วิธีการที่ข้อมูลระดับการทำธุรกรรมช่วยให้ผู้ให้กู้มองเห็นมากขึ้นและเสี่ยงน้อยลง

AI ในการให้กู้ยืมมักถูกนำเสนอในฐานะวิธีการแก้ปัญหาแบบง่ายๆ ที่สามารถเร่งกระบวนการอนุมัติเงินกู้หรือทำงานเป็นชั้นการทำงานดิจิทัลที่ไม่ผ่านการตรวจสอบความถูกต้อง แต่สิ่งเหล่านี้ไม่ใช่ความจริงเกี่ยวกับสิ่งที่กำลังเปลี่ยนแปลงการประเมินความเสี่ยงในการให้กู้ยืมในอุตสาหกรรม

AI ที่แท้จริงที่เปลี่ยนแปลงอนาคตของการอนุมัติและให้กู้ยืมนั้นมาจากความผสมผสานที่ทรงพลังของโค้ดที่กำหนดไว้, การเรียนรู้ของเครื่อง และข้อมูลระดับการทำธุรกรรม สิ่งนี้มีความสำคัญทั้งจากมุมมองทางปฏิบัติและกฎหมาย ซึ่งหมายความว่าระบบที่ทุกการตัดสินใจสามารถอธิบายได้ และการเข้าถึงเครดิตจะขยายออกไปอย่างมีความรับผิดชอบแทนการนำเสนอความลำเอียงที่มีอยู่แล้ว

มันคือเทคโนโลยีที่ช่วยให้ผู้กู้ที่มีคุณสมบัติที่ดีหลีกเลี่ยงการถูกปฏิเสธ และลดความเสี่ยงให้กับสถาบันการเงิน นี่คือเหตุผลที่วิธีการนี้มีคุณค่า และวิธีการดำเนินการ

การเปลี่ยนแปลงที่จำเป็นต้องทำอย่างเร่งด่วน

แบบจำลองการอนุมัติแบบดั้งเดิมอาศัยข้อมูลประวัติของลูกค้า รวมถึงพฤติกรรมในอดีตที่บันทึกไว้ในคะแนนเครดิตและเอกสาร ซึ่งเป็นตัวชี้วัดที่เชื่อถือได้ของความน่าเชื่อถือในการให้กู้ยืม ในช่วงศตวรรษที่ผ่านมา วิธีการนี้ได้ผลดี เนื่องจากข้อมูลไม่สามารถเข้าถึงได้ง่าย

แต่สิ่งนี้ได้เปลี่ยนไปแล้ว แบบจำลองการอนุมัติและประเมินเครดิตแบบดั้งเดิมมองย้อนกลับไปในอดีต โดยอาศัยข้อมูลที่ไม่จำเป็นต้องแสดงถึงภาพรวมของสุขภาพทางการเงินของลูกค้าในอนาคต นับตั้งแต่ที่การจัดการข้อมูลดิจิทัลเข้ามาแทนที่วิธีการแบบดั้งเดิม ซึ่งข้อมูลสามารถเข้าถึงได้ทันที ไฟล์เครดิตที่ใช้เวลาหลายเดือนในการเข้าถึงผู้อนุมัติเครดิตเป็นสัญญาณที่ชัดเจนว่าแบบจำลองปัจจุบันคือวิธีการที่ล้าสมัยในการประมวลผลข้อมูล

และ สิ่งสำคัญคือ โครงสร้างข้อมูลที่ล้าสมัยและไม่แม่นยำนี้เพิ่มความเสี่ยงของการมีลูกค้าที่ไม่มีประวัติเครดิต ซึ่งอุตสาหกรรมการเงินไม่สามารถเพิกเฉยได้ ตลาดได้เปลี่ยนแปลงอย่างมากในช่วงห้าสิบปีที่ผ่านมา ในขณะนี้ บริษัทขนาดกลางและขนาดย่อมในระยะเริ่มต้นประกอบกันเป็นส่วนใหญ่ของภาคเอกชนในสหรัฐอเมริกา และส่วนใหญ่ในยุโรป พวกเขาถูกมองว่าเป็นรากฐานของเศรษฐกิจในอนาคต แต่ความล้มเหลวของโครงสร้างเครดิตทำให้พวกเขาถูกทอดทิ้ง

และบุคคลที่มีระดับรายบุคคลก็เผชิญกับผลกระทบเช่นกัน ในสหราชอาณาจักร การศึกษาหนึ่งพบว่าธนาคารอาจปฏิเสธการขอกู้ยืมถึง 80% ของผู้ที่มีประวัติเครดิตที่บางซึ่งจริงๆ แล้วมีความเสี่ยงต่ำ ซึ่งหมายถึงการกู้ยืมที่มีความเสี่ยงต่ำถึง 4 พันล้านดอลลาร์ (3 พันล้านปอนด์) ผู้เชี่ยวชาญชี้ให้เห็นว่าข้อมูลบิวโรเครดิตแบบดั้งเดิมเป็นต้นตอของปัญหา

สิ่งนี้คือสิ่งที่ AI ระดับการทำธุรกรรมแก้ไขได้ แทนที่จะอาศัยตัวชี้วัดที่ล้าสมัยที่ถูกดึงมาจากบันทึกประวัติที่อาจจะล้าสมัยหลายเดือน ระบบเหล่านี้วิเคราะห์ปัจจุบันและอนาคต ผู้อนุมัติและผู้ให้กู้ได้รับข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมและความแข็งแกร่งทางการเงินของลูกค้าในขณะนั้น ไม่ใช่สัปดาห์หรือเดือนก่อนหน้า

วิธีนี้ให้ข้อมูลที่เชื่อถือได้และเกี่ยวข้องอย่างต่อเนื่องแก่ผู้อนุมัติในการประเมินพฤติกรรมและความแข็งแกร่งทางการเงินของลูกค้า และมีผลลัพธ์ที่สำคัญที่เชื่อมโยงกับวิธีการนี้ อัตราการอนุมัติของผู้ให้กู้เพิ่มขึ้นระหว่าง 10 ถึง 35% โดยไม่เพิ่มความเสี่ยง พวกเขายังเร่งการตัดสินใจในการให้กู้ยืมได้ถึง 5 เท่า และลดความสูญเสียของพอร์ตการลงทุนลง 15-40%

สิ่งสำคัญที่ต้องทราบคือ นี่ไม่ใช่สถานการณ์ที่ผู้ให้กู้เริ่มเสี่ยงกับลูกค้าที่มีความเสี่ยงสูง มีลูกค้ามากขึ้นไม่ได้หมายความว่ามีความเสี่ยงมากขึ้น สิ่งที่เกิดขึ้นคือลูกค้ามากขึ้นถูกทำให้เห็นได้ชัดเจน – SME และบุคคล – พร้อมกับวิธีการที่สามารถอธิบายได้ตั้งแต่ต้นจนจบ

แน่นอน AI ไม่สามารถเสริมสร้างการตัดสินใจของมนุษย์ได้ และไม่ควรทำเช่นนั้น นักวิเคราะห์เครดิตและผู้อนุมัติยังคงต้องการในกระบวนการไปข้างหน้า บทบาทของ AI ควรจะขยายความมั่นใจ ความสามารถ ความสามารถในการอธิบาย และความแม่นยำโดยไม่เสียสละความรับผิดชอบและส่วนร่วมของมนุษย์

สิ่งที่การวิเคราะห์ระดับการทำธุรกรรมเปิดเผย

การเข้าใจสิ่งที่ AI วิเคราะห์เป็นสิ่งสำคัญที่จะนำมาใช้ในการอนุมัติเครดิต

คะแนนเครดิตบอกผู้อนุมัติว่าบุคคลหรือบริษัทได้ชำระหนี้ในอดีต แต่นี่ไม่ได้ทำให้ผู้อนุมัติและผู้ให้กู้สามารถอ่านระหว่างบรรทัดในกรณีโดยกรณีได้ เนื่องจากเป็นเพียงภาพถ่าย คะแนนเครดิตจึงทำให้ผู้วิเคราะห์ไม่เห็นรูปแบบที่กว้างขึ้นซึ่งบอกเล่าเรื่องราวทั้งหมดของลูกค้า

ลองพิจารณากรณีของรายได้ตามฤดูกาล สำหรับหลายๆ SME รายได้ไม่ใช่เส้นตรง แต่เป็นเส้นโค้งที่มีจุดสูงสุดและจุดต่ำสุดที่ฟื้นตัวในรอบๆ ซึ่งเป็นเรื่องปกติในหลายๆ ภาคส่วน แต่จะดูไม่ปกติเมื่อถูกนำออกจากบริบท – เช่น ในเอกสารที่บันทึกเพียงช่วงเวลาหนึ่งเท่านั้น

ข้อมูลธุรกรรมที่ส่งตรงจากบัญชีธนาคารให้ภาพที่ชัดเจนเกี่ยวกับความสามารถในการฟื้นตัวและจัดการช่องว่างระหว่างจุดสูงสุดและจุดต่ำสุดของรายได้ นี่ให้ข้อมูลเชิงลึกมากขึ้นเกี่ยวกับความสามารถในการฟื้นตัวของธุรกิจ และช่วยให้สามารถดำเนินการได้ล่วงหน้าแทนที่จะย้อนกลับไปในอดีต ข้อมูลดั้งเดิมไม่ได้แยกแยะระหว่างบริษัทที่จัดการช่วงเวลาที่ช้าได้ดีและบริษัทที่สูญเสียเงินอย่างต่อเนื่องโดยไม่มีจุดสิ้นสุด

และสามารถเชื่อมโยงจุดรอบๆ การกระจายตัวของซัพพลายเออร์ที่อาจถูกพลาดไปในแบบจำลองการอนุมัติแบบดั้งเดิม ธุรกิจที่มีฐานซัพพลายเออร์หรือลูกค้าแคบมีโปรไฟล์ความเสี่ยงที่แตกต่างจากธุรกิจที่มีฐานที่กว้างกว่า ไฟล์เครดิตไม่ได้ครอบคลุมความอ่อนไหวที่เกี่ยวข้องกับสิ่งนี้อย่างเต็มที่

และวงจรการแปลงเงินสด ซึ่งเป็นเวลาที่ธุรกิจใช้ในการเปลี่ยนสินค้าเป็นเงินสดถูกเปิดเผยด้วยการวิเคราะห์ธุรกรรม ไม่ใช่เพียงแค่ในงบดุลเท่านั้น ธุรกิจขนาดกลางที่มีรายได้ไม่มากแต่มีการจัดการวงจรที่ดีและรวดเร็วอาจมีความสามารถในการฟื้นตัวในระยะยาวมากกว่าธุรกิจขนาดใหญ่ที่มีรายได้สูงแต่มีวงจรการแปลงเงินช้าที่สุด

ตรรกะเดียวกันใช้ได้กับรูปแบบรายได้ที่ผันผวน ซึ่งกำลังเป็นที่นิยมมากขึ้นในยุคเศรษฐกิจฟรีแลนซ์และการเริ่มต้นธุรกิจใหม่ๆ มันจะยากสำหรับผู้กู้และผู้สมัครที่มีรายได้ที่ไม่แน่นอนในการหลีกเลี่ยงการถูกปฏิเสธเมื่อรูปแบบนี้ถูกมองว่าเป็นสัญญาณเตือนในตอนแรก การวิเคราะห์ธุรกรรมสามารถระบุรูปแบบที่ซ่อนอยู่และแนวโน้มที่กว้างขึ้นเกี่ยวกับพฤติกรรมทางการเงินของพวกเขา

นี่คือจุดที่ธรรมชาติแบบเรียลไทม์ของการวิเคราะห์ธุรกรรมดิจิทัลมีความสำคัญ ตัวชี้วัดที่จำเป็นในการอ่านความเสี่ยงและความสามารถในการชำระหนี้ไม่ใช่สิ่งที่คงที่เสมอไป ภาพถ่ายเพียงครั้งเดียวจึงไม่แม่นยำเพราะไม่ใช่การวิเคราะห์แบบต่อเนื่อง

การทำให้ข้อมูลเป็นประชาธิปไตยและการใช้ AI อย่างรับผิดชอบ

การวิเคราะห์ระดับการทำธุรกรรมยังช่วยให้กระบวนการอนุมัติเครดิตเป็นไปอย่างยุติธรรมและโปร่งใส

พารามิเตอร์ที่ใช้กันมานาน เช่น งบดุลและข้อมูลเครดิต แสดงให้เห็นถึงประวัติของลูกค้ากับระบบเครดิตแบบดั้งเดิม สิ่งนี้ใช้ได้ดีสำหรับผู้ที่มีประวัติยาวนานกับระบบนี้ แต่สำหรับผู้ที่ไม่มีประวัติ เช่น ฟรีแลนซ์และ SME ใหม่ๆ มันทำให้พวกเขาไม่มีภาพลักษณ์

ข้อมูลระดับการทำธุรกรรมมีศูนย์กลางอยู่ที่ความสามารถในการมองเห็น มันเห็นสิ่งที่ตัวชี้วัดแบบดั้งเดิมไม่เห็นเพราะมันเห็นว่าเงินถูกจัดการและพฤติกรรมเปลี่ยนแปลงอย่างไรในแต่ละช่วงเวลา ผู้อนุมัติสามารถเข้าใจลูกค้าได้ลึกซึ้งยิ่งขึ้น เนื่องจากข้อมูลนี้ถูกออกแบบมาให้เป็นประชาธิปไตยโดยธรรมชาติ

ข้อจำกัดที่สำคัญ: สิ่งนี้ไม่ได้หมายความว่า AI จะนำไปสู่ระบบที่ยุติธรรมโดยอัตโนมัติ แอลกอริทึมถูกฝึกฝนจากข้อมูลประวัติและตัดสินใจในการให้กู้ยืม ความลำเอียงที่มีอยู่ในข้อมูลที่ใช้ในการฝึกฝน AI ทำให้ AI มีความเสี่ยงต่อการลำเอียง หากในอดีตกลุ่มใดกลุ่มหนึ่งถูกกีดกันจากการตัดสินใจในการให้กู้ยืม โมเดลที่ออกแบบไม่ดีจะเพียงแต่นำการลำเอียงและการเลือกปฏิบัติมาใช้ซ้ำ

ไม่幸ด้วย มีกรณีที่บันทึกไว้ของการละเมิดที่เกิดจากความไม่โปร่งใสและขาดการตรวจสอบระบบ AI – การศึกษาหนึ่งพบว่าผู้หญิงได้รับคะแนนเครดิตที่ต่ำกว่าผู้ชายอย่างต่อเนื่อง

การตัดสินใจในการออกแบบโครงสร้างข้อมูลและกระบวนการทำงานที่เกี่ยวข้องกับ AI จะกำหนดว่าความยุติธรรมจะกลายเป็นข้อประกันหรือไม่ AI ต้องถูกนำไปใช้อย่างรับผิดชอบ ซึ่งรวมถึงการฝังตัวของความโปร่งใส ความสามารถในการตรวจสอบ ความรับผิดชอบ และความมั่นคงในการทุกขั้นตอน

ลักษณะเหล่านี้ไม่ใช่สิ่งที่ต้องการอีกต่อไป ผู้กำกับดูแลกำลังเรียกร้องโครงสร้างที่สามารถตรวจสอบได้และโปร่งใส ซึ่งจะขจัดความเสี่ยงของการลำเอียงและการเลือกปฏิบัติ 例如 ระเบียบการกู้ยืมของสหภาพยุโรป (CCD2) กำหนดมาตรฐานที่ชัดเจนสำหรับการตัดสินใจเครดิตอัตโนมัติ รวมถึงสิทธิของผู้กู้ในการอธิบายและทบทวนโดยมนุษย์

ในขณะที่ความเร็วเป็นปัจจัยที่สำคัญ มันไม่ใช่ปัจจัยที่กำหนดเพียงอย่างเดียว ความแม่นยำ ความยุติธรรม ความโปร่งใส และความสามารถในการมองเห็นเป็นสิ่งสำคัญที่เท่าเทียมกันสำหรับสถาบันการเงินที่ต้องการที่จะตามทันตลาดและกฎระเบียบที่เปลี่ยนแปลง AI ระดับการทำธุรกรรมที่สร้างขึ้นภายในโครงสร้างที่มีการตรวจสอบและความรับผิดชอบเป็นสิ่งสำคัญ