آینده اعتبارسنجی: گذر از امتیازدهی به سمت تصمیمگیری شخصیسازیشده
پنل «کاربرد هوش مصنوعی در لندتک و اعتبارسنجی» در تاریخ ۳۱ شهریور ۱۴۰۵، طی «رویداد کاربرد هوش مصنوعی در صنایع و کسبوکارها | IRAN AI EVENT 2026» در دانشگاه صنعتی شریف برگزار شد. مسعود حاجیرمضانعلی، مدیر سامانههای تحلیلی داتین، به عنوان یکی از اعضای این پنل، درباره نقش هوش مصنوعی در اعتبارسنجی، مدلسازی ریسک، اهمیت دادهها و چشمانداز آتی تصمیمگیریهای اعتباری به بحث پرداخت.
حاجیرمضانعلی به فعالیتهای داتین در حوزه هوش مصنوعی اشاره کرد و توضیح داد که این شرکت طی بیش از دو سال گذشته بر روی مدلسازی ریسکهایی نظیر ریسک اعتباری و ریسک نقدینگی متمرکز بوده است. به گفته او، مدلهای اعتبارسنجی مبتنی بر یادگیری ماشین در فرایند اعطای تسهیلات در ویپاد، که دیجیتالبانک پاسارگاد است، نیز به کار گرفته شدهاند.
مدیر سامانههای تحلیلی داتین با تأکید بر مسیر توسعه اعتبارسنجی هوشمند، بیان کرد که این رویکرد باید فراتر از اتکا به یک امتیاز اعتباری واحد باشد. او معتقد است که یک عدد به تنهایی نمیتواند تمامی ابعاد یک تصمیم اعتباری را پوشش دهد و هدف باید حرکت به سوی تصمیمگیری اعتباری جامع باشد. این تصمیمگیری باید علاوه بر وضعیت اعتباری متقاضی، ظرفیت بازپرداخت او، نوع و شرایط تسهیلات و تأثیر اعطای اعتبار بر پورتفوی بانک را نیز مد نظر قرار شهر خبر دهد.
از دیدگاه وی، چنین نگرشی میتواند همزمان اهداف متعددی را دنبال کند؛ از جمله بهبود کیفیت بازپرداخت، مدیریت کارآمدتر ریسک بانک و امکان ارائه شرایط اعتباری متناسبتر با وضعیت هر مشتری.
حاجیرمضانعلی همچنین به پتانسیل استفاده از عاملهای هوشمند در این راستا اشاره کرد و گفت: «در این رویکرد، عاملهای مختلف میتوانند هر یک وظیفه مشخصی را در فرایند اعتبارسنجی و تصمیمگیری بر عهده بگیرند و به صورت هماهنگ و زنجیرهای عمل کنند تا مجموع خروجی آنها به یک تصمیم اعتباری منجر شود.»
او با اشاره به تأثیر شرایط اقتصادی بر مدلهای اعتبارسنجی، تأکید کرد: «این مدلها نمیتوانند پس از طراحی برای مدت طولانی بدون تغییر باقی بمانند. نوسانات اقتصادی و شوکهای مختلف میتوانند رفتار و توان بازپرداخت مشتریان را تحت تأثیر قرار دهند و به همین دلیل، مدلها باید به صورت مستمر بهروزرسانی شده و در سناریوها و آزمونهای تنش گوناگون ارزیابی شوند.»
مدیر سامانههای تحلیلی داتین، داده را یکی از مهمترین چالشهای این مسیر دانست و اظهار داشت: «فکر میکنم بزرگترین چالش برای همه دوستان، بحث داده است. حتی اگر بهترین مدلها را داشته باشیم و با بالاترین دقت کار کنند، تا زمانی که نتوانیم داده مناسب برای آنها تأمین کنیم، قاعدتاً به خروجیهای خوبی دست پیدا نمیکنیم.»
به گفته او، در حوزه اعتبارسنجی بسیاری از روشهای مورد استفاده، از مدلهای رگرسیونی و روشهای آماری تا الگوریتمهای یادگیری ماشین مانند XGBoost، شناختهشده هستند و مسئله اصلی تنها انتخاب الگوریتم نیست؛ بلکه کیفیت، کاملبودن، بهموقعبودن و دسترسپذیری دادهها تأثیر مستقیمی بر نتیجه مدل و کیفیت تصمیم اعتباری دارد.
حاجیرمضانعلی ادامه داد: «شرکتهای حوزه بانکی به بخشی از دادههای مورد نیاز برای این مدلها دسترسی دارند. رفتار بازپرداخت تسهیلات در بسترهایی مانند ویپاد و همچنین استعلامهایی نظیر اطلاعات سامانه سمات، سوابق چک برگشتی و برخی استعلامهای هویتی، از جمله دادههایی هستند که میتوانند در تصمیمگیری اعتباری مورد استفاده قرار گیرند. با این حال، این دادهها نیز تنها بخشی از تصویر مالی و اعتباری هر فرد را نشان میدهند.»
مدیر سامانههای تحلیلی داتین با اشاره به محدودیت دسترسی به برخی اطلاعات، از جمله اطلاعات جامعتر درباره درآمد و وضعیت مالی افراد، توضیح داد که گردش یا مانده حسابهای بانکی به تنهایی نمیتواند تصویر جامعی از وضعیت مالی، تعهدات و ظرفیت بازپرداخت یک فرد ارائه کند. به همین دلیل، دستیابی به مدلها و تصمیمهای دقیقتر در اعتباردهی، نیازمند دسترسی قانونی، منسجم و قابل اتکاتر به دادههایی است که بتوانند تصویر جامعتر و دقیقتری از شرایط مالی و اعتباری افراد ایجاد کنند.
او همچنین نبود یک سازوکار منسجم برای دسترسی کسبوکارهای اعتباردهنده به دادههای مورد نیاز را یکی از چالشهای موجود دانست و گفت: «در شرایطی که هر مجموعه تنها بخشی از دادههای مشتری را در اختیار دارد، کسبوکارها ناچارند با سناریوسازی و تحلیل رفتار مشتری در شرایط مختلف اقتصادی، از همان داده محدود برای ساخت مدلهای خود استفاده کنند.»
مدیر سامانههای تحلیلی داتین در ادامه، مسیر آینده را حرکت از مدلهای صرفاً پیشبینیکننده به سمت تصمیمگیری هوشمند و تجویزگر دانست و گفت: «این مدلی است که فقط احتمال نکول یا امتیاز مشتری را اعلام نمیکند، بلکه میتواند در تعیین اقدام مناسب نیز نقش داشته باشد. در چنین رویکردی، اعتبارسنجی صرفاً به این پرسش محدود نمیشود که یک متقاضی در زمان درخواست تسهیلات چه امتیازی دارد، بلکه تأثیر این تسهیلات بر پورتفوی بانک و همچنین ظرفیت بازپرداخت و شرایط مالی خود فرد نیز مورد توجه قرار میگیرد. بر همین اساس میتوان متناسب با وضعیت هر مشتری، پیشنهادهایی با مبلغ، شرایط یا دوره بازپرداخت متفاوت طراحی کرد.»
از نگاه حاجیرمضانعلی، حرکت به این سمت میتواند اعتباردهی را از یک فرایند ثابت و یکسان برای همه مشتریان به فرایندی هوشمندتر و شخصیسازیشدهتر تبدیل کند؛ مسیری که در آن هوش مصنوعی علاوه بر کمک به مدیریت ریسک بانک، میتواند در انتخاب گزینه اعتباری متناسبتر با شرایط هر فرد نیز نقش داشته باشد.
در این پنل، مهدی گرکانی، معاون محصول دیجیپی، سروش یوسفیان، مدیر ارشد استراتژی و تحلیل ازکیوام و داود حمزه، مدیر فناوریهای کسبوکارهای اعتباری شرکت تجارت الکترونیک پارسیان نیز حضور داشتند.