फिनटेक एसोसिएशन फॉर कंज्यूमर एम्पावरमेंट (FACE) की हालिया रिपोर्ट के अनुसार भारत में 84 प्रतिशत ऋणदाता अब उधारकर्ता के जोखिम का आकलन करने के लिए पारंपरिक क्रेडिट चेक के साथ वैकल्पिक डेटा को जोड़ते हैं।
पारंपरिक ब्यूरो क्रेडिट स्कोर लंबे समय से खुदरा ऋण देने के लिए उधारकर्ता की साख का निर्धारण करने में प्राथमिक कारक रहा है। हालांकि, यह अक्सर कई संभावित उधारकर्ताओं को ठंड में छोड़ देता है, विशेष रूप से पहली बार उधारकर्ताओं को बिना स्थापित क्रेडिट इतिहास के। वैकल्पिक क्रेडिट स्कोरिंग (एसीएस) विधियों के उदय के साथ, बैंक और अन्य गैर-बैंकिंग वित्तीय संस्थान अब अधिक सूचित उधार निर्णय लेने के लिए डेटा बिंदुओं की एक विस्तृत श्रृंखला का उपयोग कर सकते हैं। इस बदलाव ने उस तरह से बदल दिया है जिस तरह से क्रेडिट योग्यता का पता लगाया जाता है और कई उधारदाताओं के लिए डिफ़ॉल्ट दरों में कमी के लिए योगदान करते हुए ऋण को मंजूरी दी जाती है।
आनंद एग्रावल, सह-संस्थापक और सीपीटीओ, क्रेडेंगिक्स के अनुसार, वैकल्पिक क्रेडिट रेटिंग एक व्यक्ति की साख का आकलन करने में एक प्रतिमान बदलाव का प्रतिनिधित्व करती है।
अग्रवाल ने कहा, “पारंपरिक मूल्यांकन विधियों के विपरीत, जो सीमित ब्यूरो जानकारी पर भरोसा करते हैं, एसीएस उधारकर्ता की विश्वसनीयता को मापने के लिए एक व्यापक डेटा स्पेक्ट्रम का उपयोग करता है।”
वैकल्पिक क्रेडिट मूल्यांकन में शामिल प्रमुख घटक हैं:
गैर-पारंपरिक डेटा स्रोत: एसीएस में डेटा होता है जो पारंपरिक क्रेडिट स्कोर को देखता है।
यह भी शामिल है:
- उपयोगिता भुगतान रिकॉर्ड (बिजली, गैस, पानी, आदि)
- किराये का भुगतान इतिहास
- मोबाइल फोन का उपयोग और भुगतान पैटर्न
- बैंक खाता लेन -देन पैटर्न
- बीमा कवरेज और निवेश
- अनौपचारिक गिग्स पर आधारित आय – रोजगार / व्यवसाय
भविष्य बतानेवाला विश्लेषक: उन्नत डेटा एनालिटिक्स का उपयोग करके, लेंडिंग प्लेटफ़ॉर्म बड़ी मात्रा में डेटा की व्याख्या करने के लिए मशीन लर्निंग एल्गोरिदम लागू करते हैं। इसका उद्देश्य पैटर्न को उजागर करना है और पारंपरिक मॉडल नहीं कर सकते हैं।
जोखिम मूल्यांकन मॉडल: यह डेटा के पीछे के संदर्भ का विश्लेषण करने में मदद करता है। उदाहरण के लिए, तेजी से आपूर्ति भुगतान का एक सकारात्मक इतिहास एक औपचारिक क्रेडिट कहानी की अनुपस्थिति में भी विश्वसनीयता प्रदर्शित कर सकता है।
फिनटेक एसोसिएशन फॉर कंज्यूमर एम्पावरमेंट (FACE) की हालिया रिपोर्ट के अनुसार भारत में 84 प्रतिशत ऋणदाता अब उधारकर्ता के जोखिम का आकलन करने के लिए पारंपरिक क्रेडिट चेक के साथ वैकल्पिक डेटा को जोड़ते हैं।
“एक उधारकर्ता की साख का आकलन करने के लिए डेटा बिंदुओं के एक अधिक व्यापक सेट का उपयोग करके, ऋणदाता उन व्यक्तियों की पहचान कर सकते हैं जो अपने ऋण को चुकाने में सक्षम होने की संभावना रखते हैं, भले ही उनके पास एक सीमित क्रेडिट इतिहास हो। इसके परिणामस्वरूप उधारदाताओं के लिए कम डिफ़ॉल्ट दरों का परिणाम हो सकता है, क्योंकि वे प्रत्येक बॉरोवर के साथ जुड़े हुए हैं। पारंपरिक क्रेडिट स्कोरिंग मॉडल से बाहर रखा जा सकता है, ऋणदाता भी वित्तीय समावेशन को बढ़ाने और व्यक्तियों की एक विस्तृत श्रृंखला के लिए क्रेडिट तक पहुंच प्रदान करने में मदद कर सकते हैं, ”अग्रवाल ने कहा।
यह स्तरित दृष्टिकोण पहचान सत्यापन में सुधार करता है और ऋण स्टैकिंग या सिंथेटिक पहचान धोखाधड़ी को रोकने में मदद करता है।
