'آبادی کے اعداد و شمار کے استعمال سے قرضے کے خطرات کو 7-20 فیصد تک کم کرنے میں مدد ملے گی'

ایک ایسا ماڈل جو آبادی کے اعداد و شمار کی بنیاد پر قرض لینے والے کی ساکھ کی اہلیت کا اندازہ لگاتا ہے، جسے مالیاتی کمپنیوں اور بینکوں نے آزمایا ہے، قرض دینے کے خطرے کو 20% تک کم کر سکتا ہے۔

یہ معلومات کرنل وو وان ٹین، ڈپارٹمنٹ آف ایڈمنسٹریٹو پولیس فار سوشل آرڈر ( منسٹری آف پبلک سیکیورٹی ، C06) کے ڈپٹی ڈائریکٹر نے 7 اگست کی سہ پہر کو قرض لینے والوں کی ساکھ کا اندازہ لگانے میں آبادی کے اعداد و شمار کو لاگو کرنے سے متعلق ورکشاپ میں دی۔

مسٹر ٹین کے مطابق، یہ ماڈل امریکہ کے FICO معیارات کے مطابق بنایا گیا ہے (کسٹمر کریڈٹ ورڈینس اسسمنٹ ماڈل بنانے میں سرکردہ کمپنی، جس کا اطلاق 30 سے ​​زائد ممالک میں ہوتا ہے)، اور اب بنیادی طور پر 18 رہائشی معلومات کے شعبوں کے ساتھ مکمل ہو چکا ہے۔

MB بینکنگ اینڈ فنانس کمپنی (MCcredit) نے 10,000 شہریوں کے ڈیٹا کی جانچ کی، PVcombank نے 20,000 ڈیٹا، Datanest نے 60,000 ڈیٹا کا تجربہ کیا۔ نتائج سے پتہ چلتا ہے کہ اس نے بینکوں اور کریڈٹ اداروں کے سرمائے میں 7-20 فیصد تک قرضے دیتے وقت خطرے کے تناسب کو کم کیا۔

کرنل وو وان ٹین نے کہا، "ٹیسٹنگ کے بعد، تمام بینک اسے سرکاری طور پر اپنے عمل میں تعینات کرنا چاہتے ہیں۔"

قرض لینے والوں کی ساکھ کی اہلیت کا اندازہ لگانے کے لیے آبادی کے اعداد و شمار کو لاگو کرنے سے متعلق وزارت پبلک سیکیورٹی کا پروجیکٹ قرض دینے کے دوران قرض دینے والے اداروں کو خطرات کو کم کرنے میں مدد کر سکتا ہے۔ تصویر: Giang Huy

ڈیٹا کے استعمال میں بینکنگ انڈسٹری اور وزارت پبلک سیکیورٹی کے امتزاج نے بہت سے فوائد حاصل کیے ہیں، جیسے کہ 41 ملین صارفین کی کریڈٹ معلومات کے ساتھ ذاتی شناختی کوڈز کے انتظام کی توثیق اور ہم آہنگی، ATM میں رقم نکالنے کے لیے چپ سے جڑے شہری شناختی کارڈ کی تعیناتی، اور الیکٹرانک شناختی اکاؤنٹس کا استعمال۔

عوامی تحفظ کی وزارت کے رہنما کے مطابق، اگرچہ جدید ٹیکنالوجیز کا اطلاق کیا جاتا ہے، لیکن وہ صرف ٹولز کے طور پر استعمال ہوتی ہیں، قرض دینے کے فیصلے کرنے میں بینکوں کی مدد کے لیے معلومات اور ڈیٹا کی کمی ہوتی ہے۔ پیداوار اور کاروبار کے لیے قرض لینے میں اب بھی بہت سی مشکلات کا سامنا ہے، جس کے نتیجے میں بلیک کریڈٹ کی صورت حال پیدا ہوتی ہے۔

کرنل وو وان ٹین کے مطابق، تین اہم وجوہات ہیں: بینکوں کے پاس قرض وصول کنندگان کی تشخیص اور شناخت کرنے کی کوئی بنیاد نہیں ہے۔ پسماندہ افراد کی مدد کے لیے کوئی پالیسی نہیں ہے اور بلیک کریڈٹ کو کنٹرول کرنے کے لیے ریاستی انتظامی طریقہ کار کا فقدان ہے۔

اسی مناسبت سے، C06 نے سکول آف انفارمیشن ٹیکنالوجی، ہنوئی یونیورسٹی آف سائنس اینڈ ٹیکنالوجی کے ساتھ ہم آہنگی پیدا کی ہے تاکہ امریکہ میں FICO کریڈٹ ریفرنس کے معیارات کے مطابق مشین لرننگ ٹیکنالوجی اور مصنوعی ذہانت کا استعمال کرتے ہوئے آبادی کے اعداد و شمار کی بنیاد پر قرض لینے والوں کی ساکھ کا اندازہ لگانے کے لیے ایک پروجیکٹ کو نافذ کیا جا سکے۔

اسٹیٹ بینک آف ویتنام کے ڈپٹی گورنر فام ٹائین ڈنگ کے مطابق، ویتنام میں کریڈٹ اسکورنگ بینکنگ میں تیزی سے وسیع اور مقبول رسک مینجمنٹ ٹول ہے۔ ماڈل کے مؤثر طریقے سے کام کرنے اور مستقبل میں قرض کی ادائیگی کی صلاحیت کی پیش گوئی کرنے کے لیے، ڈیٹا کی درستگی ایک اہم کردار ادا کرتی ہے۔

ڈپٹی گورنر نے کہا کہ "کریڈٹ کی اہلیت کا اندازہ لگانے کے لیے ڈیٹا کا ذریعہ حاصل کرنے کے لیے، متبادل ذرائع، خاص طور پر قومی آبادی کے ڈیٹا بیس سے اشتراک کرنا ضروری ہے۔"

ڈیٹا کے ذرائع کو بڑھانا بھی پہلا حل ہے جس کا ذکر نیشنل کریڈٹ انفارمیشن سینٹر (CIC) کے جنرل ڈائریکٹر مسٹر کاو وان بن نے کیا ہے تاکہ قرض لینے والوں کی ساکھ کی اہلیت کا اندازہ لگانے کی کارکردگی کو بہتر بنایا جا سکے۔

CIC میں، یہ ماڈل 2015 میں بنایا گیا تھا۔ 2019 تک، وسیع کوریج کی وجہ سے، CIC نے انفرادی قرض دہندگان کی ساکھ کا اندازہ لگانے کے لیے CB 2.0 ماڈل بنایا تھا۔ ماڈل مکمل ہو گیا تھا اور ماڈل کے اسکورنگ نتائج اپریل 2021 سے فراہم کیے گئے تھے۔

مسٹر بن کے مطابق، CIC کی معلومات کی فراہمی میں اضافہ ہمیشہ 15-20% تک پہنچ جاتا ہے، جو معیشت کی اوسط کریڈٹ نمو سے زیادہ ہے۔ صرف اس سال کے پہلے 6 مہینوں میں، CIC نے ہر قسم کی 31 ملین سے زیادہ معلوماتی رپورٹس فراہم کی ہیں۔

تاہم، ہر بینک کے لیے، صارفین کی ساکھ کا اندازہ لگانے کے لیے اب بھی اضافی معیار کی ضرورت ہے۔

BIDV کے نمائندے نے کہا کہ کسٹمر کریڈٹ ریٹنگ ماڈل شماریاتی طریقوں کا استعمال کرتا ہے اور اصول اور پیرامیٹرز طے کرتا ہے، لیکن پھر بھی صارفین کو خود معلومات اکٹھی کرنی ہوتی ہیں، فعال طور پر معلومات کی تلاش اور تصدیق کرنی پڑتی ہے۔ تاہم، ڈیجیٹل چینلز پر ریٹیل کریڈٹ پروڈکٹس کی تعیناتی کرتے وقت، موجودہ اندرونی کریڈٹ ریٹنگ سسٹم میں خودکار طور پر معلومات جمع کرنے اور اس کی تصدیق کرنے اور درست نتائج فراہم کرنے میں بہت سی حدود ہیں۔

BIDV کے ایک نمائندے نے کہا، "کسی تیسرے فریق، خاص طور پر ایک قابل ریاستی ایجنسی کے ذریعے معلوماتی ذرائع کی تصدیق اور تصدیق کرنا، بینک کی ریٹیل کریڈٹ سرگرمیوں، خاص طور پر ڈیجیٹل مصنوعات کے ساتھ، انتہائی اہم اور معنی خیز ہے۔"

اس بینک کے ذریعہ لاگو کردہ حلوں میں سے ایک RAR سینٹر - شہریوں کی شناخت کے ڈیٹا کی بنیاد پر کسٹمر ریٹنگ پروجیکٹ کو لاگو کرنے کے لیے پبلک سیکیورٹی کی وزارت کے ساتھ تعاون کرنا ہے۔ بیک ٹیسٹ ماڈل کے نتائج کی بنیاد پر، BIDV نے کہا کہ وہ کچھ ریٹیل کریڈٹ پروڈکٹس کے لیے کریڈٹ سکور کے اطلاق کی تحقیق اور تجویز کرے گا۔

من بیٹا

ماخذ لنک: https://vnexpress.net/ung-dung-du-lieu-dan-cu-se-giup-giam-7-20-rui-ro-cho-vay-4638946.html