پایان عصر «اعتبارسنجی سنتی»؛ داده‌های بانکی برای ارزیابی ریسک کافی نیست

عضو هیات علمی دانشگاه تهران، با نقد مدل‌های فعلی اعتبارسنجی که صرفاً بر دارایی‌های مالی متمرکز است، تأکید کرد که برای مدیریت ریسک واقعی باید به سراغ داده‌های رفتاری و تعاملات اجتماعی رفت و مدل‌های اعتبارسنجی را برای هر صنعت شخصی‌سازی کرد.

به گزارش پایگاه خبری بانکداری الکترونیک، دکتر سعید روحانی، عضو هیات علمی دانشگاه تهران، در بیست و نهمین نمایشگاه الکامپ و در استیج الکام تاکس، در پنل «هوش مصنوعی و اعتبارسنجی پویا» با هشدار نسبت به ناکارآمدی مدل‌های فعلی اعتبارسنجی در کشور، بر لزوم بازنگری در شیوه‌های ارزیابی ریسک تأکید کرد.

وی معتقد است تکیه صرف بر اطلاعات مالی و بانکی، تصویری ناقص از مشتری ارائه می‌دهد و نمی‌تواند رفتار واقعی افراد را در قبال تعهدات مالی نشان دهد.

 

فراتر از حساب‌های بانکی

دکتر روحانی با اشاره به تجربه موفق کشورهای پیشرو در استفاده از «داده‌های جایگزین» (Alternative Data)، گفت: «در ایران، فرآیند اعتبارسنجی عمدتاً به بررسی موجودی حساب، دارایی‌ها و پرونده‌های مالیاتی محدود شده است. این در حالی است که بدهی مالیاتی یا میزان دارایی، لزوماً همبستگی مستقیمی با رفتار اعتباری و خوش‌حسابی فرد ندارد و تکیه بر این شاخص‌ها می‌تواند به ارزیابی نادرست ریسک منجر شود.»

 

مدل‌های اختصاصی برای صنایع؛ نه یک الگوی واحد

این استاد دانشگاه با تأکید بر اینکه نمی‌توان یک مدل ثابت را برای همه حوزه‌ها تجویز کرد، افزود: «مدل‌های اعتبارسنجی باید متناسب با ماهیت هر صنعت طراحی شوند. بانک، بیمه و شرکت‌های لندتک هرکدام ریسک‌های متفاوتی دارند. یک نظام اعتبارسنجی کارآمد، ابتدا باید هدف کسب‌وکار و مدل ریسک را شناسایی کند و سپس بر اساس آن، فناوری و الگوریتم اختصاصی خود را به‌کار گیرد.»

 

حل چالشِ جابه‌جایی مشتریان پرریسک

او با اشاره به نقاط ضعف صنعت بیمه تصریح کرد: «در حال حاضر، مشتریان پرریسک به سادگی با جابه‌جایی میان شرکت‌های بیمه، سوابق خسارت خود را پنهان می‌کنند. برای جلوگیری از این اتفاق، باید سوابق رفتاری مشتریان به‌صورت متمرکز و در طول زمان قابل ردیابی باشد.»

 

اشتراک‌گذاری هوشمند داده‌ها؛ راهکار خروج از بن‌بست

دکتر روحانی راهکار عبور از چالش‌های داده‌ای را در طراحی «لایه زمینه» (Context Layer) در معماری هوش مصنوعی دانست. او تأکید کرد: «برای رسیدن به اعتبارسنجی هوشمند، نیازی به اشتراک‌گذاری داده‌های خام یا الگوریتم‌های حساس سازمان‌ها نیست. سازمان‌ها می‌توانند با حفظ استقلال کامل خود، تنها خروجی نهایی یا امتیاز اعتباری (Credit Score) مشتری را در بستری امن به اشتراک بگذارند.»

او در پایان خاطرنشان کرد که مدیریت ریسک و اعتبارسنجی باید در یک مسیر موازی حرکت کنند؛ به گونه‌ای که منطق و اقتضائات واقعی هر کسب‌وکار در فرآیند تصمیم‌گیری الگوریتم‌ها لحاظ شود.

نظر شما چیست؟