AI financial analytics

શું AI પરંપરાગત નાણાકીય ડેટા વિના ક્રેડિટ જોખમની આગાહી કરી શકે છે?

હા, AI મોબાઇલ ફોન વપરાશ, ડિજિટલ પેમેન્ટ ફ્રિકવન્સી, ઈ-કોમર્સ પ્રવૃત્તિ અને યુટિલિટી બિલની સાતત્યતા જેવા વૈકલ્પિક વર્તણૂકીય સંકેતોનું વિશ્લેષણ કરીને પરંપરાગત નાણાકીય ડેટા વિના ક્રેડિટ જોખમની આગાહી કરી શકે છે, જોકે ચોકસાઈ ડેટાની ગુણવત્તા અને ઋણધારકના ડિજિટલ ફૂટપ્રિન્ટ પર આધારિત બદલાય છે. આ મશીન લર્નિંગ મોડલ્સ પરંપરાગત ક્રેડિટ સ્કોરની જગ્યા લેતા નથી, બલ્કે તેઓ જોખમનું સંપૂર્ણપણે અલગ, વર્તણૂક-આધારિત માપ બનાવે છે.

ફિનટેક ધિરાણકર્તાઓ એવા બજારોમાં વધુ ઊંડાણથી પ્રવેશ કરી રહ્યા છે જ્યાં ઔપચારિક ક્રેડિટ બ્યુરો ભાગ્યે જ અસ્તિત્વમાં છે, તેથી આ પ્રશ્ન વધુને વધુ મહત્વનો બની ગયો છે. આ વૈશ્વિક સ્તરે બની રહેલી એક વ્યાપક થીમનો પડઘો પાડે છે, જેમાં નાઇજીરીયાનો પણ સમાવેશ થાય છે, જ્યાં નેશનલ મલેરિયા એલિમિનેશન પ્રોગ્રામ અને Sproxil અધૂરા ખાનગી આરોગ્યસંભાળ રિપોર્ટિંગને કારણે રહી ગયેલા ડેટા ગેપને ભરવા માટે AIનો ઉપયોગ કરી રહ્યા છે. જેમ AI આંશિક સંકેતોમાંથી રોગના પેટર્નનું અનુમાન કરી શકે છે, તેમ તે આંશિક વર્તણૂકીય ડેટામાંથી નાણાકીય વિશ્વસનીયતાનું અનુમાન કરી શકે છે, જે નાણાકીય સમાવેશમાં AI વૈશ્વિક ડેટા ગેપને કેવી રીતે ભરી રહ્યું છે તેની ઊંડાણપૂર્વક ચર્ચા કરવામાં આવેલ ખ્યાલ છે.

દાવ ઊંચા છે. વૈશ્વિક વ્યાજ દરો હજુ પણ ઊંચા હોવાથી અને 2026 દરમિયાન બેંકો ધિરાણ ધોરણો કડક બનાવી રહી હોવાથી, લાખો થિન-ફાઇલ ઋણધારકોને ઔપચારિક ક્રેડિટ મેળવવાના તેમના પ્રાથમિક માર્ગ તરીકે AI-અંડરરાઇટેડ ફિનટેક પ્રોડક્ટ્સ તરફ ધકેલવામાં આવી રહ્યા છે. આ આગાહીઓ ખરેખર કેટલી વિશ્વસનીય છે તે સમજવું ઋણધારકો, ધિરાણકર્તાઓ અને નિયમનકારો બધા માટે આવશ્યક બની ગયું છે.

ખ્યાલની સમજૂતી

પરંપરાગત ક્રેડિટ જોખમ મોડલ્સ સ્ટ્રક્ચર્ડ ડેટા પર આધાર રાખે છે: પેમેન્ટ ઇતિહાસ, બાકી દેવું, ક્રેડિટ ઇતિહાસની લંબાઈ, અને ક્રેડિટ ઉપયોગ, જે બધું Experian, Equifax, અથવા CIBIL જેવા સ્થાપિત બ્યુરોમાંથી મેળવવામાં આવે છે. આ ડેટા વિના, પરંપરાગત સ્કોરિંગ કામ કરી શકતું જ નથી, જેના કારણે વૈશ્વિક સ્તરે અંદાજિત 1.4 અબજ પુખ્તો પાસે કોઈપણ ઔપચારિક ક્રેડિટ સ્કોર બિલકુલ નથી.

તેના બદલે AI-આધારિત જોખમ આગાહી સુપરવાઇઝ્ડ મશીન લર્નિંગનો ઉપયોગ કરે છે જે હજારો વૈકલ્પિક ચલો પર તાલીમબદ્ધ છે, જેમાં સ્માર્ટફોન બેટરી ચાર્જિંગ પેટર્નથી લઈને સોશિયલ એપ વપરાશ ફ્રિકવન્સી સુધીનો સમાવેશ થાય છે, અને તેમને સમાન ઋણધારક જૂથોના ઐતિહાસિક ચુકવણી પરિણામો સાથે આંકડાકીય રીતે સાંકળે છે. મોડલને કારણ સમજવાની જરૂર નથી; તેને ફક્ત એવા પેટર્ન ઓળખવાની જરૂર છે જે મોટા વસ્તી સમૂહોમાં ડિફોલ્ટની સંભાવનાની વિશ્વસનીય રીતે આગાહી કરે.

તે અત્યારે શા માટે મહત્વનું છે

ફેડરલ રિઝર્વ અને અન્ય કેન્દ્રીય બેંકો 2026 સુધી ફુગાવાનું સંચાલન કરવા માટે નિયંત્રિત નાણાકીય નીતિ જાળવી રાખતાં, બેંકો વધુ જોખમ-વિમુખ બની ગઈ છે, જેના કારણે ક્રેડિટની પહોંચ ઘટી છે, બરાબર તે સમયે જ્યારે ઘણા પરિવારો અને નાના ધંધાઓને તેની સૌથી વધુ જરૂર છે. AI-આધારિત જોખમ આગાહી ક્રેડિટ ઍક્સેસ માટે એક વૈકલ્પિક ચેનલ પ્રદાન કરે છે જે પરંપરાગત બેંકિંગ સંબંધ પર આધારિત નથી કે જેની ઘણી ઓછી-સેવા પ્રાપ્ત વસ્તીમાં ઉણપ છે.

નિયમનકારો પણ વધુ ધ્યાન આપી રહ્યા છે કારણ કે આ આગાહીઓની ચોકસાઈના વાસ્તવિક આર્થિક પરિણામો છે. વધુ પડતા આશાવાદી AI મોડલ્સ સંવેદનશીલ ઋણધારકોમાં અસ્થિર દેવાને પ્રોત્સાહન આપી શકે છે, જ્યારે વધુ પડતા રૂઢિચુસ્ત મોડલ્સ પરંપરાગત સિસ્ટમો દ્વારા પહેલેથી જ થયેલા બહિષ્કારને ફરી સર્જે છે, જેના કારણે મોડલની ચોકસાઈ નાણાકીય સ્થિરતા અને સામાજિક સમાનતા બંનેની બાબત બની જાય છે.

AI આ ક્ષેત્રને કેવી રીતે બદલી રહ્યું છે

આધુનિક જોખમ મોડલ્સ એન્સેમ્બલ લર્નિંગ ટેકનિકનો ઉપયોગ કરે છે, જે રેન્ડમ ફોરેસ્ટ, ગ્રેડિયન્ટ બુસ્ટિંગ અને ન્યુરલ નેટવર્ક જેવા બહુવિધ અલ્ગોરિધમને જોડીને આગાહીઓની ક્રોસ-વેલિડેશન કરે છે અને વ્યક્તિગત મોડલ પક્ષપાત ઘટાડે છે. આ એન્સેમ્બલ અભિગમે 2023 થી પ્રકાશિત થયેલા ઘણા નિયંત્રિત ફિનટેક અભ્યાસોમાં વૈકલ્પિક-ડેટા મોડલ્સ પર આગાહી ચોકસાઈને પરંપરાગત બ્યુરો-આધારિત સ્કોરિંગની થોડા ટકાવારી પોઈન્ટની અંદર ધકેલી છે.

સતત શીખતી સિસ્ટમો હવે નવો ચુકવણી ડેટા આવે તેમ લગભગ વાસ્તવિક સમયમાં જોખમ મોડલ્સ અપડેટ કરે છે, જેનાથી ધિરાણકર્તાઓ સ્થિર, સમયાંતરે અપડેટ થતાં સ્કોરિંગ મોડલ્સ પર આધાર રાખવાને બદલે જોખમ થ્રેશોલ્ડ ગતિશીલ રીતે પુનઃકેલિબ્રેટ કરી શકે છે. આ અનુકૂલનક્ષમતા અસ્થિર આર્થિક પરિસ્થિતિઓમાં ખાસ કરીને મૂલ્યવાન છે, જ્યાં ઋણધારકના જોખમ પ્રોફાઈલ ફુગાવો, જોબ માર્કેટ ફેરફારો, અથવા ઉભરતી અર્થવ્યવસ્થાઓમાં ચલણની વધઘટને કારણે ઝડપથી બદલાઈ શકે છે.

વાસ્તવિક-જગતના વૈશ્વિક ઉદાહરણો

કેન્યા, ફિલિપાઇન્સ અને મેક્સિકોમાં કાર્યરત Tala, સંપૂર્ણપણે મોબાઇલ ફોન ડેટા પર બનેલા AI મોડલ્સનો ઉપયોગ કરીને 10 મિલિયનથી વધુ લોન પ્રોસેસ કરી ચૂક્યું છે, અને સંપૂર્ણપણે બેંક ખાતા વગરની વસ્તીને સેવા આપવા છતાં પરંપરાગત માઇક્રોફાઇનાન્સ સંસ્થાઓ સાથે સ્પર્ધાત્મક ડિફોલ્ટ દર જાહેર કરે છે. Jumo, બીજી આફ્રિકન ફિનટેક, એરટાઇમ ટોપ-અપ પેટર્ન અને મોબાઇલ મની ટ્રાન્ઝેક્શન ઇતિહાસનો ઉપયોગ કરીને ઋણધારકોનો સ્કોર કરવા ટેલિકોમ ઓપરેટરો સાથે ભાગીદારી કરે છે.

ચીનમાં, Ant Groupની Zhima Credit સિસ્ટમે વર્ષો પહેલા મોટા પાયે વૈકલ્પિક ક્રેડિટ સ્કોરિંગની શરૂઆત કરી, જે સેંકડો મિલિયન વપરાશકર્તાઓનું મૂલ્યાંકન કરવા ઈ-કોમર્સ વર્તન સાથે પેમેન્ટ ઇતિહાસને જોડે છે. યુનાઇટેડ સ્ટેટ્સમાં, ફિનટેક ધિરાણકર્તા Upstart મર્યાદિત ક્રેડિટ ઇતિહાસ સાથે શિક્ષણ અને રોજગાર ડેટાનો સમાવેશ કરતા AI મોડલ્સનો ઉપયોગ કરે છે, અને સમાન ડિફોલ્ટ દરે પરંપરાગત મોડલ્સની સરખામણીમાં 25% થી વધુ મંજૂરી દરમાં વધારો નોંધાવે છે.

વ્યવહારુ નાણાકીય ટિપ્સ

AI-આધારિત ક્રેડિટ મંજૂરી શોધતા ઋણધારકોએ સાતત્યપૂર્ણ, ટ્રેસેબલ ડિજિટલ નાણાકીય પ્રવૃત્તિ જાળવવી જોઈએ, જેમાં નિયમિત મોબાઇલ વોલેટ ટ્રાન્ઝેક્શન અને સમયસર યુટિલિટી પેમેન્ટનો સમાવેશ થાય છે, કારણ કે છૂટીછવાયી અથવા અસંગત ડિજિટલ વર્તણૂક વાસ્તવિક નાણાકીય સ્થિરતાને ધ્યાનમાં લીધા વગર આ મોડલ્સને જોખમ તરીકે દેખાઈ શકે છે. અરજી કરતાં પહેલા લાંબો ડિજિટલ ટ્રાન્ઝેક્શન ઇતિહાસ બનાવવો સામાન્ય રીતે મંજૂરીની શક્યતાઓ અને વ્યાજ દરની શરતોમાં સુધારો કરે છે.

જ્યાં ઉપલબ્ધ હોય ત્યાં AI-આધારિત લોન ડિનાયલ માટે સ્પષ્ટતા માંગવી પણ સમજદારીભર્યું છે, કારણ કે ઘણા અધિકારક્ષેત્રોમાં હવે ધિરાણકર્તાઓએ કયા ડેટા પરિબળોએ નકારને પ્રભાવિત કર્યો તે જાહેર કરવું જરૂરી છે. આ પરિબળોને સમજવાથી ઋણધારકોને પુનઃઅરજી કરતાં પહેલા ચોક્કસ વર્તણૂકો, જેમ કે અનિયમિત બિલ પેમેન્ટ, સુધારવામાં મદદ મળી શકે છે, તેને બદલે એવું માની લેવાને બદલે કે નકાર મનસ્વી અથવા અસુધારણીય હતો.

ભાવિ દ્રષ્ટિકોણ

આવનારા વર્ષોમાં વૈકલ્પિક-ડેટા મોડલ્સ વધુ ચુકવણી પરિણામો એકઠા કરતાં, આગાહી ચોકસાઈ સતત સુધરવાની અપેક્ષા છે, ખાસ કરીને નાઇજીરીયા, ઇન્ડોનેશિયા અને બ્રાઝિલ જેવા બજારોમાં જ્યાં ફિનટેક ધિરાણ વોલ્યુમ ઝડપથી વધી રહ્યું છે. કેટલાક વિશ્લેષકોનું અનુમાન છે કે વૈકલ્પિક-ડેટા ક્રેડિટ મોડલ્સ 2028 સુધીમાં ઘણા મોટા ઉભરતા બજારોમાં પરંપરાગત બ્યુરો ચોકસાઈ સાથે મેળ ખાઈ શકે છે.

ઓપન બેંકિંગ પહેલો, જે ગ્રાહકોને તૃતીય-પક્ષ ધિરાણકર્તાઓ સાથે સુરક્ષિત રીતે ચકાસાયેલ બેંક ટ્રાન્ઝેક્શન ડેટા શેર કરવાની મંજૂરી આપે છે, તે વૈકલ્પિક-ડેટા AI મોડલ્સ સાથે પણ ભળી જવાની અપેક્ષા છે, જે અગાઉ સ્કોર ન કરી શકાય તેવી વસ્તી માટે ઔપચારિક નાણાકીય ડેટાની વિશ્વસનીયતાને વર્તણૂકીય સંકેતોની પહોંચ સાથે જોડતું હાઇબ્રિડ જોખમ મૂલ્યાંકન બનાવે છે.

AI આગાહીઓની ચોકસાઈ

વર્લ્ડ બેંકના Consultative Group to Assist the Poor જેવી સંસ્થાઓના સ્વતંત્ર અભ્યાસોમાં જાણવા મળ્યું છે કે વૈકલ્પિક-ડેટા AI મોડલ્સ પરિપક્વ ફિનટેક બજારોમાં પરંપરાગત બ્યુરો સ્કોરની 5 થી 10 ટકાવારી પોઈન્ટની અંદર આગાહી ચોકસાઈ પ્રાપ્ત કરે છે, જોકે ડેટા વોલ્યુમ અને ઋણધારક વસ્તીના કદને આધારે કામગીરી નોંધપાત્ર રીતે બદલાય છે.

ઓછી સ્માર્ટફોન પ્રવેશ અથવા મર્યાદિત ડિજિટલ પેમેન્ટ ઇન્ફ્રાસ્ટ્રક્ચરવાળા બજારોમાં ચોકસાઈ ઘટવાનું વલણ ધરાવે છે, કારણ કે આ મોડલ્સ વિશ્વસનીય રીતે કામ કરવા માટે ડેટા ડેન્સિટી પર ભારે આધાર રાખે છે. આનો અર્થ એ છે કે AI ક્રેડિટ આગાહી હાલમાં ડિજિટલ નાણાકીય ઇકોસિસ્ટમ તરફ સંક્રમણ કરી રહેલા વિસ્તારોમાં પરંપરાગત અંડરરાઇટિંગના સંપૂર્ણ વિકલ્પ કરતાં પૂરક તરીકે શ્રેષ્ઠ કામ કરે છે.