การให้คะแนนเครดิตด้วย AI สำหรับผู้ที่มีประวัติเครดิตน้อยและเศรษฐกิจนอกระบบ

หนึ่งในด้านที่อนุรักษ์นิยมที่สุดของการเงิน คือการตัดสินใจให้สินเชื่อแก่ใครบางคน กำลังถูกเปลี่ยนแปลงโดยการให้คะแนนเครดิตที่ขับเคลื่อนด้วย AI นี่เป็นการเปลี่ยนแปลงที่ค่อยเป็นค่อยไปสำหรับบุคคลที่มีประวัติเครดิตที่อุดมสมบูรณ์และเป็นลูกค้าธนาคารมาเป็นเวลานาน อย่างไรก็ตาม อาจเป็นการเปลี่ยนแปลงชีวิตสำหรับผู้กู้ที่มีข้อมูลน้อยและผู้ที่อยู่ในเศรษฐกิจนอกระบบ พวกเขาสามารถถูกตรวจพบได้ในที่สุด แทนที่จะเป็นคนที่มองไม่เห็นในระบบ บทความนี้กล่าวถึงการใช้ข้อมูลทางเลือกเพื่อสร้างคะแนนเครดิตที่ใช้ AI สำหรับบุคคลและธุรกิจขนาดเล็กที่ขาดบันทึกเครดิตแบบดั้งเดิม ความเสี่ยงของความไม่เป็นธรรมและอคติเมื่อไม่มีข้อมูลจากสำนักงานเครดิต และแรงผลักดันด้านกฎระเบียบเพื่อสร้าง AI ที่อธิบายได้ในการรับประกันสินเชื่อของประชากรที่ขาดการบริการทางการธนาคาร

ปัญหาไฟล์บางและเศรษฐกิจนอกระบบ

การจัดอันดับเครดิตแบบเดิมถือว่ามีการดำรงอยู่ทางการเงินในรูปแบบหนึ่ง โดยสันนิษฐานว่าบุคคลมีบัญชีธนาคาร ผลิตภัณฑ์ทางการเงินที่เป็นทางการ และเคยกู้เงินหรือใช้บัตรเครดิตมาก่อน โดยสันนิษฐานว่านายจ้างดำเนินการจ่ายเงินเดือนอย่างเป็นทางการและพ่อค้าทำงานในส่วนที่มองเห็นได้ของเศรษฐกิจ — ส่วนที่มีเอกสารบันทึก ในทางปฏิบัติ สัดส่วนที่มหาศาลของโลกไม่ได้เป็นเช่นนั้น ผู้ใหญ่รุ่นเยาว์มักไม่มีเงินกู้หรือบัตร ผู้อพยพอาจมีภูมิหลังเครดิตที่ดีในประเทศต้นทางและไม่มีอะไรในประเทศใหม่ของพวกเขา ธุรกรรมส่วนใหญ่ของพวกเขาทำเป็นเงินสดหรือในแพลตฟอร์มดิจิทัลที่ไม่รายงานไปยังสำนักงาน: คนงานกิ๊ก แผงลอย ร้านค้าไม่เป็นทางการ และผู้ประกอบการรายย่อยจำนวนมาก ในกรณีที่มีสำนักงาน แม้แต่ความครอบคลุมของพวกเขาอาจเป็นเพียงผิวเผินหรือมีอคติต่อประชากรในเมืองที่มีงานทำอย่างเป็นทางการ ไฟล์สำนักงานของผู้สมัครดังกล่าวปรากฏว่างหรือเกือบว่างเปล่าต่อผู้ให้กู้ เนื่องจากทีมความเสี่ยงได้รับการฝึกฝนให้เชื่อถือข้อมูลสำนักงาน พวกเขาจึงทำผิดพลาดในด้านความระมัดระวัง ผลลัพธ์คาดเดาได้: การปฏิเสธที่เพิ่มขึ้น วงเงินที่แคบลง ราคาที่เพิ่มขึ้น หรือการยกเว้นโดยสิ้นเชิง

ผู้กู้เหล่านี้ไม่จำเป็นต้องมีความเสี่ยงมากกว่า เพียงแต่ว่าระบบหูหนวกและตาบอดต่อสัญญาณที่อธิบายลักษณะชีวิตทางการเงินของพวกเขาจริงๆ แนวคิดพื้นฐานของการใช้ AI กับการให้คะแนนเครดิตที่นี่เป็นเรื่องตรงไปตรงมา เมื่อสถิติจากสำนักงานขาดหายหรือบางเกินไป ให้มองหาที่อื่น มีรอยเท้าดิจิทัลมากมายในชีวิตสมัยใหม่ เมื่อรอยเท้าดังกล่าวถูกรวบรวมอย่างรับผิดชอบด้วยความยินยอมและแปลงเป็นสัญญาณที่เป็นระเบียบมากขึ้น พวกมันสามารถบอกได้มากเกี่ยวกับความมั่นคงของบุคคล ศักยภาพในการหารายได้ และโอกาสในการชำระคืน หนึ่งในแหล่งแรกและมีค่าที่สุดมักเป็นข้อมูลโทรคมนาคม ผู้ให้บริการโทรศัพท์มือถือเข้าใจว่าบุคคลเติมเงินเติมเงินล่วงหน้าอย่างสม่ำเสมออย่างไร ไม่ว่าพวกเขาจะใช้หมายเลขเดียวกันเป็นเวลาหลายปีหรือเปลี่ยนบ่อยๆ ไม่ว่าพวกเขาจะมีความมั่นคงหรือสะเปะสะปะในกิจกรรมของพวกเขา และไม่ว่าพวกเขาจะซื้อแพ็กเกจข้อมูลขนาดเดียวกันหรือไม่ บุคคลที่เก็บหมายเลขหนึ่งไว้เมื่อเวลาผ่านไป เติมเงินหมายเลข และแสดงรูปแบบการใช้งานที่สม่ำเสมอโดยทั่วไปจะฝังลึกภายในชุมชนมากกว่าและสม่ำเสมอในพฤติกรรมของพวกเขาเมื่อเปรียบเทียบกับคนที่หยุดหรือแกว่งในการใช้งาน ไม่ว่าจะมีความมั่นคงหรือไม่นั้นเกี่ยวข้องกับความเสี่ยงด้านเครดิตที่ลดลง

แหล่งพลังงานอีกแหล่งหนึ่งคืออีคอมเมิร์ซและข้อมูลจากแพลตฟอร์มดิจิทัล ไฟล์สำนักงานของคนขับรถเรียกรับส่งอาจมีเนื้อหาน้อย แต่แพลตฟอร์มสามารถเข้าถึงจำนวนการเดินทาง รายได้ต่อสัปดาห์ ข้อมูลการยกเลิก บทวิจารณ์ของลูกค้า และระยะเวลาของคนขับ พ่อค้ารายย่อยในฐานะผู้ขายในตลาดทิ้งประวัติของคำสั่งซื้อที่สมบูรณ์ การคืนเงินที่ทำ ข้อร้องเรียนที่เกิดขึ้น การขาดสต็อก และรูปแบบการเติบโต ในกรณีของธุรกิจไม่เป็นทางการ ข้อมูลแพลตฟอร์มสามารถใช้เป็นสิ่งที่ใกล้เคียงที่สุดกับงบการเงินอย่างเป็นทางการ ต่อไป มีบัญชีธนาคาร กระเป๋าเงินดิจิทัล และข้อมูลกระแสเงินสด API ของการธนาคารเปิด แม้ว่าผู้กู้อาจขาดประวัติเครดิตที่ยาวนาน เขาหรือเธอก็มีแนวโน้มที่จะมีบัญชีที่ฝากเงินเดือน รายได้กิ๊ก เงินโอน หรือรายได้จากธุรกิจ ผ่านการวิเคราะห์เงินเข้าและเงินออกตามเวลา ผู้ให้กู้สามารถประเมินรายได้ทั่วไป ความแปรปรวนของมัน ว่ามีบัฟเฟอร์หรือไม่ และส่วนใดของรายได้ที่ได้รับการจัดสรรไปยังค่าใช้จ่ายที่เกิดซ้ำแล้วเช่นค่าเช่า สาธารณูปโภค และหนี้สินที่มีอยู่ ในกรณีของผู้กู้ที่ขาดการบริการทางการธนาคาร การรับประกันกระแสเงินสดมักน่าเชื่อถือมากกว่าแบบคะแนนแบบดั้งเดิมซึ่งพึ่งพาเงินกู้ในอดีตมาก ชั้นอีกชั้นหนึ่งมาจากบัญชีเงินเดือนและการจ้างงาน APIs

ในสถานการณ์ที่นายจ้างเชื่อมต่อกับบริการจ่ายเงินเดือน ผู้ให้กู้สามารถยืนยันการจ้างงาน รายได้รายเดือน ระยะเวลาการจ้างงาน และการเปลี่ยนแปลงค่าตอบแทน สำหรับผู้ที่มีงานพาร์ทไทม์หลายงาน ภาพรวมนี้จะให้ข้อมูลมากกว่าสลิปเงินเดือนใบเดียว สุดท้าย ด้วยการใช้งานที่เหมาะสม ข้อมูลพฤติกรรมและระดับอุปกรณ์สามารถใช้เพื่อช่วยในการประเมินการฉ้อโกงและความเสี่ยง ระยะเวลาที่บุคคลใช้อุปกรณ์เดียวกัน ความสม่ำเสมอของสถานที่เข้าสู่ระบบ วิธีที่พวกเขาใช้แอปเมื่อเวลาผ่านไป เช่นเดียวกับเวลาของวันที่พวกเขามักทำธุรกรรม อาจให้ตัวบ่งชี้ของความแท้จริงและความมั่นคง สัญญาณเหล่านี้ควรได้รับการจัดการด้วยความระมัดระวังเพื่อป้องกันการเลือกปฏิบัติทางอ้อม แม้ว่าพวกมันอาจเป็นการสนับสนุนที่มีประโยชน์ แหล่งทั้งหมดเหล่านี้เชื่อมโยงกันด้วยความจริงที่ว่าพวกมันบอกเกี่ยวกับชีวิตจริงของบุคคลและวิธีที่เขา/เธออาศัยอยู่ วิธีที่เขา/เธอหารายได้และจ่าย แม้ว่าจะชัดเจนว่าเขา/เธอไม่เคยวางนิ้วบนบัตรเครดิตในชีวิตของเขา/เธอ

\

AI แปลงสัญญาณที่ยุ่งเหยิงให้เป็นคะแนนได้อย่างไร?

แหล่งข้อมูลอื่นๆ เหล่านี้มีประชากรหนาแน่นและไม่มีโครงสร้าง โครงสร้างของบันทึกโทรคมนาคม เหตุการณ์แพลตฟอร์ม ธุรกรรมธนาคาร และการวัดทางไกลอุปกรณ์ไม่เหมือนกับรายงานสำนักงานแบบดั้งเดิม พวกมันดังลั่น มีหลายมิติ และเต็มไปด้วยรูปแบบของความแปลกประหลาด ณ จุดนี้ AI โดยเฉพาะการเรียนรู้ของเครื่องสมัยใหม่ เป็นสิ่งจำเป็น วงจรชีวิตทั่วไปเริ่มต้นด้วยการรวบรวมข้อมูล ผู้ให้กู้มีการเข้าถึงพันธมิตรโทรคมนาคม ฟีดการธนาคารเปิด APIs บัญชีเงินเดือน และพันธมิตรแพลตฟอร์มภายใต้เงื่อนไขของกฎหมายคุ้มครองข้อมูลและความยินยอมโดยตรงของลูกค้า

พวกเขาดูดซับข้อมูลดิบเข้าสู่สภาพแวดล้อมที่ปลอดภัยและทำให้เป็นปกติ กิจกรรมเติมเงินโทรศัพท์ เครดิตกระเป๋าเงิน และคำสั่งซื้ออีคอมเมิร์ซถูกแปลงเป็นอนุกรมเวลาที่มีรูปแบบปกติ ความผิดปกติที่ไม่จำเป็นและข้อมูลซ้ำถูกกำจัดและค่าที่หายไปได้รับการประมวลผล จากนี้ คุณลักษณะถูกสร้างขึ้นโดยนักวิทยาศาสตร์ข้อมูล พวกเขาสร้างตัวแปรสรุปแทนที่จะเพียงแค่ป้อนธุรกรรมดิบทั้งหมดเข้าสู่แบบจำลอง: กระแสเงินสดสุทธิเฉลี่ยรายเดือน; ส่วนแบ่งของเดือนที่เงินออมเป็นบวก; ระยะเวลาติดต่อกันที่ยาวที่สุดที่ไม่มีการชำระเงินให้เจ้าหนี้; เดือนของรายได้ต่ำกว่า; การเติบโตหรือการเสื่อมถอยของรายได้แพลตฟอร์ม; ความแปรปรวนของชั่วโมงการทำงาน; ความคงทนของสถานที่แต่ละสัปดาห์

คุณลักษณะเหล่านี้พยายามบีบชีวิตเศรษฐกิจของบุคคลให้เป็นตัวเลขที่แบบจำลองสามารถย่อยได้ ต้นไม้เพิ่มการไล่ระดับ ป่าสุ่ม และเครือข่ายประสาท จากนั้นเป็นอัลกอริธึมการเรียนรู้ของเครื่องที่ได้รับการฝึกฝนเกี่ยวกับข้อมูลในอดีตซึ่งผลลัพธ์เป็นที่รู้จักอยู่แล้ว ในกรณีของการให้คะแนนเครดิต ผลลัพธ์มักเป็นค่าเริ่มต้นของผู้กู้ในช่วงเวลาที่กำหนด เช่น หกหรือสิบสองเดือน แบบจำลองได้เรียนรู้ชุดคุณลักษณะที่บ่งบอกถึงความเสี่ยงมากหรือน้อย รูปแบบที่พบในหมู่ผู้รับประกันภัยของมนุษย์จะไม่ถูกระบุโดยการรับรู้ของมนุษย์ เช่น ปฏิสัมพันธ์เล็กน้อยระหว่างความผันผวนของกระแสเงินสดและการดำรงตำแหน่งแพลตฟอร์ม การตรวจสอบเป็นสิ่งสำคัญ แบบจำลองถูกนำไปใช้กับข้อมูลที่ไม่ได้รับการฝึกฝนเพื่อให้ประสิทธิภาพของมันเป็นจริงและไม่ใช่ผลจากการปรับให้เข้ากับมากเกินไป

มาตรการเช่น AUC, สัมประสิทธิ์ Gini และสถิติ Kolmogorov–Smirnov ถูกใช้เพื่อวัดพลังของการเลือกปฏิบัติ ในขณะที่แปลงการสอบเทียบบ่งบอกว่าความน่าจะเป็นที่คาดการณ์เหมือนกันกับอัตราค่าเริ่มต้นจริงหรือไม่ นอกจากตัวเลขหัวเรื่องแล้ว ผู้ให้กู้จำเป็นต้องดูที่ประสิทธิภาพตามกลุ่ม: ผู้กู้ใหม่เมื่อเทียบกับผู้กู้ที่มีประสบการณ์ อาชีพต่างๆ ภูมิภาค และช่วงรายได้ เมื่อใช้งาน แบบจำลองจะให้คะแนนผู้สมัครใหม่ทันที และจะให้คำตอบภายในไม่กี่วินาที กระบวนการไม่สามารถสิ้นสุดได้ที่นั่น สถิติเปลี่ยนแปลงตามเวลา แพลตฟอร์มพัฒนานโยบายของพวกเขา และเศรษฐศาสตร์มหภาคพัฒนา

\

:::tip เรื่องนี้ถูกเผยแพร่เป็นข่าวประชาสัมพันธ์โดย Sanya Kapoor ภายใต้ โปรแกรมธุรกิจบล็อกของ HackerNoon.

:::

\