورة المزيد من المخاطر. ما يحدث هو أن المزيد من المقترضين يصبحون مرئيين – الشركات الصغيرة والأفراد – جنبًا إلى جنب مع منهجية يمكن تفسيرها من الألف إلى الياء.

ما يكشفه التحليل على مستوى المعاملات

فهم ما يanalyzesه الذكاء الاصطناعي مهم بنفس القدر الذي يُعتبر مهمًا لجلب الذكاء الاصطناعي إلى عملية التقييم الائتماني في المقام الأول.

يخبر تقييم وكالة الائتمان أخصائي التقييم الائتماني أن الشخص أو الشركة قد سددت ديونها تاريخيًا. لكن هذا لا يمنح أخصائيي التقييم الائتماني والمقرضين القدرة على قراءة بين السطور في كل حالة على حدة. منذ أن يكون هذا مجرد صورة سريعة، الاعتماد بشكل حصري على مؤشرات مثل تقييمات وكالات الائتمان يترك المحللين عمياء لنمط أوسع يروي القصة الكاملة للمقترض.

خذ حالة أنماط الإيرادات الموسمية. بالنسبة للعديد من الشركات الصغيرة، الإيرادات ليست خطًا مسطحًا ولكن خطًا له قمم ووهاد يتعافى في دورات. هذه هي الأمور الطبيعية في قطاعات مختلفة، لكنها تثير انذارات عند أخذها خارج السياق – كما هو الحال غالبًا في وثيقة تحمل اللحظة فقط ولا شيء بعد ذلك.

بيانات المعاملات التي يتم تغذيتها مباشرة من حساب البنك توفر عدسة إلى مرونة الشركة بشكل عام: كيف يستعيدون الإيرادات ويديرون الفجوات بين القمم والوهاد. توفر رؤية أعمق حول مرونة الأعمال، بالإضافة إلى السماح بالاستباقية بدلاً من النظر الرجعي إلى آفاق المالية للمقترض. البيانات التقليدية لا تميز بالضرورة بين شركة تدير ربعًا بطيئًا بفعالية ومسؤولية وشركة تفقد المال باستمرار دون نهاية محددة. بيانات المعاملات على مستوى التعاملات تفعل ذلك.

يمكنها أيضًا ربط النقاط حول تركيز الموردين الذي قد يتم تجاهله حتى وقت لاحق في نموذج تقييم ائتماني تقليدي. الشركات التي لديها قاعدة موردين أو عملاء ضيقة لها ملف مخاطر مختلف تمامًا عن تلك التي لديها قاعدة أوسع. لا يحتوي ملف الائتمان على هذه النقاط بالكامل، والتي يمكن أن تكون حاسمة في قرار المقرض.

أيضًا، دورات تحويل النقد، الوقت الذي تستغرقه الشركات لتحويل المخزون إلى نقود، يتم إبرازها مع التحليل على مستوى المعاملات، وليس فقط من خلال الميزانية. شركة صغيرة مع إيرادات متواضعة ولكن دورة تحويل أكثر ضبطًا يمكن أن تكون أكثر مرونة في الأجل الطويل مقابل شركة أكبر مع إيرادات قوية ولكن دورة تحويل بطيئة.

ينطبق نفس المنطق على أنماط الدخل المتغيرة، التي أصبحت أكثر شيوعًا في ظل экономية غيج متزايدة وزيادة في الاستفادة من القوى العاملة الحرة وزيادة في الشركات الناشئة. من الصعب على المقترضين ومتقدمي القروض من هذه البرك تجنب الرفض حيث تكون تقلبات الدخل علامة حمراء في البداية. ومع ذلك، يحدد التحليل على مستوى المعاملات النمط الأساسي والاتجاهات الأوسع حول عاداتهم في الإنفاق وتواتر الدفع والإيرادات مقابل المصروفات والعادات المالية العامة.

جعل البيانات ديمقراطية وضمان استخدام الذكاء الاصطناعي بشكل مسؤول

يُتبع نهج التحليل على مستوى المعاملات بشكل صحيح، كما يسهل عملية تقييم ائتمانية أكثر عدلاً وشفافية. المعايير التقليدية مثل الميزانيات وبيانات وكالات الائتمان تظهر تاريخ المقترض مع النظام الائتماني الرسمي. هذا يعمل بشكل كافٍ إلى حد ما للأشخاص الذين لديهم تاريخ أطول مع هذا النظام. بالنسبة لأولئك الذين لا يفعلون ذلك، بما في ذلك المستقلين وشركات الصغيرة الناشئة، يجعلهم غير مرئيين.

بيانات المعاملات على مستوى التعاملات هي كل شيء عن الرؤية. إنها ترى ما يغفل عنه المؤشرات التقليدية لأنها ترى كيف يتم إدارة الأموال وكيف تتقلب السلوكيات من لحظة إلى أخرى. يحصل أخصائيو التقييم الائتماني على فهم أعمق لائتمانية المقترض. بسبب ذلك، يتم تصميم البيانات هيكليًا لتكون أكثر ديمقراطية.

ملاحظة مهمة: لا يعني ذلك أن الذكاء الاصطناعي يؤدي تلقائيًا إلى نظام أكثر عدلاً. الخوارزميات مدربة على البيانات التاريخية وتصنيفات الائتمان. التحيزات التي توجد في البيانات المستخدمة لتدريب الذكاء الاصطناعي تجعله عرضة للتحيز. إذا تم استبعاد مجموعات معينة تاريخيًا من قرارات الإقراض، فإن نموذجًا سيئًا التصميم سيعيد 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 يُمنحن أقل درجات ائتمان بشكل متسق من الرجال.

اختيارات التصميم المحيطة ببنية البيانات وإدارة Operations فيما يتعلق بالذكاء الاصطناعي تحدد ما إذا كان العدل يصبح garant. يجب تنفيذ الذكاء الاصطناعي بشكل مسؤول، ويتضمن ذلك تجسيد الشفافية والمراقبة والمساءلة والأمان في كل مرحلة. البيانات المستخدمة ومصادرها ووجهاتها تحدد ما يرى تحليل المعاملات على مستوى التعاملات وما يولد رؤى عنه. معايير دقة البيانات المتسقة متصلة بشكل مباشر بأدوات موثوقية هذه الأدوات.

هذه الصفات لم تعد اختيارية. يطالب المنظمون بالفعل هياكل قابلة للتدقيق وشفافة التي تطرد خطر التحيز والتمييز. توجيه الاتحاد الأوروبي بشأن الائتمان الاستهلاكي 2 (CCD2)، على سبيل المثال، يحدد معايير صريحة لاتخاذ القرارات الائتمانية الآلية، بما في ذلك حقوق المقترضين للتفسير والمراجعة البشرية. في الواقع، تم إعادة النظر في هذا التنظيم وسيصبح أكثر صرامة في وقت لاحق من هذا العام.

في حين أن السرعة هي عامل مهم، إلا أنها ليست العامل الوحيد الحاسم. الدقة والعدل والشفافية والرؤية هي جميعها مهمة بنفس القدر للمؤسسات المالية التي تريد مواكبة الأسواق والتطورات التنظيمية. الذكاء الاصطناعي على مستوى المعاملات، الذي يتم بناؤه داخل الإطارات المعمارية التي تضم المراقبة والمساءلة في قلبها، يسمح لهم بذلك.