کارگاه آموزشی دکتر مصطفی سراج – به‌‌کارگیری هوش مصنوعی در ارزیابی ریسک اعتباری مشتریان مبتنی بر داده‌های جایگزین

Article Summary

در کارگاه آموزشی به‌کارگیری هوش مصنوعی در ارزیابی ریسک اعتباری مشتریان مبتنی بر داده‌های جایگزین، دکتر مصطفی سراج، معاون ریسک و کامپلاینس شرکت دیجی پی، به نقش فناوری هوش مصنوعی در اعتبارسنجی و مدیریت ریسک نکول پرداخت. دیجی پی، بازوی فین‌تک گروه دیجی‌کالا، با ارائه وام‌های قسطی به مشتریان دیجی‌کالا و سایر مرچندها، با چالش‌های مدیریت ریسک نکول مواجه است. دکتر سراج تأکید کرد که با پیشرفت فناوری‌های هوش مصنوعی، امکان ارزیابی دقیق‌تر ریسک مشتریان و کاهش نرخ نکول فراهم شده است. او به محدودیت‌های دیتاهای اعتباری سنتی اشاره کرد و اهمیت استفاده از داده‌های جایگزین، مانند تراکنش‌های مالی و رفتاری مشتریان، را توضیح داد. همچنین، به چالش‌هایی نظیر سواستفاده از سیستم‌ها توسط کلاه‌برداران و محدودیت دسترسی بیشتر جمعیت به خدمات بانکی اشاره کرد. دکتر سراج بر اهمیت سرمایه‌گذاری در تکنولوژی‌های پیشرفته و هوش مصنوعی برای بهبود سیستم‌های اعتبارسنجی تأکید کرد. دکتر سراج با تأکید بر اهمیت اسکور کارت‌ها و فاکتورهای تأثیرگذار بر ارزیابی اعتباری، به توضیح روش‌های مختلفی مانند لاجستیک رگراسیون، درخت تصمیم، جنگل‌های تصادفی، و روش‌های بوستینگ پرداخت. او اشاره کرد که این روش‌ها می‌توانند به بانک‌ها و نهادهای مالی کمک کنند تا با دقت بیشتری ریسک‌های اعتباری را ارزیابی کنند. یکی از نکات مهمی که دکتر سراج به آن اشاره کرد، اهمیت داده‌های جایگزین در ارزیابی اعتباری است. او توضیح داد که با استفاده از این داده‌ها، می‌توان به گروه‌هایی که سابقه بانکی ندارند نیز وام داد. این امر به ویژه در مناطق محروم ایران، که نرخ نکول بالا نیست، اهمیت بیشتری دارد. دکتر سراج همچنین به چالش‌هایی مانند توضیح‌پذیری مدل‌های هوش مصنوعی و بحث بایست مدل‌ها اشاره کرد. او تأکید کرد که این چالش‌ها نیازمند روش‌های پیشرفته‌تر و توضیح‌پذیرتر هستند تا بتوان به مشتریان توضیح داد که چرا به آن‌ها وام داده نمی‌شود. او همچنین به اهمیت همکاری با رگولاتورها و حضور بازیگران جدید در بازار اعتباری اشاره کرد. او بر این نکته تأکید کرد که این همکاری‌ها می‌توانند به بهبود شمولیت مالی و کاهش نرخ نکول کمک کنند. سراج به تاریخچه کریدسکورینگ اشاره کرد و تکامل این روش‌ها از روش‌های آماری سنتی تا استفاده از داده‌های جایگزین و روش‌های یادگیری ماشینی را توضیح داد. او بر اهمیت افزایش دقت مدل‌ها و بهبود پیش‌بینی‌کنندگی و کارایی آن‌ها تأکید کرد. دکتر سراج تاکید کرد که استفاده از داده‌های جایگزین می‌تواند به بانک‌ها کمک کند تا به گروه‌های بیشتری از جامعه وام بدهند. او اشاره کرد که با استفاده از این داده‌ها، می‌توان به افرادی که ارزشیابی ریسک نکول آن‌ها بالاتر است، وام‌هایی با نرخ‌های بالاتر ارائه کرد. این روش می‌تواند به بانک‌ها کمک کند تا ریسک‌های خود را بهتر مدیریت کنند و به گروه‌های مختلفی از جامعه وام بدهند. او به مثال‌هایی از شرکت‌هایی اشاره کرد که از این روش استفاده می‌کنند، از جمله آپستات، که از تاریخچه شغلی و مطالعاتی افراد استفاده می‌کند، و زست پایین انس، که از تاریخچه پرداخت قبض‌ها استفاده می‌کند. او همچنین به لندی و فلت اشاره کرد که از تست‌های روانشناسی برای ارزیابی شخصیت افراد استفاده می‌کنند. دکتر سراج تاکید کرد که استفاده از داده‌های جایگزین می‌تواند به بانک‌ها کمک کند تا به گروه‌هایی که ریسک نکول بالاتری دارند، وام بدهند. او به مثال‌هایی از شرکت‌هایی اشاره کرد که از این روش استفاده می‌کنند، از جمله تالا که از رفتار افراد در موبایل‌ها برای ارزیابی اعتبار استفاده می‌کند. او همچنین به تجربیات دیجی کالا و دیجی پی اشاره کرد که با استفاده از داده‌های تراکنشی و رفتاری مشتریان، مدل‌های هوش مصنوعی را برای ارزیابی ریسک اعتباری توسعه داده‌اند. او تاکید کرد که این مدل‌ها با گذشت زمان بهبود می‌یابند و می‌توانند به بانک‌ها کمک کنند تا به گروه‌های مختلفی از جامعه وام بدهند. او در ادامه به چالش‌هایی اشاره کرد که در این روش وجود دارد، از جمله ارتباط دینامیک بین اسکور و نرخ نکول. او تاکید کرد که مدیران ریسک باید به این مسائل توجه کنند تا بتوانند ریسک‌های خود را بهتر مدیریت کنند. دکتر سراج تاکید کرد که یکی از عوامل مهم در ارزیابی ریسک اعتباری، نرخ نکول وام‌ها است. او اشاره کرد که نرخ نکول برای وام‌های مدت‌های مختلف متفاوت است. برای مثال، وام‌های دوازده ماهه، هیجده ماهی، شش ماهی، چک‌ها، و سفته‌ها هر کدام نرخ نکول متفاوتی دارند. این نرخ‌ها به ویژگی‌های مشتریان و نوع وام بستگی دارند. او همچنین به اهمیت داده‌های جایگزین در ارزیابی ریسک اعتباری اشاره کرد. او توضیح داد که با استفاده از داده‌های جایگزین، می‌توان به‌تر ارزیابی ریسک‌ها را انجام داد و به مشتریان با اعتبار کمتر نیز فرصت داد. این داده‌ها می‌توانند از منابع مختلفی مانند تاریخچه پرداخت‌ها، وضعیت شغلی، و فعالیت‌های مالی مشتریان به دست آیند. در نهایت، دکتر سراج تاکید کرد که هوش مصنوعی می‌تواند به‌طور قابل توجهی کارایی ارزیابی ریسک اعتباری را افزایش دهد و به موسسات مالی کمک کند تا بهتر تصمیم‌گیری کنند.