Chấm điểm tín dụng hỗ trợ AI cho hồ sơ mỏng và nền kinh tế phi chính thức

Một trong những khía cạnh thận trọng nhất của tài chính, quyết định cấp tín dụng cho ai đó, đang được chuyển đổi bởi chấm điểm tín dụng hỗ trợ bởi AI. Đây là một thay đổi dần dần đối với những cá nhân có lịch sử tín dụng phong phú và đã gắn bó với ngân hàng trong thời gian dài. Tuy nhiên, nó có thể thay đổi cuộc sống đối với những người vay có hồ sơ mỏng và những người trong nền kinh tế phi chính thức. Cuối cùng họ có thể được phát hiện thay vì vô hình với hệ thống. Bài viết này thảo luận về việc ứng dụng dữ liệu thay thế để tạo điểm tín dụng dựa trên AI cho cá nhân và doanh nghiệp nhỏ thiếu hồ sơ tín dụng truyền thống, rủi ro về sự bất công và thiên vị khi dữ liệu cục không có sẵn, và động lực quy định để tạo AI có thể giải thích được trong việc thẩm định các nhóm dân số thiếu tiếp cận ngân hàng.

Vấn Đề Hồ Sơ Mỏng và Nền Kinh Tế Phi Chính Thức

Xếp hạng tín dụng thông thường giả định một sự tồn tại tài chính nào đó. Họ giả định rằng một cá nhân có tài khoản ngân hàng, sản phẩm tài chính chính thức, và đã vay một khoản vay hoặc sử dụng thẻ tín dụng trước đây. Họ giả định người sử dụng lao động vận hành bảng lương một cách chính thức và các thương gia làm việc ở phần có thể nhìn thấy của nền kinh tế - phần được ghi chép. Trên thực tế, một tỷ lệ khổng lồ của thế giới không như vậy. Thanh niên trưởng thành thường không có khoản vay hoặc thẻ. Người di cư có thể sở hữu nền tảng tín dụng tốt ở quốc gia xuất xứ của họ và không có gì ở quốc gia mới. Hầu hết các giao dịch của họ được thực hiện bằng tiền mặt hoặc trên các nền tảng kỹ thuật số không báo cáo cho các cục: người làm việc tự do, người bán hàng rong, chủ cửa hàng phi chính thức, và một số lượng lớn các doanh nhân nhỏ. Ngay cả khi có các cục, phạm vi bao phủ của họ có thể là hời hợt hoặc thiên vị về phía dân số đô thị, được tuyển dụng chính thức. Hồ sơ cục của những người nộp đơn như vậy xuất hiện trống hoặc gần như trống đối với người cho vay. Khi các nhóm rủi ro được đào tạo để tin tưởng dữ liệu cục, họ mắc sai lầm có lợi cho sự thận trọng. Kết quả có thể dự đoán: tăng từ chối, thu hẹp giới hạn, tăng giá, hoặc loại trừ hoàn toàn.

Những người vay này không nhất thiết rủi ro hơn; chỉ là hệ thống điếc và mù đối với các tín hiệu thực sự đặc trưng cho cuộc sống tài chính của họ. Khái niệm cơ bản về việc ứng dụng AI vào chấm điểm tín dụng ở đây là đơn giản. Khi thống kê cục thiếu hoặc quá thưa thớt, hãy tìm kiếm nơi khác. Có nhiều dấu vết kỹ thuật số trong cuộc sống hiện đại. Khi những dấu vết như vậy được thu thập một cách có trách nhiệm với sự đồng ý và được chuyển đổi thành các tín hiệu có tổ chức hơn, chúng có thể nói nhiều về sự ổn định của một người, tiềm năng thu nhập của họ, và cơ hội trả nợ của họ. Một trong những nguồn đầu tiên và có giá trị nhất thường là dữ liệu viễn thông. Các nhà khai thác di động hiểu cách ai đó nạp số dư trả trước một cách thường xuyên, liệu họ sử dụng cùng một số qua nhiều năm hay chuyển đổi thường xuyên, liệu họ ổn định hay ngẫu nhiên trong hoạt động của mình, và liệu họ có mua các gói dữ liệu có cùng kích thước hay không. Một cá nhân giữ một số theo thời gian, nạp lại số, và thể hiện các mẫu sử dụng nhất quán nói chung được nhúng sâu hơn trong một cộng đồng và nhất quán hơn trong hành vi của họ so với ai đó bỏ hoặc dao động trong việc sử dụng. Liệu có sự ổn định hay không được liên kết với việc giảm rủi ro tín dụng.

Một nguồn sức mạnh khác là thương mại điện tử và dữ liệu từ các nền tảng kỹ thuật số. Ít có thể được chứa trong hồ sơ cục của một tài xế gọi xe, nhưng một nền tảng có thể truy cập số lượng chuyến đi, thu nhập mỗi tuần, dữ liệu hủy, đánh giá của khách hàng, và thời gian của tài xế. Một thương gia nhỏ như một người bán trên thị trường để lại lịch sử các đơn hàng hoàn thành, hoàn tiền thực hiện, khiếu nại nêu ra, hết hàng, và các mẫu tăng trưởng. Trong trường hợp của các doanh nghiệp phi chính thức, dữ liệu nền tảng có thể được sử dụng như tương đương gần nhất với báo cáo tài chính chính thức. Tiếp theo, có tài khoản ngân hàng, ví kỹ thuật số, và dữ liệu dòng tiền API ngân hàng mở. Mặc dù một người vay có thể thiếu lịch sử tín dụng dài, anh ta hoặc cô ta cũng có xu hướng có một tài khoản nơi lương, thu nhập từ việc làm tự do, tiền chuyển, hoặc doanh thu kinh doanh được gửi. Thông qua phân tích dòng vào và ra theo thời gian, người cho vay có thể ước tính thu nhập chung, sự biến đổi của nó, liệu nó có đệm hay không, và phần nào của thu nhập đã được phân bổ cho các chi phí định kỳ như tiền thuê nhà, tiện ích, và các khoản nợ hiện có. Trong trường hợp người vay thiếu tiếp cận ngân hàng, thẩm định dòng tiền thường đáng tin cậy hơn bảng điểm truyền thống, vốn phụ thuộc rất nhiều vào các khoản vay trong quá khứ. Một lớp khác được cung cấp bởi các API bảng lương và việc làm.

Trong các tình huống mà người sử dụng lao động được kết nối với dịch vụ bảng lương, người cho vay có thể xác nhận việc làm, thu nhập hàng tháng, thời gian làm việc, và thay đổi về bồi thường. Đối với những người có nhiều công việc bán thời gian, hình ảnh tổng hợp này sẽ nhiều thông tin hơn một phiếu lương. Cuối cùng, với việc sử dụng đúng cách, dữ liệu hành vi và cấp thiết bị có thể được sử dụng để hỗ trợ trong cả ước tính gian lận và rủi ro. Thời gian một cá nhân đã sử dụng cùng một thiết bị, tính đều đặn của các vị trí đăng nhập của họ, cách họ sử dụng ứng dụng qua các tháng, cũng như thời gian trong ngày họ thường thực hiện các giao dịch, có thể cung cấp các chỉ số về tính chân thực và ổn định. Những tín hiệu này nên được xử lý cẩn thận để ngăn chặn phân biệt đối xử gián tiếp, mặc dù chúng có thể hỗ trợ hữu ích. Tất cả các nguồn này được kết nối bởi thực tế rằng chúng kể về cuộc sống thực của một người và cách anh ta/cô ta sống, cách anh ta/cô ta kiếm tiền và trả tiền ngay cả khi rõ ràng anh ta/cô ta chưa bao giờ đặt ngón tay lên thẻ tín dụng trong đời.

\

AI Chuyển Đổi Các Tín Hiệu Lộn Xộn Thành Điểm Như Thế Nào?

Những nguồn dữ liệu khác này được điền đầy dày đặc và không có cấu trúc. Cấu trúc của nhật ký viễn thông, sự kiện nền tảng, giao dịch ngân hàng, và phép đo từ xa thiết bị không giống như báo cáo cục truyền thống. Chúng ồn ào, đa chiều, và đầy các mẫu đặc thù. Tại thời điểm này, AI, đặc biệt là học máy hiện đại, là cần thiết. Vòng đời chung bắt đầu với tổng hợp dữ liệu. Người cho vay có quyền truy cập vào các đối tác viễn thông, nguồn cấp dữ liệu ngân hàng mở, API bảng lương, và đối tác nền tảng với điều kiện của luật bảo vệ dữ liệu và sự đồng ý trực tiếp của khách hàng.

Họ hấp thụ dữ liệu thô vào môi trường an toàn và chuẩn hóa nó. Các hoạt động nạp tiền điện thoại, tín dụng ví, và đơn hàng thương mại điện tử được chuyển đổi thành chuỗi thời gian có định dạng thường xuyên. Các bất thường và bản sao không cần thiết được loại bỏ và các giá trị bị thiếu được xử lý. Từ đó, các tính năng được xây dựng bởi các nhà khoa học dữ liệu. Họ tạo ra các biến tóm tắt thay vì chỉ đưa tất cả các giao dịch thô vào một mô hình: dòng tiền ròng trung bình hàng tháng; tỷ lệ các tháng mà tiết kiệm là dương; khoảng thời gian liên tiếp dài nhất không thanh toán cho chủ nợ; các tháng thu nhập thấp; tăng trưởng hoặc suy giảm thu nhập nền tảng; sự biến đổi giờ làm việc; tính thường trú của vị trí từng tuần.

Những thuộc tính này đang cố gắng nén cuộc sống kinh tế của một cá nhân thành các con số có thể được tiêu hóa bởi mô hình. Cây tăng cường độ dốc, rừng ngẫu nhiên, và mạng nơ-ron sau đó là các thuật toán học máy được đào tạo trên dữ liệu lịch sử nơi kết quả đã được biết. Trong trường hợp chấm điểm tín dụng, kết quả thường là một vỡ nợ của người vay trong một khoảng thời gian xác định, chẳng hạn sáu hoặc mười hai tháng. Mô hình biết được các kết hợp tính năng chỉ ra nhiều hoặc ít rủi ro hơn. Các mẫu được tìm thấy giữa các người thẩm định con người sẽ không được xác định bởi sự phân biệt của con người, như các tương tác nhỏ giữa sự biến động của dòng tiền và thời gian nền tảng. Xác thực là quan trọng. Mô hình được áp dụng cho dữ liệu mà nó không được đào tạo để hiệu suất của nó là thật và không phải là kết quả của việc quá khớp.

Các biện pháp như AUC, hệ số Gini, và thống kê Kolmogorov–Smirnov được sử dụng để đo lường sức mạnh phân biệt, trong khi các biểu đồ hiệu chuẩn chỉ ra liệu các xác suất dự đoán có giống hệt với tỷ lệ vỡ nợ thực tế hay không. Ngoài các con số chính, người cho vay cần xem xét hiệu suất dựa trên phân khúc: người vay mới tín dụng so với người vay có kinh nghiệm, các nghề nghiệp khác nhau, khu vực, và dải thu nhập. Sau khi triển khai, mô hình sau đó sẽ đánh giá người nộp đơn mới ngay lập tức, và một phản hồi sẽ được cung cấp trong vòng vài giây. Quy trình không thể kết thúc ở đó. Thống kê thay đổi theo thời gian, các nền tảng phát triển chính sách của họ, và kinh tế vĩ mô phát triển.

\

:::tip Câu chuyện này được phân phối như một bản phát hành bởi Sanya Kapoor theo Chương Trình Viết Blog Kinh Doanh của HackerNoon.

:::

\