Borç verme ekonomik büyümenin önemli bir itici gücüdür. Ancak katı düzenlemelere ve güçlü temellere rağmen Hindistan ekonomisi ciddi bir kredi açığından muzdarip. Bu açığın iyi bir göstergesi, Hindistan'da %50 olan kredi/gayri safi yurt içi hasıla (GSYH) oranı, Çin'de %177'dir. Bu açığın etkisi, mikro, küçük ve orta ölçekli işletmeler (MSME'ler) ve nano-KOBİ kredi alanlar için çok ciddidir; çünkü mevcut bankacılık altyapısı, yüksek işletme maliyetleri ve kredi alma güçlükleri nedeniyle onlara yeterince ulaşamamaktadır. Borç verme ve borç verme kararlarında yapay zeka (AI) ve makine öğrenimi (ML) için en büyük fırsatın yattığı yer burasıdır.
Yapay zeka
ICRA tahminlerine göre, 2024 Mali Yılında talebin düşük değerli teminatsız kredilerden kaynaklanmasıyla %16 oranında kredi büyümesi kaydettik. Bu büyüme oranı sağlıklı olmasına rağmen, aşırı kaldıraç ve ortalamanın altında kredilendirme gibi zayıf kredilendirme uygulamalarına ilişkin endişelere yol açarak düzenleyici kurumun (Hindistan Merkez Bankası) kredilendirme normlarını sıkılaştırmasına yol açtı. Bu sıkılaştırma, büyük olasılıkla kredi büyüme oranlarını 2025 Mali Yılında %11-12'ye itecek ve küçük kredilerle ilişkili riskleri, yani son derece düşük maliyetle yönetmenin önemini vurgulayacaktır.
Artık kriketteki en sevdiğiniz oyunu izleyebilirsiniz. Her zaman ve her yerde. Nasıl olduğunu öğrenin
Riski, yani borçlunun kredi itibarını anlamak ve ölçmek için iki şeyi değerlendirmemiz gerekir: geri ödeme yeteneği ve geri ödeme isteği.
Yapay zeka modelleri, finansal kurumlardaki müşteri yaşam döngüsünün farklı aşamaları için çok yönlü bir araç seti sağlar. Bu uygulamalar kabaca birkaç kategoriye ayrılabilir:
· Kredi kararları: Kredi kararlarında AI/ML tekniklerinin kullanılması, denetimli veya denetimsiz öğrenme algoritmalarının kullanımını içerir. Örneğin, kredi bürolarını analiz etmek için ML'yi kullanmak, yanlış bildirilen krediler, vade oranları gibi belirli geri ödeme yapıları, bölgeler ve meslekler arasındaki temerrüt eğilimleri ve ilçeler ve eyaletler içindeki gelir dağılımları hakkında bilgi sağlayabilir. Bu tür bir analiz, kullanıcının geri ödeme yeteneğinin değerlendirilmesine yardımcı olur.
· Dolandırıcılık ve kötü niyetli aktörlerin tespiti: Kredi başvuruları sırasında uygulamayla etkileşim, kopyala-yapıştır eğilimleri, veri düzeltme sıklığı ve bağlantı değişiklikleri de dahil olmak üzere kullanıcı davranışlarının yakından incelenmesiyle potansiyel tehlike işaretleri tespit edilebilir. KYC alanında, çeşitli kaynaklardan gelen kullanıcı verilerinin bütünlüğünü değerlendirmek, sahtekar borçluların tespit edilmesine ve geri ödeme istekliliklerinin değerlendirilmesine yardımcı olur.
· Erken uyarı işaretleri: Kredi ödendikten sonra finansal kuruluşların geri ödeme davranışlarını yakından takip etmesi gerekmektedir. Başarılı borç tahsilatı için ofis verileri dikkatle incelenerek ve ML teknikleri kullanılarak riskler belirlenebilir ve proaktif önlemler alınabilir.
· Operasyonel verimlilik: Akıllı sistemler, genellikle operasyon ekipleri tarafından gerçekleştirilen eylemleri öğrenerek ve otomatikleştirerek operasyonları optimize edebilir. ML tekniklerinin uygulanması geri dönüş süresini (TAT) önemli ölçüde azaltır ve manuel müdahaleden kaynaklanan hata oranını en aza indirir.
· Borç tahsilatının verimliliğinin artırılması: Etkin borç tahsilatı, bir kredi kuruluşu için büyük önem taşımaktadır. Yapay zeka modelleri, geri ödeme modellerini, tercih edilen geri ödeme türlerini ve iletişimlerle kullanıcı etkileşimlerini tanımlayarak proaktif borç tahsilatı sorunlarının çözülmesine olanak tanır.
Uygun AI/ML algoritmasının seçilmesi işin türüne ve toplanan verilerin kalitesine bağlıdır. Yapılandırılmamış verilerle çalışan kurumlar için denetimsiz öğrenme değerli bilgiler sunar. Bu bağlamda kümeleme veya ilişkilendirme algoritmaları model oluşturmak için uygun seçeneklerdir. Denetimli öğrenme ise kullanıcı verilerinden kolektif zekayı kullanan yerleşik finansal kurumlar için daha uygundur. Regresyon ve sınıflandırma, bu tür modellerde kullanılan başlıca algoritma türleridir.
Önümüzdeki yıllarda iki kredi alt sektörünün yapay zeka tabanlı borçlanmada önemli bir artış görmesi muhtemel. Birincisi: Halihazırda erkeklerden daha fazla kredi veren kadınlar, özellikle küçük işletmeler için kredi talebinde bulunuyor. Kadınlar, başvuru sırasında geleneksel kredi verme verilerine daha az sahip olma eğilimindedir, ancak tasarruf + harcama, grup tasarrufları vb. şeklinde yeterli alternatif verilerden daha fazlasına sahiptirler. Özel yapay zeka/öğrenme öğrenimi araçları yalnızca kredi vermede yaygın olan cinsiyet önyargılarını ortaya çıkarmakla kalmaz, ortadan kaldırır, ancak aynı zamanda daha iyi alternatif veriye dayalı kredilendirmeye de yol açabilirler.
İkinci alt sektör, risk değerlendirmesinin genellikle hane geliri dinamikleri, nakit girişlerinin mevsimselliği vb. gibi bireysel borçlunun çok ötesine geçen verileri yakalaması gereken kırsal ve yarı kentsel alanlardan borçluları içerir. Bu da yapay zeka için idealdir. ondan öğrenecek ve kullanacak tabanlı modeller.
Genel olarak, AI/ML araçlarının kredi verme şeklini dönüştürme yeteneği, Hindistan'ın büyüme hikayesiyle özellikle alakalı ve önemlidir.
Bu makale IndiaP2P'nin kurucu ortağı Mohit Gupta tarafından yazılmıştır.
Yapay zeka
ICRA tahminlerine göre, 2024 Mali Yılında talebin düşük değerli teminatsız kredilerden kaynaklanmasıyla %16 oranında kredi büyümesi kaydettik. Bu büyüme oranı sağlıklı olmasına rağmen, aşırı kaldıraç ve ortalamanın altında kredilendirme gibi zayıf kredilendirme uygulamalarına ilişkin endişelere yol açarak düzenleyici kurumun (Hindistan Merkez Bankası) kredilendirme normlarını sıkılaştırmasına yol açtı. Bu sıkılaştırma, büyük olasılıkla kredi büyüme oranlarını 2025 Mali Yılında %11-12'ye itecek ve küçük kredilerle ilişkili riskleri, yani son derece düşük maliyetle yönetmenin önemini vurgulayacaktır.
Artık kriketteki en sevdiğiniz oyunu izleyebilirsiniz. Her zaman ve her yerde. Nasıl olduğunu öğrenin
Riski, yani borçlunun kredi itibarını anlamak ve ölçmek için iki şeyi değerlendirmemiz gerekir: geri ödeme yeteneği ve geri ödeme isteği.
Yapay zeka modelleri, finansal kurumlardaki müşteri yaşam döngüsünün farklı aşamaları için çok yönlü bir araç seti sağlar. Bu uygulamalar kabaca birkaç kategoriye ayrılabilir:
· Kredi kararları: Kredi kararlarında AI/ML tekniklerinin kullanılması, denetimli veya denetimsiz öğrenme algoritmalarının kullanımını içerir. Örneğin, kredi bürolarını analiz etmek için ML'yi kullanmak, yanlış bildirilen krediler, vade oranları gibi belirli geri ödeme yapıları, bölgeler ve meslekler arasındaki temerrüt eğilimleri ve ilçeler ve eyaletler içindeki gelir dağılımları hakkında bilgi sağlayabilir. Bu tür bir analiz, kullanıcının geri ödeme yeteneğinin değerlendirilmesine yardımcı olur.
· Dolandırıcılık ve kötü niyetli aktörlerin tespiti: Kredi başvuruları sırasında uygulamayla etkileşim, kopyala-yapıştır eğilimleri, veri düzeltme sıklığı ve bağlantı değişiklikleri de dahil olmak üzere kullanıcı davranışlarının yakından incelenmesiyle potansiyel tehlike işaretleri tespit edilebilir. KYC alanında, çeşitli kaynaklardan gelen kullanıcı verilerinin bütünlüğünü değerlendirmek, sahtekar borçluların tespit edilmesine ve geri ödeme istekliliklerinin değerlendirilmesine yardımcı olur.
· Erken uyarı işaretleri: Kredi ödendikten sonra finansal kuruluşların geri ödeme davranışlarını yakından takip etmesi gerekmektedir. Başarılı borç tahsilatı için ofis verileri dikkatle incelenerek ve ML teknikleri kullanılarak riskler belirlenebilir ve proaktif önlemler alınabilir.
· Operasyonel verimlilik: Akıllı sistemler, genellikle operasyon ekipleri tarafından gerçekleştirilen eylemleri öğrenerek ve otomatikleştirerek operasyonları optimize edebilir. ML tekniklerinin uygulanması geri dönüş süresini (TAT) önemli ölçüde azaltır ve manuel müdahaleden kaynaklanan hata oranını en aza indirir.
· Borç tahsilatının verimliliğinin artırılması: Etkin borç tahsilatı, bir kredi kuruluşu için büyük önem taşımaktadır. Yapay zeka modelleri, geri ödeme modellerini, tercih edilen geri ödeme türlerini ve iletişimlerle kullanıcı etkileşimlerini tanımlayarak proaktif borç tahsilatı sorunlarının çözülmesine olanak tanır.
Uygun AI/ML algoritmasının seçilmesi işin türüne ve toplanan verilerin kalitesine bağlıdır. Yapılandırılmamış verilerle çalışan kurumlar için denetimsiz öğrenme değerli bilgiler sunar. Bu bağlamda kümeleme veya ilişkilendirme algoritmaları model oluşturmak için uygun seçeneklerdir. Denetimli öğrenme ise kullanıcı verilerinden kolektif zekayı kullanan yerleşik finansal kurumlar için daha uygundur. Regresyon ve sınıflandırma, bu tür modellerde kullanılan başlıca algoritma türleridir.
Önümüzdeki yıllarda iki kredi alt sektörünün yapay zeka tabanlı borçlanmada önemli bir artış görmesi muhtemel. Birincisi: Halihazırda erkeklerden daha fazla kredi veren kadınlar, özellikle küçük işletmeler için kredi talebinde bulunuyor. Kadınlar, başvuru sırasında geleneksel kredi verme verilerine daha az sahip olma eğilimindedir, ancak tasarruf + harcama, grup tasarrufları vb. şeklinde yeterli alternatif verilerden daha fazlasına sahiptirler. Özel yapay zeka/öğrenme öğrenimi araçları yalnızca kredi vermede yaygın olan cinsiyet önyargılarını ortaya çıkarmakla kalmaz, ortadan kaldırır, ancak aynı zamanda daha iyi alternatif veriye dayalı kredilendirmeye de yol açabilirler.
İkinci alt sektör, risk değerlendirmesinin genellikle hane geliri dinamikleri, nakit girişlerinin mevsimselliği vb. gibi bireysel borçlunun çok ötesine geçen verileri yakalaması gereken kırsal ve yarı kentsel alanlardan borçluları içerir. Bu da yapay zeka için idealdir. ondan öğrenecek ve kullanacak tabanlı modeller.
Genel olarak, AI/ML araçlarının kredi verme şeklini dönüştürme yeteneği, Hindistan'ın büyüme hikayesiyle özellikle alakalı ve önemlidir.
Bu makale IndiaP2P'nin kurucu ortağı Mohit Gupta tarafından yazılmıştır.