Кредиттік бюролар қаржылық инфрақұрылымның маңызды элементтері болып табылады және кредитті қоса алғанда, қаржылық қызметтерге қол жеткізуді жақсартуға жәрдемдесуде түйінді рөл атқарады. Бүкіл әлемде 65 миллион кәсіпорын немесе дамушы елдердегі ресми микро, шағын және орта бизнестің 40% - ы жыл сайын 5,2 триллион АҚШ доллары мөлшерінде қаржыландыруда қанағаттандырылмаған мұқтаждықтарға ие. Дүниежүзілік Банктің 63 елдің кәсіпорындарындағы сауалнамаларының деректерін пайдаланған және 75 000-нан астам фирманы қамтыған зерттеу кредиттік бюроны енгізу фирмалардың неғұрлым ұзақ мерзімді кредиттер мен төмен пайыздық мөлшерлемелер есебінен қаржыландыруға қол жеткізу ықтималдығын арттыратынын көрсетті. Зерттеу сонымен қатар кредиттік бюроның қамтылуы, сондай-ақ кредиттік ақпараттың көлемі мен қолжетімділігі неғұрлым кең болса, оның фирмаларды қаржыландыруға әсері соғұрлым күшті болатынын көрсетті.
Дүниежүзілік Банктің мәліметтері бойынша, 191 елдің 117-де кем дегенде бір несие бюросы болды, бұл әр елдегі еңбекке қабілетті жастағы халықтың 1,2-ден 100 пайызға дейін. Елдердің үштен бірі соңғы онжылдықта өздерінің алғашқы несиелік бюроларын құрды, ал одан да көп елдер оларды құру процесінде. Қаржы мекемелері веб-сайт интерфейсі немесе жүйеаралық қосылу арқылы барлық 117 елде кредиттік бюролардың деректеріне онлайн режимінде қол жеткізе алады. Тұтынушылар 77 елде онлайн режимінде несие деректеріне қол жеткізуді сұрай алады, 74 елде онлайн режимінде несие есебін оқып, түсінуді үйренеді және 84 елде онлайн режимінде несие деректерімен дауласады. 96 елде ең үлкен несие бюросы несие қабілеттілігін бағалауды қамтамасыз етеді, ал олардың 62-сі осы бағалардың не екендігі және олардың қалай есептелетіні туралы онлайн түсініктеме береді.
SunFinance Group өңірлік басқарушысы Виталий Нижегородцевтің пікірінше, осы цифрлық дәуірде жаңа деректер мен технологиялар кредиттік есептілік секторын қалыптастырады. Мысалы, үлкен деректер мен машиналық оқыту адамның араласуымен байланысты қауіптерді азайта отырып, деректерді жылдам, күрделі және үнемді талдау мен өңдеуді қамтамасыз етеді. Бұл технологиялар несиелік ақпарат алмасу үшін үлкен әлеуетке ие.
Үлкен деректер
«Өңдеудің үнемді және инновациялық әдістерінің арқасында үлкен деректер шешім қабылдауды және процестерді автоматтандыруды қолдау үшін тереңірек түсінік алуға мүмкіндік береді» дейді Нижегородцев. Оның айтуынша, деректердің екі түрі бар: құрылымдалған және құрылымданбаған. Құрылымдық деректер-бұл алдын-ала анықталған және белгіленген құрылымға сәйкес пішімделген ақпарат. Құрылымдық деректердің мысалы-аты, мекенжайы және несие картасының нөмірі сияқты нақты анықталған өрістері бар мәліметтер базасы. Құрылымданбаған мәліметтер, аты айтып тұрғандай, әртүрлі пішіндер мен өлшемдерде болады. Мысалдарға электрондық пошталар, суреттер, аудио, видео және сенсорлық деректер жатады. Құрылымдық деректермен салыстырғанда, құрылымданбаған мәліметтер сақтау, ұйымдастыру, өңдеу және талдау үшін деректер ғылымында көбірек тәжірибені қажет ететін көп бұзушылықтар мен түсініксіздіктерді қамтиды.
Үлкен деректер несиелік есеп берудің құндылығын арттырып, жаңа проблемалар тудыруы мүмкін. Әдеттегідей, несиелік бюролар несиелер мен төлемдер, коммуналдық төлемдерді төлеу, демографиялық және басқа да ресми деректер сияқты құрылымдық мәліметтердің нақты жиынтығына назар аударады. Транзакциялық деректер — құрылымдалған деректердің тағы бір түрі — көбінесе пайдаланылмаған ақпараттың көп мөлшерін қамтиды.
Машиналық оқыту
Машиналық оқыту - бұл жасанды интеллекттің бір түрі, ол қолданыстағы және жаңа деректерді қолдана отырып, бағдарламаларды үнемі жетілдіруге мүмкіндік береді. Өткен құбылыстар ұқсас немесе жақын байланысты болашақ құбылыстар туралы құнды ақпарат бере алады. Машиналарды оқыту алгоритмдері өткен деректерді талдайды, олардан сабақ алады және болашақ деректер туралы болжам жасайды. Нақты нұсқауларды қолмен кодтаудың орнына, бағдарламалар берілген тапсырмаларды орындауды үйрену үшін бар мәліметтер мен алгоритмдер арқылы «оқытылады». Несиелік ақпарат жүйелері машиналық оқудан пайда табудың көптеген жолдары бар.
«Жетекші институттар алаяқтық пен жеке деректерді ұрлаумен күресу үшін мінез-құлық машиналық оқытуды қолданады. Компьютерлерге ағынды транзакциялардың үлкен көлемінде мінез-құлық үлгілерін анықтауға үйретуге болады. Осы біліммен бағдарламалар уақыт өте келе алаяқтықтың жаңа, бұрын-соңды болмаған тактикаларына бейімделе отырып, күдікті транзакцияларды анықтай алады. Машиналық оқыту ережеге негізделген дәстүрлі әдістерге қарағанда ықтимал алаяқтық әрекеттерді дәлірек белгілейді». Виталий Нижегородцев
Мысалы, алаяқтық туралы деректердің кең репозиторийін және жоғары деңгейлі есептеу инфрақұрылымында жұмыс істейтін машиналық оқыту модельдерін қолдана отырып, PayPal өзінің автоматтандырылған алаяқтық анықтау жүйесінің дәлдігін 50% арттырды.
Виталий Нижегородцевтің айтуынша, машиналық оқыту несиелік тәуекелдерді модельдеуді де жақсарта алады. Қарыз алушының несиені өтеу ықтималдығы көптеген факторларға байланысты. Әдетте, статистикалық оқыту әдістері айнымалылар арасындағы математикалық теңдеулер түрінде ресми қатынасты қамтиды, ал машиналық оқыту әдістері ережелерге негізделген алгоритмдерді қажет етпестен мәліметтерден оқи алады. Осы икемділіктің арқасында машиналық оқыту несиелік тәуекелдерді есептеу үшін мәліметтер үлгісіне жақсы сәйкес келеді.
Осы артықшылықтарды ескере отырып, несие бюролары үлкен деректерді өңдеу және дәлірек ақпарат алу үшін машиналық оқытуды белсенді қолданатыны таңқаларлық емес.
Мысалы, Equifax жеке тұтынушыларға бейімделген тиімді түсіндірулер жасау үшін жасанды интеллекттің несиелік қабілетін бағалаудың түсіндірмелі әдісіне машиналық оқытуды модельдеуді (нейрондық желі) енгізді. Equifax-бұл машинаны үйренуге арналған шешімдермен айналысатын жалғыз бюро емес. Experian компаниясы терең талдамалық деректерді сұрау бойынша алу үшін талдамалық құралдарды машиналық оқыту функцияларымен толықтырды. ТрансЮнион мен FICO сонымен қатар жоғары қауіпті тұлғаның мінез-құлқын анықтау және несиелік өтінімдер үшін дәлірек және түсінікті бағалау парақтарын құру үшін машиналық оқытуды да қамтыды. VantageScore компаниясы жақында жаңартылған несие файлдарынсыз «көрінбейтін несие» тұтынушылары үшін де тәуекелдерді бағалау және ұпай жинау үшін машиналық оқытуды қолданады. Creditinfo сияқты басқа бюролар машиналық оқыту модельдерін жасау үшін платформаларда жұмыс істейді.
«Жалпы, заманауи технологиялар мен озық шешімдер ақпараттың үлкен көлемін тиімді өңдеуге мүмкіндік береді. Үлкен деректер мен машиналық оқыту банктік қызметтерге қол жетімділігі жоқ және жақсы несиелік тарихы бар адамдар үшін несиеге қол жетімділікті арттыруда маңызды рөл атқара алады». Виталий Нижегородцев
Әлемде 1,7 млрд-қа жуық ересек адам бұрынғысынша қаржы мекемесінде шотсыз немесе мобильді ақшаны жеткізуші арқылы банктік қызметтерге қол жеткізе алмайды. Банк қызметтерін пайдаланбайтын ересектердің барлығы дерлік дамушы елдерде тұрады, ал банк қызметтеріне қол жеткізе алмайтындардың 56% - ын әйелдер құрайды. Үлкен деректер мен машиналық оқытудың көмегімен несие бюролары балама деректерді қолдана отырып, банктік қызметтерді пайдаланбайтын ересектердің несиелік қабілетін бағалаудың жаңа тәсілдерін жасай алады.
SunFinance Group өңірлік менеджері Виталий Нижегородцевтің айтуынша, технологиялар жаппай ақпаратты нақты уақыт режимінде несие қабілеттілігін пайдалы бағалауға айналдыруға көмектеседі. Бұл несие бюросына ақпараттық асимметрияны одан әрі төмендетуге, тәуекелдерді басқаруды жақсартуға және төмен пайыздық мөлшерлемелер бойынша несиелерге қол жетімділікті арттыруға көмектеседі. Технология үлкен деректердің жаңа әлемін ашады, бұл қаржылық қызметтерге қол жетімділіктің жедел кеңеюіне ықпал етеді.
