Trước đây, tôi đã đề cập đến các giải pháp tín dụng thay thế với hình thức ‘mua trước trả sau’ (buy now pay later – BNPL, một hình thức mua trả góp, biên tập), nhưng tôi muốn thực hiện một cách tiếp cận rộng hơn và thảo luận về tầm quan trọng của ‘dữ liệu thay thế’ liên quan đến tương lai của tín dụng.
Thẻ tín dụng thống trị hoạt động cho vay không có đảm bảo
Thẻ tín dụng là phương thức cho vay không có đảm bảo chiếm ưu thế trong nhiều thập kỷ và theo Ngân hàng trung ương Anh, thẻ tín dụng thường chiếm 3/4 tổng số khoản cho vay tiêu dùng ở Anh.
Tuy nhiên, thẻ tín dụng vẫn loại trừ khả năng tiếp cận tín dụng của nhiều phân khúc khách hàng, điều này buộc người tiêu dùng phải tìm kiếm các phương tiện vay thay thế thông qua ‘tín dụng đen’ (còn được gọi là tín dụng không được kiểm soát), trước đây là các khoản cho vay ngắn hạn và tương tự, nhưng gần đây hơn là BNPL.
Sự xuất hiện của BNPL, bất chấp mọi lời chỉ trích, đã buộc các ngân hàng, cơ quan quản lý và hệ sinh tài chính phải đánh giá lại tương lai của tín dụng, cũng như cách đảm bảo khả năng tiếp cận và tính toàn diện khi kinh tế ngày càng phát triển.
Xem thêm: Câu chuyện khởi nghiệp (Fintech): NiYO nâng cao trải nghiệm dịch vụ của ngân hàng
Tính linh hoạt và toàn diện là nền tảng cho tương lai của tín dụng
Tính linh hoạt của tín dụng là chìa khóa đối với cả người tiêu dùng (cá nhân) và doanh nghiệp.
Đã qua lâu rồi cái thời các ngân hàng được khuyến khích thu lợi nhuận từ việc người tiêu dùng rơi vào các chu kỳ nợ không thể quản lý (ví dụ, tính phí cao cho các khoản thấu chi hoặc số dư thẻ tín dụng quay vòng).
Sự phổ biến của BNPL đặt ra câu hỏi về tính phù hợp và chính xác của các mô hình tín dụng và điểm tín dụng đang tồn tại ngày nay, đồng thời nhấn mạnh rằng một số người tiêu dùng và doanh nghiệp bị từ chối một cách bất công trong đơn xin tín dụng của họ vì thiếu lịch sử tín dụng truyền thống.
Cũng như BNPL, lĩnh vực đã mang lại một góc nhìn mới cho thế giới tín dụng, đã xuất hiện những thách thức mới trong lĩnh vực thẻ tín dụng – đang sử dụng các nguồn dữ liệu thay thế để cung cấp tín dụng cho một phân khúc thị trường chưa được khai thác.
Công ty khởi nghiệp Petal của Hoa Kỳ, được Empower Finance mua lại vào đầu năm 2024, đã mô phỏng lại điểm tín dụng của người tiêu dùng bằng cách sử dụng dữ liệu ngân hàng của họ và bằng cách xem xét các dữ liệu khác để cung cấp tín dụng cho những người thường bị các ngân hàng truyền thống bỏ qua – công ty này tuyên bố rằng, hơn 40% thành viên mới được chấp thuận thẻ Petal vào năm 2021 thường bị ngân hàng lớn từ chối cấp tín dụng.
Xem thêm: Cách mạng hóa tín dụng: Sử dụng AI để chấm điểm tín dụng
Tín dụng thay thế yêu cầu dữ liệu thay thế
Ngoài việc gây ngạc nhiên cho các cơ quan quản lý, sự gia tăng của BNPL cũng gây ngạc nhiên cho các tổ chức tín dụng truyền thống, những tổ chức này gần đây mới bắt đầu đưa các khoản thanh toán BNPL vào báo cáo tín dụng của họ.
Báo cáo tín dụng và chấm điểm tín dụng rất khác nhau trên khắp thế giới và cách BNPL được ghi nhận cũng không nhất quán, cần có một loại mô hình mới để tính toán tác động của BNPL đối với điểm tín dụng.
Affirm, nhà cung cấp BNPL của Hoa Kỳ, đã công bố hợp tác với công ty phân tích dữ liệu FICO để xây dựng mô hình chấm điểm tín dụng “đầu tiên” cho phép các khoản vay BNPL được đưa vào các quyết định tín dụng và cho vay một cách nhất quán và minh bạch – để báo cáo cho các cơ quan quản lý tín dụng.
Affirm vẫn chưa chia sẻ thêm thông tin chi tiết cho đến khi mô hình tính điểm tín dụng mới sẵn sàng, nhưng đó là một bước đi đúng hướng nếu toàn bộ lịch sử nợ của người tiêu dùng được đưa vào tất cả các quyết định cho vay tín dụng.
Công ty khởi nghiệp BuildMyCreditScore của Vương quốc Anh cho biết người tiêu dùng đã thấy điểm tín dụng của họ tăng trung bình 52 điểm trong vài tháng đầu tiên kể từ khi sử dụng thẻ ghi nợ.
Mặc dù thẻ ghi nợ hoạt động giống như thẻ ngân hàng thông thường, nhưng số tiền – tối đa hàng ngày là £30 – sẽ được BuildMyCreditScore thu qua ‘ghi nợ’ trực tiếp trong khoảng 2 ngày làm việc sau đó, cho phép số tiền này được báo cáo cho các cơ quan tham chiếu tín dụng.
Do đó, chủ thẻ có thể xây dựng điểm tín dụng của mình bằng cách thể hiện khả năng quản lý các khoản chi luân chuyển và hoàn trả tín dụng kịp thời.
Xem thêm: Những yếu tố ảnh hưởng đến điểm tín dụng
Trí tuệ nhân tạo (AI) là chìa khóa cho tương lai của tín dụng
AI đã có ảnh hưởng đến các quyết định tín dụng trong tương lai. Các mô hình học máy (ML) giờ đây có thể nhanh chóng kết hợp dữ liệu nội bộ, dữ liệu thay thế và dữ liệu tín dụng, thuộc tính tín dụng và các tham chiếu khác để cung cấp ‘cái nhìn’ chính xác hơn về mức độ tín nhiệm của người ‘nộp đơn’.
Các mô hình ML cũng có thể sử dụng các loại dữ liệu bổ sung để chấm điểm tín dụng những ứng viên không đủ điều kiện nhận điểm từ các mô hình truyền thống.
Ví dụ, cơ quan xếp hạng tín dụng TransUnion đã tiết lộ nền tảng phân tích và dữ liệu dựa trên nền tảng đám mây, được hỗ trợ bởi AI (OneTru) kết nối dữ liệu riêng biệt và phân tích để phòng ngừa rủi ro tín dụng, tiếp thị và gian lận, cũng như kết nối chúng trong một môi trường thống nhất.
Khả năng AI của OneTru giúp cải thiện đánh giá danh tính cho các trường hợp sử dụng gian lận – bằng cách liên kết dữ liệu có cấu trúc, như ‘danh tính’ ngoại tuyến truyền thống và dữ liệu phi cấu trúc, như thông tin hành vi và thuộc tính thiết bị.
Bên cạnh việc chấm điểm tín dụng, khởi tạo khoản vay cũng được thực hiện bởi AI. Công ty Fintech Cascading AI của Hoa Kỳ đã ra mắt Casca, hệ thống khởi tạo khoản vay dựa trên AI, có thể tự động hóa phần lớn quy trình đăng ký khoản vay – theo mô hình thủ công truyền thống sẽ rất mất thời gian hơn so với AI.
Công ty Fintech này tuyển dụng trợ lý cho vay AI, ‘Sarah’, nó có thể hướng dẫn người nộp đơn trong toàn bộ quy trình đăng ký.
Cascading AI tuyên bố Casca đã cho thấy kết quả khi đạt được tỷ lệ chuyển đổi cao hơn gần 3 lần và giảm 90% nỗ lực thủ công ở bộ phận hỗ trợ so với các phương pháp truyền thống.
Tương tự, công ty khởi nghiệp Rich Data Co (RDC) của Úc đã ra mắt nền tảng ra quyết định dựa trên AI đối với hoạt động cho vay kinh doanh của ngân hàng.
Được thành lập vào năm 2016, RDC sử dụng AI để cung cấp cho các ngân hàng những hiểu biết sâu sắc hơn về hành vi của người đi vay, giúp đưa ra các quyết định cho vay kinh doanh chính xác và hiệu quả hơn, trong đó Westpac là khách hàng tiêu biểu.
Khai thác các nguồn dữ liệu thay thế, nền tảng ra quyết định AI của RDC cung cấp thông tin chi tiết về hành vi của người vay, ngoài các nguồn tín dụng truyền thống.
Giống như phát hiện và giảm thiểu gian lận, sự phức tạp và tác động tiêu cực tiềm ẩn của việc sử dụng AI để chấm điểm tín dụng và phân tích khoản vay.
Omdia dự báo doanh thu phần mềm AI để chấm điểm tín dụng và phân tích khoản vay sẽ đạt 409 triệu USD vào năm 2028, với tốc độ CAGR là 16% trong giai đoạn 2023-2028.
Xem thêm: Thẻ tín dụng: 2 loại ngày nên chú ý để tránh bị phạt
Hình dung lại tín dụng trong kỷ nguyên ‘dữ liệu mở’
Tín dụng, giống như nhiều lĩnh vực dịch vụ tài chính, được hình dung vào thời điểm mà quy trình này rất thủ công với các quy tắc cho vay ‘cố định’ (thiếu tính linh hoạt).
Rõ ràng là điểm tín dụng và khả năng chi trả cần phải được ‘hình dung lại’ thông qua sự kết hợp giữa ngân hàng mở, AI (trí tuệ nhân tạo) và tính minh bạch.
Vấn đề chính với BNPL là tần suất thanh toán – một khách hàng thông thường chỉ có thể sử dụng BNPL 10 lần một năm, trong khi thẻ tín dụng có thể tạo ra hàng trăm giao dịch, do đó có nhiều dữ liệu đáng tin cậy hơn để thu thập và đánh giá tần suất thanh khoản của khách hàng và tiến hành kiểm tra khả năng chi trả.
Khi chúng ta đón nhận một thế giới tài chính mở, nơi dữ liệu được cung cấp miễn phí hơn, các nguồn dữ liệu thay thế sẽ là nền tảng mở ra các phân khúc mới của thị trường và đảm bảo tương lai của tín dụng có giá cả phải chăng, toàn diện và dễ tiếp cận hơn.
Hình minh họa: Tín dụng. Ảnh Freepik
Tác giả: Philip Benton
Nguồn: Philip Benton – fintechfutures.com – Anh
Xem thêm: Ngân hàng mở: Cơ hội phát triển các sản phẩm tài chính mới?
