by [:en][ad_1]
विश्व अर्थव्यवस्थाओं की अन्योन्याश्रयता और परस्पर संपर्क बढ़ने के साथ-साथ वित्त की आवश्यकता में उल्लेखनीय वृद्धि हुई है।
पिछले 10 वर्षों में खुदरा, एसएमई और व्यापार उधारकर्ताओं की संख्या कई गुना बढ़ गई है, जिससे ऋण बाजार की गतिशीलता नाटकीय रूप से बदल गई है। भारत रैंक तीसरा निजी क्षेत्र ($2.55 ट्रिलियन), गैर-वित्तीय कॉर्पोरेट ऋण ($1.54 ट्रिलियन), और घरेलू ऋण ($1.01 ट्रिलियन) में फैले हुए $4.65 ट्रिलियन के कुल ऋण के मामले में उभरते बाजारों में शामिल हैं।
हालांकि क्रेडिट वितरण में इस ऊपर की ओर सर्पिल ने वित्तीय संस्थानों के लिए राजस्व और मुनाफे में वृद्धि की है, ऋण चूक में वृद्धि हुई है, मुख्य रूप से COVID-19 महामारी के बाद आर्थिक मंदी के कारण।
अशांत समय ने उधार और ऋण संग्रह क्षेत्र को पारंपरिक जोखिम मॉडल से स्थानांतरित करने के लिए प्रेरित किया है जो आम तौर पर संग्रह और अपराध की भविष्यवाणियों के लिए ग्राहक विभाजन और वैयक्तिकरण पर ध्यान केंद्रित करने वाले डेटा-समर्थित दृष्टिकोण के लिए एक आकार-फिट-सभी दृष्टिकोण का उपयोग करता है।
उन्नत विश्लेषिकी की शक्ति का लाभ उठाना
विलंब की भविष्यवाणी उपभोक्ताओं के एक बड़े समूह को देखकर और उनका विश्लेषण करके जोखिम का आकलन करने में ऋणदाताओं की सहायता करती है और सांख्यिकीय मॉडल के उपयोग के साथ उनके वित्तीय कार्यों का विश्लेषण करती है जो कि सही के करीब स्कोर प्रदान करने के लिए पूर्वाग्रहों और त्रुटियों को दूर करने में सहायता करते हैं।
भारत जैसे देश में, जहां पूर्ण ऋण संख्या अधिक है और बढ़ती जनसंख्या के साथ बढ़ने की उम्मीद है, उन्नत विश्लेषण-सक्षम संग्रह मॉडल को अपनाना अनिवार्य है।
आर्टिफिशियल इंटेलिजेंस (एआई) और मशीन लर्निंग (एमएल) गहन अंतर्दृष्टि प्रदान करते हैं और उपभोक्ता-केंद्रित रणनीति स्थापित करने में मदद करते हैं। व्यक्तिगत ऋण व्यवहार भविष्यवाणी यह निर्धारित करने में मदद करती है कि क्या क्रेडिट लाइनों और ऋणों का नवीनीकरण किया जाएगा और क्या उपभोक्ता अपनी पेबैक योजना का पालन कर सकते हैं।
उदाहरण के लिए, जनसांख्यिकी, क्रेडिट कार्ड, ऋण और लेन-देन डेटा आवश्यक जानकारी है जो किसी भी ऋण आवेदन पर प्रदान की जानी चाहिए। कुछ अतिरिक्त तत्व जैसे क्रेडिट स्कोर, ब्याज दर, वार्षिक आय, और उधारकर्ता का ऋण-से-आय अनुपात, दूसरों के बीच, ऋण की सफलता दर का पूरी तरह से विश्लेषण और निर्धारण करने के लिए माना जाता है।
ऋणदाताओं को अपने स्वयं के इलाज और उच्च जोखिम वाले ग्राहक खंड के बारे में सटीक जानकारी प्राप्त होती है, जिसे आगे सूक्ष्म खंडों में विभाजित किया जा सकता है।
नए जमाने के मॉडल पूर्वनिर्धारित मानदंडों को लागू करने के बजाय एक मूल्य-पर-जोखिम रणनीति बनाते हैं और प्रत्येक उपभोक्ता को व्यक्तिगत सेवाओं के साथ व्यवहार करने के लक्ष्य को प्राप्त करने में मदद करते हैं।
एआई और एमएल समर्थित ऋण वसूली पारिस्थितिकी तंत्र
निर्णय लेने की प्रक्रिया क्लाइंट डेटा की विशाल मात्रा से लाभान्वित नहीं होती है जो बैंकों ने ऐतिहासिक रूप से एकत्र किया है, क्योंकि यह अक्सर असंरचित होता है। एक मजबूत, तकनीक-संचालित क्रेडिट रेटिंग प्रणाली जो ऋण जोखिम को कम करने में उधारदाताओं की सहायता करती है और समस्याग्रस्त उदाहरणों को जल्द से जल्द समाप्त करने की तत्काल आवश्यकता है।
यहां, फिनटेक बैंकों और अन्य वित्तीय संस्थानों के साथ काम करके एक महत्वपूर्ण योगदान देता है ताकि एआई और एमएल एल्गोरिदम द्वारा समर्थित जोखिम मापन के लिए डिजिटल पारिस्थितिकी तंत्र विकसित किया जा सके जो पारदर्शी और ऑडिट करने योग्य हो।
एमएल तकनीकों का उपयोग करके फिनटेक संगठनों द्वारा बड़े डेटा सेट को व्यावहारिक जानकारी में बदल दिया जाता है। इस जलाशय में क्रेडिट ब्यूरो और वैकल्पिक डेटा जैसे संभावित उधारकर्ता की शैक्षिक पृष्ठभूमि, रोजगार इतिहास, दैनिक लेनदेन, उपयोगिता और आवर्ती भुगतान शामिल हैं। संरचित डेटा एक ऋण वितरण मॉडल बनाता है जो आत्मविश्वास बढ़ाता है, जोखिम कम करता है, और अधिग्रहण लागत।
ये अत्याधुनिक फिनटेक कानूनी आवश्यकताओं का पालन करते हुए उधार प्रक्रिया को गति देने के लिए एआई और एमएल का भी उपयोग करते हैं। एक ओर, एमएल ऋण संग्रह की लागत को कम करता है और संग्रह की दर को बढ़ाता है, और दूसरी ओर, यह आज के तकनीक-प्रेमी ग्राहकों के लिए बहुत कम या बिना किसी कागजी कार्रवाई के ऋण के लिए त्वरित और सरल पहुंच प्रदान करता है।
संभावित उधारकर्ताओं को चुकाने की क्षमता से अधिक उधार लेने से रोकने के लिए, डिजिटल ऋणदाता इस डेटा का उपयोग अनुकूलित ऋण उत्पादों और भुगतान विकल्पों की पेशकश करने के लिए कर रहे हैं। ऋण उद्योग में उन्नत विश्लेषिकी का व्यापक उपयोग उधारकर्ताओं, उधारदाताओं और संग्राहकों के लिए लाभ की स्थिति बनाता है।
सीमित डेटा और पुराने फ़ार्मुलों पर आधारित पारंपरिक क्रेडिट मॉडल COVID युग के बाद की गतिशीलता को पकड़ने में विफल रहते हैं।
एआई और एमएल के लिए धन्यवाद, क्रेडिट अंडरराइटर अतिरिक्त आकस्मिकताओं और हानि-पूर्वानुमान रणनीतियों जैसे जटिल मापदंडों पर ध्यान केंद्रित कर सकते हैं। भविष्य कहनेवाला विश्लेषण-समर्थित दृष्टिकोण मात्रात्मक और गुणात्मक जोखिम चर की जांच करता है, उधारदाताओं और संग्राहकों को पारंपरिक सांख्यिकीय वर्गीकरण से गतिशील नए युग के मॉडल में स्थानांतरित करने के लिए प्रेरित करता है।
(डिस्क्लेमर: इस लेख में व्यक्त किए गए विचार और राय लेखक के हैं और जरूरी नहीं कि ये योरस्टोरी के विचारों को प्रतिबिंबित करें।)
[ad_2]
Source link [:]
