Este artículo está escrito por Mohit Gupta, cofundador de IndiaP2P.
La oferta de crédito es un motor clave del crecimiento económico. Sin embargo, a pesar de las estrictas regulaciones y los sólidos fundamentos, la economía india sufre un grave déficit crediticio. Un buen indicador de esta brecha es la relación crédito/producto interno bruto (PIB), que es del 50% para la India, en comparación con el 177% de China. El impacto de esta brecha es grave para los prestatarios de micro, pequeñas y medianas empresas (MIPYME) y nanoPYME, ya que la infraestructura bancaria actual no les llega adecuadamente, debido a los altos costos operativos y las dificultades de suscripción. Aquí radica la mayor oportunidad para la inteligencia artificial (IA) y el aprendizaje automático (ML) en la suscripción de créditos y la toma de decisiones.
Según las estimaciones de la ICRA, en el año fiscal 2024 vimos un crecimiento del 16 % en el crédito, con una demanda impulsada por préstamos no garantizados de bajo valor. Si bien esta tasa de crecimiento es saludable, ha generado preocupaciones sobre malas prácticas crediticias, como el sobreendeudamiento y la mala suscripción, lo que ha llevado al regulador (Banco de la Reserva de la India) a endurecer los estándares crediticios. Este ajuste probablemente reducirá las tasas de crecimiento del crédito a entre 11 y 12 % en el año fiscal 25 y resalta la importancia de la gestión de riesgos en el contexto de préstamos pequeños, es decir, a costos extremadamente bajos.
Para comprender y medir el riesgo, es decir la solvencia de un prestatario, debemos evaluar dos elementos: la capacidad de pagar y la voluntad de pagar.
Los modelos de IA ofrecen un conjunto de herramientas versátil para diferentes etapas del ciclo de vida del cliente dentro de las instituciones financieras. Estas aplicaciones se dividen en términos generales en varias categorías.
· Toma de decisiones crediticias: el uso de técnicas de IA/ML en la toma de decisiones crediticias implica el uso de algoritmos de aprendizaje supervisados o no supervisados. Por ejemplo, aprovechar el ML para analizar los informes de las agencias de crédito puede revelar información sobre préstamos declarados incorrectamente, estructuras de pago específicas, como pagos puntuales, tendencias de incumplimiento en diferentes regiones y ocupaciones, así como la distribución del ingreso dentro de distritos y estados. Un análisis de este tipo ayuda a evaluar la capacidad de pago de un usuario.
· Detección de fraude y malos actores: al examinar el comportamiento del usuario durante las solicitudes de préstamo, incluidas las interacciones con la aplicación, las tendencias de copiar y pegar, las frecuencias de corrección de datos y los cambios de conectividad, se pueden identificar posibles señales de alerta. En el frente de KYC, evaluar la integridad de los datos de los usuarios de diversas fuentes ayuda a descubrir prestatarios fraudulentos y evaluar su disposición a pagar.
· Señales tempranas de alerta: Después del desembolso del préstamo, las instituciones financieras deben monitorear de cerca los patrones de pago. Revisar los datos de la oficina y utilizar técnicas de ML ayuda a identificar riesgos, facilitando medidas proactivas para cobros exitosos.
· Eficiencia operativa: los sistemas inteligentes pueden optimizar los flujos de trabajo operativos al aprender y automatizar acciones que normalmente realizan los equipos operativos. La implementación de técnicas de ML reduce significativamente el tiempo de respuesta (TAT) y minimiza las tasas de error resultantes de las intervenciones manuales.
· Mejora de la eficiencia en la cobranza: en una institución crediticia, la eficiencia en la cobranza es esencial. Los modelos de IA pueden identificar patrones de reembolso, métodos de pago preferidos e interacciones de los usuarios con las comunicaciones, lo que permite la resolución proactiva de problemas en los cobros.
La selección del algoritmo AI/ML apropiado depende de la naturaleza del negocio y la calidad de los datos recopilados. Para las instituciones que manejan datos no estructurados, el aprendizaje no supervisado ofrece información valiosa. Los algoritmos de agrupamiento o asociación son opciones viables para generar modelos en este contexto. Por el contrario, el aprendizaje supervisado es más adecuado para las instituciones financieras establecidas, que aprovechan la inteligencia colectiva de los datos de los usuarios. La regresión y la clasificación son los principales tipos de algoritmos utilizados en dichos modelos.
Es probable que dos subsectores crediticios experimenten una adopción significativa relacionada con la IA en los próximos años. En primer lugar, las prestatarias que ya están superando a los hombres en la demanda de crédito, en particular para préstamos a pequeñas empresas. Los prestatarios generalmente tienen datos de suscripción menos tradicionales disponibles en el momento de la solicitud, pero datos alternativos más que adecuados en forma de ahorros + gastos, ahorros grupales, etc. Con herramientas personalizadas de IA/ML, los sesgos de género comunes en la suscripción no sólo pueden descubrirse y eliminarse. , también pueden conducir a mejores suscripciones alternativas basadas en datos.
El segundo subsector incluye prestatarios rurales y semiurbanos donde la evaluación de riesgos a menudo necesita capturar datos mucho más allá del prestatario individual, como la dinámica de los ingresos de los hogares, la estacionalidad de los flujos de entrada, etc., lo que nuevamente es ideal para aprender lecciones y desplegar la IA. -modelos basados en.
En general, el poder de las herramientas de IA/ML para transformar cómo y a quién se otorga el crédito es particularmente relevante e importante para el crecimiento de la India.
Enlace:
Fuente:
