اعتبارسنجی با دادهٔ جایگزین؛ وام برای کسانی که سابقهٔ بانکی ندارند

۱مقدمه

مدل‌های سنتی اعتبارسنجی بر سابقهٔ وام و چک تکیه دارند؛ پس جوانان، صاحبان کسب‌وکارهای خرد و فریلنسرها اغلب بدون امتیاز می‌مانند، حتی اگر درآمد منظم داشته باشند.

۲بررسی موضوع

دادهٔ جایگزین یعنی نشانه‌هایی مثل نظم در پرداخت قبوض، گردش حساب، سابقهٔ خرید اقساطی و الگوی درآمد. ترکیب این داده‌ها با مدل‌های یادگیری ماشین می‌تواند ریسک را دقیق‌تر برآورد کند.

اما دو شرط اساسی دارد: رضایت آگاهانهٔ مشتری برای استفاده از داده‌ها، و شفافیت و انصاف مدل تا گروهی به‌طور ناعادلانه کنار گذاشته نشود. ناظر بانکی نیز باید چارچوب استفاده از این داده‌ها را روشن کند.

نمونه‌های رایج دادهٔ جایگزین عبارت‌اند از: سابقهٔ پرداخت منظم قبوض آب، برق و تلفن همراه؛ الگوی واریز و برداشت در حساب بانکی؛ سابقهٔ خرید و بازپرداخت اقساط در فروشگاه‌های اینترنتی؛ و برای کسب‌وکارها، داده‌های فروش از درگاه پرداخت و صورت‌حساب‌های الکترونیکی. هر یک از این داده‌ها، نشانه‌ای از نظم مالی و توان بازپرداخت فرد است.

از منظر فنی، مدل‌های یادگیری ماشین مانند تقویت گرادیان، با ترکیب این متغیرها، احتمال نکول را برآورد می‌کنند. اما اعتبارسنجی مدل باید روی داده‌هایی انجام شود که در آموزش آن به کار نرفته‌اند، و عملکرد آن برای گروه‌های مختلف جامعه به‌طور جداگانه سنجیده شود تا سوگیری پنهان آشکار گردد.

۳جمع‌بندی

تجربهٔ بین‌المللی نشان داده است که استفادهٔ مسئولانه از دادهٔ جایگزین می‌تواند دسترسی گروه‌های کم‌برخوردار به اعتبار را افزایش دهد. در ایران نیز گسترش سامانه‌های اعتبارسنجی و یکپارچه‌سازی داده‌ها، زمینهٔ این تحول را فراهم کرده است؛ به شرط آنکه حریم خصوصی، شفافیت و حق اعتراض مشتری به‌طور کامل رعایت شود.