4 طریقے متبادل ڈیٹا APAC میں Fintech کمپنیوں کو بہتر بنا رہا ہے۔

فنٹیک فرموں کے مختلف زمرے - ابھی خریدیں، بعد میں ادائیگی کریں (BNPL)، ڈیجیٹل قرضے، ادائیگیاں اور وصولیاں - تیزی سے پیش گوئی کرنے والے ماڈلز کا فائدہ اٹھا رہے ہیں جو مصنوعی ذہانت اور مشین لرننگ کا استعمال کرتے ہوئے بنائے گئے ہیں تاکہ بنیادی کاروباری افعال جیسے خطرے کا فیصلہ کرنا۔

ایک کے مطابق رپورٹ گرینڈ ویو ریسرچ، انکارپوریٹڈ کے ذریعہ، 41.16 تک فنٹیک مارکیٹ کے سائز میں عالمی AI کے US$2030 بلین تک پہنچنے کی توقع ہے، جو کہ 19.7 سے 2022 تک ایشیا پیسیفک میں 2030 فیصد کی کمپاؤنڈ سالانہ شرح نمو (CAGR) سے بڑھ رہی ہے۔

فنٹیک میں AI کی کامیابی، یا اس معاملے کے لیے کسی بھی کاروبار کا انحصار ڈیٹا کی بنیاد پر درست پیشین گوئیاں کرنے کی تنظیم کی صلاحیت پر ہے۔

اگرچہ اندرونی ڈیٹا (فرسٹ پارٹی ڈیٹا) کو AI ماڈلز میں فیکٹر کرنے کی ضرورت ہے، لیکن یہ ڈیٹا اکثر اہم پیشین گوئی کرنے والی خصوصیات کو حاصل کرنے میں ناکام رہتا ہے، جس کی وجہ سے یہ ماڈل کم کارکردگی کا مظاہرہ کرتے ہیں۔ ان حالات میں، متبادل ڈیٹا اور خصوصیت کی افزودگی ایک طاقتور فائدہ قائم کر سکتی ہے۔

انتہائی پیش گوئی کرنے والی خصوصیات کے ساتھ فرسٹ پارٹی ڈیٹا کو افزودہ کرنے سے مشین لرننگ ماڈلز کی درستگی کو بڑھانے کے لیے ضروری چوڑائی، گہرائی اور پیمانہ شامل ہوتا ہے۔

یہاں کچھ استعمال کے معاملات اور عمل کے لیے ڈیٹا کی افزودگی کی چار حکمت عملیوں پر ایک نظر ہے جن سے فنٹیک کمپنیاں اپنے کاروبار کو بڑھانے اور خطرے کا انتظام کرنے کے لیے فائدہ اٹھا سکتی ہیں۔

1. اپنے گاہک کو جانیں (KYC) تصدیقی عمل کو بہتر بنانا

عام طور پر، تمام فنٹیک کمپنیاں کافی ڈیٹا اور انتہائی پیش گوئی کرنے والے ماڈل کے ساتھ AI سے چلنے والے KYC کے نفاذ سے فائدہ اٹھا سکتی ہیں۔

Fintech کمپنیاں اپنے اندرونی ڈیٹا کو بڑے پیمانے پر، اعلیٰ معیار کے متبادل ڈیٹا کے ساتھ گاہک کی شناخت کی توثیق کرنے میں مدد کے لیے کسٹمر کی معلومات، جیسے ایڈریس کے ساتھ موازنہ کرنے کے لیے دیکھ سکتی ہیں۔

یہ مشین سے تیار کردہ بصیرت دستی سے زیادہ درست ہو سکتی ہیں اور انسانی غلطی کے خلاف تحفظ کی ایک تہہ کے طور پر کام کر سکتی ہیں اور گاہک کی آن بورڈنگ کو بھی تیز کر سکتی ہیں۔

درست اور قریب قریب ریئل ٹائم توثیق صارف کے مجموعی تجربے کو بہتر بنانے میں مدد کر سکتی ہے جس کے نتیجے میں کسٹمر کی تبادلوں کی شرح میں اضافہ ہوتا ہے۔

2. کریڈٹ کی دستیابی کو بہتر بنانے کے لیے رسک ماڈلنگ کو بڑھانا

بہت سی فنٹیک فرمیں ورچوئل کریڈٹ کارڈز یا ای-والیٹس کے ذریعے اور اکثر اوقات بعد میں ادائیگی کی اسکیم کے ساتھ صارفین کو کریڈٹ فراہم کرتی ہیں۔

پچھلے پانچ سالوں میں ان کمپنیوں کے تیزی سے ابھرتے ہوئے دیکھے گئے ہیں، جن کی اکثریت ابھرتی ہوئی مارکیٹوں جیسے کہ جنوب مشرقی ایشیا اور لاطینی امریکہ میں ہے، جہاں وسیع آبادی کے درمیان کریڈٹ کی محدود دستیابی ہے۔

چونکہ درخواست دہندگان کی اکثریت کے پاس روایتی کریڈٹ سکور نہیں ہوتے، اس لیے کریڈٹ فراہم کرنے والے کی اس نئی نسل کو خطرے کا اندازہ لگانے اور فوری طور پر قبول یا رد کرنے کے فیصلے کرنے کے لیے مختلف طریقے استعمال کرنے چاہییں۔

اس کے جواب میں، یہ کمپنیاں اپنے خطرے کی تشخیص کے ماڈل بنا رہی ہیں جو متبادل ڈیٹا کا استعمال کرتے ہوئے روایتی رسک اسکورنگ کی جگہ لے لیتی ہیں، جو اکثر تھرڈ پارٹی ڈیٹا فراہم کنندگان سے حاصل کیا جاتا ہے۔ یہ طریقہ ایسے ماڈل تیار کرتا ہے جو روایتی خطرے کے نشانات کے پراکسی کے طور پر کام کرتے ہیں۔

AI کی طاقت اور صارفین کے متبادل ڈیٹا کا فائدہ اٹھا کر، روایتی کریڈٹ بیورو کے مقابلے میں درستگی کی سطح کے ساتھ خطرے کا اندازہ لگانا ممکن ہے۔

3. اسی طرح کے امکانات تک پہنچنے کے لیے اعلیٰ قدر کے صارفین کو سمجھنا

فریق اول کا ڈیٹا عام طور پر صارفین کے کاروبار کے ساتھ اس کو جمع کرنے تک ہی محدود ہوتا ہے۔

متبادل ڈیٹا خاص طور پر قیمتی ہو سکتا ہے جب اس کے بہترین صارفین کے بارے میں فنٹیک کی سمجھ کو گہرا کرنے کے لیے استعمال کیا جائے۔ یہ کاروباروں کو ان سامعین کی خدمت پر توجہ مرکوز کرنے کی اجازت دیتا ہے جو سب سے زیادہ قیمت کا باعث بنتے ہیں۔

یہ انہیں ان امکانات کے ایک جیسے سامعین کی شناخت کرنے کا بھی اختیار دیتا ہے جو ایک جیسی خصوصیات رکھتے ہیں۔

مثال کے طور پر، فنٹیک کمپنیاں جو کسی قسم کا کریڈٹ فراہم کرتی ہیں وہ اپنے اعلیٰ ترین قیمت والے صارفین کے پورٹریٹ بنانے کے لیے پیشین گوئی کرنے والی ماڈلنگ کا استعمال کر سکتی ہیں اور پھر صارفین کو ان صفات کے خلاف ان کے فٹ کی بنیاد پر اسکور کر سکتی ہیں۔

اس کو حاصل کرنے کے لیے، وہ اپنے اندرونی ڈیٹا کو تیسرے فریق کی پیش گوئی کرنے والی خصوصیات جیسے زندگی کے مراحل، دلچسپیوں اور سفر کے ارادے کے ساتھ جوڑ دیتے ہیں۔

اس ماڈل کو نئے سامعین تک پہنچنے کے لیے استعمال کیا جا سکتا ہے جس میں اعلیٰ قدر کے صارفین میں تبدیل ہونے کے زیادہ امکانات ہیں۔

4. منفرد طرز عمل کی بصیرت کے ساتھ افینیٹی ماڈلز کو طاقتور بنانا

افنٹی ماڈلنگ اوپر بیان کردہ رسک ماڈلنگ کی طرح ہے۔ لیکن جب کہ رسک ماڈلنگ ناپسندیدہ نتائج جیسے کریڈٹ ڈیفالٹس کے امکان کا تعین کرتی ہے، افیونٹی ماڈلنگ مطلوبہ نتائج کے امکان کی پیشین گوئی کرتی ہے، جیسے پیشکش کی قبولیت۔

خاص طور پر، وابستگی کا تجزیہ فنٹیک کمپنیوں کو اس بات کا تعین کرنے میں مدد کرتا ہے کہ کون سے گاہک اپنی خریداری کی تاریخ، آبادیاتی یا انفرادی رویے کی بنیاد پر دیگر مصنوعات اور خدمات کو خریدنے کا زیادہ امکان رکھتے ہیں۔

یہ معلومات زیادہ مؤثر کراس سیلنگ، اپ سیلنگ، لائلٹی پروگرام اور ذاتی نوعیت کے تجربات کو قابل بناتی ہے، جو صارفین کو نئی مصنوعات اور سروس اپ گریڈ کی طرف لے جاتی ہے۔

یہ وابستگی کے ماڈل، اوپر بیان کردہ کریڈٹ رسک ماڈلز کی طرح، صارفین کے ڈیٹا پر مشین لرننگ کو لاگو کرکے بنائے جاتے ہیں۔

بعض اوقات یہ ماڈلز کو فریق اول کے ڈیٹا کا استعمال کرتے ہوئے بنانا ممکن ہوتا ہے جس میں تاریخی خریداریوں اور مالی رویے کے ڈیٹا جیسی تفصیلات شامل ہوتی ہیں، تاہم یہ ڈیٹا مالیاتی خدمات میں تیزی سے عام ہوتا جا رہا ہے۔

زیادہ سے زیادہ رسائی اور درستگی کے ساتھ ملحقہ ماڈلز بنانے کے لیے، فنٹیک فرمیں اپنے ڈیٹا کو منفرد طرز عمل کی بصیرت کے ساتھ جوڑ سکتی ہیں جیسے کہ ایپ کا استعمال اور اپنے ماحول سے باہر کی دلچسپیوں کو یہ سمجھنے کے لیے کہ کون سے صارفین کے پاس نئی پیشکشیں خریدنے کا رجحان ہے، اور ساتھ ہی ساتھ اگلی بہترین کی تجویز بھی کر سکتے ہیں۔ مصنوعات جو ان کی ترجیحات سے ملتی ہیں۔

Fintech میں ڈیٹا اور AI کے لیے بزنس کیس

اگر آپ جلد ہی اپنی فنٹیک کمپنی میں متبادل ڈیٹا اور AI کا فائدہ اٹھانے کا کوئی منصوبہ نہیں اپناتے ہیں، تو امکان ہے کہ آپ پیچھے رہ جائیں گے۔

IBM گلوبل اے آئی ایڈاپشن انڈیکس 2022 کہتے ہیں کہ آج کل 35% کمپنیوں نے اپنے کاروبار میں AI کے استعمال کی اطلاع دی ہے، اور ایک اضافی 42% نے اطلاع دی ہے کہ وہ AI کو تلاش کر رہی ہیں۔

ایک قبیلے میں رپورٹ فنٹیک فائیو بائی فائیو، 70% فنٹیکس پہلے سے ہی AI کا استعمال کر رہے ہیں جس میں 2025 تک وسیع تر اپنانے کی توقع ہے۔ ان میں سے 90% APIs استعمال کرتے ہیں اور 38% جواب دہندگان کے خیال میں AI کا سب سے بڑا مستقبل کا اطلاق صارفین کے رویے کی پیشین گوئیاں ہوں گی۔

پیش کردہ پروڈکٹ یا سروس سے قطع نظر، جدید صارفین سمارٹ، ذاتی نوعیت کے تجربات کی توقع کر رہے ہیں جو ڈیٹا تک رسائی، پیشن گوئی ماڈلنگ، AI اور مارکیٹنگ آٹومیشن کے ساتھ آتے ہیں۔