บทความโดย ABACUS Digital

ปัญหาหนี้นอกระบบกับสังคมไทยเป็นปัญหาที่เรื้อรังมายาวนาน ช่วงปีที่ผ่านมารัฐบาลได้ประกาศให้ ‘การแก้ไขหนี้นอกระบบ’ เป็นวาระสําคัญ โดยประเมินว่า หนี้นอกระบบไทยอาจมีมูลค่าไม่ต่ำกว่า 50,000 ล้านบาท ปัญหาดังกล่าวสะท้อนถึงปัญหาความเหลื่อมล้ำในสังคม ลูกหนี้นอกระบบมักถูกเอารัดเอาเปรียบ ทั้งดอกเบี้ยที่สูงถึง 200% ต่อปี รวมไปถึงความเสี่ยงจากการทวงหนี้ หรือ แก๊งหมวกกันน็อคที่เรามักได้ยินตามข่าว

สาเหตุหลักที่ทําให้คนไทยยังคงต้องพึ่งพาสินเชื่อนอกระบบมาจากธนาคารปฏิเสธการให้สินเชื่อหรือได้รับอนุมัติ แต่วงเงินไม่เพียงพอต่อความจําเป็น 

คำถามคือ แล้วทําไมธนาคารจึงปฏิเสธการให้สินเชื่อกับผู้กู้

ปัจจัยหลักมาจากความเสี่ยงของตัวผู้กู้ที่สูงเกินกว่าที่ธนาคารจะสามารถให้สินเชื่อได้ ด้วยเทคโนโลยีที่ก้าวล้ำ ในปัจจุบันการประเมินความเสี่ยงของผู้กู้ก็มีพัฒนาการอย่างต่อเนื่อง จากเดิมที่ผู้กู้ต้องสมัครสินเชื่อผ่านสาขา หอบเอกสารหลักฐานทางการเงินไปประกอบการสมัครสินเชื่อ โดยจะมีเจ้าหน้าที่คอยประเมินความเสี่ยงและอนุมัติวงเงินสินเชื่อให้กับผู้กู้เป็นรายๆ ไป แต่ตอนนี แค่เข้าแอปธนาคารหรือแอปสินเชื่อก็สามารถที่จะยื่นกู้ได้แล้ว ผู้กู้จะรู้ ผลอนุมัติได้ในเวลาเพียง 5-10 นาที 

เทคโนโลยีที่นําเข้ามาเปลี่ยนแปลงธุรกิจทางการเงินมีองค์ประกอบใดบ้าง ในบทความนี้ เราจะพาไปเจาะลึกเทคโนโลยี AI สัญชาติไทยที่หลายคนอาจคุ้นหูกันมาบ้างกับ 'มันนี่ทันเดอร์' แอปสินเชื่อออนไลน์ที่พัฒนาโดย ABACUS digital เป็น Underwriting tool เพียงไม่กี่ตัวในประเทศไทยที่พัฒนาโดย Tech team คนไทยแบบ 100%

จุดเริ่มต้นของ Alternative data 

จากโจทย์ใหญ่คือการแก้ปัญหาหนี้นอกระบบ และการเข้าไม่ถึงแหล่งเงินทุน ABACUS digital พบว่า ผู้กู้มีข้อมูลที่หลากหลาย แต่ที่ผ่านมาข้อมูลดังกล่าวอาจไม่เคยนํามาใช้ในการวิเคราะห์ความเสี่ยง อาทิ transaction รับจ่ายของร้านค้าออนไลน์, ใบแจ้งหนี้ค่าน้ำ/ค่าไฟ และ ข้อมูลโทรศัพท์มือถือ ข้อมูลทางเลือก (Alternative data) ล้วนเป็นข้อมูลที่เอื้อประโยชน์ในการวิเคราะห์ความเสี่ยงของผู้กู้ จึงเป็นทั้งความท้าทายและโอกาสของทีมในการ crack หา solution เพื่อแก้ไขปัญหานี้

1. การดึงและประมวลข้อมูล (Data extraction and processing) 

ABACUS Digital ได้ทํางานร่วมกับพาร์ทเนอร์หลาย ๆ เจ้าเพื่อช่วยพัฒนา data API เพื่อให้เราสามารถดึงข้อมูลประกอบการพิจารณาสินเชื่อได้อัตโนมัติโดยอาศัยข้อมูลกว่า 25 ล้านจุดที่ประมวลผล ลด operating cost หรือในบางข้อมูลที่ไม่มี API รองรับ เราก็ได้สร้างเทคโนโลยีภายในเพื่อช่วยในการ digitize ข้อมูลเหล่านั้น ตัวอย่างเช่น ข้อมูลจาก statement ธนาคาร เป็นต้น การประเมินความเสี่ยงจึงสามารถให้บริการกลุ่มเปราะบาง มีรายได้น้อยได้

2. การตรวจจับการฉ้อโกง (Fraud detection) 

การใช้อัลกอริทึมหรือเทคนิคทางสถิติต่าง ๆ เช่น anomaly detection หรือ network analysis เพื่อช่วยในการตรวจจับพฤติกรรมที่มีความเสี่ยงเป็นพฤติกรรมฉ้อโกงอัลกอริทึมเหล่านี้ช่วยให้เราสามารถวิเคราะห์ข้อมูลขนาดใหญ่เพื่อมองหาพฤติกรรมที่ผิดปกติและระบุสัญญาณเตือนที่อาจบ่งบอกถึงการฉ้อโกงได้

3. การประมาณการรายได้ (Income estimation) 

การประมาณการรายได้ของผู้สมัครสินเชื่อโดยใช้แหล่งข้อมูลที่หลากหลายขึ้น ซึ่งรวมถึงข้อมูลทางการเงินจาก statement, ข้อมูลธุรกรรมจากแพลตฟอร์มต่าง ๆ และปัจจัยอื่น ๆ 
ประกอบกับอัลกอริทึมและเทคนิคด้านสถิติต่าง ๆ ที่เข้ามาช่วยเพื่อให้การประมาณการเหล่านี้แม่นยําและรวดเร็วขึ้น ซึ่งโมเดลรายได้ที่ดีเป็นส่วนสําคัญในการประมาณการวงเงินที่เหมาะสม โดยเฉพาะกลุ่มที่ทําธุรกิจหรือไม่ได้มีรายได้ประจํา

4. การประเมินความเสี่ยง (Risk assessment) 

การเสริมสร้างโมเดลทํานายความเสี่ยงด้วยเทคนิค AI/ML ใหม่ ๆ ที่เรียนรู้จากข้อมูลที่หลากหลายมากขึ้นและปริมาณมากขึ้น เช่น ข้อมูลการใช้งานโทรศัพท์มือถือ เพื่อให้ประเมินความเสี่ยงของผู้กู้ได้อย่างแม่นยํา ทําให้เราสามารถบริหารจัดการความเสี่ยงและตัดสินใจในการปล่อยสินเชื่อได้อย่างถูกต้องมากขึ้น ในขณะเดียวกัน ระบบก็ทําการพิจารณาได้อัตโนมัติ ช่วยลดต้นทุนในการพิจารณา ทําให้อนุมัติสินเชื่อขนาดเล็กได้ตั้งแต่วงเงิน 1,000 บาท ซึ่งเป็นปัจจัยสําคัญในการปล่อยสินเชื่อให้กลุ่มที่มีรายได้น้อยหรือรายได้ไม่มั่นคง

5. การติดตามหนี้ (Collection) 

เป็นส่วนที่สําคัญในการทําให้เราสามารถบริหารจัดการความเสี่ยงได้ซึ่งการเพิ่มประสิทธิภาพในกระบวนการนี้สามารถนําการวิเคราะห์ข้อมูล หรือ AI เทคนิคมาช่วยได้ในหลากหลายรูปแบบ เช่น การวิเคราะห์ความสามารถของ agent การทําโมเดลทํานายความยากง่าย (Collection score) หรือการ optimize ช่องทางและวิธีการในการเรียกเก็บ เป็นต้น

ทดสอบ วัดผล และพัฒนาอย่างต่อเนื่อง

จุดเริ่มต้นในปี 2019 ทางทีมได้ใช้เพียง 10 ตัวแปร 4 ปี และพัฒนาอย่างต่อเนื่อง จนในปัจจุบันมีการใช้โมเดลวิเคราะห์ความเสี่ยงถึง 2,000 ตัวแปร คุมความเสี่ยงได้ดีทําให้ตัวเลข NPL ของมันนี่ทันเดอร์ตํ่ากว่าตลาดถึง 3 เท่า 

ยิ่งไปกว่านั้น การสร้างระบบการเงินที่ครอบคลุมและเข้าถึงได้มากขึ้นในประเทศไทย การปรับปรุงโครงสร้างพื้นฐานด้านข้อมูลเป็นสิ่งสําคัญ หากมีการสร้างความร่วมมือเชิงกลยุทธ์เช่น การร่วมมือกับพาร์ทเนอร์หรือรัฐบาลเพื่อนําข้อมูลมาพัฒนาและปรับปรุงระบบ ก็จะช่วยเพิ่มการเข้าถึงทางการเงินในอนาคตได้มากขึ้น