راهکارهای اعتبارسنجی مشتریان فاقد سابقه اعتباری (Thin-File)
گذار از مدلهای سنتی به دادههای جایگزین و روانسنجی
چکیده
سیستمهای سنتی امتیازدهی اعتباری (Credit Scoring) عمدتاً بر پایه سوابق بازپرداخت وامهای گذشته بنا شدهاند. این رویکرد باعث طرد مالی بخش بزرگی از جامعه (جوانان، دانشجویان، و افرادی که تاکنون وام نگرفتهاند) میشود و بانکها را از مشتریان بالقوه خوشحساب محروم میکند. این مقاله به بررسی روشهای جایگزین شامل تحلیل دادههای غیرمالی (Alternative Data)، تحلیل جریان نقدینگی (Cash-Flow Underwriting) و آزمونهای روانسنجی (Psychometric Testing) میپردازد تا مدل دقیقتری برای پیشبینی رفتار بازپرداخت این گروه از مشتریان ارائه دهد.
۱. مقدمه و بیان مسئله
در بانکداری کلاسیک، فرض بر این است که "رفتار گذشته، بهترین پیشبینیکننده رفتار آینده است". اما برای مشتریانی که "گذشته اعتباری" ندارند، مدلهای سنتی مانند رگرسیون لجستیک که بر پایه دادههای سامانه اعتبارسنجی (مثل سامانه ایرانیان یا مشاور رتبهبندی) کار میکنند، دچار کوری اطلاعاتی میشوند. این وضعیت منجر به پدیدهای به نام "عدم تقارن اطلاعاتی" میشود که در آن بانک نمیتواند ریسک نکول (Default) را تخمین بزند.
۲. راهکارهای نوین اعتبارسنجی برای مشتریان فاقد سابقه
برای حل این چالش، بانکهای پیشرو در جهان از سه دسته داده و متدولوژی جدید استفاده میکنند:
۲-۱. اعتبارسنجی مبتنی بر جریان نقدینگی (Cash-Flow Underwriting)
حتی اگر مشتری وام نگرفته باشد، احتمالاً حساب بانکی (جاری یا پسانداز) دارد. تحلیل رفتار حساب سپرده بسیار قدرتمند است.
- ثبات درآمد: واریزیهای منظم ماهانه (حقوق یا درآمد شغل آزاد) نشاندهنده ثبات مالی است.
- مدیریت موجودی: بررسی اینکه آیا مشتری معمولاً تمام موجودی خود را بلافاصله پس از واریز برداشت میکند یا "کفِ موجودی" حفظ میشود.
- رفتار در قبال هزینهها: عدم وجود چک برگشتی (حتی اگر رفع سوء اثر شده باشد، تکرار آن سیگنال منفی است) و عدم کسر موجودی برای هزینههای جاری (مثل قبوض متصل به حساب).
۲-۲. دادههای جایگزین (Alternative Data)
این مهمترین تحول در فینتکها و بانکداری مدرن است. ایده اصلی این است: "کسی که قبض موبایل خود را سر وقت میدهد، احتمالاً قسط وام را هم سر وقت میدهد."
- پرداختهای تکرارشونده: سابقه پرداخت اجارهخانه (در صورت وجود قرارداد رسمی و قابل رصد)، شهریه دانشگاه، یا حق بیمه عمر.
- دادههای مخابراتی (Telco Data): تحقیقات نشان داده است همبستگی بالایی بین رفتار مشترکین تلفن همراه و رفتار اعتباری وجود دارد. مشتریانی که خط دائم دارند و قبض خود را پیش از قطع شدن میپردازند، ریسک کمتری دارند.
- قبوض خدماتی: نظم در پرداخت قبوض آب، برق و گاز (که امروزه الکترونیکی و قابل رصد است).
۲-۳. امتیازدهی روانسنجی (Psychometric Scoring)
زمانی که هیچ داده مالی وجود ندارد، باید "شخصیت و تمایل" (Willingness) فرد سنجیده شود، نه فقط "توانایی" (Ability) مالی او.
- روش کار: مشتری به مجموعهای از سوالات روانشناسی پاسخ میدهد که ویژگیهایی مانند وظیفهشناسی (Conscientiousness)، صداقت، هوش هیجانی و نگرش نسبت به ریسک را میسنجد.
- نمونه جهانی: موسسه EFL (Entrepreneurial Finance Lab) که از دانشگاه هاروارد منشعب شده، ابزاری را توسعه داده که با پرسیدن سوالات تصویری و موقعیتی، احتمال خوشحسابی فرد را پیشبینی میکند. این روش در کشورهای در حال توسعه برای وامهای خرد بسیار موفق بوده است.
۳. نقش هوش مصنوعی و یادگیری ماشین
الگوریتمهای سنتی خطی عمل میکنند، اما هوش مصنوعی (AI) میتواند الگوهای پنهان را در دادههای پراکنده بیابد. برای مثال، هوش مصنوعی میتواند با تحلیل تراکنشهای خرد مشتری (مثلاً خریدهای سوپرمارکتی)، سبک زندگی و انضباط مالی او را بدون نیاز به سابقه وام قبلی تحلیل کند.
۴. پیشنهاد عملیاتی برای کارمندان بانک (چکلیست تصمیمگیری)
در غیاب سیستمهای مکانیزه پیشرفته در برخی بانکها، شما به عنوان کارشناس میتوانید از ترکیب زیر برای این مشتریان استفاده کنید (روش 5C با تمرکز بر Character):
- تحلیل گردش حساب (۶ ماهه): آیا واریزیها منظم است؟ آیا میانگین مانده حساب نوسان شدید دارد؟
- مصاحبه کیفی (شناخت شغلی): مدت زمان اشتغال در شغل فعلی چقدر است؟ (ثبات شغلی = ثبات بازپرداخت). ثبات سکونت چطور؟ (مستاجری که هر سال جابجا میشود ریسک بالاتری نسبت به کسی دارد که ۳ سال یکجا ساکن است).
- بررسی تعهدات غیربانکی: درخواست پرینت پرداخت حق بیمه تأمین اجتماعی (نشاندهنده تداوم کار) یا سابقه پرداخت قبوض موبایل.
- ضامن معتبر (جایگزین اعتبار): استفاده از "اعتبار اجتماعی" یک ضامن برای پوشش خلاء اطلاعاتی وامگیرنده.
۵. نتیجهگیری
فقدان سابقه اعتباری به معنای بدحساب بودن مشتری نیست. بانکها باید از مدلهای "مبتنی بر وثیقه و سابقه" به سمت مدلهای "مبتنی بر جریان نقدینگی و رفتار" حرکت کنند. استفاده از دادههای جایگزین (قبوض، اجاره، مخابرات) و تحلیلهای روانسنجی میتواند نرخ نکول را در این گروه از مشتریان به شدت کاهش دهد و بازار جدیدی را برای بانک ایجاد کند.
منابع و مراجع (References)
- World Bank Group. (2019). Credit Reporting Knowledge Guide. International Finance Corporation (IFC).
- Jagtiani, J., & Lemieux, C. (2019). The roles of alternative data and machine learning in fintech lending: Evidence from the LendingClub consumer platform. Financial Management, 48(4), 1009-1029.
- Entrepreneurial Finance Lab (EFL). (2014). Psychometric Credit Scoring. Harvard Kennedy School Research.
- FICO. (2020). Using Alternative Data to Extend Credit to the Unbanked. FICO Blog & Whitepapers.
نکته پایانی برای همکار گرامی:
در سیستم فعلی بانکی ایران، دسترسی سیستمی به برخی از این "دادههای جایگزین" (مثل دیتای مخابرات یا پرداخت اجاره) هنوز یکپارچه نیست. بهترین ابزاری که شخص شما در حال حاضر دارید، تمرکز دقیق بر "معدل حساب و نظم واریزیها" و همچنین "ثبات شغلی و محل سکونت" است. کسی که ۵ سال در یک شغل یا یک خانه بوده، حتی بدون وام قبلی، معمولاً مشتری کمریسکی است.