Τα πάνω-κάτω έρχονται στις χρηματοδοτήσεις – Φρένο στα ιστορικά κριτήρια | Ειδήσεις για την Οικονομία

Τα πάνω κάτω αναμένεται να έρθουν στις πιστώσεις των τραπεζών καθώς τα τραπεζικά μοντέλα αλλάζουν άρδην.

Οι τραπεζικές συμβάσεις θα υπολογίζουν τον κίνδυνο δυναμικά την ίδια στιγμή που αυτός συμβαίνει και έτσι θα γίνονται αυτομάτως ελαστικές ή ανελαστικές για ιδιώτες και επιχειρήσεις προβλέποντας το μέλλον τους από το παρόν τους.

Μια πρόγευση για τον τρόπο με τον οποίον θα κινηθούν τα πράγματα έδωσε πρόσφατα η Revolut που με χρήση τεχνητής νοημοσύνης μεταβάλει εντελώς τον τρόπο αξιολόγησης των πελατών τόσο στην λιανική όσο και στην επιχειρηματική τραπεζική.

Στοιχεία από την ίδια την αγορά θα τροφοδοτούν μοντέλα αξιολόγησης κινδύνου, χορήγησης και τιμολόγησης δανείων επιτυγχάνοντας ένα εξατομικευμένο αποτέλεσμα και εν τέλει πολύ χαμηλότερο κόστος για τις ίδιες της τράπεζες.

Από τα στατικά μοντέλα στην τραπεζική που «μαθαίνει»

Το κρίσιμο στοιχείο είναι η αξιοποίηση των δεδομένων σε πραγματικό χρόνο. Δεν εξετάζεται μόνο το ιστορικό ενός πελάτη, αλλά και ο τρόπος με τον οποίο κινείται οικονομικά τη δεδομένη στιγμή. Οι συναλλαγές, τα πρότυπα συμπεριφοράς και οι αλλαγές στις οικονομικές του ανάγκες μπορούν να αποτελέσουν εισροές για τα μοντέλα.

Στη λιανική τραπεζική για παράδειγμα η καταναλωτική συμπεριφορά του πελάτη όπως αυτή αποτυπώνεται στις κάρτες του και η συνέπεια των πληρωμών του και μάλιστα σε ένα βάθος χρόνου αποτελούν σαφώς πιο ισχυρό μοντέλο από τα στείρα οικονομικά στοιχεία που μπορεί να καταγράφει η φορολογική του δήλωση.

Η δυναμική ενός κλάδου μπορεί να προδιατυπώσει την αποτελεσματικότητα μιας επένδυσης αφήνοντας περισσότερα περιθώρια χρηματοδότησης για έναν επιχειρηματία, ακόμη και εάν τα στοιχεία της εταιρίας του δεν αφήνουν τόσα περιθώρια.

Ετσι ο τρόπος των αποφάσεων σε ότι αφορά στις χρηματοδοτήσεις «σβήνει» όλα όσα γνωρίζουμε για τον τραπεζικό κίνδυνο.

Αυτό που αλλάζει ουσιαστικά δεν είναι απλώς η χρήση της Τεχνητής Νοημοσύνης σε επιμέρους τραπεζικές εργασίες. Είναι ο τρόπος με τον οποίο μια τράπεζα μπορεί πλέον να οργανώνει, να αξιολογεί και να διαχειρίζεται τη σχέση της με τον πελάτη, έχοντας ως κεντρικό εργαλείο ένα ενιαίο μοντέλο μηχανικής μάθησης.

Σε ότι αφορά στη Revolut αυτή ανακοινώνει μεταξύ άλλων:

Ανώτερη ακρίβεια στην αξιολόγηση πιστωτικού κινδύνου: έως και 2,3 φορές υψηλότερη ακρίβεια στον εντοπισμό κινδύνου αθέτησης πιστωτικών υποχρεώσεων
Εξατομίκευση υπηρεσιών: 41% μεγαλύτερη συνάφεια στις προτάσεις προϊόντων για ιδιώτες και επαγγελματικούς λογαριασμούς

Στο ίδιο θέμα σε αρθρογραφία της στο NewMoney η διευθύνουσα σύμβουλος της Sbappi, Gabriella Kindert αναφέρθηκε στο παράδοξο του δανεισμού δηλαδή στο πως η αξιολόγηση βάσει ταμειακών ροών και η υπεύθυνη χρήση της Τεχνητής Νοημοσύνης μπορούν να διευρύνουν την πρόσβαση στην πίστωση χωρίς να αποδυναμώνουν την πιστωτική πειθαρχία.

Πώς θα καμφθούν οι αντιρρήσεις του SSM

Το θέμα αυτό θα πρέπει να σημειωθεί πως η εποπτεία των τραπεζών στην Ευρώπη δεν το έχει αγκαλιάσει με τον τρόπο που θα έπρεπε υπεραμυνόμενη συχνά των παλιών και μη δυναμικών μοντέλων κινδύνου.

Ωστόσο είναι τέτοια τα αποτελέσματα της τεχνητής νοημοσύνης και τόση η εφαρμογή τους ήδη σε τράπεζες της Ασίας και των ΗΠΑ που πολύ δύσκολο θα συνεχίσει να προβάλει αντίσταση ο SSM επί του θέματος αναφέρουν τραπεζικές πηγές.

Η λύση για τις μικρομεσαίες επιχειρήσεις

Μια τέτοια προσέγγιση θα μπορέσει:

Nα ανοίξει την ομπρέλα του τραπεζικού δανεισμού σε πολύ περισσότερους ιδιώτες
Για τη χώρα μας ειδικά θα δώσει λύση ουσίας στο πρόβλημα που αντιμετωπίζουν οι μικρότερες επιχειρήσεις οι οποίες συχνά αποκλείονται από το δανεισμό όχι επειδή δεν είναι καλές αλλά επειδή η καταγραφή των στοιχείων τους δεν το επιτρέπει
Να διευρυνθεί ο δανεισμός και σε νέες δραστηριότητες συχνά δύσκολα κατανοήσιμες από την τραπεζική βιομηχανία.
Να φέρει πιο κοντά την τραπεζική ενοποίηση με πολλά οφέλη για τον τρόπο λειτουργίας των τραπεζών και λιγότερη απαίτηση κεφαλαίων για την αντιμετώπιση των κινδύνων.

Τα κεφάλαια και η πρόληψη της απάτης

Επίσης οι εξελίξεις αυτές οδηγούν και στην αντιμετώπιση ενός πολύ σημαντικού και εν πολλοίς συστημικού κινδύνου: Την εξυπνότερη πρόληψη απάτης.

Η Revolut μιλά για εντοπισμός 65% περισσότερων περιστατικών απάτης, με 17% μεγαλύτερη ακρίβεια στις σχετικές ειδοποιήσεις.

Η μέχρι σήμερα τραπεζική βασίζεται σε μεγάλο βαθμό σε επιμέρους μοντέλα: άλλο μοντέλο για την πιστοληπτική αξιολόγηση, άλλο για την απάτη, άλλο για τις προτάσεις προϊόντων και διαφορετικά συστήματα για τις λειτουργίες εξυπηρέτησης. Η νέα προσέγγιση επιχειρεί να τα συνδέσει όλα τα παραπάνω κάτω από μια ομπρέλα μεθοδολογίας.

Αυτό μεταφέρει την πιστωτική αξιολόγηση από ένα περισσότερο στατικό μοντέλο σε ένα δυναμικό μοντέλο κινδύνου. Η τράπεζα μπορεί θεωρητικά να αντιλαμβάνεται νωρίτερα ότι αλλάζει το προφίλ ενός πελάτη, είτε προς το καλύτερο είτε προς το χειρότερο. Με τον τρόπο αυτόν η λειτουργία των τραπεζών εξελίσσεται στον ίδιο χρόνο που εξελίσσεται και η λειτουργία των πελατών τους.

Το πιστωτικό προφίλ μπορεί να επανεκτιμάται διαρκώς. Αυτό δημιουργεί τις προϋποθέσεις για πιο έγκαιρη αναγνώριση του κινδύνου, αλλά και για πιο στοχευμένες προσφορές χρηματοδότησης. Με άλλα λόγια, η τράπεζα μπορεί να περάσει από το «σου εγκρίνω ένα δάνειο» στο «καταλαβαίνω πότε, πόσο και με ποιους όρους χρειάζεσαι χρηματοδότηση».

Το επόμενο βήμα: Εξατομικευμένη τραπεζική

Το τρίτο πεδίο είναι η εμπορική σχέση. Οι προτάσεις προϊόντων δεν βασίζονται πλέον μόνο σε δημογραφικά χαρακτηριστικά ή σε γενικά segments πελατών. Στόχος είναι να αντιλαμβάνονται τι χρειάζεται ο συγκεκριμένος πελάτης τη συγκεκριμένη στιγμή.

Αυτό σημαίνει ότι η τράπεζα μπορεί να προτείνει διαφορετικό προϊόν, διαφορετικό όριο ή διαφορετική χρηματοδότηση ανάλογα με τη συμπεριφορά που παρατηρεί και η τεχνητή νοημοσύνη να την επιτρέψει να μεταβάλει τα μοντέλα της.

Η τεχνητή νοημοσύνη εισέρχεται στον πυρήνα της τραπεζικής διαδικασίας.

Από	Σε
Στατική αξιολόγηση	Δυναμικός κίνδυνος
Ιστορικά στοιχεία	Real time δεδομένα
Ενιαία κριτήρια	Εξατομικευμένη πίστωση
Πρόληψη εκ των υστέρων	Πρόβλεψη κινδύνου