شرکت بلاک دسترسی به مدل اعتبارسنجی کش‌اپ را برای وام‌دهندگان فراهم کرد

شرکت بلاک (Block) دسترسی به مدل اعتبارسنجی اختصاصی خود تحت عنوان «امتیاز اعتباری کش اپ» را برای موسسات مالی و وام‌دهندگان شخص ثالث فراهم کرد؛ اقدامی که به بازیگران صنعت لندتک امکان می‌دهد با اتکا به داده‌های رفتاری و جریان تراکنش‌های میلیون‌ها کاربر، ارزیابی دقیق‌تری از شایستگی مالی و ریسک بازپرداخت تسهیلات خرد به‌ویژه برای افراد فاقد پیشینه بانکی سنتی داشته باشند.

جزئیات تصمیم جدید بلاک و مدل اعتبارسنجی Cash App

سیستم اعتبارسنجی کش‌اپ بر اساس مجموعه‌ای از شاخص‌های رفتاری کاربران از جمله جریان ورودی و خروجی نقدینگی، واریز مستقیم حقوق (Direct Deposit)، سابقه استفاده از کارت کش‌اپ (Cash App Card)، خریدهای روزمره و رفتارهای پرداخت همتا‌به‌همتا (P2P) توسعه یافته است. بلاک پیش از این از این الگوریتم‌ها برای محصول وام‌دهی داخلی خود موسوم به Cash App Borrow استفاده می‌کرد؛ محصولی که تسهیلات کوتاه‌مدت خرد را به کاربرانی ارائه می‌داد که بسیاری از آن‌ها سابقه اعتباری سنتی (FICO Score) مناسبی در آژانس‌های اعتبارسنجی نداشتند.

با باز شدن این زیرساخت از طریق رابط‌های برنامه‌نویسی کاربردی (API)، وام‌دهندگان همکار می‌توانند با رضایت مستقیم کاربران، امتیاز اعتباری مبتنی بر داده‌های جریان نقدی آنان را دریافت کنند. این مدل جدید تحلیل ریسک به‌ویژه برای جمعیت‌هایی که اصطلاحاً دارای پرونده اعتباری کم‌حجم (Thin-file) یا فاقد سابقه اعتباری در بانکداری سنتی هستند، فرصت دریافت تسهیلات و خدمات اعتباری را هموار می‌کند.

گذار از اعتبارسنجی سنتی به تحلیل داده‌های تراکنشی و رفتاری

مدل‌های اعتبارسنجی متداول در بانکداری سنتی معمولاً بر بدهی‌های گذشته، وام‌های مسکن یا استفاده از کارت‌های اعتباری تمرکز دارند. این در حالی است که بخش بزرگی از کاربران جوان، فریلنسرها و شاغلان اقتصاد گیگ (Gig Economy) ممکن است بدون داشتن بدهی قبلی، دارای جریان درآمدی مداوم و رفتار مالی منضبط باشند، اما در سیستم‌های قدیمی رد صلاحیت شوند.

رویکرد بلاک در استفاده از الگوهای گردش مالی و ترکیب آن با الگوریتم‌های یادگیری ماشین، بازتاب‌دهنده روندی است که در آن تحول داده‌های تراکنش در بانکداری دیجیتال نقشی تعیین‌کننده در تصمیم‌گیری‌های لحظه‌ای اعتباری پیدا کرده است. این تحول همچنین نشان‌دهنده تغییر نقش نئوبانک‌ها و سوپراپلیکیشن‌های مالی از بازیگران تک‌محصولی به ارائه‌دهندگان زیرساخت داده و هوش اعتباری (Credit Intelligence) برای کل شبکه مالی است.

اثر احتمالی بر اکوسیستم وام‌دهی و اعتبارسنجی

تصمیم بلاک می‌تواند تاثیرات عمیقی بر پویایی بازار فین‌تک و نهادهای مالی بگذارد:

• کاهش ریسک نکول وام‌دهندگان: ارزیابی وضعیت واقعی جریان نقدی و نقدینگی حساب به جای نگاه صرف به بدهی‌های تاریخی، نرخ نکول را در اعتبارات خرد و بدون ضامن کاهش می‌دهد.
• افزایش شمول مالی: میلیون‌ها کاربری که به دلیل فقدان امتیاز FICO امکان دریافت وام نداشتند، اکنون بر مبنای توان واقعی اقتصادی خود به جریان اصلی تامین مالی متصل می‌شوند.
• تنوع‌بخشی به درآمدهای بلاک: بلاک علاوه بر کارمزدهای پرداختی و بهره وام‌های اختصاصی، با درآمدزایی از اشتراک‌گذاری داده‌های اعتبارسنجی (Data Monetization) منبع درآمد نرم‌افزاری جدیدی برای خود خلق می‌کند.
• همکاری استراتژیک بانک‌ها و فین‌تک‌ها: بانک‌های سنتی به جای ساخت سامانه‌های ارزیابی پرهزینه، می‌توانند از مشارکت با شرکت‌های داده‌محور مشابه پروژه‌های صحت‌سنجی حساب‌های پرداخت و داده‌های مالی بهره ببرند.

بررسی وضعیت اعتبارسنجی مبتنی بر داده‌های رفتاری در ایران

هرچند ساختار پایگاه‌های داده و ابزارهای اعتبارسنجی در ایران متکی بر سامانه‌های شرکت مشاوره رتبه‌بندی اعتباری ایران و بانک مرکزی است، اما توسعه مدل‌های جایگزین اعتبارسنجی در میان بازیگران داخلی نیز با سرعت در حال پیشرفت است. با رشد خدمات الان بخر، بعداً پرداخت کن (BNPL) و کیف‌پول‌های الکترونیکی، پلتفرم‌های فین‌تک ایرانی نیز به سمت تحلیل تراکنش‌های آنلاین، الگوهای بازپرداخت قبوض و رفتارهای خرید اینترنتی متمایل شده‌اند.

تجربه پیاده‌سازی مدل‌هایی نظیر اعتبارسنجی مبتنی بر ریسک در پلتفرم‌های پرداخت و نئوبانک‌های ایرانی نشان می‌دهد که اتکا به داده‌های پویای جریان نقدینگی، موثرترین راهکار برای پرداخت تسهیلات خرد بدون نیاز به ضامن سنتی و چک ضمانت در نظام بانکی کشور است. چالش اصلی در این میان، تدوین چارچوب‌های شفاف تبادل امن داده با حفظ حریم خصوصی کاربران میان بانک‌ها و استارتاپ‌های فین‌تک خواهد بود.

چالش‌های نظارتی، حریم خصوصی و امنیت داده‌ها

با وجود مزایای متعدد آزادسازی داده‌های اعتبارسنجی، این سازوکار با الزامات سخت‌گیرانه رگولاتوری همراه است. نهادهای نظارتی مالی همواره نگران حفاظت از حریم خصوصی اطلاعات مالی مصرف‌کنندگان و جلوگیری از ایجاد الگوریتم‌های تبعیض‌آمیز در ارزیابی اعتبار متقاضیان هستند. نحوه مدیریت رضایت کاربر (Consent Management)، رعایت استانداردهای بانکی باز (Open Banking) و تضمین عدم سوءاستفاده از سوابق تراکنش‌ها، از مهم‌ترین مباحثی هستند که بلاک و شرکای اعتباری آن باید به شفافیت کامل در آن‌ها پایبند بمانند.

پرسش‌های متداول

امتیاز اعتباری کش‌اپ (Cash App Score) چیست؟

این امتیاز یک الگوریتم ارزیابی ریسک مبتنی بر هوش مصنوعی است که توسط شرکت بلاک بر اساس جریان نقدینگی، واریزی‌ها، تاریخچه خریدهای کارتی و تراکنش‌های روزمره کاربران کش‌اپ محاسبه می‌شود.

چرا گشایش این امتیاز برای سایر وام‌دهندگان اهمیت دارد؟

این اقدام امکان دسترسی به تسهیلات اعتباری را برای افرادی که سابقه اعتباری رسمی و پرونده سنتی در بانک‌ها ندارند، فراهم کرده و شمول مالی را در اعتبارات خرد افزایش می‌دهد.

چه نوع داده‌هایی در مدل اعتبارسنجی کش‌اپ تحلیل می‌شوند؟

واریزهای مستقیم منظم، حجم و تکرار خریدهای روزانه، موجودی میانگین حساب و الگوهای ارسال و دریافت پول میان کاربران از جمله مهم‌ترین متغیرها هستند.

تفاوت این مدل با اعتبارسنجی سنتی مانند FICO چیست؟

مدل‌های سنتی به بدهی‌های تاریخی و دارایی‌های ثبت‌شده تکیه دارند، در حالی که مدل کش‌اپ وضعیت لحظه‌ای جریان نقدینگی و انضباط مالی روزمره کاربر را ارزیابی می‌کند.

آیا این اقدام تاثیری بر الگوهای اعتبارسنجی دیجیتال خواهد گذاشت؟

بله، این رویکرد انگیزه سایر ارائه‌دهندگان کیف‌پول و اپلیکیشن‌های پرداخت در سراسر جهان را برای تجاری‌سازی داده‌های ریسک و توانمندسازی شبکه وام‌دهی دیجیتال افزایش می‌دهد.

برای دنبال کردن تحلیل‌های بیشتر درباره فناوری‌های بانکی، اعتبارسنجی هوشمند و روندهای نوین پرداخت، مقالات تخصصی پی‌کار را در بخش فین‌تک و اقتصاد دیجیتال مطالعه کنید.

شرکت بلاک دسترسی به مدل اعتبارسنجی اختصاصی اپلیکیشن پرداخت خود را برای سایر نهادهای مالی و وام‌دهندگان فراهم کرده است؛ اقدامی که بر اساس گزارش منتشرشده در فایننکسترا، با تکیه بر داده‌های رفتاری و جریان نقدینگی کاربران، دقت ارزیابی ریسک اعتباری را بدون وابستگی صرف به سوابق سنتی بانکی ارتقا می‌دهد و جزئیات بیشتر درباره این دستاوردهای فناوری مالی را می‌توانید در بخش مقاله‌های تخصصی پی‌کار دنبال کنید.