نقش فناوری اطلاعات در ارتقای فرآیند اعتبارسنجی مشتریان صنعت لیزینگ

فرآیند های اعتبارسنجی  سنتی که عمدتاً براستعلامات محدود بانکی،ارزیابی‌های سلیقه‌ای وتضامین فیزیکی اتکا دارند، درمحیط اقتصادی پرنوسان کنونی،کارایی خود را از دست داده ‌اند.

این مقاله به تحلیل نقشی می‌پردازد که فناوری اطلاعاتIT و به  ‌طور خاص، ابزارهای نوین،درتحول این فرآیند از یک رویکرد واکنشی  به یک مدل پیش ‌بینی‌کننده ، ایفا می‌کنند. 

ما استدلال می‌کنیم که پیاده ‌سازی راه‌ حل ‌های هوشمند، نه یک هزینه ، بلکه یک سرمایه‌گذاری استراتژیک برای بقا و سودآوری پایدار شرکت ‌های لیزینگ در اکوسیستم مالی ایران است.

درادبیات مالی، اعتبارسنجی  سنگ بنای مدیریت ریسک در موسسات تأمین مالی است.

با این حال در صنعت لیزینگ ایران ، این سنگ بنا با چالش‌های ساختاری متعددی روبروست . 

فرآیند غالب، فرآیندی زمان ‌بر، پرهزینه و با دقت پایین بوده که مستقیماً به افزایش نرخ مطالبات معوق NPL منجر می‌شود . 

اتکای صرف به گزارش‌های دریافتی از سامانه ‌های متمرکز نظیر سامانه اعتبارسنجی ایرانیان و سایر سامانه های فعال در اعتبارسنجی در کشور، اگرچه گامی مثبت در جهت دیجیتالی‌ سازی اولیه است ، اما برای مدیریت ریسک پیچیده در صنعت لیزینگ کافی نیست .

مدل‌های سنتی و استعلامات بانکی ، قادر به سنجش یکپارچه این ریسک‌ های چند وجهی نیستند .

پیش از آنکه به سراغ راهکارهای فناورانه در حوزه اعتبارسنجی برویم ، لازم است نگاهی واقع‌ بینانه و موشکافانه به وضعیت فعلی بیندازیم. 

مسئله ، فقط کندی فرآیندها نیست ، ریشه بسیاری از چالش‌ها را باید در پراکندگی داده‌ها و تصمیم‌گیری ‌های ناهماهنگ جست ‌و جو کرد، مسائلی که به ‌تدریج به بخشی از ماهیت سیستم سنتی اعتبارسنجی ایران تبدیل شده ‌اند.

یکی از موانع اساسی در نظام ارزیابی اعتباری،فقدان انسجام و یکپارچگی داده‌ ها است. 

اطلاعات مرتبط با مشتریان در سامانه‌های مختلف از جمله سیستم‌های مدیریت ارتباط با مشتری CRM ، سامانه‌های مالی،واحدهای لیزینگ و حقوقی ، به‌ صورت جزیره‌ای و پراکنده ذخیره می‌شوند.

این پراکندگی سبب شده تانمایی جامع و 360  درجه از تعاملات مشتری با شرکت لیزینگ در دسترس نباشد .

درنتیجه،در خصوص مشتریانی که دارای سوابق اعتباری در شرکت‌های لیزینگ هستند ، ارزیابی رفتار اعتباری آنان بر پایه داده‌های ناقص یا بعضاً متناقض انجام می‌پذیرد که این امر می‌تواند منجر به تصمیم‌گیری ‌های نادرست در فرآیند اعطای تسهیلات شود.

چالش بعدی،اتکای بیش از اندازه به داده‌های بانکی است.

نظام‌های اعتبارسنجی موجود در کشور عمدتاً بر مبنای سوابق مالی و بانکی مشتریان مانند چک‌های برگشتی و تسهیلات معوق عمل می‌کنند. 

هرچندکه این داده‌ها برای سنجش اعتبار مالی ضروری‌اند، اما ماهیتی گذشته ‌نگردارند وتوان پیش‌ بینی رفتار آتی مشتری، به‌ویژه در مورد متقاضیانی که فاقد سابقه بانکی گسترده هستند ، را ندارند.

بدین ترتیب، بسیاری از مشتریان بالقوه که می‌توانند در چارچوب مدل ‌های جایگزین اعتبارسنجی قابل اعتماد باشند، از چرخه اعتبار خارج می‌مانند.

دربعدانسانی،وابستگی زیاد به ارزیابی‌های کارشناسانه و قضاوت‌های ذهنی موجب شده تابخش عمده‌ای از تصمیم‌گیری‌های اعتباری فاقد چارچوب کمی و استاندارد باشند.

این وابستگی ، احتمال بروز خطای انسانی ، سوگیری شناختی و تفاوت در تصمیم‌گیری میان کارشناسان مختلف را افزایش می‌دهد. 

نتیجه، نبود انسجام در سیاست‌های اعتباری و کاهش قابلیت اتکا به فرآیند تصمیم‌گیری است.

همچنین، فرآیندهای زمان‌ بر و پرهزینه یکی دیگر از چالش‌های بنیادین در ساختار فعلی اعتبارسنجی به شمار می‌روند. جمع‌آوری مدارک فیزیکی، انجام استعلام‌ های متعدد از نهادهای مختلف نظیر ثبت احوال و سامانه‌های بانکی ، گزارش های کارشناسان و غیره همگی به ‌صورت دستی و توسط کارشناسان انجام می‌شود. 

داده  ‌ها در فرم ‌های کاغذی یا فایل‌هایی تجمیع و در نهایت در جلسات کمیته اعتباری با ارزیابی ذهنی مورد بررسی قرار می‌گیرند. 

این روند نه ‌تنها موجب افزایش قابل ‌توجه هزینه‌های عملیاتی و طولانی شدن چرخه تصویب تسهیلات می‌شود ، بلکه فرصت‌های رقابتی شرکت‌های لیزینگ را در برابر بازیگران چابک‌تر بازار از بین می‌برد.

به طوری که می توان بیان کرد که نظام اعتبارسنجی سنتی درصنعت لیزینگ با مجموعه‌ای از کاستی‌های ساختاری مواجه شده و نه ‌تنها کارایی عملیاتی را کاهش می‌دهد ، بلکه مانعی جدی بر سر راه تحول دیجیتال و توسعه پایدار این صنعت محسوب می‌شود.

فناوری اطلاعات درمعماری تحول سازمانی، از جایگاهی صرفاً پشتیبان به نقشی استراتژیک و تصمیم ‌ساز ارتقا یافته و به ‌عنوان اهرمی کلیدی ، فرآیند اعتبارسنجی را از یک فعالیت مبتنی بر قضاوت فردی و تجربی به نظامی علمی ، داده ‌محور و قابل سنجش تبدیل می‌کند. 

این دگرگونی، نتیجه‌ یک رویکرد مرحله ‌ای و ساختار یافته بوده که در لایه ‌های مختلف عملیاتی ، فنی و مدیریتی رخ می‌دهد.

درنخستین گام، تمرکز بر دیجیتالی ‌سازی کامل فرآیند ها و ایجاد زیرساخت داده ‌ای منسجم قرار دارد. 

اقدامی که به حذف مکاتبات و مستندات فیزیکی و شکل‌گیری پرونده اعتباری دیجیتال مشتریان منجر می‌شود. 

این پرونده به‌عنوان هسته اصلی ارزیابی اعتبار ، با هدف تجمیع ، ذخیره‌ سازی و تحلیل داده ‌ها در بستر یکپارچه طراحی می‌شود تا دقت، شفافیت و سرعت تصمیم‌گیری‌ های اعتباری را به شکل معنا داری ارتقا دهد.

دراین مسیر ، دو مؤلفه حیاتی ایفای نقش می‌کنند. 

نخست، اتصال APIمحور واسط برنامه‌نویسی کاربردی که از طریق آن،سامانه اعتبارسنجی سازمان با بسترهای اطلاعاتی همچون سامانه اعتبارسنجی ایرانیان، سامانه صیاد برای استعلام چک و سایر پایگاه‌های داده حاکمیتی مثل ثبت احوال و غیره ، ارتباط برخط و سیستمی برقرار می‌کند. 

این ارتباط، امکان تبادل لحظه‌ای داده و استعلام‌های دقیق را فراهم آورده و وابستگی به مداخله انسانی را به حداقل می‌رساند. 

همچنین، بهره‌گیری از چارچوب ‌های حقوقی و مجوزهای لازم  از مراجع ذی ‌صلاح، زمینه پایداری این تعاملات داده‌ای را تضمین می‌کند.

درگام بعدی،سیستم مدیریت فرآیندهای کسب ‌وکار به ‌عنوان موتور اجرایی تحول، گردش کار اعتبارسنجی را از مرحله ثبت درخواست مشتری تا تأیید نهایی به ‌صورت کاملاً خودکار ساماندهی می‌کند. 

این سامانه، با هدف حذف گلوگاه ‌های انسانی، افزایش دقت در اجرای مراحل استاندارد و پایش مستمر عملکرد فرایندها طراحی می‌شود تا ضمن کاهش خطا و دوباره‌کاری، شفافیت و قابلیت ردیابی تصمیمات اعتباری به‌ طور چشمگیری بهبود یابد.

هوشمند سازی و مدل ‌سازی پیش ‌بینی‌کننده 

در این مرحله ، تمرکز اصلی بر گذار از جمع‌آوری صرف داده‌ها به سوی استخراج بینش‌های پیش ‌بینی ‌پذیر و مبتنی بر هوش است . 

به بیان دیگر ، داده‌ها نه صرفاً به عنوان سوابق گذشته ، بلکه به ‌مثابه مبنایی برای ترسیم آینده و تصمیم ‌سازی هوشمندانه مورد استفاده قرار می‌گیرند. 

دراین رویکرد ، شرکت های لیزینگ به سطحی ارتقا می‌یابند که توانایی پیش ‌بینی رفتار مالی ، ریسک نکول و حتی روند ارزش دارایی‌های تأمین مالی‌شده را بر اساس الگوهای داده ‌محور در اختیار دارند.

یکی از ارکان بنیادین این مرحله ، توسعه مدل‌های بومی امتیازدهی اعتباری است. 

برخلاف مدل‌های عمومی و غیربومی که صرفاً برشاخص‌های استاندارد متکی‌اند ، این مدل ‌ها بر اساس داده‌ های واقعی مشتریان شرکت و شرایط بومی بازار طراحی می‌شوند. 

به‌کارگیری روش‌های پیشرفته‌ یادگیری ماشین در این مسیر، به شرکت امکان می‌دهد تا به ‌جای استفاده از الگوهای ثابت، سیستم‌های پویا و خودیادگیر ایجاد کند که به ‌مرور زمان دقت خود را افزایش می‌دهند.

برای تغذیه و پویایی مدل‌های پیش‌بینی‌کننده، داده‌ ها باید از مجموعه‌ای متنوع و چند منبعی گردآوری ، پاک‌سازی و یکپارچه ‌سازی شوند. 

این منابع داده، در سه طبقه‌ اصلی قابل تقسیم‌اند. 

نخست، داده‌ های مالی سنتی نظیر سوابق بانکی در پرداخت اقساط، گردش حساب های تجاری و کسب و کار و غیره که مبنای ارزیابی کلی ریسک اعتباری محسوب می‌شوند و قابل دستیابی ‌اند. 

دوم، داده‌ های درون‌ سازمانی که در صورت وجود سابقه تعامل مشتری با شرکت های لیزینگ، شامل تاریخچه پرداخت اقساط ، نحوه پاسخ‌گویی به تعهدات مالی، الگوی ارتباط با سیستم‌های مدیریت ارتباط با مشتری CRM و سوابق پیگیری یا وصول مطالبات است. 

این داده ‌ها می‌توانند درک عمیقی از رفتار واقعی و الگوهای وفاداری یا ریسک مشتری در بستر داخلی سازمان فراهم کنند. 

سوم، داده‌ های دارایی‌محور که ماهیت و ویژگی‌های فیزیکی یا اقتصادی دارایی‌های موضوع لیزینگ را در برمی‌گیرند.

به عنوان مثال،میزان آورده نقدی مشتری در خصوص موضوع قرارداد، ازجمله نوع و مدل دارایی،سال ساخت، نرخ استهلاک، ارزش فعلی و بازار ثانویه آن. 

ترکیب این سه دسته داده اعم از داخلی، بیرونی و دارایی‌محور به مدل ها امکان می‌دهد تا تصویری جامع ، پویا و چند بعدی از ریسک و ارزش ایجاد کنند که هم برای مشتریان جدید بدون سابقه و هم برای مشتریان تکراری با سابقه تعامل پیشین، قابل اعمال باشد.

بهره‌گیری از الگوریتم ‌های یادگیری ماشین همچون رگرسیون و غیره، به شرکت لیزینگ امکان می‌دهد تا الگوهای پیچیده و غیرخطی موجود در داده ‌ها را شناسایی کند. 

این الگوریتم‌ ها قادرند نشانه‌ های ظریفی ازاحتمال نکول یا تغییر رفتار اعتباری را کشف کرده و از دید تحلیل‌گر انسانی پنهان می‌مانند.

بدین‌ترتیب، شرکت لیزینگ نه تنها به درک عمیق‌تری از مشتریان خود دست می‌یابد، بلکه می‌تواند تصمیمات مالی دقیق ‌تر،سریع ‌تر و مبتنی بر شواهد داده ‌محور اتخاذ کند.

اتوما سیون و تصمیم‌گیری سریع 

دراین مرحله، با بهره‌گیری از مدل‌ های هوشمند و تحلیل‌های پیشرفته، امکان تصمیم‌گیری اعتباری آنی در فرآیندهای لیزینگ فراهم می شود.

در این چارچوب ، موتور تصمیم‌گیری به ‌عنوان یک سیستم مبتنی بر قواعد کسب ‌وکار  عمل کرده و با اتکا به نتایج مدل‌های امتیاز دهی اعتباری و سیاست ‌هایی داخلی شرکت  نظیر حدود اعتباری و معیارهای ریسک  به‌صورت خودکار تصمیم اولیه را در قالب تأیید ، رد یا ارجاع پرونده به کارشناس صادر می‌کند.

همچنین ، با پیاده‌سازی اتوماسیون فرآیندهای رباتیک ، فعالیت ‌های تکراری و زمان ‌بر مانند ورود اطلاعات از فرم ‌های متقاضیان به سامانه ‌های عملیاتی یا انجام استعلام‌ های استاندارد، توسط ربات‌های نرم ‌افزاری انجام می‌شود . 

این رویکرد ضمن افزایش دقت و سرعت پردازش ، موجب تمرکز  بیشتر کارشناسان  انسانی بر پرونده ‌های با پیچیدگی بالاتر و تصمیم‌ های مبتنی بر تحلیل ‌های تخصصی‌ترخواهد شد.

استقرار این پلتفرم تکنولوژیک، به صورت مستقیم پیامدهای استراتژیک قابل ‌اندازه‌گیری رابه همراه داشته و بر شاخص‌های کلیدی عملکرد  شرکت لیزینگ اثرگذاری عمیقی دارد.

اساسی‌ترین پیامد این تحول ، بهینه ‌سازی فرآیندهای مدیریت ریسک است. 

این سیستم، از طریق ارزیابی دقیق‌ تر و غربالگری مؤثرتر متقاضیان دارای ریسک اعتباری بالا در مرحله پذیرش ،  منجر به کاهش معنادار نسبت مطالبات غیرجاری NPL می‌شود.

علاوه بر این ، زیرساخت لازم برای اجرای مدل قیمت‌گذاری مبتنی بر ریسک را مهیا می‌سازد که به موجب آن ، شرکت قادر است به مشتریان با رتبه اعتباری مطلوب‌تر، نرخ‌های بهره جذاب و شرایط تسهیلاتی رقابتی‌تری ارائه دهد.

به علاوه، این معماری منجر به ارتقای چشمگیر بهره ‌وری عملیاتی می‌شود . 

زمان چرخه عملیاتی برای تصویب اعتبارات،از بازه ‌های زمانی طولانی چند روزه یا هفتگی به چند ساعت و در مورد پرونده‌های کم‌ ریسک، حتی به چند ساعت تقلیل می‌یابد. 

این تسریع در فرآیند ، مستقیماً به معنای تنزل هزینه سرانه پردازش هر پرونده اعتباری است.

تحول بنیادین در تجربه مشتری دستاورد دیگر این سیستم است. 

متقاضی تسهیلات، پاسخی سریع ، شفاف و مبتنی بر ارزیابی عینی دریافت می‌دارد. 

دربازار رقابتی کنونی ، این سطح از سرعت پاسخگویی و شفافیت در فرآیند، به یک مزیت رقابتی متمایزکننده برای شرکت بدل می‌شود.

در کل، این فناوری قابلیت نفوذ به بخش‌های جدید بازار را تسهیل می‌کند و این امر از طریق فراهم آوردن امکان ارزیابی اعتباری امن برای متقاضیان فاقد سوابق اعتباری مکفی مشتریان محقق می‌شود. 

بدین ترتیب ، شرکت لیزینگ می‌تواند سهم بازار خود را گسترش دهد ، در حالی که کنترل مؤثری بر پرتفوی ریسک خود اعمال می‌کند.

موانع و الزامات  پیاده ‌سازی در اکو سیستم لیزینگ ایران

پیاده‌سازی تحولات داده ‌محور در صنعت لیزینگ ایران ، فرآیندی پیچیده و چند وجهی است که با مجموعه‌ای از موانع ساختاری ، فنی و فرهنگی رو به ‌روست . 

نخستین چالش ، کیفیت و دسترسی به داده ‌ها ست. 

درشرایط فعلی ، بخش قابل ‌توجهی از داده ‌های مورد نیاز شرکت‌ های لیزینگ یا به ‌صورت پراکنده در سامانه‌ های مختلف نگهداری می‌شود یا از نظر کیفیت ، دقت و به ‌روز بودن در سطح مطلوب قرار ندارد. 

علاوه بر این، داده‌های جایگزین که می‌توانند در ارزیابی ‌های اعتباری غیرسنتی نقش مؤثری ایفا کنند ، هنوز به‌ صورت سازمان ‌یافته در دسترس نیستند و استانداردهای مشخصی برای جمع‌آوری ، پالایش و اشتراک آن‌ها وجود ندارد.

دربعد رگولاتوری ، خلا های قانونی و ابهامات موجود در خصوص حریم خصوصی داده‌ ها و نحوه استفاده از داده‌ های غیربانکی ، یکی از موانع کلیدی محسوب می‌شود. 

نبود دستور العمل‌های شفاف از سوی نهادهای ناظر، فضای تصمیم‌گیری شرکت‌ های لیزینگ را محدود کرده و ریسک ‌های حقوقی قابل ‌توجهی ایجاد می‌کند. 

درواقع ، بدون تدوین چارچوب ‌های قانونی جامع برای حفاظت از داده ‌ها و تعیین مرزهای استفاده مشروع از اطلاعات ، حرکت به سمت نظام ‌های تصمیم‌گیری مبتنی بر داده دشوار و پر ریسک خواهد بود.

از منظر فنی و اقتصادی  ، توسعه زیرساخت‌های لازم برای تحلیل کلان ‌داده  و استقرار الگوریتم‌ های پیشرفته تحلیلی ، نیازمند سرمایه‌گذاری قابل ‌ملاحظه‌ای در حوزه سخت ‌افزار،  نرم‌افزار و منابع انسانی است . 

به ‌ویژه جذب و نگهداشت نیروهای متخصص در علم داده ، تحلیل آماری و یادگیری ماشین ،  با توجه به کمبود این مهارت‌ ها در بازار کار ایران ، خود به چالشی جدی تبدیل شده است.

مهم‌ ترین مانع در مسیر تحول دیجیتال شرکت‌ های لیزینگ، مقاومت درون‌ سازمانی است.

برخی از کارشناسان اعتباری با سابقه طولانی در استفاده از مدل ‌های سنتی ، معمولاً به داده و تجربه شهودی خود اتکا دارند و ممکن است پذیرش سیستم ‌های تصمیم ‌یار هوشمند را تهدیدی برای نقش و تخصص خود تلقی کنند. 

از این ‌رو، مدیریت تغییر در این حوزه نه ‌تنها یک ضرورت ، بلکه پیش‌شرط موفقیت محسوب می‌شود. 

ایجاد فرهنگ داده‌ محور، آموزش مستمر، و بازتعریف نقش کارشناسان انسانی در کنار الگوریتم‌ها ، گام‌های کلیدی برای عبور از این مانع هستند.

نتیجه گیری:

فناوری اطلاعات در صنعت لیزینگ ایران دیگر صرفاً به عنوان یک بخش پشتیبان یا منبع هزینه تلقی نمی‌شود ، بلکه به عنوان یک توانمند ساز استراتژیک در خدمت خلق ارزش ، مدیریت هوشمندانه ریسک و تحقق رشد پایدار قرار گرفته است .

درشرایط اقتصادی کنونی که نوسانات و عدم ‌ قطعیت به ویژگی ذاتی محیط کسب ‌وکار تبدیل شده ، تکیه بر الگوهای سنتی ارزیابی و اعتبارسنجی مشتریان دیگر پاسخ‌گوی نیازهای پیچیده بازار نیست و می‌تواند منجربه افزایش ریسک اعتباری و کاهش کارایی عملیاتی شود.

دراین بین، شرکت ‌های لیزینگی که به‌طور فعال به پذیرش و توسعه فناوری‌های نوین روی می‌آورند و از مدل‌های پیش‌  بینی‌کننده مبتنی بر یادگیری ماشین در فرآیندهای تصمیم‌گیری و مدیریت پرتفوی خود بهره می‌گیرند ،  قادر خواهند بود تحولی بنیادین در ساختار عملیاتی و کارکرد مالی خود ایجاد کنند. 

این شرکت ‌ها نه تنها با به‌کارگیری الگوریتم ‌های یادگیری ماشین می‌توانند احتمال نکول و مطالبات معوق را به شکل چشمگیری کاهش دهند، بلکه از طریق ارائه خدمات دیجیتال ‌شده ، سریع ، دقیق و مبتنی بر داده ، تجربه ‌ای متمایز برای مشتریان خلق کرده و مزیت رقابتی پایداری در بازار به دست آورند.

درواقع ، گذار به این سمت و استفاده نظا‌مند از فناوری ‌های هوشمند ، دیگر یک گزینه اختیاری یا رویکرد نوآورانه صرف نیست ، بلکه ضرورتی استراتژیک و اجتناب ‌ناپذیر برای تداوم  بقا و حفظ جایگاه رقابتی شرکت‌های لیزینگ دردهه پیش‌ رو محسوب می‌شود . 

این تحول،مرز میان سازمان‌ های پیشرو و یا با رویکرد سنتی را در آینده  صنعت لیزینگ ایران مشخص خواهد کرد.

مدیر لیزینگ و قرارداد شرکت واسپاری فراز اندیشان صنعت و توسعه