A Study on the Application of Alternative Data in Credit Assessment for the Unbanked Population
यह अध्ययन प्रदर्शित करता है कि वैकल्पिक डेटा, जैसे कि किराया और उपयोगिता भुगतान इतिहास को मशीन लर्निंग क्रेडिट मूल्यांकन मॉडलों में एकीकृत करने से बिना डिफ़ॉल्ट जोखिमों को महत्वपूर्ण रूप से बढ़ाए या जनसांख्यिकीय निष्पक्षता से समझौता किए, "क्रेडिट-अदृश्य" आबादी के लिए ऋण स्वीकृति दरों में उल्लेखनीय वृद्धि होती है, जिससे वित्तीय समावेशन को बढ़ावा मिलता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बहुत ही विशिष्ट क्लब का टिकट पाने की कोशिश कर रहे हैं। बाउंसर (बैंक की ऋण प्रणाली) का एक सख्त नियम है: "आप तभी प्रवेश कर सकते हैं जब आपके पास पिछले किसी क्लब का वीआईपी (VIP) कार्ड हो।"
समस्या यह है कि कई लोग पहले कभी क्लब नहीं गए हैं। उनके पास वीआईपी कार्ड इसलिए नहीं है क्योंकि वे बुरे लोग हैं या बिल भुगतान करने में खराब हैं, बल्कि इसलिए क्योंकि उन्हें कभी एक कार्ड प्राप्त करने का अवसर ही नहीं मिला। वित्तीय दुनिया में, इन लोगों को "क्रेडिट इनविजिबल" (ऋण अदृश्य) कहा जाता है। क्योंकि उनके पास वह "वीआईपी कार्ड" (पारंपरिक क्रेडिट स्कोर) नहीं है, इसलिए बाउंसर स्वचालित रूप से उन्हें बाहर कर देता है, या अंदर जाने के लिए उनसे भारी शुल्क वसूलता है।
यह अध्ययन उस बाउंसर के लिए एक नई रणनीति की तरह है। केवल वीआईपी कार्ड देखने के बजाय, बाउंसर अब अन्य चीजों पर ध्यान देने लगता है जो यह साबित करती हैं कि आप भरोसेमंद हैं, जैसे:
- क्या आप समय पर अपना किराया देते हैं?
- क्या आप बिजली और पानी के बिलों का भुगतान करते हैं?
- क्या आपने लंबे समय से अपना फोन नंबर वही रखा है?
शोधकर्ताओं ने इस विचार का परीक्षण वास्तविक कार ऋण आवेदनों (विशेष रूप से "सबप्राइम" ऋणों के लिए, जो कम-से-कम-परफेक्ट क्रेडिट इतिहास वाले लोगों के लिए होते हैं) के डेटा का उपयोग करके किया। उन्होंने आवेदकों के दो समूहों की तुलना की:
- समूह A: केवल उनके पारंपरिक "वीआईपी कार्ड" (क्रेडिट इतिहास) द्वारा आंका गया।
- समूह B: उनके "वीआईपी कार्ड" साथ ही उनके किराए, उपयोगिता (यूटिलिटी) और फोन बिल के इतिहास (जिसे "वैकल्पिक डेटा" कहा जाता है) द्वारा आंका गया।
उन्होंने क्या पाया, इसे सरल भाषा में यहाँ समझाया गया है:
1. "नया बाउंसर" अधिक लोगों को अंदर आने देता है
जब बाउंसर ने किराए और उपयोगिता बिलों को देखना शुरू किया, तो ऋण के लिए स्वीकृत होने वाले लोगों की संख्या 22% बढ़ गई।
- उपमा: यह वैसा ही है जैसे यह महसूस करना कि सिर्फ इसलिए कि किसी के पास जिम का सदस्यता कार्ड नहीं है, इसका मतलब यह नहीं है कि वह व्यायाम नहीं करता है। शायद वह पार्क में दौड़ता है। "पार्क में दौड़ने" (किराया भुगतान) को देखकर, बाउनर को एहसास हुआ कि ये लोग वास्तव में फिट और भरोसेमंद हैं।
2. जोखिम बहुत अधिक नहीं बढ़ा
आमतौर पर, जब आप अधिक लोगों को अंदर आने देते हैं, तो आपको डर होता है कि उनमें से अधिक लोग नियमों को तोड़ सकते हैं (ऋण चुकाने में विफल हो सकते हैं)।
- परिणाम: ऋण वापस करने में विफल होने वाले लोगों की संख्या केवल 0.4% बढ़ी। यह एक बहुत ही मामूली, लगभग अदृश्य वृद्धि है।
- उपमा: एक बांध की कल्पना करें जो पानी को रोक रहा है। शोधकर्ताओं ने अधिक पानी को गुजरने देने के लिए जलद्वार थोड़े चौड़े कर दिए। उन्हें डर था कि बांध टूट जाएगा, लेकिन इसने मुश्किल से ही कोई अतिरिक्त दबाव महसूस किया। अंदर आने वाले नए लोग ज्यादातर सुरक्षित, भरोसेमंद तैराक थे, न कि खतरनाक लहरें।
3. यह केवल "स्मार्ट" कंप्यूटर के बारे में नहीं है
शोधकर्ता यह सुनिश्चित करना चाहते थे कि सुधार केवल उनके द्वारा उपयोग किए गए किसी फैंसी नए कंप्यूटर एल्गोरिदम (जैसे XGBoost) के कारण नहीं था।
- परीक्षण: उन्होंने दोनों समूहों पर एक ही फैंसी कंप्यूटर एल्गोरिदम चलाया। अतिरिक्त डेटा (किराया/बिल) वाला समूह फिर भी जीत गया।
- निष्कर्ष: जादू कंप्यूटर में नहीं था; यह अतिरिक्त जानकारी में था। किराए और बिल के डेटा ने वह कहानी बताई जो क्रेडिट कार्ड के डेटा से छूट गई थी।
4. यह सभी के लिए निष्पक्ष था
नए नियमों के साथ एक बड़ी चिंता यह होती है कि वे अनजाने में विशिष्ट समूहों (जैसे अल्पसंख्यकों या कम आय वाले परिवारों) को नुकसान पहुँचा सकते हैं।
- जांच: शोधकर्ताओं ने जांच की कि क्या नया सिस्टम विभिन्न नस्लीय और आय समूहों के साथ निष्पक्षता से व्यवहार करता है।
- परिणाम: निष्पक्षता स्कोर लगभग एक जैसा ही रहा। नए सिस्टम ने अचानक से विशिष्ट समूहों के अधिक लोगों को खारिज नहीं किया। इसने बस वास्तविक व्यवहार के आधार पर सभी को एक निष्पक्ष मौका दिया।
5. "लापता" हिस्से मायने रखते हैं
शोधकर्ताओं ने "लापता" जानकारी को संभालने के लिए एक चतुर तरीका अपनाया।
- पुराना तरीका: यदि किसी व्यक्ति के पास क्रेडिट कार्ड नहीं था, तो कंप्यूटर औसत संख्या का अनुमान लगा सकता था या उस व्यक्ति के आवेदन को हटा सकता था।
- नया तरीका: कंप्यूटर ने "कोई क्रेडिट कार्ड नहीं" को एक विशिष्ट संकेत के रूप में माना। इसने कहा, "ठीक है, इस व्यक्ति के पास क्रेडिट कार्ड नहीं है, लेकिन चलिए इनके किराए को देखते हैं।"
- क्यों महत्वपूर्ण है: इसने सिस्टम को अनजाने में उन लोगों को दंडित करने से रोका जो केवल क्रेडिट प्रणाली में नए थे। इसने पहचान लिया कि "कोई इतिहास नहीं होना" "खराब इतिहास होने" के समान नहीं है।
निचोड़ (The Bottom Line)
यह अध्ययन दिखाता है कि हम उन लोगों की मदद कर सकते हैं जो वर्तमान में वित्तीय प्रणाली से बाहर हैं, उनके वास्तविक जीवन की आदतों (किराया देना, फोन रखना, उपयोगिता बिल भरना) को देखकर, न कि केवल उनके वित्तीय बायोडाटा (क्रेडिट कार्ड और ऋण) को देखकर।
ऐसा करके, बैंक वास्तव में उन लोगों को सुरक्षित रूप से ऋण दे सकते हैं जो वास्तव में अपना कर्ज चुकाने में सक्षम हैं, बिना पैसा खोने के जोखिम या लोगों के साथ अन्याय किए। यह पहचानने जैसा है कि किसी व्यक्ति का चरित्र कई तरीकों से प्रदर्शित होता है, न कि केवल एक विशिष्ट दस्तावेज़ से।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।