نشریه آفتاب خاورمیانه

فاطمه رمضانی

کارشناس مالی

ارزیابی ریسک اعتباری یکی از ارکان اصلی وام‌دهی است. بانک یا موسسه اعتباری باید پیش از اعطای تسهیلات برآورد کند که متقاضی تا چه اندازه توان و تمایل بازپرداخت دارد و در شرایط اقتصادی مختلف، احتمال نکول او چقدر است. در روش‌های متعارف، این ارزیابی

با استفاده از اطلاعات پرونده اعتباری، درآمد، بدهی‌های جاری، سابقه بازپرداخت، وثایق و گاه مدل‌های آماری انجام می‌شود. بنابراین اعتبارسنجی کلاسیک صرفا مجموعه‌ای از مقررات ثابت نیست؛ بلکه ترکیبی از قواعد اعتباری، قضاوت کارشناسی و مدل‌های آماری است. با گسترش پرداخت‌های دیجیتال و بانکداری باز، دامنه داده‌های قابل‌استفاده افزایش یافته است. داده‌های تراکنشی و جریان وجوه می‌توانند تصویری به‌روزتر از وضعیت مالی مشتری ارائه دهند و در کنار اطلاعات متعارف، کیفیت تصمیم اعتباری را بهبود بخشند.

وام‌دهی مبتنی بر داده

امتیازدهی رفتاری جایگزین کامل امتیازدهی اعتباری نیست، بلکه معمولا مکمل آن است. امتیاز اعتباری بر سابقه بدهی و بازپرداخت متقاضی تکیه دارد و برای پیش‌بینی رفتار آینده از تجربه گذشته استفاده می‌کند. امتیاز رفتاری نیز تغییرات رفتار مالی مشتری (مانند کاهش پایدار ورودی حساب، افزایش استفاده از سقف اعتبار، تاخیرهای تازه در پرداخت یا نوسان شدید مانده‌حساب) را بررسی می‌کند.

مزیت داده‌های رفتاری، تازگی و تکرار بیشتر آنهاست و برای بررسی مشتریانی که سابقه اعتباری محدودی دارند یا پایش پس از اعطای وام، کاربرد دارند. با این حال، رفتار مالی همیشه علت نکول را نشان نمی‌دهد و اتفاقی مانند کاهش مانده‌حساب ممکن است ناشی از هزینه درمان، تغییر زمان واریز حقوق یا انتقال دارایی میان حساب‌ها باشد. ازاین‌رو، تفسیر داده باید باتوجه‌به زمینه بوده و سازوکار اعتراض و بازبینی انسانی برای آن پیش‌بینی شود.

داده در کنار  وثیقه

در وام‌های خــرد دیجیتــال، داده می‌تــوانـــد نیـــاز بـــه برخی تضامین را کاهش دهد، اما از نظر حقوقی و اقتصادی "وثیقه" محسوب نمی‌شود. وثیقه دارایی یا تعهدی است که درصورت نکول قابلیت وصول دارد؛ درحالی‌که امتیاز رفتاری فقط احتمال بازپرداخت را برآورد می‌کند.

داده و مدل‌های پیش‌بینی می‌توانند به موسسات مالی کمک کنند وام‌های کوچک بدون وثیقه را با دقت بیشتری قیمت‌گذاری و مدیریت کنند. پس از پرداخت نیز سامانه‌های هشدار زودهنگام ممکن است تغییرات معنادار در جریان وجوه یا رفتار بازپرداخت را شناسایی کنند. واکنش موسسه مالی باید در چارچوب قرارداد و مقررات (مانند تماس با مشتری، پیشنهاد بازسازی بدهی یا محدود کردن اعتبار استفاده‌نشده) باشد. افزایش یک‌جانبه نرخ سود، برداشت از حقوق آینده یا وصول زودتر از موعد نیز با رضایت مشتریان قابل‌اعمال است.

شاخص‌های قابل‌اتکا

شاخص‌های مناسب اعتبارسنجی رفتاری باید ارتباط روشن و قابل‌سنجشی با توان یا تمایل بازپرداخت داشته باشند. در اعتبارسنجی مبتنی‌بر جریان نقد، پایداری و تکرار درآمد، نسبت اقساط و بدهی به درآمد، نوسان مانده‌حساب، وجود کسری‌های مکرر، نظم پرداخت تعهدات و روند تغییر مخارج بررسی می‌شود. برای کسب‌وکارهای کوچک نیز فروش، گردش حساب، حاشیه جریان نقد، تمرکز مشتریان و تامین‌کنندگان و فصلی بودن درآمد اهمیت دارد.

طبقه‌بندی مخارج می‌تواند به شناخت تعهدات ثابت کمک کند، اما باید با احتیاط انجام شود. هر متغیر باید از نظر قدرت پیش‌بینی، ثبات در زمان، تناسب با هدف و خطر تبعیض آزمایش شود.

فرآیند تصمیم‌گیری

در یک فرآیند استاندارد، مشتری با آگاهی از نوع داده و استفاده از آن، اجازه دسترسی محدود و زمان‌دار می‌دهد. سامانه پس از دریافت داده، کیفیت و کامل بودن آن را بررسی و ویژگی‌های مرتبط را استخراج می‌کند. مدل احتمال نکول را برآورد می‌کند و نتیجه در کنار قواعد سیاست اعتباری، ظرفیت بازپرداخت و الزامات قانونی قرار می‌گیرد.

خروجی مدل نباید به یک عدد مبهم محدود شود و موسسه مالی باید بتواند عوامل اصلی موثر بر تصمیم (مانند نسبت بالای بدهی به درآمد یا سابقه تاخیر) را توضیح دهد. برای پرونده‌های مرزی، داده‌های ناقص یا اعتراض مشتری، بازبینی انسانی ضروری است. سرعت بالای تصمیم‌گیری مزیت وام‌دهی دیجیتال است، اما نباید جای کنترل کیفیت، احراز هویت، پیشگیری از تقلب و ارزیابی توان بازپرداخت را بگیرد.

تجربه‌های جهانی

ترکیب یادگیری ماشین با داده‌های غیرکلاسیک می‌تواند قدرت پیش‌بینی ریسک را (به‌ویژه برای متقاضیانی که سابقه اعتباری کوتاه‌تری دارند) افزایش دهد. بانک جهانی نیز استفاده از داده‌های جایگزین را راهی بالقوه برای گسترش دسترسی افراد و کسب‌وکارهای کوچک به اعتبار می‌داند، اما بر حاکمیت داده، رضایت مشتری، شفافیت و نظارت تاکید می‌کند.

در بازارهای نوظهور، برخی وام‌دهندگان از داده‌های تلفن همراه و پرداخت استفاده کرده‌اند. این تجربه‌ها همزمان دو نتیجه داشته است:

بخشی از مشتریان فاقد سابقه اعتباری به وام دسترسی یافته‌اند،

اما نگرانی‌هایی درباره بدهکار شدن بیش‌ازحد، دسترسی گسترده به اطلاعات شخصی و شیوه وصول مطالبات شکل گرفته است. بنابراین موفقیت یک مدل فقط با نرخ تایید یا سرعت پرداخت سنجیده نمی‌شود؛ کیفیت پرتفوی، شکایت مشتریان، تکرار بدهی و آثار رفاهی نیز باید بررسی شود.

برنامک وام‌دهی خرد Tala در بازارهای کنیا، فیلیپین، هند و مکزیک فعالیت می‌کند و نوآوری اصلی آن استفاده از داده‌های تلفن همراه هوشمند به‌عنوان جایگزین کامل وثیقه است. کاربر فقط اجازه می‌دهد برنامک به لیست تماس‌ها، تاریخچه پیامک، مخاطبان پرتکرار، مصرف اینترنت و حتی دفعات شارژ گوشی دسترسی پیدا کند. سپس مدل Tala از روی این داده‌ها تخمین می‌زند: آیا کاربر شبکه اجتماعی باثباتی دارد (تعداد تماس‌های ورودی و خروجی متوازن)؟ آیا الگوی شارژ گوشی نشان‌دهنده اشتغال منظم است؟ آیا در پیامک‌ها، تهدید به نکول یا درخواست قرض از دیگران وجود دارد؟

نئوبانک Monzo به کاربران اجازه می‌دهد تمام حساب‌های خود (حتی حساب‌های سایر بانک‌ها) را به آن متصل کنند. سیستم Monzo با استفاده از دسته‌بندی خودکار تراکنش‌ها (خورد و خوراک، کرایه خانه، سرگرمی و درمانی و غیره) یک نمایه ریسک شغلی-رفتاری می‌سازد. نکته منحصربه‌فرد Monzo این است که درصورت مشاهده رفتار پرریسک (مانند قمار آنلاین)، سقف خرید را کاهش می‌دهد و یک پیام هشدار با گزینه "مشاوره بدهی" ارسال می‌کند.

اعتبارسنجی رفتاری در ایران

در ایران، برخی بانک‌ها، نئوبانک‌ها و لندتک‌ها برای تسهیلات خرد از گردش حساب، سابقه تعامل مشتری و رفتار بازپرداخت استفاده می‌کنند؛ اما شرایط نهایی هر محصول به سیاست اعتباری موسسه، مقررات، مبلغ وام و قرارداد بستگی دارد. در بسیاری از محصولات، اعتبارسنجی دیجیتال به حذف کامل تضمین منجر نشده و ممکن است چک صیادی، ضامن یا تعهدات دیگری نیز درخواست شود.

توسعه سامانه‌های متمرکز اطلاعات تسهیلات و تعهدات، گزارش‌های اعتباری و داده‌های چک می‌تواند زیرساخت تصمیم‌گیری دقیق‌تر را فراهم کند. سابقه بازپرداخت تسهیلات، بدهی‌های معوق، تعهدات جاری و اطلاعات چک از مهم‌ترین داده‌های اعتباری هستند. استفاده از داده‌های تراکنشی یا اطلاعات سایر دستگاه‌ها، نیازمند مبنای قانونی روشن، کیفیت‌سنجی و تعیین دقیق سطح دسترسی است.

ریسک‌های اصلی

نخستین ریسک، حریم خصوصی و امنیت داده است. داده‌های مالی می‌توانند جزئیات حساسی از زندگی فرد آشکار کنند و درصورت نشت یا استفاده ثانویه، خسارت جدی ایجاد کنند. رضایتنامه طولانی و مبهم در متن تخصصی حقوقی، جای رضایت آگاهانه را نمی‌گیرد؛ مشتری باید بداند چه داده‌ای، برای چه هدفی، تا چه زمانی و با چه اشخاصی استفاده می‌شود.

دومین ریسک، سوگیری الگوریتمی است. مدل ممکن است تبعیض‌های موجود در داده تاریخی را بازتولید کند یا از متغیرهایی استفاده کند که به‌طور غیرمستقیم نماینده طبقه، جنسیت یا محل زندگی هستند.

ریسک سوم، خطای مدل و تغییر شرایط اقتصادی است؛ مدلی که در دوره ثبات عملکرد خوبی دارد ممکن است در رکود یا تورم شدید دقت خود را از دست بدهد. توضیح‌پذیری، آزمون تنش، پایش مستمر، ممیزی مستقل و امکان اعتراض مشتری برای کنترل این ریسک‌ها ضروری است.

وام‌دهی مسئولانه

هدف اعتبارسنجی فقط کاهش زیان وام‌دهنده نبوده بلکه جلوگیری از اعطای وامی است که مشتری توان بازپرداخت آن را ندارد. شاخص‌های ارزیابی باید علاوه‌بر دقت پیش‌بینی، نرخ نکول، زیان واقعی، تعداد شکایت‌ها، میزان بازسازی بدهی، تفاوت عملکرد میان گروه‌های جمعیتی و پایداری مدل در زمان را پوشش دهند. استفاده از داده‌های بیشتر زمانی ارزشمند است که تصمیم منصفانه‌تر، قابل‌توضیح‌تر و متناسب‌تری ایجاد کند.

آینده اعتبارسنجی

وام‌دهی مبتنی‌بر داده می‌تواند دسترسی به اعتبار را برای افراد و بنگاه‌هایی که پرونده اعتباری کامل ندارند گسترش دهد و پایش ریسک را به‌روزتر کند. بااین‌حال، داده جایگزین قرارداد معتبر، ارزیابی توان بازپرداخت یا مدیریت حرفه‌ای ریسک نمی‌شود. بهترین الگو، ترکیب داده‌های معتبر، مدل‌های آزموده‌شده، قواعد شفاف و قضاوت انسانی است.

بانک‌ها و لندتک‌ها پیش از استفاده از هر منبع داده باید سه پرسش را پاسخ دهند: آیا این داده واقعا به بازپرداخت مرتبط است؟ آیا استفاده از آن قانونی، منصفانه و قابل‌توضیح است؟ آیا منفعت پیش‌بینی آن از هزینه‌های حریم خصوصی و خطر تبعیض بیشتر است؟ پاسخ دقیق به این پرسش‌ها مرز میان اعتبارسنجی هوشمند و نظارت بی‌ضابطه را مشخص می‌کند.