مقدمه

در بررسی اکوسیستم فین‌تک ایران، یکی از حوزه‌هایی که باید به‌صورت مستقل و عمیق مورد توجه قرار گیرد، «اعتبارسنجی» و زیرساخت‌های مرتبط با ارزیابی ریسک اعتباری اشخاص حقیقی و حقوقی است.

اعتبارسنجی یکی از ارکان اصلی توسعه لندتک، بانکداری دیجیتال، خدمات اعتباری، خرید اقساطی و مدل‌های «الان بخر، بعداً پرداخت کن» محسوب می‌شود. بدون وجود یک نظام اعتبارسنجی دقیق، به‌روز، شفاف و فراگیر، توسعه پایدار خدمات اعتباری امکان‌پذیر نخواهد بود.

رشد کمی در اعطای تسهیلات، بدون توسعه هم‌زمان زیرساخت‌های مدیریت ریسک، می‌تواند پیامدهایی مانند افزایش مطالبات معوق، رشد تقلب‌های مالی، کاهش کیفیت پرتفوی اعتباری و افزایش ریسک نکول را به همراه داشته باشد.

محدودیت‌های مدل سنتی اعطای اعتبار

در ساختار سنتی اعطای تسهیلات در ایران، تصمیم‌گیری اعتباری عمدتاً بر اساس عواملی مانند وثیقه، ضامن، سابقه بانکی، گردش حساب، فیش حقوقی و بررسی‌های انسانی انجام می‌شود.

این روش‌ها علاوه بر زمان‌بر و پرهزینه بودن، موجب می‌شوند بخش بزرگی از جامعه امکان دسترسی مناسب به خدمات اعتباری را نداشته باشد. جوانان، فریلنسرها، شاغلان اقتصاد دیجیتال، صاحبان کسب‌وکارهای خرد و افرادی که سابقه رسمی بانکی محدودی دارند، از جمله گروه‌هایی هستند که در مدل سنتی با محدودیت بیشتری مواجه می‌شوند.

این افراد ممکن است از توان و تمایل مناسبی برای بازپرداخت برخوردار باشند، اما به دلیل نداشتن وثیقه، ضامن یا سابقه اعتباری رسمی، امکان دریافت تسهیلات برای آن‌ها فراهم نشود.

در چنین شرایطی، شرکت‌های لندتک تلاش می‌کنند با استفاده از فناوری، تحلیل داده و مدل‌های تصمیم‌گیری خودکار، فرآیند ارزیابی اعتبار را سریع‌تر، دقیق‌تر، کم‌هزینه‌تر و در دسترس‌تر کنند.

اعتبارسنجی مدرن؛ فراتر از بدهی و چک برگشتی

اعتبارسنجی مدرن نباید صرفاً به بررسی بدهی‌های بانکی، اقساط معوق یا چک‌های برگشتی محدود شود. یک سامانه اعتبارسنجی کارآمد باید بتواند با تجمیع و تحلیل داده‌های مختلف، تصویری جامع از وضعیت مالی و رفتار اعتباری متقاضی ایجاد کند.

این تصویر باید حداقل سه مؤلفه اصلی را در بر گیرد:

• توان بازپرداخت متقاضی؛
• تمایل و سابقه رفتاری او در انجام تعهدات؛
• میزان ثبات مالی و درآمدی فرد یا کسب‌وکار.

داده‌های مورد استفاده در این فرآیند می‌توانند شامل سابقه بازپرداخت تسهیلات، وضعیت تعهدات بانکی، رفتار پرداخت قبوض، گردش مالی، الگوی درآمد و هزینه، سوابق مالیاتی، اطلاعات بیمه‌ای، سوابق شغلی و رفتار کاربر در پلتفرم‌های مالی باشند.

هرچه این داده‌ها دقیق‌تر، به‌روزتر و جامع‌تر باشند، احتمال تصمیم‌گیری صحیح و کاهش ریسک نکول افزایش خواهد یافت.

نقش اعتبارسنجی جایگزین در افزایش شمول مالی

در سال‌های اخیر، مفهوم «اعتبارسنجی جایگزین» یا Alternative Credit Scoring به یکی از رویکردهای مهم صنعت فین‌تک تبدیل شده است.

در این مدل، علاوه بر اطلاعات بانکی و اعتباری رسمی، از داده‌های جایگزین برای ارزیابی متقاضیان استفاده می‌شود. هدف اصلی این رویکرد، شناسایی افرادی است که سابقه اعتباری رسمی محدودی دارند، اما از رفتار مالی مناسب و توان بازپرداخت قابل‌قبولی برخوردارند.

استفاده از داده‌های جایگزین می‌تواند نقش مهمی در افزایش شمول مالی داشته باشد و دسترسی گروه‌هایی مانند فریلنسرها، صاحبان مشاغل غیررسمی، فروشندگان آنلاین و فعالان اقتصاد پلتفرمی را به خدمات مالی افزایش دهد.

بااین‌حال، استفاده از این داده‌ها باید در چارچوب مقررات روشن و با رعایت اصولی مانند رضایت آگاهانه کاربر، امنیت اطلاعات، حداقل‌سازی جمع‌آوری داده و حفاظت از حریم خصوصی انجام شود.

توسعه اعتبارسنجی جایگزین بدون وجود ضوابط مشخص می‌تواند به سوءاستفاده از داده، نقض حریم خصوصی و تصمیم‌گیری‌های غیرشفاف منجر شود.

پراکندگی داده‌ها؛ یکی از چالش‌های اصلی اعتبارسنجی در ایران

یکی از مهم‌ترین کاستی‌های اکوسیستم اعتبارسنجی ایران، پراکندگی داده‌ها میان بانک‌ها، مؤسسات مالی، شرکت‌های پرداخت، نهادهای دولتی، شرکت‌های اعتبارسنجی و پلتفرم‌های خصوصی است.

هر یک از این مجموعه‌ها تنها بخشی از اطلاعات مالی و اعتباری افراد را در اختیار دارند و معمولاً امکان دسترسی یکپارچه، استاندارد و بلادرنگ به تمام این داده‌ها وجود ندارد.

در نتیجه، شرکت‌های لندتک اغلب به یک پروفایل اعتباری کامل از متقاضی دسترسی ندارند و ناچارند تصمیم خود را بر اساس مجموعه‌ای محدود یا ناقص از اطلاعات اتخاذ کنند.

کیفیت پایین برخی داده‌ها، تأخیر در به‌روزرسانی سوابق، نبود استاندارد مشترک برای تبادل اطلاعات و محدودیت دسترسی به منابع معتبر، از جمله عواملی هستند که دقت مدل‌های اعتبارسنجی را کاهش می‌دهند.

از دیدگاه یک لندتک، ارزیابی اعتبار باید در مدت‌زمانی کوتاه و ترجیحاً به‌صورت بلادرنگ انجام شود. هرگونه وابستگی به فرآیندهای دستی یا سرویس‌های کند و ناپایدار، تجربه مشتری را تضعیف کرده و هزینه عملیاتی شرکت را افزایش می‌دهد.

برای مثال:

- بانک اطلاعات وزارت نیرو برای قبوض شهروندان که سالها بدونه مدیریت و برنامه ریزی و غیر متمرکز در سطح اداره برق مناطق صادر شده، که در سالهای اخیر در تلاش سازماندهی این اطلاعات هستند.

- بانک اطلاعاتی اجاره نامه خانه ها و دیرکرد های آن که در سطوح بین الملل تاثیر به سزای در اعتبارسنجی افراد دارد، در ایران به دلیل غیر متمرکز بودن این اطلاعات در اعتبارسنجی تاثیر ندارد.

در سالهای اخیر سامانه املاک اسکان ایجاد شده است این یک شروع برای رسیدن به این هدف میتواند باشد.

تمرکز بیش از حد بر سوابق منفی

چالش دیگر در ساختار فعلی اعتبارسنجی، تمرکز بیش از حد بر سوابق منفی کاربران است.

اطلاعاتی مانند بدهی معوق، چک برگشتی یا اقساط پرداخت‌نشده برای شناسایی ریسک ضروری هستند، اما به‌تنهایی نمی‌توانند معیار کافی و عادلانه‌ای برای ارزیابی اعتبار افراد باشند.

یک نظام اعتبارسنجی پیشرفته باید رفتارهای مثبت اعتباری را نیز ثبت و تحلیل کند. بازپرداخت منظم اقساط، مدیریت صحیح تعهدات، ثبات درآمد، گردش مالی پایدار و سابقه خوش‌حسابی از جمله داده‌هایی هستند که باید در امتیاز اعتباری فرد تأثیرگذار باشند.

در غیر این صورت، افرادی که سابقه منفی ندارند اما هنوز سابقه اعتباری قابل‌توجهی نیز ایجاد نکرده‌اند، در گروه افراد فاقد امتیاز اعتباری قرار می‌گیرند.

این وضعیت می‌تواند به شکل‌گیری یک چرخه معیوب منجر شود؛ فرد به دلیل نداشتن سابقه اعتباری امکان دریافت اعتبار ندارد و چون اعتبار دریافت نمی‌کند، فرصتی برای ساختن سابقه اعتباری نیز پیدا نخواهد کرد.

چالش‌های فنی توسعه مدل‌های اعتبارسنجی

از منظر فنی، توسعه مدل‌های اعتبارسنجی در ایران با موانع متعددی روبه‌رو است.

محدودیت داده‌های آموزشی باکیفیت، ناقص بودن داده‌های تاریخی، نامتوازن بودن داده‌های مربوط به نکول و بازپرداخت، تغییر رفتار مشتریان و نبود داده‌های استاندارد از جمله این چالش‌ها هستند.

یکی دیگر از مسائل مهم، شرایط متغیر اقتصادی ایران است. تورم بالا، کاهش قدرت خرید، نوسانات درآمدی و افزایش هزینه‌های زندگی می‌توانند در مدت‌زمان کوتاهی توان بازپرداخت مشتری را تغییر دهند.

مدلی که در یک دوره اقتصادی عملکرد مناسبی داشته است، ممکن است در دوره‌ای دیگر نتواند ریسک متقاضیان را به‌درستی پیش‌بینی کند.

بنابراین مدل‌های اعتبارسنجی نباید به‌عنوان سامانه‌هایی ثابت در نظر گرفته شوند. این مدل‌ها باید به‌صورت مستمر پایش، ارزیابی، بازآموزی و متناسب با تغییرات اقتصادی و رفتاری به‌روزرسانی شوند.

هوش مصنوعی و مسئله شفافیت

استفاده از هوش مصنوعی و الگوریتم‌های یادگیری ماشین می‌تواند سرعت و دقت اعتبارسنجی را افزایش دهد. این فناوری‌ها قادرند حجم زیادی از داده را پردازش کرده و الگوهایی را شناسایی کنند که ممکن است در بررسی‌های انسانی قابل تشخیص نباشند.

بااین‌حال، استفاده از مدل‌های پیچیده می‌تواند مسئله شفافیت و توضیح‌پذیری را ایجاد کند.

ممکن است متقاضی نداند درخواست او به چه علت رد شده یا چرا سقف اعتبار کمتری نسبت به فرد دیگری دریافت کرده است. حتی در برخی موارد، تیم‌های داخلی شرکت نیز نمی‌توانند علت دقیق یک تصمیم الگوریتمی را به‌سادگی توضیح دهند.

علاوه بر این، استفاده نادرست از داده یا وجود سوگیری در داده‌های آموزشی می‌تواند به تبعیض الگوریتمی منجر شود.

ازاین‌رو، توضیح‌پذیری مدل، ثبت دلایل تصمیم اعتباری، امکان اعتراض مشتری، بازبینی انسانی تصمیم‌ها، کنترل سوگیری و ممیزی مستمر مدل باید از الزامات اصلی سامانه‌های اعتبارسنجی باشد.

اعتبارسنجی در تمام چرخه عمر اعتبار

از دیدگاه یک شرکت لندتک، اعتبارسنجی نباید تنها به مرحله تأیید یا رد درخواست محدود شود.

یک سیستم اعتبارسنجی کارآمد باید در تمام چرخه عمر اعتبار نقش داشته باشد؛ از زمان ورود مشتری و تعیین سقف اولیه تا پایش رفتار بازپرداخت، افزایش یا کاهش سقف، تمدید اعتبار، مدیریت ریسک و وصول مطالبات.

مشتری‌ای که اقساط خود را به‌صورت منظم پرداخت می‌کند، باید بتواند به‌تدریج از سقف اعتبار بالاتر و شرایط مناسب‌تری برخوردار شود.

در مقابل، تأخیرهای مکرر در پرداخت، افزایش بدهی یا تغییر محسوس در رفتار مالی مشتری باید به بازنگری در امتیاز اعتباری و سطح ریسک او منجر شود.

بر این اساس، اعتبارسنجی یک تصمیم یک‌باره نیست، بلکه فرآیندی پویا و مستمر است که باید هم‌زمان با تغییر رفتار مالی مشتری به‌روزرسانی شود.

الزامات توسعه پایدار اعتبارسنجی

برای توسعه پایدار این حوزه، ایجاد زیرساخت‌های بانکداری باز و استانداردسازی APIهای مالی ضروری است.

امکان تبادل امن داده میان بانک‌ها، فین‌تک‌ها، شرکت‌های اعتبارسنجی و سایر نهادهای مرتبط می‌تواند کیفیت تصمیم‌گیری اعتباری را بهبود دهد و هزینه ارزیابی مشتری را کاهش دهد.

افزایش پوشش اطلاعات اعتباری، تدوین مقررات مشخص برای استفاده از داده‌های جایگزین و تعریف چارچوب‌های روشن برای حفاظت از داده‌های کاربران نیز از دیگر الزامات توسعه این حوزه هستند.

همچنین لازم است کاربران بتوانند به گزارش اعتباری خود دسترسی داشته باشند، اطلاعات نادرست را مشاهده و اصلاح کنند و بدانند چه داده‌هایی در فرآیند تصمیم‌گیری درباره آن‌ها مورد استفاده قرار گرفته است.

وجود چنین شفافیتی علاوه بر افزایش اعتماد عمومی، می‌تواند افراد را به حفظ و بهبود رفتار اعتباری خود تشویق کند. 

جمع‌بندی

اعتبارسنجی حلقه اتصال میان فناوری، مدیریت ریسک و شمول مالی در صنعت فین‌تک است.

توسعه لندتک و خدمات اعتباری دیجیتال بدون وجود زیرساختی دقیق، شفاف، قابل‌اعتماد و مبتنی بر داده، به رشد پایدار منجر نخواهد شد.

پراکندگی داده‌ها، تمرکز بیش از حد بر سوابق منفی، محدودیت دسترسی به داده‌های باکیفیت، ضعف در استفاده از داده‌های جایگزین، نبود استانداردهای مشترک و محدود شدن اعتبارسنجی به ابتدای فرآیند اعطای تسهیلات، از مهم‌ترین کاستی‌های این حوزه در ایران هستند.

ازاین‌رو، پیشنهاد می‌شود اعتبارسنجی به‌عنوان یکی از زیرشاخه‌های مستقل و راهبردی اکوسیستم فین‌تک ایران، در کنار لندتک، رگ‌تک، نئوبانک، اینشورتک و سایر حوزه‌ها مورد بررسی قرار گیرد.

بدون توسعه یک نظام اعتبارسنجی فراگیر و عادلانه، رشد بازار اعتبار دیجیتال می‌تواند به‌جای افزایش شمول مالی، به افزایش ریسک نکول، مطالبات معوق و هزینه تأمین مالی منجر شود.