تصویر طراحی نسل بعدی مدل‌های اعتبارسنجی
۷ فروردین ۱۴۰۱

طراحی نسل بعدی مدل‌های اعتبارسنجی

پیشرفت‌های ادامه‌دار در حوزه‌های داده‌های کلان و پردازش و آمار، فرصت‌های جدیدی را پیش روی بانک‌ها قرار داده تا مدل‌های اعتبارسنجی خود که سنگ زیربنای فرآیند وام‌دهی‌شان هستند را تغییر دهند. این مدل‌های جدید و کارآمدتر به بانک‌ها اجازه می‌دهد پارامترهای وام‌دهی (و سرمایه‌ای) خود را دقیق‌تر تعیین کنند و توانایی خود برای شناسایی و قبول مشتریان ارزشمند و همچنین رد مشتریان ریسکی را بهبود بخشند. در واقع، بانک‌ها (و فین‌تک‌هایی) که این مدل‌ها را پیاده‌سازی کرده‌اند موفق شده‌اند درآمد خود را افزایش دهند، نرخ نکول اعتبارات را کاهش دهند و فرآیندهایی بسیار کاراتر دارند که همه مرهون تصمیمات خودکار و دقیق‌تر است.

استفاده از مدل‌های اعتبارسنجی جدید در دوران وقوع همه‌گیری کووید منافع خود را به خوبی نشان داد. این مدل‌ها به خوبی عمل کردند، در حالی که مدل‌های سنتی در مواجهه با شرایط متغیر مشتریان با چالش روبرو شدند و بانک‌ها را مجبور ساختند به راهکارهای اضطراری (برای مثال، تعدیل نرخ‌های نکول در سطح سبد اعتباری) روی آورند. در این نوشته، چهار راهکار کارآمد که در عمل مورد آزمون قرار گرفته‌اند معرفی می‌شوند که برای طراحی یک مدل جدید یا بهبود مدل‌های اعتبارسنجی فعلی مفید واقع خواهند شد.

چالش‌ها و مزایا

بسیاری از بانک‌ها در مسیر انتقال به یک مدل اعتباری پیشرفته با دشواری‌هایی روبرو هستند. آن‌ها با مشکلات قابل توجه ظرفیتی، تکنولوژیکی و فرهنگی مواجه می‌شوند که عبارتند از: مجموعه داده‌های محدود، موتورهای محاسباتی ساده، وابستگی بسیار زیاد به ارزیابی‌های شخصی کارمندان بخش اعتبارات، مدل‌های تاریخ‌گذشته و غیرقابل انعطاف که در طی زمان دچار تغییرات مختلف شده‌اند و در نهایت مدت زمان طولانی پیاده‌سازی و دریافت تایید نهادهای نظارتی.

این چالش‌ها واقعی هستند و نباید دست کم گرفته شوند. اما مزایای فائق آمدن به این چالش‌ها نیز نباید دست کم گرفته شوند. بانک‌هایی که موفق شده‌اند مدل‌های تصمیم‌گیری پیشرفته برای اعتباردهی خود پیاده‌سازی کنند از این سه مزیت کلیدی برخوردار شده‌اند:

  • افزایش درآمد. مدل‌های جدید منجر به افزایش ۵ تا ۱۵ درصدی درآمد از طریق افزایش نرخ اعطای وام، کاهش هزینه‌ی وام‌دهی و تجربه‌ی بهتر مشتریان شده‌اند. با افزایش قدرت تمایز میان مشتریان ارزشمند و مشتریان ریسکی، بانک‌ها می‌توانند نرخ اعطای وام و قیمت‌گذاری را بهبود ببخشند.
  • کاهش نرخ زیان اعتباری. شرکت‌ها شاهد کاهش ۲۰ تا ۴۰ درصدی زیان اعتباری با استفاده از مدل‌هایی بوده‌اند که قادر هستند احتمال نکول مشتریان را با دقتی بالاتر تشخیص دهند. این فاکتور سطح اقدامات احتیاطی و سرمایه‌ی مورد نیاز بانک را تحت تأثیر قرار می‌دهد.
  • بهبود کارایی. استفاده از مدل‌های جدید باعث بهبود ۲۰ تا ۴۰ درصدی کارایی شده‌اند که این ناشی از استخراج خودکار داده‌ها، اولویت‌بندی موارد (برای مثال، استفاده از فرآیندهای سرراست‌تر برای موارد کم‌ریسک و بررسی دقیق‌تر مشتریان ریسکی‌تر) و توسعه‌ی مدل‌هاست.

یک دستور رقابتی کلیدی برای کسب‌وکار

با استناد به سه مزیتی که برای مدل‌های اعتبارسنجی بهبودیافته عنوان شد، طبق اطلاعات جمع‌آوری‌شده بانک‌هایی که ۵۰ میلیارد دلار دارایی در نزد شرکت‌های کوچک و متوسط داشته‌اند (SME) در حدود ۱۰۰ الی ۲۰۰ میلیون دلار رشد در درآمد را تجربه کرده‌اند. درست است که تا اینجا صرفاً مزایای پیاده‌سازی مدل‌های اعتباری نسل جدید را برشمردیم، اما عدم استفاده از آن‌ها نیز مشکلاتی را به همراه دارد. در گذشته، بانک‌ها مدل‌های خود را هر پنج یا ده سال بازنگری می‌کردند. این وضعیت زمانی منطقی بود که بانک‌ها می‌توانستند روی موقعیت ثابت خود در بازار برای جذب مشتری و درآمدزایی حساب کنند. اما در حال حاضر این استراتژی کمتر کارآمد است زیرا روند عمومی‌تر شدن اطلاعات مشتریان از طریق «بانکداری باز» و مقرراتی مانند PSD2 و همچنین تلاش فین‌تک‌ها و بانک‌های مهاجم برای جذب مشتریان علاقه‌مند به تکنولوژی، کفه را به سمت شرکت‌های پیشرو کج کرده است.

مشکلی که بیشتر از بقیه به چشم می‌آید، استفاده‌ی مدل‌های اعتبارسنجی از داده‌هایی تاریخی است که به دلیل تلاطمات بازار در دوران همه‌گیری کرونا عملاً بلااستفاده شده‌اند. برخی بانک‌ها تعدیلاتی روی مدل‌ها اعمال کرده‌اند که ناشی از قضاوت‌های شخصی است و برای وام‌دهی آن‌چنان دقیق نیستند. برای مثال، چنین تعدیل‌هایی ممکن است برای صنعت خدمات‌دهی شهری بخصوص، مثلا لندن، احتمال نکول بالاتری اخصاص دهند، بدون اینکه بین رستورانی که به سمت خدمت‌دهی چندکانالی (برای مثال، ارائه‌ی غذای حضوری، بیرون‌بر، فروش آنلاین و …) و رستورانی که چنین تمهیدی نیاندیشیده است تمایز قائل شوند. اما مورد اضطراری‌تر موج بزرگ نکول کسب‌وکارهایی است که دولت‌ها دیگر از آن‌ها حمایت نخواهد کرد. بانک‌ها باید هر چه زودتر چنین شرکت‌هایی را شناسایی کنند.

به عبارت دیگر، استفاده از مدل‌های اعتبارسنجی نه‌تنها راهی مهم برای بهبود پروفایل ریسک است، بلکه یک مزیت رقابتی کلیدی نیز هست. بانک‌های باید مدل‌های اعتبارسنجی با درجه‌ی خودکار بودن بالاتری را پیاده‌سازی کنند که قادر است از منابع داده‌ی جدیدتری استفاده کند، رفتار مشتریان را دقیق‌تر درک کند، بخش‌ها جدید ایجاد کند و نسبت به تغییرات در محیط کسب‌وکار سریع‌تر واکنش نشان دهد. این به بانک‌ها اجازه می‌دهد بهتر به مشتریان خود خدمت‌رسانی کنند، کسب‌وکار خود را گسترش دهند و با فین‌تک‌ها و بانک‌های مهاجم که همواره در حال ارتقای تکنولوژی خود و ربودن سهم بازار بیشتر هستند به رقابت بپردازند.

چهار راهکار کارآمد

شرکت مشاوره‌ی مک‌کنزی چهار راهکار کارآمد برای طراحی مدل‌های اعتبارسنجی شناسایی کرده است: پیاده‌سازی یک معماری مدولار، گسترش منابع داده، داده‌کاوی برای سیگنال‌های اعتباری و اهرم قرار دادن تجربه‌ی کسب‌وکاری. در ادامه این چهار راهکار را به صورت مفصل بررسی خواهیم کرد.

پیاده‌سازی یک معماری مدولار

در تئوری، یک الگوریتم بهینه‌سازی که روی یک مجموعه داده‌ی متشکل از تمامی منابع داده‌ای اجرا شود مدل بهینه (جهانی) را در پی دارد. اما با این وجود، مدیران معماری مدولاری که شامل تعداد زیادی زیرمدل است که بر اساس سطح پوشش داده و اطلاعات در دسترس در حوزه‌های مختلف جغرافیای و صنعتی تنظیم شده است و با ترکیب این‌ها یک سیگنال اعتباری جامع می‌دهد را ترجیح می‌دهند. زیرا این مدولار بودن کم کردن یا اضافه کردن زیرمدل‌ها را آسان می‌کند و بانک‌ها می‌توانند داده‌های جدید یا مختلف را در مدل جای دهند تا آن را انعطاف‌پذیر و قابل اتکا کنند. مهمترین فاکتوری که در اینجا مطرح می‌شود نحوه‌ی ترکیب امتیاز این زیرمدل‌ها در یک مدل توسط بانک است (شکل ۱).

برای مثال، یک بانک می‌تواند با استفاده از معماری مدولار به یک اختلال اقتصادی شدید، مانند همه‌گیری کرونا، به راحتی واکنش نشان دهد. بانک می‌تواند با در نظر داشتن این همه‌گیری در ذهن خود زیرمدلی طراحی کند (برای مثال، زیرمدلی که روی تغییرات در موقعیت‌های درآمدی و جریان‌های نقدی تمرکز دارد) و به این زیرمدل وزن بیشتری در مدل اختصاص دهد تا سیگنال‌های اعتباری دقیق‌تر و مناسب‌تری دریافت کند.

مزیت این معماری صرفاً محدود به دوران بحران‌های اقتصادی نیست. پوشش دقیق‌تر قسمت‌های مختلف جمعیت می‌تواند پتانسیل‌های جدیدی برای رشد را پیش روی بانک قرار دهد. ممکن است بانک‌ها در گذشته حوزه‌های سودآور بالقوه‌ای را نادیده گرفته باشند، زیرا این حوزه‌ها مشارکت چندانی در مقدار ضریب جینی نداشته‌اند. برای مثال، یک زیرمدل مدیران برای افراد نسبتاً کمی صادق است. اما نحوه‌ی مدیریت این مدیران در شرکت‌هایشان (به خصوص در حوزه‌های شرکت‌های کوچک و متوسط) شاخصی مهم از وضعیت آینده‌ی شرکت است. در نتیجه این زیرمدل کوچک می‌تواند سیگنال‌های اعتباری دقیقی منتشر کند.

همچنین مشخص شده است که بانک‌ها از رهیافتی محصول‌محور نسبت به مدل‌های اعتباری پیروی می‌کنند، به‌طوریکه صرفاً داده‌های مرتبط با آن محصول را مورد بررسی قرار می‌دهند. یک رهیافت مشتری‌محور، که سیگنال‌های مربوط به تمامی حوزه‌های محصول که مشتری با آن‌ها در ارتباط است را ترکیب می‌کند، تقریباً همیشه مدلی کارآمدتر ارائه می‌کند.

هماهنگی میان ذی‌نفعان – تیم توسعه‌ی مدل و تیم پشتیبانی مدل – برای پیاده‌سازی این معماری حیاتی است. هنگام طراحی زیرمدل‌ها، تیم‌های توسعه‌ی مدل باید با واحدهای کسب‌وکار در تعامل باشند تا فرضیات مربوطه را مورد راستی‌آزمایی قرار دهند. در همین حین، توسعه‌ی محصول نیز می‌تواند نشان دهد که آیا داده در هر زیرمدل به اندازه‌ی کافی موجود است یا خیر. همپوشانی داده می‌تواند منجر به ایجاد نتایجی معیوب شود. برای مثال، تامین اطلاعات مالی مربوطه از کانال شرکت‌های رتبه‌بندی اعتباری و همچنین از کانال صورت‌های مالی خود شرکت می‌تواند منجر به حضور دوباره‌ی فاکتور مالی در مدل باشد، که باعث می‌شود تأثیر واقعی آن دو بار محاسبه شود (شکل ۲).

گسترش منابع داده

بانک‌های پیشرو از منابع داده‌ی خارجی و داخلی متعددی برای بهبود قدرت تشخیص سیگنال‌های اعتباری خود استفاده می‌کنند. آن‌ها نسبت به رقیبان خود استفاده‌ی بهتری از منابع داده‌ی داخلی سنتی می‌کنند، با داده‌های داخلی غیرسنتی این داده‌ها را بهبود می‌بخشند و با اضافه کردن داده‌های خارجی سنتی اضافی خلأها را پر می‌کنند. آن‌ها همچنین منابع غیرسنتی داده‌های خارجی را نیز مورد بررسی قرار می‌دهند و حتی از قضاوت‌های شخصی کارمندان بخش اعتباردهی برای پوشش حفره‌های داده‌ای بهره می‌جویند.

با بررسی عملکرد بانک‌ها مشخص شده است که داده‌های تراکنشی از اهمیت به‌خصوصی برخوردار هستند. برای مثال، بانک‌های پیشرو با استقبال از بانکداری باز می‌توانند استفاده‌ی بهتری از داده‌های تراکنشی سنتی داشته باشند. در واقع بسیار محتمل است که بانکداری باز سنگ بنای تحلیل‌های اعتباری نسل بعد باشد. این بدین خاطر است که بانکداری باز در مقایسه با داده می‌تواند دیدی کامل‌تر از مشتری ارائه دهد – زیرا می‌تواند از اطلاعات بانک‌های دیگر نیز استفاده کند – و برای مثال دیدی برآوردی دقیق‌تر از درآمد بدهد. و رابط‌های برنامه‌نویسی (API) بانکداری باز می‌تواند به راحتی جزئیات تراکنش‌های مختلف را استخراج کند.

یک مثال خوب برای داده‌ی خارجی غیرسنتی که می‌تواند مکمل داده‌ی داخلی باشد، اطلاعات مربوط به تلفن همراه است. بسیاری از افراد تاریخچه‌ی اعتباری ندارند. اما، تلفن همراه آن‌ها داده‌هایی بسیار مفید در مورد رفتار آن‌ها دربر دارد: نحوه‌ی پرداخت قبوض، الگوهای تماس و پیام‌های متنی و خریدهایی که توسط تلفن همراه انجام شده است.

به علاوه، از آن جایی که اطلاعاتی که مردم روی شبکه‌های اجتماعی و حرفه‌ای منتشر می‌کنند عمدتاً اطلاعاتی مفید در مورد آن‌ها آشکار می‌کند، امروزه این شبکه‌ها منبعی مهم از داده‌های خارجی غیرسنتی هستند. آیا فرد مورد نظر با دیگران در رفتار اعتباری مخرب یا کلاه‌برداری آن‌ها شریک بوده است؟ آیا محل کار شخص متناوباً در حال تغییر است؟ تا به حال به کجا سفر کرده است؟

داده‌کاوی برای سیگنال‌های اعتباری

تخصص بانک‌های پیشرو در بررسی دقیق داده‌های داخلی موجود و همچنین ترکیب منابع مختلف داده برای استخراج سیگنال‌های اعتباری بسیار مهم است. این امر نیازمند تحلیل پیشرفته‌ی منابع داده‌ی موجود، مانند داده‌کاوی داده‌های تراکنشی است که بسیار فراتر از شمارش تعداد روزهای گذشته از زمان سررسید یا تحلیل جریان‌های ورودی و خروجی می‌رود که در مدل‌های رفتاری پیدا می‌شود. این بانک‌ها همچنین از داده‌های بانکداری باز (بر اساس ضوابط قانونی) نیز استفاده می‌کنند تا الگوهای پیچیده‌ی هزینه و درآمد را شناسایی کنند، صورت‌های مالی جریان‌های نقدی یکپارچه بسازند و سپس با بهره‌گیری از این صورت‌های مالی سیگنال‌های اعتباری بیرون بکشند و راه‌های جدیدی برای خوشه‌بندی مشتریان پیدا کنند. بانک‌های پیشرویی که دسترسی کامل به داده‌های مشتریان خود ندارند از یادگیری ماشین و هوش مصنوعی بهره می‌گیرند تا نمایی کامل‌تر و کمی دقیق‌تر از مشتری خود داشته باشند.

تعدادی از بانک‌ها حتی پا را از این هم فراتر گذاشته‌اند. در این بانک‌ها، متخصصان مدل‌سازی و تحلیل کسب‌وکار با هم هماهنگی کامل دارند و با استفاده از تحلیل‌های عمیق اقدام به استخراج سیگنال‌های اعتباری از مجموعه‌ی وسیع‌تری از داده‌ها می‌کنند. برای مثال، آن‌ها از متن‌کاوی و پردازش زبان طبیعی استفاده می‌کنند تا جزئیات تراکنش‌ها را دقیق‌تر دسته‌بندی کنند و با پایش فعالیت کاربران در شبکه‌های اجتماعی فعالیت‌های شخصی و کسب‌وکاری را نیز در مدل‌های ریسک اعتباری دخیل می‌کنند. این بانک‌ها همچنین در خط مقدم استفاده از یادگیری ماشین و هوش مصنوعی در این حوزه‌ها هستند:

  • خلق اصول خوشه‌بندی. با استفاده از تکنیک‌های یادگیری ماشین، بانک می‌تواند متغیرهای بخصوصی برای تعیین دقیق‌تر خوشه‌بندی یا حتی ایجاد دسته‌بندی‌های جدید استفاده کند. برای مثال، فاکتورهای ریسک مرتبط با جغرافیای محلی برای کسب‌وکارهای محلی معناداری بیشتری دارند، در حالی که فاکتورهای استخراج‌شده از صورت‌های مالی شرکت برای کسب‌وکارهای بزرگ‌تر معنادارترند.
  • استخراج سیگنال‌های اعتباری. تعدادی روش وجود دارد که از آن‌ها برای تغییر متغیر (برای مثال، توابع نمایی، اسپلاین‌ها و تحلیل روند) و بیرون کشیدن نسبت‌های منطقی برای کسب و کار می‌توان استفاده نمود. برای مثال، یک بانک آمریکایی با الحاق یک شرکت زنجیره‌ای بزرگ می‌تواند ضریب جینی یک متغیر را از ۳۲ به ۸، صرفاً با اعمال این تغییر متغیرها، برساند. اخیراً بانک‌ها تکنیک‌ها و یادگیری ماشین و هوش مصنوعی را به جعبه‌ابزار خود اضافه کرده‌اند. برای مثال، با اعمال تکنیک‌های پردازش زبان طبیعی به تراکنش‌های یک حساب، بانک می‌تواند تغییرات در پرداخت اجاره و قبوض مشتری را پایش کرده و مشخص کند که آیا مشتری‌اش با مشکلات اعتباری مواجه است یا خیر.
  • ساخت یا صحت‌سنجی مدل‌های موازی. بانک می‌تواند با استفاده از تکنیک‌ها یادگیری ماشین مدل‌های موازی با مدل‌های فعلی اعتبارسنجی خود توسعه دهد تا فاکتورهای جدیدی برای افزایش بالقوه‌ی کارایی اعتباردهی خود پیدا کند.

برای مثال، یک بانک بزرگ با مشتریان خرد بسیار زیاد، قصد داشت قدرت تشخیص مدل رفتاری رگرسیون‌محور خود را افزایش دهد. اما در عین حال تمایلی به استفاده از رویکردهای «جعبه سیاه» که نحوه‌ی اتخاذ تصمیمات الگوریتم در آن‌ها نامعلوم است، نداشت. اما با استفاده از یادگیری ماشین بانک مشتریان خود را به دسته‌های معینی تقسیم کرد که در آن‌ها قادر بود مدل رگرسیون خود را بهبود ببخشد. سپس این دسته‌ها را جدا نمود و مدل‌هایی اختصاصی برای هر کدام توسعه داد که قدرت تشخیص را از ۶۷ درصد به ۷۵ درصد افزایش داد (که البته پایین‌تر از یک مدل یادگیری ماشین خالص بود که قدرت تشخیص ۸۰ درصد ارائه می‌داد).

اهرم قرار دادن تجربه‌ی کسب‌وکار

یادگیری ماشین و هوش مصنوعی ابزارهایی خارق‌العاده هستند، اما مدل‌های اعتبارسنجی نباید تماماً بر اساس روش‌های آماری ساخته شوند. برای داشتن مدلی با کارایی و قابلیت اتکای بالا، بانک‌ها باید تجربه‌ی کسب‌وکاری خود را اهرم کرده و برای توسعه‌ی مدل از آن بهره ببرند. این به آن‌ها کمک می‌کند کمبودهای سیگنال‌های اعتباری را بهتر درک کنند و شناسایی و صحت‌سنجی سیگنال‌های جدید را آسان می‌سازد.

برای مثال، طراحان مدل باید با مسئولین اداره‌ی اعتبارات و همچنین کارمندان بخش تخصیص اعتبارات گفتگو داشته و نظرات آن‌ها را به صورت سوالاتی کیفی برای دریافت سیگنال‌های بهتر اعتباری استفاده کنند. این متخصصان کسب‌وکار همچنین می‌توانند سیگنال‌های اعتباری را بر اساس تجربیات واقعی خود از تعامل با مشتریان، دانش‌شان از فرآیندهای بانک و درک‌شان از تطابق با قوانین نظارتی صحت‌سنجی کنند. برای درک بهتر این موضوع می‌توان متخصصان کسب‌وکاری بریتانیا را مثال زد که از بررسی جریان‌های تجاری پس از برگزیت برای درک عملکرد اعتباری کسب‌وکارهای صادرات‌محور استفاده کردند. این سیگنال ممکن بود در مدل ابتدایی مورد استفاده‌ی آن‌ها جایگاهی نداشته، زیرا بروز اختلالات تجاری برای کسب‌وکارهای سودآور و در حال رشد قبلاً به صورت تاریخی تجربه نشده بود.

رویکردی گام‌به‌گام برای تغییر

با پیگیری این فرآیند پنج‌مرحله‌ای چابک، بانک‌ها می‌توانند یک مدل اعتبارسنجی جدید در کمتر از شش ماه پیاده‌سازی کنند – بسیار سریع‌تر از ۱۲ تا ۲۴ ماهی که در حال حاضر در صنعت رایج است.

  • راهنمای مدل اعتباری. مدل اعتباری را تحلیل کنید، روش پیاده‌سازی و نحوه‌ی عملکرد آن را مرور و در نهایت حوزه‌های بالقوه برای بهبود را شناسایی کنید.
  • طراحی و عیب‌یابی مدل اعتبارسنجی. وضعیت فعلی آمادگی داده را ارزیابی کنید، منابع داده‌ای که دخیل کردن آن‌ها در مدل آسان است را شناسایی و سپس نقشه‌ی راهی برای استفاده از این داده‌ها ایجاد کنید. عملکرد مدل را در حوزه‌های مختلف را برای شناسایی حوزه‌های ضعف مقایسه کنید.
  • مهندسی و آماده‌سازی داده. با مهندسی داده‌ها آن‌ها را برای مدل‌سازی آماده کنید (برای مثال، فرمت کردن داده‌ها، آماده‌سازی فرآیند تکمیل و رفع مشکل داده‌های ناقص).
  • توسعه‌ی مدل‌های اعتبارسنجی نسل بعد. یک محصول ساده‌ی مینمال آماده کنید. معمولاً این نیازمند سه چرخه‌ی دو‌هفته‌ای مدل‌سازی است که شامل دریافت بازخوردهای تحلیلی و تخصصی از هر دوره است.
  • یکپارچه‌سازی اعتبارسنجی با فرآیند وام‌دهی. فرآیند وام‌دهی را خودکار کنید و مدل اعتبارسنجی جدید را پیاده‌سازی کنید.

* این نوشته ترجمه‌ای از مقاله‌ی «Designing next-generation credit-decisioning models» از شرکت مشاوره‌ی مدیریت مک‌کنزی است.

افزودن دیدگاه