'जनसंख्या डेटा के उपयोग से ऋण जोखिम को 7-20% तक कम करने में मदद मिलेगी'

[विज्ञापन_1]

वित्तीय कम्पनियों और बैंकों द्वारा परीक्षण किए गए जनसंख्या आंकड़ों के आधार पर उधारकर्ता की ऋण-पात्रता का आकलन करने वाला मॉडल, ऋण जोखिम को 20% तक कम कर सकता है।

यह जानकारी 7 अगस्त की दोपहर को ऋण ग्राहकों की ऋण पात्रता का आकलन करने में जनसंख्या डेटा को लागू करने पर कार्यशाला में सामाजिक व्यवस्था ( सार्वजनिक सुरक्षा मंत्रालय , C06) के प्रशासनिक पुलिस विभाग के उप निदेशक कर्नल वु वान टैन ने दी।

श्री टैन के अनुसार, यह मॉडल अमेरिका के FICO मानकों (ग्राहक ऋण योग्यता मूल्यांकन मॉडल बनाने में एक अग्रणी कंपनी, जो 30 से अधिक देशों में लागू है) के अनुसार बनाया गया है, और अब मूल रूप से 18 आवासीय सूचना क्षेत्रों के साथ पूरा हो गया है।

एमबी बैंकिंग एंड फाइनेंस कंपनी (एमक्रेडिट) ने 10,000 नागरिकों के डेटा का परीक्षण किया, पीवीकॉमबैंक ने 20,000 डेटा का परीक्षण किया, और डेटानेस्ट ने 60,000 डेटा का परीक्षण किया। परिणामों से पता चला कि बैंकों और क्रेडिट संस्थानों द्वारा पूंजी उधार देते समय जोखिम अनुपात 7-20% कम हो गया।

कर्नल वु वान टैन ने कहा, "परीक्षण के बाद, सभी बैंक इसे आधिकारिक तौर पर अपनी प्रक्रियाओं में लागू करना चाहते हैं।"

उधारकर्ताओं की ऋण-योग्यता का आकलन करने में जनसंख्या के आंकड़ों का उपयोग करने की लोक सुरक्षा मंत्रालय की परियोजना, ऋण संस्थानों को ऋण देते समय जोखिम कम करने में मदद कर सकती है। फोटो: गियांग हुई — उधारकर्ताओं की ऋण-योग्यता का आकलन करने में जनसंख्या के आंकड़ों का उपयोग करने की लोक सुरक्षा मंत्रालय की परियोजना, ऋण संस्थानों को ऋण देते समय जोखिम कम करने में मदद कर सकती है। फोटो: *गियांग हुई*

डेटा के उपयोग में बैंकिंग उद्योग और सार्वजनिक सुरक्षा मंत्रालय के संयोजन से कई लाभ हुए हैं, जैसे कि 41 मिलियन ग्राहकों की क्रेडिट जानकारी के साथ व्यक्तिगत पहचान कोड के प्रबंधन को प्रमाणित और सिंक्रनाइज़ करना, एटीएम से पैसे निकालने के लिए चिप-एम्बेडेड नागरिक पहचान कार्ड तैनात करना, और प्रमाणीकरण के लिए इलेक्ट्रॉनिक पहचान खातों का उपयोग करना।

लोक सुरक्षा मंत्रालय के प्रमुख के अनुसार, आधुनिक तकनीक का उपयोग तो किया जा रहा है, लेकिन इसे केवल एक उपकरण के रूप में ही लागू किया जा रहा है, क्योंकि बैंकों को ऋण देने के निर्णय लेने में सहायता के लिए जानकारी और आंकड़ों का अभाव है। उत्पादन और व्यवसाय के लिए पूंजी उधार लेने में अभी भी कई कठिनाइयाँ हैं, जिसके परिणामस्वरूप काले ऋण की स्थिति उत्पन्न हो रही है।

कर्नल वु वान टैन के अनुसार, इसके तीन मुख्य कारण हैं: बैंकों के पास ऋण के उद्देश्यों का मूल्यांकन और निर्धारण करने का कोई आधार नहीं है; वंचितों को सहायता देने के लिए कोई नीति नहीं है और काले ऋण को नियंत्रित करने के लिए राज्य प्रबंधन तंत्र का अभाव है।

तदनुसार, C06 ने अमेरिका में FICO क्रेडिट संदर्भ मानकों के अनुसार मशीन लर्निंग प्रौद्योगिकी और कृत्रिम बुद्धिमत्ता का उपयोग करके जनसंख्या डेटा के आधार पर उधारकर्ताओं की ऋण पात्रता का आकलन करने के लिए एक परियोजना को लागू करने के लिए हनोई विज्ञान और प्रौद्योगिकी विश्वविद्यालय के सूचना प्रौद्योगिकी स्कूल के साथ समन्वय किया है।

स्टेट बैंक के डिप्टी गवर्नर फाम तिएन डुंग के अनुसार, वियतनाम में क्रेडिट स्कोरिंग बैंकों में एक तेज़ी से व्यापक और लोकप्रिय जोखिम प्रबंधन उपकरण बन रहा है। मॉडल के प्रभावी संचालन और भविष्य में ऋण चुकौती क्षमता का अनुमान लगाने के लिए, डेटा की सटीकता एक महत्वपूर्ण भूमिका निभाती है।

डिप्टी गवर्नर ने कहा, "ऋण-योग्यता का आकलन करने के लिए डेटा का स्रोत उपलब्ध कराने के लिए वैकल्पिक स्रोतों, विशेष रूप से राष्ट्रीय जनसंख्या डेटाबेस से डेटा साझा करना आवश्यक है।"

राष्ट्रीय ऋण सूचना केंद्र (सीआईसी) के महानिदेशक श्री काओ वान बिन्ह ने उधारकर्ताओं की ऋण-पात्रता के आकलन की दक्षता में सुधार लाने के लिए डेटा स्रोतों का विस्तार करने का भी पहला समाधान बताया है।

सीआईसी में, यह मॉडल 2015 में तैयार किया गया था। 2019 तक, कवरेज के विस्तार के कारण, सीआईसी ने व्यक्तिगत उधारकर्ताओं की ऋण-योग्यता का आकलन करने के लिए सीबी 2.0 मॉडल तैयार कर लिया था। यह मॉडल पूरा हो गया और इसके स्कोरिंग परिणाम अप्रैल 2021 से उपलब्ध कराए गए।

श्री बिन्ह के अनुसार, सीआईसी द्वारा सूचना प्रावधान में वृद्धि हमेशा प्रति वर्ष 15-20% तक पहुँचती है, जो अर्थव्यवस्था की औसत ऋण वृद्धि से अधिक है। इस वर्ष के पहले 6 महीनों में ही, सीआईसी ने सभी प्रकार की 31 मिलियन से अधिक सूचना रिपोर्ट प्रदान की हैं।

हालाँकि, प्रत्येक बैंक के लिए ग्राहकों की ऋण-पात्रता का आकलन करने हेतु अभी भी अतिरिक्त मानदंडों की आवश्यकता होती है।

बीआईडीवी प्रतिनिधि ने कहा कि ग्राहक क्रेडिट रेटिंग मॉडल सांख्यिकीय विधियों का उपयोग करता है और सिद्धांत एवं मानदंड निर्धारित करता है, लेकिन उपयोगकर्ताओं को अभी भी स्वयं जानकारी एकत्र करनी होती है, सक्रिय रूप से जानकारी की खोज और सत्यापन करना होता है। हालाँकि, डिजिटल चैनलों पर खुदरा क्रेडिट उत्पादों को लागू करते समय, मौजूदा आंतरिक क्रेडिट रेटिंग प्रणाली को स्वचालित रूप से जानकारी एकत्र करने, सत्यापित करने और सटीक परिणाम प्रदान करने में कई सीमाओं का सामना करना पड़ता है।

बीआईडीवी के एक प्रतिनिधि ने कहा, "किसी तीसरे पक्ष, विशेष रूप से एक सक्षम राज्य एजेंसी द्वारा सूचना स्रोतों का सत्यापन और प्रमाणीकरण होना, बैंक की खुदरा ऋण गतिविधियों में, विशेष रूप से डिजिटल उत्पादों के मामले में, अत्यंत महत्वपूर्ण और सार्थक है।"

इस बैंक द्वारा लागू किए गए समाधानों में से एक है, नागरिक पहचान डेटा पर आधारित ग्राहक रेटिंग परियोजना को लागू करने के लिए RAR केंद्र - लोक सुरक्षा मंत्रालय के साथ सहयोग करना। बैकटेस्ट मॉडल के परिणामों के आधार पर, BIDV ने कहा कि वह कुछ खुदरा ऋण उत्पादों के लिए क्रेडिट स्कोर के अनुप्रयोग पर शोध और प्रस्ताव करेगा।

मिन्ह सोन

[विज्ञापन_2]
स्रोत लिंक