اعتبارسنجی مشتریان حقوقی: تغییر آرام یک الگو

موسسات وام‌دهی با شکل‌ها و اندازه‌های مختلف در مسیر تحول دیجیتالی قرار گرفته‌اند که آن‌ها را از مزایای خودکارسازی فرآیندها و فرصت‌های جدید تجاری بهره‌مند می‌سازد. پیش از شیوع بیماری کووید-19، پیشروان استفاده از پیشرفت‌های فناوری به مزیت رقابتی دست یافته بودند؛ اما امروزه، بیشتر موسسات مالی از فناوری‌های دیجیتال در سمت‌های مختلف کسب‌وکار خود استفاده می‌کنند. نظرسنجی‌ای که توسط گارتنر از 3000 مدیر ارشد فناوری اطلاعات صورت گرفته بود عنوان می‌کرد که تعداد موسساتی که از هوش مصنوعی استفاده می‌کنند طی سال‌های 2018 تا 2019 از 4% به 14% رشد کرده‌ است.

با مشاهده‌ی این مطالعات و روند فعلی دنیای تکنولوژی به راحتی می‌توان اختلال عظیمی که در صنعت بانکی توسط هوش مصنوعی به وجود آمده است را درک کرد – اختلالی که به لطف دسترسی راحت‌تر به الگوریتم‌های بهتر و سریع‌تر در حال پیشرفت است. طبق گزارش هیئت پایداری مالی ایالات متحده، استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین و خودکارسازی فرآیندها در بسیاری از خطوط کسب‌وکاری بانک از جمله بازاریابی، مدیریت تجربه مشتری، تشخیص کلاهبرداری و معامله‌گری امری عادی است. انتظار می‌رود هوش مصنوعی و یادگیری ماشین قادر به تشخیص علائم اولیه‌ی بحران با استفاده از تحلیل پیش‌بینی جریان‌های نقد، داده‌های درآمد و هزینه و داده‌های دیگر باشند. علاوه بر این، این فناوری‌ها می‌توانند پیش‌بینی‌‌های دقیق‌تری با استفاده از داده‌های برخط ارائه کنند – به خصوص پیش‌بینی‌های کوتاه‌مدت که جایگزین دیدگاه‌های بلندمدت خواهند شد.

با این حال، به‌کارگیری هوش مصنوعی و یادگیری ماشین در حوزه‌های دیگر کسب‌وکار بانک‌ها آن‌چنان که باید پیگیری نشده است. برای مثال، کمی‌سازی ریسک اعتباری طی سال‌های اخیر پیشرفت‌های چشمگیری داشته است. اما همچنان قسمت‌هایی از کسب‌وکار اعطای وام – مانند وام‌دهی به مشتریان حقوقی – از کمک این فناوری‌های مفید بی‌بهره مانده‌اند.

ناگفته نماند که خیلی وقت است از دوران فرمول زِد آلتمن[1] (که در آن یک مدل تحلیلی خطی پنج‌متغیره احتمال ورشکستگی را برآورد می‌کرد) گذشته‌ایم، اما اساس وام‌دهی به مشتریان حقوقی همچنان به‌مقدار زیادی از دسترسی هوش مصنوعی و یادگیری ماشین دور مانده است. و این موضوع کاملاً قابل لمس است. طبق گزارش اخیر شرکت مشاوره مدیریت مک‌کنزی، مدت معمول برای «زمان تصمیم‌گیری» برای مشتریان حقوقی بین سه تا پنج هفته است، در حالی که «زمان اعطای وام» به طور معمول حدود سه ماه طول می‌کشد. این زمان تفاوت فاحشی با فرآیند سریعِ تصمیم‌گیری خودکار در وام‌های خرد دارد که تقریباً بدون ذره‌ای تأخیر صورت می‌گیرد و چندین دهه است که مورد استفاده قرار می‌گیرد (و حتی در همین بازار هم فرصت‌های زیادی برای پیشرفت وجود دارد، زیرا بانک‌ها در به‌کارگیری هوش مصنوعی و یادگیری ماشین و به‌طور خاص‌تر مدل‌های دسته‌بندی با قابلیت پیش‌بینی‌ بالاتری آهسته عمل می‌کنند.)

بسیاری از شرکت‌ها و موسسات استفاده از هوش مصنوعی و یادگیری ماشین را به تعویق می‌اندازند، زیرا نگرانی‌هایی در مورد عدم شفافیت و تفسیرپذیری این مدل‌ها و عدم تطابق آن‌ها با سیستم‌های فعلی خود دارند. اما بخش تسهیلات حقوقی دلایل دیگری برای تعلل خود دارد. طبق گزارش شرکت مشاوره مدیریت مک‌کنزی، وام‌دهی به شرکت‌ها و مشتریان حقوقی از قدیم‌الایام بر اساس «تحلیل علت و معلولی چندین ساله‌ی نکول‌ها و ارزیابی عوامل» پایدار بوده است. این در عمل باعث شده که کل ساختار بر اساس فرآیندهای دستی و کنترل‌های چندین باره بنا شود و تا به امروز نیز بدون تغییر باقی بماند. چرا؟ زیرا موسسات مالی همچنان معتقد به فرآیند وام‌دهی کاملاً دستی برای مشتریان حقوقی هستند. این اعتقادات باعث شده هرگونه استفاده از تکنیک‌های خودکارسازی از جمله هوش مصنوعی و یادگیری ماشین با مشکل مواجه شود.

 نگرانی دیگر موسسات مالی داده‌هایی است که توسط شرکت‌ها گزارش می‌شود. وام‌دهندگان می‌دانند که شرکت‌ها برای دریافت وام ممکن است اقدام به دستکاری دفاتر، ارائه‌ی داده‌ی غیرواقعی از فروش و پروژه‌های رشد کنند تا شانس خود را برای دریافت وام افزایش دهند. در حال حاضر بانک‌ها بر تجربه‌ی مدیران دایره‌ی اعتبارات خود – و نه تحلیلی‌های مبتنی بر هوش مصنوعی و یادگیری ماشین – اتکا می‌کنند که قادرند با استفاده از منابع متنوع داده‌ای توانایی متقاضی وام برای بازپرداخت وام متناسب با حجم درخواستی را مشخص کنند.

چه چیزی نیاز است تا این مفروضات دیرینه شکسته شوند؟ چه اتفاقی باید بیفتد تا بانک‌ها به قضاوت هوش مصنوعی و یادگیری ماشین در مورد دقت داده‌ها و خودکارسازی فرآیند وام‌دهی به مشتریان حقوقی اعتماد کنند؟ این سه دلیل می‌تواند جوابگوی ما باشند:

1. اثبات با استناد به اعداد و ارقام که هوش مصنوعی و یادگیری ماشین به اندازه‌ی فرآیندهای دستی در وام‌دهی به مشتریان حقوقی موثر هستند.
2. ارتقای فرهنگ شرکتی و فعالیت‌های ریسکی.
3. در پیش گرفتن یک رویکرد پیشرفت تدریجی در به‌کارگیری هوش مصنوعی و یادگیری ماشین در وام‌دهی به مشتریان حقوقی.

وضعیت فعلی صنعت: تجزیه و تحلیل یک فرآیند ریسک اعتباری (اعطای وام)

برای درک بهتر ارزش واقعی هوش مصنوعی و یادگیری ماشین در کمی‌سازی و خودکارسازی وام‌دهی به مشتریان حقوقی، ابتدا وضعیت فعلی اعطای وام در یک بانک معمولی را مورد بررسی قرار می‌دهیم.

کمی‌سازی ریسک یکی از اصلی‌ترین اجزای این فرآیند است و شامل ارزیابی احتمال نکول، زیان در صورت نکول (LGD) و بازده‌ی تعدیل‌شده با ریسک سرمایه (RAROC) است. با اینکه این ابزارهای کمی‌سازی ریسک امروزه بسیاری متداول هستند، اما محاسبه‌ی آن‌ها به‌طوری که قابل اتکا باشد می‌تواند بسیار دشوار باشد.

برای مثال، در هنگام ساخت مدل‌های ریسک اعتباری برای وام‌دهی به مشتریان حقوقی، متخصصین داده با دو چالش کلیدی روبرو می‌شوند: کمبود داده و کیفیت داده. مشکلات کیفیت داده در تمامی پروژه‌های مدل‌سازی وجود دارند، اما کمبود داده بیشتر در مساله‌ی وام‌دهی به مشتریان حقوقی خود را نشان می‌دهد. در واقع، متخصصین داده معمولاً مدل‌های خود را با تعداد کمی نکول می‌سازند، یا از داده‌های خارجی برای این کار استفاده می‌کنند. نتیجه‌ی این کار نمونه‌ داده‌هایی است که از حالت ایده‌آل خود فاصله دارند و قادر به مدل‌سازی دقیق واقعیت نیستند.

ملاحظات کیفی و کمی

زمانی که بانک‌ها از نمونه‌های غیرعالی استفاده می‌کنند، غالباً مجبور می‌شوند مشخصه‌های کیفی قضاوتی مانند توانایی‌های رقابتی تیم مدیریتی شرکت و عملکرد موثرشان، جایگاه رقابتی نسبی شرکت در بازار مربوطه یا حتی محل جایگیری شرکت (منطقه‌ی قابل اعتماد یا غیرقابل اعتماد) را وارد محاسبات‌ خود بکنند. استفاده از این مشخصه‌های کیفی می‌تواند سودمند باشد – برای مثال، با تشویق به ارزیابی‌های دقیق‌تر ریسک از طریق دخیل‌کردن اطلاعاتی که به سختی اندازه‌گیری می‌شوند. اما جمع‌آوری این داده‌ها زمان و هزینه‌ی بسیار زیادی می‌طلبد، زیرا نمی‌توان چنین کاری را خودکار کرد.

به طور خلاصه، به‌دلیل مشکلات کیفیت داده‌ها، فرآیند کاملاً کمی و عددی ارزیابی ریسک اعتباری تسهیلات حقوقی باید شامل ملاحظاتی کیفی شود که به صورت دستی پردازش می‌شوند و محاسبه‌ی آن‌ها به صورت تخمینی صورت می‌گیرد. در گذشته، چنین عوامل کیفی به وام‌گیرندگان کمک کرده است تا مدیران اعطای اعتبار و دیگر تصمیم‌گیرندگانی که اعتماد کافی به داده‌های ارائه‌شده نداشته‌اند را به‌صورتی متقاعد کنند.

با روی کار آمدن تکنیک‌های مدل‌سازی پیشرفته‌تر و افزایش حجم داده‌ها، یک سوال باقی می‌ماند: آیا می‌توان از هوش مصنوعی و یادگیری ماشین برای بهبود بیشتر ارزیابی ریسک اعتباری استفاده کرد؟

دیدگاه‌های آکادمیک: تحقیقات چه می‌گوید؟

ریسک اعتباری امروزه همچنان در مرکز توجه بسیاری از تحقیقات آکادمیک قرار دارد، زیرا یافتن تکنیک‌های بهتر برای اندازه‌گیری ریسک می‌تواند تأثیر زیادی بر ترازنامه‌ی بانک و موقعیت مالی آن داشته باشد. بسیاری از تحقیقات اخیر روی دو سوال تاکید داشته‌اند:

• تأثیر الگوریتم‌های هوش مصنوعی و یادگیری ماشین بر برآورد نکول چه بوده است؟
• تأثیر استفاده از منابع داده‌ی بیشتر بر مدل‌سازی چه بوده است؟

کمی‌سازی تأثیر الگوریتم‌های هوش مصنوعی و یادگیری ماشین

اکثر مطالعات آکادمیک نشان می‌دهند که هوش مصنوعی و یادگیری ماشین بهبودهای بالقوه‌ای با خود به همراه دارند – اما این به قیمت پیچیدگی بیشتر مدل و عدم وضوح آن صورت می‌پذیرد. به‌علاوه، این مطالعات نشان می‌دهد که در عین عملکرد مناسب‌تر مدل‌های هوش مصنوعی و یادگیری ماشین نسبت‌ به روش‌های برآورد آماری (مانند رگرسیون لجیت)، توافق جمعی در صنعت بدین صورت است که این بهبودهای جزئی عملکردی در مطالعات لزوماً به معنای بهبود ملموس در فضای کسب‌وکاری نیست. در دنیای واقعی، عواملی همچون داده‌ی کثیف، مشکلات پیاده‌سازی، پایداری، شرایط متغیر اقتصادی و تغییرات در سیاست‌های دولتی می‌تواند به‌سرعت آن بهبودهای جزئی آکادمیک را از بین ببرد.

تحلیلی از مطالعات اخیر آکادمیک نشان‌گر آن است که می‌توان بهبودهای واقعی در امر وام‌دهی شرکتی یا به مشتریان حقوقی را از طریق تکنیک‌های پیشرفته‌ی هوش مصنوعی و یادگیری ماشین بدست آورد. برآیندی از بررسی نتایج مطالعات مختلف در شکل 2 نمایش داده شده است. مختصات هر نقطه روی نقشه نماینده‌ی معیار عملکرد تخمینی هر مدل در مطالعات است که محور افقی نشانگر عملکرد تخمین مدل پایه‌ی لجستیک و محور عمودی بهترین عملکرد مدل هوش مصنوعی/یادگیری ماشین است. همان‌طور که مشاهده می‌شود هوش مصنوعی یا یادگیری ماشین در تمامی پنج مطالعه از رگرسیون لجیت عملکرد بهتری داشته است.

بهبود در قدرت تخمین مدل به طور میانگین حدود 2% تا 3% است و حتی در یک مورد تا 15% هم می‌رسد. در مطالعه‌ای دیگر که صرفاً به اندازه‌گیری ریسک اعتباری مشتریان حقوقی می‌پردازد (سال 2017)، پژوهشگران با استفاده از الگوریتم‌های پیشرفته‌تر پیشرفتی 3 تا 4 درصدی در عملکرد را مشاهده کردند.

البته باید توجه داشت که این اعداد بر اساس زیرنمونه‌ای کوچک از مطالعات ارائه شده است – و مطالعات دیگری وجود دارد که در آن مدل‌های یادگیری ماشین مزیتی نسبت به مدل‌های سنتی نداشته‌اند. اما واضح است که تعدادی کافی از مطالعات به‌وضوح اعلام می‌کنند که بهبود قابل‌توجه با استفاده از یادگیری ماشین امکان‌پذیر است.

بررسی تأثیر استفاده از منابع داده‌ای متنوع‌تر

مشاهده کردیم که هوش مصنوعی و یادگیری ماشین می‌توانند برای بهبود فرآیند اعتباردهی ارزشمند باشند. اما چه می‌شود اگر به جای آنکه صرفاً قدرت تخمین این مدل‌ها را بررسی کنیم، بر توانایی آن‌ها در پردازش منابع گسترده‌تر داده تمرکز کنیم؟

پاسخ ساده است: قدرت تخمین بسیار بالاتر! برای مثال، در مطالعه‌ای که مشتریان حقوقی را مورد بررسی قرار داده بود، مشاهده می‌کنیم که اضافه نمودن اطلاعات رفتاری به مدل مبتنی بر اطلاعات مالی می‌تواند 12% بهبود اسمی نسبت به مدل فعلی داشته باشد. در مقایسه، استفاده از الگوریتم‌های پیشرفته به تنهایی توانسته بود مقدار بسیار کمتر، اما با این حال جذاب، بهبود 3 تا 4 درصد را به ارمغان بیاورد.

در همین رابطه، یک شرکت فین‌تک موفق شده بود با استفاده از تحلیل الگوی کلیک مشتریان در وبسایت خود، نحوه‌ی محاسبه‌ی امتیاز اعتباری آن‌ها را بهبود ببخشد. چنین بهبود عملکردی در ورای دسترس رویکردهای سنتی‌تر در محاسبه‌ی ریسک شرکت‌های حاضر در بازار بورس است، که اتکای زیادی بر ارزش‌گذاری شرکت‌های رتبه‌بندی و معیارهای ریسک نوسان‌محور دارند.

آیا بانک‌ها باید برای وام‌دهی شرکتی (مشتریان حقوقی) از هوش مصنوعی استفاده کند؟

همان‌طور که دیدیم، الگوریتم‌های پیشرفته در زمینه‌ی کمی‌سازی ریسک اعتباری بسیار قدرتمند و مفید هستند. و همان‌طور که اشاره شد تعداد بیشتری از شرکت‌ها – مانند خدمات‌دهندگان فناوری‌های مالی – در حال روی آوردن به هوش مصنوعی و یادگیری ماشین و کسب نتایج عینی هستند. این خدمات‌دهندگان حال دارند حوزه‌ی فعالیت خود را به مدیریت و مدل‌های مبهم و پیچیده‌تر دیگر گسترش می‌دهند.

این برای بانک‌ه چه معنایی دارد؟ اگر آن‌ها می‌خواهند به‌روز باشند و در گود رقابت باقی بمانند، باید استفاده از رویکردها و الگوریتم‌های پیچیده‌ای که می‌توانند ارزیابی‌ها و برآوردهای دقیق‌تری ارائه کنند را مد نظر قرار دهند. در واقع، برآوردهای دقیق‌تر ریسک اعتباری منجر به دستیابی به مزایای ملموس‌تر زیر می‌شود:

• کاهش زیان‌ها.
• الزامات سرمایه‌ای بهتر یا مطلوب‌تر.
• کاهش بالقوه‌ی هزینه‌های عملیاتی بانک‌ها.

مزایای استفاده از هوش مصنوعی و یادگیری ماشین و انواع داده‌های جدید به چالش‌های آن‌ها می‌چربد

پیاده‌سازی مدل‌های پیشرفته و تغییر نحوه‌ی وام‌دهی به مشتریان حقوقی کاری دشوار است که با چالش‌های قابل‌توجهی روبرو است. برای برای موفقیت در این امر، بانک‌ها نیازمند یک برنامه‌ی ساختارمند دقیق، تیمی متخصص شامل دانشمندان داده و مهندسین داده و اهداف کسب‌وکاری واضح هستند. این برنامه باید شامل تمامی حوزه‌هایی باشد که قرار است در آن‌ها هوش مصنوعی مورد استفاده قرار بگیرد و مزایای دقیق آن را مشخص کنند. یک برنامه‌ی درست باید بر اهداف کاملاً واضح تمرکز داشته باشد – برای مثال، افزایش سطح اتوماسیون به میزان 10%، کاهش زیان‌ها به میزان 10 میلیون یا کاهش «زمان اعطای وام» به میزان 10 روز.

بانک‌ها همچنین نیاز دارند که نگهداری و پایش زیرساخت‌های فناوری خود را بهبود داده و فرآیند راهبری آن‌ها را سخت‌گیرانه‌تر کنند. مدل‌های پیشرفته‌تر پیچیده‌تر هستند، به زیرساخت‌های فناوری‌ مدرن‌تر نیاز دارند و قدرت پردازش بیشتر و سریع‌تر می‌طلبند (برای آموزش مدل و امتیازدهی).

با توجه به این چالش‌ها، مهم است که بانک‌ها قبل از شروع به استفاده از مدل‌های هوش مصنوعی و یادگیری ماشین بکنند، موارد زیر را رعایت کنند:

• آزمون‌هایی انجام دهند تا مشخص شود چه قسمت‌هایی از فرآیند وام‌دهی به مشتریان حقوقی را می‌توان با استفاده از مدل‌های پیشرفته‌ی هوش مصنوعی و یادگیری ماشین بهبود داد.
• ابزارها و منابع مناسب این کار را در اختیار داشته باشند.
• قبل از رفتن به سوی پروژه‌های هوش مصنوعی و یادگیری ماشین بزرگ‌تر، از اهداف کوچک‌تر شروع کنند.

مورد استفاده: مرور ارزش هوش مصنوعی، یادگیری ماشین و اتوماسیون وام‌دهی مشتریان حقوقی در دنیای واقعی

حال بانک‌ها برای استفاده از اتوماسیون به وسیله‌ی هوش مصنوعی و یادگیری ماشین در فرآیند وام‌دهی به مشتریان حقوقی باید از کجا شروع کنند؟ بیایید نگاهی به چندی از این موارد بیندازیم.

مرحله‌ی درخواست وام

همان‌طور که در فرآیند ساده‌شده‌ی اعطای اعتبار در شکل 1 نشان داده شد، طی مرحله‌ی درخواست وام، می‌توان از هوش مصنوعی و یادگیری ماشین برای برآورد نیازهای اعتباری مشتری از طریق تحلیل میزان استفاده از خط اعتباری و الگوهای تاریخی داده استفاده کرد. برای مثال، یک کسب‌وکار مرتبط با کشاورزی به احتمال زیاد نیازهای اعتباری فصلی دارد؛ با مدل‌سازی این نیازها می‌توان میان الگوهای معمولی و غیرمعمولی تمایز قائل شد. با درک اینکه رفتار اخیر یک مشتری چطور با رفتار گذشته‌ی آن تفاوت دارد، بانک‌ها می‌توانند فرصت‌های جدید را شناسایی یا خلق کنند تا ارتباطات تجاری خود را بیش از پیش با مشتری تقویت کنند – یا نشانه‌هایی زودهنگام از نگرانی‌های آینده بدست آورند. در هر دو حالت، داشتن اطلاعاتی زودهنگام به ارائه‌دهندگان خدمات مالی امکان می‌دهد اقدامات خود را متناسب با شرایط تغییر دهند – برای مثال، افزایش میزان اعتبار یک مشتری قبل از درخواست آن یا رد کردن وامی نامطمئن.

جمع‌آوری داده

تکنیک‌های قدیمی مدل‌سازی معمولاً روی دو دسته از اطلاعات بنا می‌شوند: اطلاعات صورت‌های مالی (معمولاً در قالب نسبت‌هایی برای نقدینگی و پوشش) و داده‌های کیفی. این‌ها داده‌هایی به‌شدت ارزشمند هستند، اما امروزه بانک‌ها به اطلاعات بسیار بیشتری برای تکمیل آن‌ها دسترسی دارند. برای مثال، آن‌ها می‌توانند:

• اطلاعات داده‌های تراکنش‌های بانکی را به ابزارهای کمی فعلی (احتمال نکول، زیان در صورت نکول، بازده تعدیل شده با ریسک و غیره.) به صورت ورودی‌هایی جدید در فرآیند تصمیم‌گیری یا در توسعه‌ی مدل‌های جدید اضافه کنند. (مثال‌هایی از داده‌های تراکنش‌ها می‌تواند شامل تاریخچه‌ی پرداخت‌های تأخیردار، استفاده از خط اعتباری، میزان جابجایی جریان‌های نقد، الگوی سپرده‌گذاری و برداشت از سپرده و بسیاری از داده‌های دیگر باشد که مکمل منابع داده‌ای فعلی می‌شوند.)
• پیاده‌سازی پردازش زبان طبیعی (NLP) روی صورت‌های مالی برای استخراج اطلاعات بیشتر.
• استفاده از پردازش زبان طبیعی در شبکه‌های اجتماعی (توییتر، اینستاگرام و غیره) برای شناسایی تغییر رویکرد شرکت‌ها. به عنوان مثال، دریافت نظرات منفی برای یک هتل یا انتقاد نسبت به بهداشت یک رستوران زنجیره‌ای می‌تواند ریسک آن‌ها را تحت تأثیر قرار دهد.

این‌ها تعداد کمی مثال از روش‌هایی بود که بانک‌ها می‌توانند برای استفاده از داده‌های متنوع در فرآیند وام‌دهی به مشتریان حقوقی از قدرت هوش مصنوعی و یادگیری ماشین و داده‌های جدیدی که اضافه می‌کنند بهره ببرند.

کمی‌سازی ریسک اعتباری

آزمایش تکنیک‌های پیشرفته‌تر برای مدل‌های زیان در صورت نکول (LGD) می‌تواند نقطه‌ی مناسبی برای شروع باشد، زیرا عملکرد برآوردی این مدل‌ها تابحال مناسب نبوده است. برای مثال، در حوزه‌ی وام‌دهی مسکن، برآورد ارزش ملک به‌راحتی در دسترس قرار گرفته است، زیرا تقریباً تمامی اطلاعات به صورت برخط موجود هستند (برای مثال، قیمت‌ها و مالیات‌های ملک‌های مشابه، اطلاعات مکانی و عمق بازارها). سازمان‌ها می‌توانند از این داده‌ها استفاده کنند و مدل‌های زیان در صورت نکول بهتر بسازند. آزمایش الگوریتم‌ها پیشرفته برای احتمال نکول (PD) نیز باید در اولویت قرار بگیرد، زیرا یافته‌های موجود در مدل‌هایی که گفته شد مشابه هستند.

نکته‌ی جالب توجه این است که ساخت مدل‌های هوش مصنوعی و یادگیری ماشین، حتی اگر قابل استفاده نباشند (برای مثال، به دلایل قانونی یا دیگر ملاحظات داخلی مانند تایید کاربران) همچنان می‌تواند تأثیراتی مثبت بر سازمان‌ها داشته باشد. در واقع، ساختن و دنبال کردن الگوهای پیشرفته‌ی دیگر می‌تواند به بانک‌ها کمک کند کمبودهای خود که ناشی از استانداردهای ضعیف و الگورتیم‌های تاریخ‌گذشته است را مشخص (و اندازه‌گیری) کند.

به علاوه، یکی از راه‌های بهره بردن از توانایی بهبودیافته‌ی الگوریتم‌های پیچیده پیدا کردن الگوهای غیرخطی در داده و استفاده از آن‌ها برای ساخت متغیرها است. سپس چنین متغیرهایی را می‌توان در مدل‌سازی الگوریتم‌های ساده‌تر استفاده کرد و بدین صورت مقداری پیچیدگی وارد مدل کرد و در عین حال سادگی و قابل تفسیر بودن آن را حفظ نمود.

ساخت مدل با استفاده از الگوریتم‌های پیشرفته به سازمان‌ها کمک می‌کند آهسته آهسته مهارت خود را در این زمینه بهبود ببخشند و در همین حین مدیریت و پیاده‌سازی خود را بهینه کنند.

قیمت‌گذاری و بازده تعدیل‌شده با ریسک روی سرمایه (RAROC)

بانک‌داران می‌توانند به طرق مختلفی الگوریتم‌های هوش مصنوعی و یادگیری ماشین را در قیمت‌گذاری و بازده‌ی تعدیل‌شده با ریسک روی سرمایه (RAROC) دخیل کنند. برای مثال، با استفاده از روش‌های یادگیری عمیق مانند شبکه‌های عصبی مصنوعی (که در شرایط مدل‌سازی‌های پیچیده موفق عمل می‌کنند)، بانک‌ها می‌توانند سرمایه‌ی اقتصادی مناسب وام‌های خود را با دقتی قابل قبول برآورد کنند. این کار همچنین از اجرای دوباره مدل‌های سرمایه‌ی اقتصادی از اول، که فرآیندهای پردازشی نسبتاً طولانی هستند، جلوگیری می‌کند و اندازه‌گیری کارای نیازمندی‌های سرمایه را میسر می‌کند؛ تمامی این فرآیند در نهایت منجر به تصمیمات قیمت‌گذاری بهتر می‌شود. به‌علاوه، اگر در مدل‌های قیمت‌گذاری علاوه بر داده‌های کاملاً ریسک‌محور ابعادی جدید وارد شود (برای مثال، مدل‌سازی دوره‌ی همکاری، پتانسیل رشد، چشم‌انداز بلندمدت یک صنعت، منحنی سررسید و غیره) بانک می‌تواند نتایجی دقیق‌تر کسب کند.

اعطای وام و پایش

در نهایت، فاز اعطای وام و پایش وام‌دهی به مشتریان حقوقی فرصت‌های خوبی برای پیاده‌سازی هوش مصنوعی و یادگیری ماشین در بر دارد. مثال‌هایی از این کاربردهای عبارت است از پایش پیوسته‌ی حساب‌، شناسایی و دسته‌بندی الگوهای تراکنشی، برآورد تمهیدات زیان بر اساس IFRS9 و مدل‌سازی سرمایه با توجه به کلاهبرداری.

جمع‌بندی

بیماری فراگیر کووید-19 مدیریت ریسک اعتباری را با اختلالات فراوانی روبرو کرد، اما همان‌طور که مشاهده کردیم فرصت‌های بسیاری در فرآیند وام‌دهی به مشتریان حقوقی وجود دارد که می‌تواند با بهره بردن از هوش مصنوعی و یادگیری ماشین خودکار شده و مزایای بسیاری را برای بانک به همراه داشته باشد. بانک‌ها همچنین از منافع هوشمندسازی کارها نیز بهره‌مند می‌شوند و فرآیند راهبری، توسعه و پیاده‌سازی مدل‌های آن‌ها بهبود می‌یابد. گرچه این مزایا – و مقداری که به واقعیت می‌پیوندند – بسیار به نقطه‌ی شروع بانک و مرتبط بودن موارد استفاده‌ی آن‌ها بستگی دارد، اما شکی وجود ندارد با فراگیرتر شدن استفاده از این مدل‌ها، ارزش افزوده‌ی آن‌ها نیز بیشتر و بیشتر می‌شود. بانک‌ها از این طریق ابزارهای کمی بیشتری در اختیار خواهند داشت، که به کاهش زیان، افزایش حاشیه‌ی سود، استراتژی‌های قیمت‌گذاری بهتر و حتی کاهش الزامات سرمایه‌ای و تمهیدات مورد نیاز زیان منجر خواهد شد.

از لحاظ عملیاتی، استفاده از هوش مصنوعی و یادگیری ماشین می‌تواند تأثیری مستقیم بر رضایت مشتری داشته باشد. خودکارسازی فرآیندها معمولاً منجر به:

• کاهش کاغذبازی میان مشتری و بانک می‌شود.
• کاهش چشمگیر زمان تصمیم‌گیری می‌شود.
• تأثیر مستقیم بر کاهش زمان مورد نیاز برای تحلیل تصمیمات وام‌دهی می‌شود که خود نتیجتاً باعث وام‌دهی سریعتر، کاهش تأخیرها و نرخ رضایت مشتری بیشتر است.
• به مدیران شعب اجازه می‌دهد روی اهداف اصلی که باید دنبال کنند، متمرکز شوند: توسعه‌ی مدل و رضایت مشتری.

---

[1]  Altman’s Z-Score