लेनदेन-स्तरीय डेटा कैसे उधारदाताओं को अधिक देखने और कम जोखिम में मदद करता है

उधार देने में एआई को अक्सर एक चांदी की गोली के रूप में गलत तरीके से प्रस्तुत किया जाता है जो मौजूदा अंडरराइटिंग प्रक्रियाओं को तेज करता है या एक ब्लैक बॉक्स-फंक्शनिंग डिजिटल परत के रूप में जो वास्तव में अनुपालन जांच में कभी भी पास नहीं होगा। ये चित्रण सच्चाई से क्या हो रहा है इसके बहुत दूर हैं।

उधार देने और अंडरराइटिंग के भविष्य को बदलने वाला एआई निर्धारित कोड, मशीन लर्निंग और लेन-देन स्तर के डेटा के शक्तिशाली संयोजन से उत्पन्न होता है। यह अंतर व्यावहारिक और कानूनी मोर्चे से मायने रखता है; इसका अर्थ है एक ऐसी प्रणाली जहां हर निर्णय समझाया जा सकता है और जहां क्रेडिट एक्सेस जिम्मेदारी से बढ़ाया जाता है, न कि मौजूदा पूर्वाग्रहों को पुनः प्रस्तुत किया जाता है।

यह तकनीक एक ऐसी प्रणाली है जो न केवल एक क्रेडिटयोग्य उधारकर्ता के प्रोफाइल को अस्वीकृति पाइल से बाहर निकालने में मदद करती है, बल्कि वित्तीय संस्थानों के लिए जोखिम को कम करती है और अधिक अवसर प्रदान करती है। यहाँ यह दृष्टिकोण क्यों अपनाने योग्य है और इसे कैसे अपनाना है, इसका कारण है।

एक ओवरहाल तुरंत आवश्यक है

पारंपरिक अंडरराइटिंग मॉडल एक अपेक्षाकृत सरल आधार पर आधारित होते हैं: एक उधारकर्ता का इतिहास, जिसमें उनका पिछला व्यवहार शामिल है, जो ब्यूरो स्कोर और बयानों में दर्ज किया जाता है, उनकी क्रेडिटयोग्यता का एक पर्याप्त रूप से विश्वसनीय उपाय है। पिछली शताब्दी में, यह दृष्टिकोण, जो पिछड़े संकेतकों द्वारा परिभाषित किया गया था, पर्याप्त था, मुख्य रूप से因为 डेटा आसानी से उपलब्ध नहीं था।

लेकिन अब यह सब बदल गया है। पारंपरिक अंडरराइटिंग और क्रेडिट स्कोरिंग मॉडल प्रत्येक एक सिंगल मोमेंट पर आधारित होते हैं जो एक संभावित उधारकर्ता की वित्तीय स्वास्थ्य की पूरी तस्वीर को नहीं दर्शाते हैं। यह अब दो दशक से अधिक समय हो गया है जब डिजिटल डेटा प्रबंधन ने एनालॉग को पार किया, जहां तुरंत सुलभ जानकारी लंबे समय से सामान्य है। एक क्रेडिट फ़ाइल जो महीनों में अंडरराइटर के इनबॉक्स में आती है, यह दर्शाती है कि वर्तमान मॉडल जानकारी को संसाधित करने का एक पुराना तरीका है।

और, महत्वपूर्ण रूप से, यह पुराना, अक्सर असटीक डेटा बुनियादी ढांचा केवल उस अदृश्य उधारकर्ता के खतरे को बढ़ाता है, जिसे वित्त उद्योग को नजरअंदाज नहीं करना चाहिए। बाजार पिछले आधे शताब्दी में काफी बदल गए हैं। अब, प्रारंभिक-चरण एसएमबी अमेरिका में निजी क्षेत्र का एक बड़ा हिस्सा बनाते हैं, और यूरोप में भी यही स्थिति है। वे भविष्य की अर्थव्यवस्था की रीढ़ के रूप में देखे जाते हैं, लेकिन क्रेडिट स्कोरिंग में बुनियादी ढांचे की विफलता उन्हें रास्ते से दूर कर देती है।

और व्यक्तिगत स्तर पर लोग भी इसका खामियाजा भुगतते हैं। यूके में, एक अध्ययन में पाया गया कि बैंक पतले क्रेडिट प्रोफाइल वाले 80% उधारकर्ताओं को अस्वीकार कर सकते हैं – जो वास्तव में कम जोखिम वाले हैं। यह $4 बिलियन (£3 बिलियन) का कम जोखिम वाला उधार है। विशेषज्ञ पारंपरिक ब्यूरो डेटा को मुख्य अपराधी के रूप में इंगित करते हैं।

यह ठीक वही है जिसे लेन-देन स्तर के एआई पते में लेते हैं। ऐतिहासिक रिकॉर्ड से पिछड़े संकेतकों पर निर्भर करने के बजाय, ये सिस्टम वर्तमान में विश्लेषण करते हैं। अंडरराइटर और उधारदाताओं को एक संभावित उधारकर्ता के व्यवहार और वित्तीय स्वास्थ्य के बारे में वास्तविक अंतर्दृष्टि मिलती है, न कि सप्ताह या महीनों पुरानी जानकारी। कैसे? लेन-देन स्तर के एआई, जो नकदी प्रवाह, भुगतान पैटर्न, व्यय गतिविधियों और आय को सीधे बैंक खाते से निकालता है।

यह अंडरराइटर को एक संभावित उधारकर्ता के वित्तीय व्यवहार और स्वास्थ्य को पूरी तरह से मापने के लिए एक निरंतर धारा प्रदान करता है। और इस दृष्टिकोण से जुड़े परिणाम महत्वपूर्ण हैं। उधारदाताओं की अनुमोदन दर 10 से 35% तक बढ़ जाती है, बिना अतिरिक्त जोखिम लिए। वे उधार देने के निर्णयों को भी तेज कर देते हैं और पोर्टफोलियो के नुकसान को 15-40% तक कम कर देते हैं।

यह ध्यान देने योग्य है कि यह एक ऐसी स्थिति नहीं है जहां उधारदाता अचानक उच्च जोखिम वाले उधारकर्ताओं पर दांव लगा रहे हैं। अधिक उधारकर्ता आवश्यक रूप से अधिक जोखिम का अर्थ नहीं है। जो होता है वह यह है कि अधिक उधारकर्ता – एसएमई और व्यक्तियों – एक ऐसी विधि के साथ दिखाई देते हैं जो ए से जेड तक समझाई जा सकती है।

बिल्कुल, एआई मानव निर्णय की पूरक नहीं हो सकता, न ही उसे होना चाहिए। क्रेडिट विश्लेषक और अंडरराइटर अभी भी आगे बढ़ने की प्रक्रिया में आवश्यक हैं। एआई की भूमिका विश्वास, क्षमता, समझ और सटीकता को बढ़ानी चाहिए, बिना जिम्मेदारी और मानव प्रवेश को त्यागे।毕竟, वित्त एक अत्यधिक संवेदनशील क्षेत्र है जहां उपभोक्ता विश्वास के संबंध में: लोग यह जानना चाहते हैं कि इसमें एक मानव शामिल है।

लेन-देन स्तर का विश्लेषण क्या उजागर करता है

एआई द्वारा विश्लेषण किए जाने वाले को समझना उतना ही महत्वपूर्ण है जितना कि यह जानना कि इसे अंडरराइटिंग प्रक्रिया में लाने के लिए इसका मूल्य क्यों है।

एक ब्यूरो स्कोर एक अंडरराइटर को बताता है कि एक व्यक्ति या कंपनी ने ऐतिहासिक रूप से अपने ऋण चुकाए हैं। लेकिन यह अंडरराइटर और उधारदाताओं को मामला-दर-मामला आधार पर पढ़ने में सक्षम नहीं बनाता है। चूंकि यह अंततः केवल एक स्नैपशॉट है, ब्यूरो स्कोर जैसे संकेतकों पर विशेष रूप से निर्भर रहने से विश्लेषकों को व्यापक पैटर्न से अंधेरे में रखता है जो एक उधारकर्ता की पूरी कहानी बताते हैं।

मौसमी राजस्व पैटर्न का मामला लें। कई एसएमई के लिए, राजस्व एक समतल रेखा नहीं है, बल्कि एक ऐसी रेखा है जिसमें चोटियां और गर्त होते हैं जो चक्रों में पुनरावृत्ति करते हैं। विभिन्न क्षेत्रों में यह सामान्य है, लेकिन जब संदर्भ से बाहर लिया जाता है, तो यह चिंता की घंटी बजाता है – जैसा कि अक्सर एक दस्तावेज़ में होता है जो केवल उस पल को कैप्चर करता है, लेकिन उससे परे कुछ नहीं।

बैंक खाते से सीधे खिलाया गया लेन-देन डेटा एक कंपनी की समग्र लचीलेपन में एक खिड़की प्रदान करता है: यह कैसे राजस्व को पुनर्प्राप्त करता है और चोटियों और गर्त के बीच के अंतराल को प्रबंधित करता है। यह एक व्यवसाय की लचीलेपन के साथ-साथ भविष्य की वित्तीय संभावनाओं के बारे में एक प्रगतिशील दृष्टिकोण की अनुमति देता है, न कि केवल एक प्रतिक्रियात्मक ले की। पारंपरिक डेटा एक ऐसी कंपनी के बीच अंतर नहीं करता है जो जिम्मेदारी से एक धीमी तिमाही का नेविगेशन कर रही है और एक जो लगातार पैसा खो रही है और कोई अंत नहीं है। लेन-देन स्तर का डेटा करता है।

यह आपूर्तिकर्ता सांद्रता के आसपास बिंदुओं को जोड़ने में भी मदद कर सकता है जो अन्यथा पारंपरिक अंडरराइटिंग मॉडल में बहुत देर से तक छूट जाएंगे। संकीर्ण आपूर्तिकर्ता या ग्राहक आधार वाले व्यवसायों का एक完全 अलग जोखिम प्रोफ़ाइल होता है जो व्यापक आधार वाले व्यवसायों की तुलना में होता है। एक क्रेडिट फ़ाइल इस जुड़ाव के साथ जुड़े जोखिमों को पूरी तरह से कैप्चर नहीं करती है, जो एक उधारदाता के निर्णय को बना या तोड़ सकती है।

और नकदी रूपांतरण चक्र, जो व्यवसायों को इन्वेंट्री को नकद में बदलने में कितना समय लगता है, लेन-देन विश्लेषण के साथ प्रकाश में आते हैं, न कि केवल एक बैलेंस शीट के साथ। एक एसएमई जिसकी राजस्व अधिक मामूली है लेकिन जिसका चक्र अच्छी तरह से प्रबंधित और तंग है, दीर्घकाल में अधिक लचीला हो सकता है एक बड़े समकक्ष की तुलना में जिसका रिपोर्ट किया गया राजस्व मजबूत है लेकिन जिसका रूपांतरण चक्र धीमा है।

एक ही तर्क परिवर्तनशील आय पैटर्न पर लागू होता है, जो एक बढ़ती गिग अर्थव्यवस्था और फ्रीलांसिंग और स्टार्टअप्स में वृद्धि के बीच अधिक सामान्य हो रहे हैं। यह उन उधारकर्ताओं और ऋण आवेदकों के लिए अधिक कठिन है जो इन पूल से हैं जो आय की परिवर्तनशीलता को पहली नज़र में लाल झंडा बना देते हैं। लेन-देन विश्लेषण, हालांकि, उनके वित्तीय आदतों और भुगतान आवृत्ति, आय और व्यय के साथ-साथ उनके व्यय के आसपास व्यापक पैटर्न और रुझानों की पहचान करता है।

यहीं पर डिजिटल, लेन-देन स्तर के विश्लेषण का वास्तविक समय महत्वपूर्ण है। जोखिम और पुनर्भुगतान की व्यवहार्यता को पूरी तरह से पढ़ने के लिए आवश्यक संकेतक स्थिर नहीं हैं। एक सिंगल स्नैपशॉट कम सटीक है क्योंकि यह निरंतर नहीं है। एक संकेतक जो शुरू में छूट गया था और देर से कार्रवाई करने से यहीं पर अधिकांश पोर्टफोलियो के नुकसान और अतिरिक्त जोखिम पाए जाते हैं।

डेटा को लोकतांत्रिक बनाना और जिम्मेदार एआई उपयोग सुनिश्चित करना

लेन-देन स्तर के विश्लेषण के दृष्टिकोण का पालन करने से एक न्यायसंगत, अधिक पारदर्शी अंडरराइटिंग प्रक्रिया को भी सुविधाजनक बनाया जा सकता है।

लंबे समय से उपयोग किए जाने वाले पैरामीटर जैसे बैलेंस शीट और ब्यूरो डेटा एक उधारकर्ता के इतिहास को औपचारिक क्रेडिट प्रणाली के साथ प्रदर्शित करते हैं। यह उन लोगों के लिए कुछ हद तक पर्याप्त रूप से काम करता है जिनके पास इस प्रणाली के साथ एक लंबा इतिहास है। जो लोग नहीं हैं, जिनमें फ्रीलांसर और युवा एसएमई शामिल हैं, उन्हें यह अस्पष्ट बना देता है।

लेन-देन स्तर के डेटा के बारे में यह है कि यह दृश्यता के बारे में है। यह देखता है कि पारंपरिक मापदंड क्या अनदेखा करते हैं क्योंकि यह देखता है कि पैसा कैसे प्रबंधित किया जाता है और व्यवहार कैसे उतार-चढ़ाव करते हैं। अंडरराइटर एक उधारकर्ता की क्रेडिटयोग्यता की एक गहरी परत की समझ तक पहुंचते हैं। इसके कारण, डेटा संरचनात्मक रूप से अधिक लोकतांत्रिक होने के लिए डिज़ाइन किया गया है।

एक महत्वपूर्ण अस्वीकरण: यह नहीं意味ा है कि एआई स्वचालित रूप से एक न्यायसंगत प्रणाली का परिणाम है। एल्गोरिदम ऐतिहासिक डेटा और उधार देने के निर्णयों पर प्रशिक्षित होते हैं। प्रशिक्षण डेटा में मौजूद पूर्वाग्रह एआई को पूर्वाग्रह और भेदभाव के लिए संवेदनशील बनाते हैं। यदि ऐतिहासिक रूप से कertain समूहों को उधार देने के निर्णयों से बाहर रखा गया था, तो एक खराब रूप से डिज़ाइन किया गया मॉडल केवल उस पूर्वाग्रह और भेदभाव को पुन: उत्पन्न करेगा।

दुर्भाग्य से, पारदर्शिता और एआई प्रणालियों की ऑडिटिंग की कमी के कारण भेदभाव के मामले दर्ज किए गए हैं – एक हालिया अध्ययन में पाया गया कि महिलाओं को लगातार पुरुषों की तुलना में कम क्रेडिट स्कोर दिए गए थे।

एआई से जुड़े डेटा बुनियादी ढांचे और कार्यप्रवाह प्रबंधन के डिजाइन विकल्प निर्धारित करते हैं कि क्या न्यायसंगतता एक गारंटी बन जाती है। एआई को जिम्मेदारी से लागू किया जाना चाहिए, और इसमें पारदर्शिता, ऑडिटेबिलिटी, जवाबदेही और सुरक्षा को हर चरण में शामिल करना शामिल है। जो डेटा उपयोग किया जाता है और इसके स्रोत और गंतव्य यह निर्धारित करते हैं कि लेन-देन स्तर के एआई क्या देखते हैं और क्या अंतर्दृष्टि उत्पन्न करते हैं। डेटा की सटीकता के सुसंगत मानक इन उपकरणों की विश्वसनीयता से直接 जुड़े हुए हैं। अंत में, ट्रेसबिलिटी और समझने योग्यता उन चैनलों के रूप में कार्य करती हैं जो यह पहचानने के लिए आवश्यक हैं कि एक मॉडल गलत हो जाता है या सुधार की आवश्यकता है और यह क्या सही कर रहा है।

ये गुण अब वैकल्पिक नहीं हैं। नियामक ऑडिट करने योग्य, पारदर्शी वास्तुकला की मांग कर रहे हैं जो पूर्वाग्रह और भेदभाव के जोखिम को बाहर निकालें। यूरोपीय संघ के उपभोक्ता क्रेडिट निर्देश 2 (सीसीडी2), उदाहरण के लिए, स्वचालित क्रेडिट निर्णय लेने के लिए स्पष्ट मानक निर्धारित करता है, जिसमें उधारकर्ताओं को स्पष्टीकरण और मानव समीक्षा के अधिकार शामिल हैं। वास्तव में, इस नियमन ने हाल ही में संशोधन किया है जो इसे इस साल बाद में काफी सख्त बना देगा।

जबकि गति एक महत्वपूर्ण कारक है, यह एकमात्र परिभाषित नहीं है। सटीकता, न्यायसंगतता, पारदर्शिता और दृश्यता वित्तीय संस्थानों के लिए उतनी ही महत्वपूर्ण हैं जो विकसित होते बाजारों और नियमों के साथ तालमेल रखना चाहते हैं। लेन-देन स्तर के एआई, जो ऑडिटेबिलिटी और जवाबदेही के साथ आर्किटेक्चरल फ्रेमवर्क के भीतर निर्मित होते हैं, उन्हें ऐसा करने की अनुमति देते हैं।