ความก้าวหน้าของปัญญาประดิษฐ์ (AI) และระบบอัตโนมัติได้ปรับปรุงบริการทางการเงินหลายส่วน โดยเฉพาะอย่างยิ่งในการธนาคารเพื่อรายย่อย ตัวอย่างเช่น ข้อเสนอของลูกค้าที่มีความฝืดต่ำและเป็นอัตโนมัติสูง ได้รับการระบุว่าเป็นหนึ่งในแนวโน้มที่เกิดขึ้นใหม่ที่สำคัญที่สุดในธนาคารเพื่อรายย่อย เทคนิคเหล่านี้มีปัญหาในการบุกรุกในหลาย ๆ ด้านของสินเชื่อเชิงพาณิชย์ เนื่องจากความไม่พร้อมของ
ข้อมูลที่เพียงพอ และเนื่องจากธนาคารส่วนใหญ่ยังคงใช้กระบวน
การตัดสินใจที่ใช้มือเป็นส่วนใหญ่ฟินเทคหลายรายประสบความสำเร็จในการจัดหาแอปพลิเคชันอัตโนมัติและกระบวนการตัดสินใจสำหรับสินเชื่อรายย่อยและสินค้าโภคภัณฑ์ เช่น แหล่งเงินทุนหมุนเวียนที่เรียบง่าย เมื่อสินเชื่อมีขนาดใหญ่ขึ้นและซับซ้อนมากขึ้น การตัดสินใจด้านสินเชื่ออย่างรอบรู้อย่างรวดเร็วและในระดับที่คุ้มทุนก็ยากขึ้น ด้วยเหตุนี้ ธนาคารพาณิชย์ส่วนใหญ่ในปัจจุบันจึงยังคงใช้กระบวนการที่ไม่เปลี่ยนแปลงมากนักในช่วงสองสามทศวรรษที่ผ่านมา เพื่อปรับปรุงสิ่งเหล่านี้ โฟกัสไปที่การทำให้กระบวนการที่มีอยู่เป็นดิจิทัลเพื่อหลีกหนีจากกระดาษเป็นหลัก แทนที่จะเปลี่ยนแปลงกระบวนการอย่างสิ้นเชิงเพื่อให้มีประสิทธิภาพมากขึ้น
หนึ่งในความท้าทายที่ต้องเผชิญกับความพยายามที่จะปรับปรุงสิ่งนี้คือความพร้อมใช้งานและคุณภาพของข้อมูล แม้ว่าโดยทั่วไปแล้วข้อมูลสาธารณะจะมีให้สำหรับผู้กู้รายใหญ่ที่มีตราสารทุนหรือตราสารหนี้อยู่ในรายการ แต่สำหรับผู้กู้รายย่อย ข้อมูลมักจะยากที่จะได้มา แม้ว่าจะไม่เป็นเช่นนั้น ความพยายามใด ๆ ในการสร้างกระบวนการตัดสินใจอัตโนมัติสำหรับการให้กู้ยืมเชิงพาณิชย์ตามแนวทางที่ประสบความสำเร็จอย่างมากในอุตสาหกรรมบัตรเครดิต ตัวอย่างเช่น จะเกินขีดจำกัดของข้อมูลที่มีอยู่อย่างรวดเร็ว เนื่องจากความแคบและเฉพาะเจาะจง เป็นเกณฑ์ในการตัดสินใจปล่อยสินเชื่อเพื่อการพาณิชย์
ในการสร้างแบบจำลองการตัดสินใจสำหรับสินเชื่อรายย่อยที่มีปริมาณมาก วิธีการทั่วไปคือการให้คะแนนสินเชื่อแต่ละรายการโดยใช้คะแนนเครดิตที่เป็นมาตรฐาน แล้วจึงสร้างแบบจำลองการเปลี่ยนแปลงสถานะของมาร์คอฟ ซึ่งจะแบ่งสินเชื่อออกเป็นสถานะผิดนัด (เช่น จาก ‘ปัจจุบัน’ ถึง ’30’ ’60’ และ ’90 วันค้างชำระ’ ไปจนถึง ‘ผิดนัด’ เป็นต้น) จากนั้นจึงประเมินความน่าจะเป็นของเงินกู้แก่ผู้กู้ในเครดิตที่กำหนด แถบคะแนนย้ายจากหมวดหมู่หนึ่งไปยังอีกหมวดหมู่หนึ่ง อย่างไรก็ตาม สำหรับการกู้ยืมเพื่อการพาณิชย์ แม้แต่ผู้ให้กู้รายใหญ่ก็มีแนวโน้มที่จะมีเงินกู้มากสุดไม่กี่แสน และเมื่อคุณแบ่งตามภาคส่วน ขนาดและอายุของเงินกู้ ขนาดรายได้ของบริษัทและภูมิภาค คุณก็จะได้ตัวเลขอย่างรวดเร็ว ของเงินให้กู้ยืมในถังใด ๆ ที่น้อยเกินไปที่จะประเมินเมทริกซ์ความน่าจะเป็น อย่างไรแล้ว สามารถประเมินความน่าจะเป็นของการผิดนัดชำระหนี้สำหรับเงินกู้เหล่านี้ได้หรือไม่? นอกจากนี้ หากคุณทำการประเมินผิดพลาดเมื่อทำการปรับแบบจำลองสำหรับเงินกู้จำนวนเล็กน้อย ผลขาดทุนที่ได้ก็จะน้อยตามคำนิยามเช่นกัน เมื่อขนาดสินเชื่อเพิ่มขึ้น ความสูญเสียที่อาจเกิดขึ้นก็เพิ่มขึ้นเช่นกัน และเข้าใกล้จุดที่เหตุการณ์ไม่คาดฝันที่ส่งผลกระทบต่อผู้กู้หลายรายอย่างรวดเร็ว อาจส่งผลกระทบอย่างมีนัยสำคัญต่อเงินทุนของธนาคารขนาดเล็ก
มีหลายวิธีที่ AI และระบบอัตโนมัติสามารถช่วยแก้ปัญหาเหล่านี้ได้
อันดับแรก เราสามารถใช้เทคนิคทางสถิติเพื่อสร้างการวิเคราะห์เชิงคาดการณ์ล่วงหน้า ตัวอย่างเช่น หากเรากำลังพิจารณาเงินกู้ในภาคส่วนที่กำหนด เราสามารถดูตัวแปรทางเศรษฐกิจมหภาคและใช้ตัวแปรเหล่านั้นในการพยายามคาดการณ์รายได้ ต้นทุน และขนาดตลาดในอนาคตที่เป็นไปได้ในภาคส่วนนั้น สิ่งนี้สามารถใช้เพื่อสร้างสถานการณ์เฉพาะภาคส่วนอัจฉริยะที่สามารถใช้ในการทำนายประสิทธิภาพของผู้กู้และเข้าใจความต้องการและความเสี่ยงทางการเงินในอนาคตของผู้กู้ การวิเคราะห์ตัวขับเคลื่อนสามารถใช้วิธีการทางสถิติเพื่อระบุตัวขับเคลื่อนที่เกี่ยวข้องสำหรับอนุกรมเวลาเป้าหมายท่ามกลางตัวแปรทางเศรษฐกิจมหภาคที่เป็นไปได้ทั้งหมดเหล่านี้ เมื่อมีแหล่งข้อมูลเพิ่มเติม
เทคนิคที่เกี่ยวข้องคือ nowcasting ซึ่งใช้เทคนิคการทำนายเพื่อเติมช่องว่างระหว่างจุดข้อมูลในอดีตที่เชื่อถือได้ล่าสุดกับเวลาปัจจุบัน ช่วยให้ธนาคารสามารถขจัดปัญหาความล่าช้าของแหล่งข้อมูลได้อย่างมีประสิทธิภาพ และเข้าใจสถานะปัจจุบันของพอร์ตโฟลิโอและ ผู้กู้ การใช้ชุดข้อมูลที่มีความถี่สูง การแคสติ้งในปัจจุบันจะคาดการณ์มูลค่าปัจจุบันของตัวบ่งชี้ระดับเซกเตอร์หลัก เช่น รายได้ของเซกเตอร์ ตัวบ่งชี้ที่คาดการณ์เหล่านี้สามารถใช้เป็นตัวบ่งชี้เริ่มต้น โดยให้ความสนใจกับความเสี่ยงที่อาจเกิดขึ้นในพอร์ตโฟลิโอ วิธีการทางสถิติที่ใช้ ซึ่งรวมถึงการทดสอบย้อนกลับและการถดถอย ให้ช่วงความเชื่อมั่นที่สามารถช่วยประเมินความแม่นยำของการคาดคะเนได้
จุดประสงค์ของ AI และระบบอัตโนมัติในการให้สินเชื่อเชิงพาณิชย์ไม่ใช่เพื่อแทนที่มนุษย์ในกระบวนการตัดสินใจ แต่เป็นการเพิ่มขีดความสามารถของมนุษย์เพื่อให้สามารถตัดสินใจได้ดีขึ้น ฉลาดขึ้น และดำเนินการได้รวดเร็วและมีประสิทธิภาพมากขึ้น หากระบบสามารถทำการวิเคราะห์ภาคธุรกิจ เพียร์ และการเงินได้โดยอัตโนมัติ สร้างข้อมูลเชิงลึกที่ชาญฉลาด และเน้นผู้กู้ที่อาจประสบปัญหาในอนาคต เช่นเดียวกับผู้ที่อาจมีโอกาสเติบโต เราจะสามารถตัดสินใจได้ดีขึ้นซึ่งนำไปสู่การ ผลลัพธ์ด้านเครดิตที่ดีขึ้น และสร้างประสบการณ์การกู้ยืมที่ดีขึ้นสำหรับธุรกิจในที่สุด
Credit : slottosod777
