Tác giả: Dikshant Agarwal
Sau khi tốt nghiệp đại học công nghệ, tôi được cấp thẻ tín dụng AmEx nhưng không biết nó hoạt động như thế nào. Các khoản thanh toán điện tử như thẻ ghi nợ/thẻ tín dụng chưa mang lại cảm giác an toàn vào đầu những năm 2010, khi đó giao dịch bằng tiền mặt khá thông dụng.
Vài tháng sau, tôi sử dụng thẻ AmEx để mua hàng trực tuyến và không thanh toán hóa đơn đúng hạn, mà không biết rằng nó sẽ tích lũy lãi suất và ảnh hưởng đến lịch sử tín dụng (nợ xấu và ảnh hưởng đến xếp hạn tín dụng cá nhân).
Kinh nghiệm này nói lên tình trạng thiếu kiến thức tài chính phổ biến, khiến việc vay ‘tín dụng’ trở nên khó khăn hơn. Ngày nay, về mặt văn hóa, chúng ta đang chuyển từ lối sống khan hiếm và chuyển sang quản lý sự dồi dào, nơi việc vay mượn đúng cách có thể nâng cao chất lượng cuộc sống.
Ngân hàng so với Fintech
Các ngân hàng truyền thống từ lâu đã phải vật lộn để ‘hòa nhập’ vào thế giới công nghệ tài chính (Fintech), hơn 80% người Ấn Độ không thể tiếp cận tài chính chính thức. Quá trình phê duyệt khoản vay kéo dài của ngân hàng có thể hạn chế nhiều người tiếp cận với tín dụng ngân hàng.
Điểm tín dụng, một phần quan trọng trong hành trình khách hàng, thường trở thành điểm nghẽn đối với hoạt động cho vay của ngân hàng. Tuy nhiên, nhờ sự phát triển của công nghệ, cũng như những tiến bộ trong ML (công nghệ học máy) và AI (trí tuệ nhân tạo) đã giúp việc xác định điểm tín dụng dễ dàng hơn.
CASHe, không giống như các ngân hàng truyền thống, tận dụng phạm vi dữ liệu rộng hơn được xử lý bằng các mô hình AI/ML tiên tiến để ‘xác định điểm tín dụng’ cho khách hàng tốt hơn và nhanh hơn – cách mạng hóa hoạt động cho vay.
Xem thêm: Câu Chuyện Khởi Nghiệp (Fintech): Ứng Dụng Cho Vay Cá Nhân MoneyTap
Nguồn dữ liệu để xác định điểm tín dụng
Dữ liệu sử dụng ứng dụng và thiết bị di động: Các biến số như số lượng ứng dụng tài chính, tầng suất hoặc hoạt động mua sắm, hệ điều hành, nhãn hiệu thiết bị và dữ liệu phiên ứng dụng.
Dữ liệu nhân khẩu học của khách hàng: Địa chỉ hiện tại/thường trú, số người phụ thuộc, độ tuổi, mức lương, hồ sơ ‘chủ lao động’/doanh nghiệp, trình độ học vấn, …
Dữ liệu vay trong quá khứ: Số khoản vay đã thực hiện, thẻ tín dụng đã sử dụng, các khoản vay đang có, …
Dữ liệu giao dịch: Các giao dịch có giá trị cao gần đây, số dư ngân hàng hoặc tiền lương ổn định, chi tiêu tiêu dùng tối thiểu so với chi tiêu cho ‘lối sống’, …
Tài liệu tham khảo/dữ liệu cộng đồng: Hồ sơ rủi ro, các nguồn tài liệu tham khảo và các thành viên cộng đồng thân thiết nhất.
Các yếu tố kinh tế vĩ mô: Các chỉ số như lãi suất, lạm phát và thất nghiệp ở các khu vực và ngành khác nhau.
Dữ liệu về tính cách/tâm lý: Các chỉ số liên quan đến loại tính cách, chẳng hạn như mức độ tận tâm, hướng ngoại, …
Bảo lãnh khoản vay của CASHe
Bảo lãnh khoản vay hay xác định điểm tín dụng là yếu tố quyết định cho vay hay không cho vay. Đối với CASHe, điều này rất quan trọng.
Sự phức tạp liên quan đến bảo lãnh khoản vay ở một thị trường ‘chưa trưởng thành và được quản lý chặt chẽ’ như Ấn Độ là rất cao và luôn thay đổi. Về bản chất, đây cũng là một hoạt động bị từ chối cao, vì nguồn lực (tức là tiền) là hữu hạn và một tháng hoặc quý tồi tệ (như trong thời kỳ Covid) có thể ảnh hưởng đáng kể đến triển vọng trong tương lai.
Các thành phần chính của bảo lãnh khoản vay bao gồm: Xác định gian lận, đánh giá các khoản nợ và dòng tiền hiện có – cũng như đánh giá ý định và khả năng trả nợ của khách hàng.
Xem thêm: Câu Chuyện Khởi Nghiệp Fintech (CashFlo): Giải Quyết Nhu Cầu Vốn Cho Các Doanh Nghiệp Nhỏ
Yếu tố cho bảo lãnh khoản vay là dữ liệu
Chúng tôi đã mô tả nhiều nguồn dữ liệu khác nhau góp phần đưa ra quyết định cuối cùng và CASHe khác với các ngân hàng truyền thống trong việc xác định điểm tín dụng liên quan đến quyết định cho vay.
Các nguồn dữ liệu này do khách hàng gửi trong quá trình giới thiệu, được thu thập từ các bên thứ ba (như cơ quan quản lý tín dụng, nhà cung cấp KYC, …) hoặc được tạo dưới dạng siêu dữ liệu khi sử dụng CASHe.
Đánh giá ý định và khả năng trả nợ của khách hàng là lúc ‘dữ liệu lớn và học máy (ML)’ phát huy tác dụng, cho phép chúng tôi tạo ra công thức bảo lãnh khoản vay nhất quán cho tất cả khách hàng.
Xác định biến mục tiêu là rất quan trọng cho việc lập mô hình tài chính và đào tạo mô hình ML (công nghệ học máy).
Đối với kịch bản vỡ nợ, định nghĩa vỡ nợ thường mang tính chủ quan. Đối với người làm trong lĩnh vực tài chính, giá trị mặc định có thể là NPA hoặc DPD90+ (tức là đã quá ngày đáo hạn hơn 90 ngày), nhưng NPA là một chỉ báo trễ về ‘hiệu suất danh mục tài sản’ (NPA, tài sản không sinh lợi, là các khoản vay hoặc tạm ứng do ngân hàng hoặc tổ chức tài chính phát hành nhưng không còn sinh lợi cho ngân hàng, do người đi vay không thanh toán gốc và lãi trong ít nhất 90 ngày, biên tập).
Khách hàng chưa thanh toán đợt đầu tiên là người vi phạm nghiêm trọng hơn khách hàng đã trả 2/3 đợt và không trả được nợ ở đợt thứ ba.
Do đó, dựa trên bối cảnh kinh doanh và chiến lược thu thập, biến mục tiêu có thể được xác định bằng cách sử dụng các định nghĩa khác về DPD (1+, 30+, quá hạn 1 ngày, quá hạn hơn 30 ngày) ở các cấp độ trả góp khác nhau (EMI đầu tiên, EMI cuối cùng, bất kỳ EMI nào – EMI là khoản trả góp định kỳ hàng tháng tương đương – Equated Monthly Instalment).
Yếu tố ‘bí mật’ trong quy trình bảo lãnh khoản vay của chúng tôi là dựa trên đánh giá ‘dữ liệu thô’, trích xuất và tinh chỉnh nó để tạo ra các chỉ số có giá trị.
Ví dụ, thương hiệu thiết bị của khách hàng có thể cho biết liệu người dùng của một thương hiệu điện thoại thông minh cụ thể có ‘tỷ lệ mặc định’ cao hơn hay không.
Ngoài ra, siêu dữ liệu của cùng một thiết bị như giá bán lẻ/ra mắt ban đầu của thiết bị, ngày phát hành mẫu, trạng thái hệ điều hành ban đầu, cũng như thông số kỹ thuật phần cứng và phần mềm cung cấp thêm bối cảnh về tâm lý khách hàng, sở thích mua hàng, mức độ hiểu biết về kỹ thuật số và phong cách sống nói chung.
Kết hợp với các nguồn độc lập khác như dữ liệu giao dịch/ngân hàng và hành vi vay mượn trong quá khứ, những tương tác này giúp mô hình thống kê tìm hiểu các mô hình tốt hơn và tăng hiệu suất dự đoán đối với khách hàng mới.
Một thành phần quan trọng khác là tính mô-đun của các nguồn dữ liệu khác nhau và cách chúng được sử dụng trong các mô hình rủi ro nội bộ của chúng tôi trên các hành trình khách hàng khác nhau – ứng dụng CASHe, các hành trình được nhúng như GPay, IRCTC, Amazon, … hoặc thanh toán mua hàng tại một địa điểm lân cận nào đó.
Triết lý cơ bản của hoạt động bảo lãnh khoản vay là tương tự nhau trong các hành trình đa dạng này, ngay cả với mức độ dữ liệu khách hàng thô có sẵn khác nhau.
Điều này xảy ra thông qua cách đào tạo mô hình ‘không được giám sát + có giám sát’ trên các tập dữ liệu nhỏ hơn và ngoại suy kết quả học được của chúng.
Xem thêm: Những Khó Khăn Các Nhà Khởi Nghiệp Thường Gặp Phải?
Điểm rủi ro độc quyền: SLQ và GM
SLQ (Chỉ số cho vay xã hội ) và GM (Đo lường mức độ tốt) là điểm rủi ro dựa trên dữ liệu thay thế độc quyền của CASHe.
Không giống như điểm số thông thường dựa trên các khoản vay trước đây, những điểm số này xem xét ‘dấu ấn’ thiết bị và kỹ thuật số của khách hàng để tạo hồ sơ rủi ro. Cách tiếp cận này có một số ưu điểm:
Tính xác thực: Dữ liệu này khó giả mạo vì nó dựa trên việc sử dụng thiết bị của khách hàng và hoạt động web trước đây, không giống như dữ liệu ‘thương mại’ được tổng hợp thủ công.
Độ nhạy: Những điểm số này phản ứng nhanh hơn với những thay đổi trong lối sống của khách hàng, với độ nhạy ở cấp độ hàng giờ/hàng ngày so với điểm số thủ công truyền thống, được cập nhật 3 tháng 1 lần.
Tính toàn diện: Nó có thể ghi điểm cho những khách hàng mới sử dụng tín dụng, tránh được vấn đề ‘mới bắt đầu’ như cách chấm điểm tín dụng truyền thống.
SLQ là điểm tín dụng thay thế dành cho khách hàng có thể chuyển nhượng giữa các khu vực địa lý. Theo thời gian, nó sẽ thích ứng với hành vi vay mượn của khách hàng ở khu vực mới, điều chỉnh cơ chế tính điểm.
GM là điểm rủi ro ở cấp độ khoản vay theo khu vực cụ thể được thiết kế để hỗ trợ các nhà cho vay đánh giá hồ sơ rủi ro của khách hàng dựa trên các chỉ số dữ liệu thay thế. Nó tuần tự học hỏi từ các khoản vay CASHe trước đây của khách hàng, cân nhắc cẩn thận chúng để đánh giá rủi ro cho các khoản vay tiếp theo.
Phần kết luận
Kể từ khi thành lập, sứ mệnh của CASHe là tận dụng sức mạnh của dữ liệu lớn và AI để đánh giá khách hàng tốt hơn. Chúng tôi hiện đang sử dụng thế hệ thứ 6 của các mô hình rủi ro được hỗ trợ bởi AI và có thể tự tin tuyên bố rằng, hệ thống quản lý rủi ro nội bộ của chúng tôi hoạt động tốt hơn đáng kể so với bất kỳ giải pháp nào của bên thứ 3.
Trong vài năm qua, chúng tôi đã điều chỉnh cấu trúc và triết lý của công cụ quyết định tín dụng của mình cho phù hợp với các yêu cầu ngày càng tăng về sản phẩm và kinh doanh.
Trong thị trường cho vay không có tài sản bảo đảm, hệ thống này phải hoạt động như mong đợi, nếu không muốn nói là tốt hơn. Giống như “tìm kiếm” là ‘chén thánh’ đối với Google, quyết định rủi ro tín dụng là của CASHe và đó là một hành trình không bao giờ kết thúc đối với chúng tôi.
