Banking Unusual - Upstart التمويل و الذكاء الاصطناعي

واحدة من معضلات التمويل كانت ولا تزال معضلة ارفع نزل إن جاز التعبير .. واللي هي كيف نقدر نتوسع في رفع نسب الموافقة على طلبات التمويل وفي نفس الوقت ما ينتج عن هذي الزيادة زيادة مقابلة في خسائر الائتمان أو بالأصح المحافظة على المزامنة والتناسب بين الزيادة في معدل الموافقة على الطلبات والزيادة في نسبة خسائر الائتمان

وهذا هو الرائج في الممارسة المصرفية التقليدية .. بحسب سياسيات مخاطر الائتمان والشهية لتحمل المخاطر لكل مؤسسة مالية يكون هناك في العادة تناسب بين نسبة الموافقة على طلبات التمويل ونسبة التعثر أو خسائر الائتمان على حسب المحفظة يعني ممكن نعبر عنها مثلا إن مقابل كل ١٠٠ ألف ريال موافقات عندنا ١٠٠٠ ريال خسائر ائتمان

خلينا نقول إن عندنا هدف للنمو والتوسع يقتضي إننا نرفع نسبة الموافقة على الطلبات إلى ٢٠٠ ألف ريال من ١٠٠ ألف ريال خلينا نستخدم الرقم السابق كأساس للمحفظة .. المتوقع لو حققنا هذا الهدف إنه يكون عندنا خسائر ائتمان ٢٠٠٠ ريال وبكدا نكون حافظنا على التناسب بين معدل الموافقات إلى خسائر الائتمان .. لو حققت المحفظة النمو المطلوب وارتفعت الخسائر إلى ٣٠٠٠ ريال فهذا معناه علامة استفهام على جودة عملية الدراسة الائتمانية ومنح التمويل ومعايير الموافقة .. وقد يكون هذا الأمر متوافق مع المناقشات الداخلية في المنظمة للموافقة على هذي المعايير وانفتاح شهية المنظمة على تحمل هذي المخاطر الإضافية مقابل تنمية الحصة السوقية وفي هذا المثال اللي طرحناه فهذي المنظمة قامت بمضاعفة حجم محفظة الائتمان ونمو ١٠٠٪؜ سنويا يعتبر منافسة قوية ولافتة للانتباه في أي سوق

طيب ليش بنقول معضلة ؟

لأن الاحتمال اللي ما ذكرناه هو احتمال رفع نسبة الموافقة على طلبات التمويل ومنح الائتمان مع تخفيض نسبة التعثر أو خسائر الائتمان يعني بالرجوع لنفس المثال تخيل إنك ممكن تضاعف حجم محفظتك التمويلية بزيادة زي ما ذكرنا ١٠٠ ألف ريال وبدل ما تخسر ١٠٠٠ ريال تخسر ٥٠٠ ريال

هذا معناته إن المؤسسة التمويلية تمكنت من الوصول لحل سحري يقدر يساعدها تنمي حصتها السوقية في سوق التمويل بشكل صحي ما يترتب عليه مضاعفة خسائرها بل تقليصها .. وهذا النوع من التحديات في الصناعة التمويلية هو واحد من أعقد التحديات .. ليش ؟

ببساطة لأن البنوك والمؤسسات التمويلية شهيتها التنافسية عالية جدا باعتبار التمويل والإقراض هو النشاط الرئيسي المحرك لعجلة الربحية داخل المنظمات .. فتلاقي البنوك وشركات التمويل تتنافس باستمرار بالحملات والعروض الجاذبة للعملاء وحروب الاسعار المدروسة والموجهة لأفضل شرائح العملاء الموجودة في السوق واللي احتمال تعثرها وتخلفها عن السداد منخفض للغاية .. بالتالي بعد استنزاف هذي الشريحة من العملاء .. لا يتبقى سوى شريحة العملاء الأعلى مخاطر واحتمال في التعثر .. أو شريحة العملاء التي لا يوجد عنهم بيانات كافية وبالتالي غير مخدومين في السوق

الإقدام على تمويل هذي الشرائح من العملاء ينطوي على تحمل تكلفة مخاطر أعلى من المعتاد وينعكس على تسعير هذه القروض وكذلك على احتساب المخصصات المقابلة للتعثر الائتماني المحتمل .. وهذي التكاليف تجعل من عملية اختراق هذي الشرائح عملية غير جاذبة للاعبين في السوق ..

طيب .. كيف لو قدرنا نوصل لحل يمكن من خلاله رفع نسبة الموافقة على طلبات التمويل وفي نفس الوقت خفض نسبة التعثر أو خسائر الائتمان ؟

هذا هو اللي وصلنا لشركة Upstart اللي هي عبارة عن شريك الذكاء الاصطناعي في سوق التمويل اللي بتساعد البنوك وشركات التمويل من خلال نموذجها المعتمد على الذكاء الاصطناعي في رفع نسبة الموافقة على طلبات القروض وفي نفس الوقت خفض نسبة التعثر وخسائر الائتمان

ابستارت كشركة ناشئة بدأت أعمالها في ٢٠١٢ .. كانت بداية متواضعة لكنها في سوق التمويل مو بعيد يعني .. لكن في ٢٠١٤ عملوا هذا التحول إلى marketplace للقروض الشخصية يقدم خدمات للأفراد والمؤسسات من جهة كمتمولين أو مقترضين وللبنوك وشركات التمويل من جهة .. ويعتمد بشكل أساسي على الإحالات Referrals من المواقع المتخصصة والمدونات المتعلقة بالتمويل ومن البنوك والشركاء ..

طلب التمويل يتم دراسته وتسعيره وتنفيذه من التقديم إلى إيداع قيمة القرض في حساب العميل بشكل رقمي وآلي وبدون تدخل بشري .. حتى عملية التوقيع تتم بشكل رقمي .. هذا هو التصميم الرسمي وإلى نهاية الربع الثاني ٢٠٢٢ .. هذا الكلام بينطبق على ٧٣٪؜ من جميع الطلبات التي يتم معالجتها عبر تطبيق Upstart ويعتبر رقم كبير .. ٧٣٪؜ دون تدخل بشري Straight Through Processing .. قرض شخصي STP بدون مكالمات ولا اتصالات ولا تحميل لأي مستندات .. هذي معضلة مهمة جداً في تجربة التمويل في أي بنك أو شركة تمويل وهي الحاجة لتقديم مستندات أو في التجربة الرقمية تحميل مستندات .. ثم الحاجة لمراجعتها وتدقيقها للتأكد من سلامتها وموثوقيتها وربما اللجوء لخدمة عبر طرف ثالث للتحقق من صحة المستندات المقدمة .. وبعد كدا تتم الموافقة على الطلب وتنفيذه

خلال الربع الثاني وافقت الشركة على ٣١٢ ألف طلب تمويل بأكثر من ٣،٢٧٦ مليار دولار أمريكي هذا يعادل أكثر من ١٢،٢٨٥ مليون ريال حوالي ٤ مليار ريال شهريا وتقريبا ٥٠ مليار ريال سنويا

وهنا عندي ملاحظة انتبهت لها وأنا أراجع تقريرهم الربعي وهي إن Conversion Rate معدل التحويل أو الموافقة على الطلبات لأنه هذا هو غالبا بالنسبة لشركة التمويل .. في الربع الثاني ٢٠٢٢ كان ١٣.٣٪؜ فيما كان في الربع المقابل لعام ٢٠٢١ عند ٢٤.٤٪؜ وفي الربع السابق اللي هو الربع الأول ٢٠٢٢ .. ٢١.٤٪؜ الانخفاض المستمر في معدل التحويل ممكن يكون في تفسيري الشخصي مؤشر على تراجع النمو المستقبلي .. للأسف هذا بيتزامن مع ارتفاع أسعار التضخم وتكلفة المعيشة وارتفاع أسعار الفائدة وتوقعات انكماش اقتصادي وكساد .. ففي ظني الشخصي هذي العوامل قد تفسر تراجع معدل التحويل أو الموافقة على طلبات التمويل وإذا كان هذا الموضوع ملاحظ مع شركة تقنية تعتمد على نموذج الذكاء الاصطناعي للوصول إلى شرائح مخدومة جزئيا أو غير مخدومة في السوق .. فالمتوقع أن يكون الوضع أكثر حدة بالنسبة للبنوك وشركات التمويل التقليدية المعتمدة على FICO Score أو النموذج التقليدي في تقييم الجدارة الائتمانية

نموذج عمل upstart زي ما ذكرنا هو عبارة عن marketplace نقدر نقول منصة أعمال أو سوق متعددة الأطراف .. فلذلك تعتمد بشكل رئيسي على شبكة Network تقدر من خلالها تعظم القيمة اللي تقدر تخلقها للشركاء والعملاء .. وبهذا الخصوص upstart كان عندها شراكات مع ٣١ بنك ومؤسسة تمويلية في الربع الأول ٢٠٢١ هذا الرقم في الربع الثاني ٢٠٢٢ ارتفع إلى ٧١ شريك Banks & Credit Unions تضاعف الرقم حوالي ٣ مرات وهو مؤشر ممتاز على اكتساب الثقة في نموذجهم في السوق وقدرته على مساعدة الشركاء على خلق القيمة اللي يتوقعوها من الشراكة

والجميل في هذا الموضوع إن حلول الربط بين upstart والبنوك أو شركات التمويل يمكن تخصيصها بطريقة تستوعب سياسات الائتمان الخاصة بكل شريك وهي جزء من الدراسة والقرار الائتماني عبر المنصة

فيما يخص تمويل السيارات بيستخدم upstart في أكثر من ٦٤٠ معرض سيارات و upstart عندهم أيضا شراكات مع أكثر من ٣٧ صانع سيارات من كل الأسماء الشهيرة اللي تعرفوها

نموذج تقييم الجدارة الائتمانية المعتمد على الذكاء الاصطناعي هو الميزة التنافسية الحقيقية لـ Upstart تم تطويره واختباره داخليا وهو أول نموذج يحصل على خطاب عدم ممانعة No Action Letter من مكتب الحماية المالية للمستهلكين والشركة قدمت التزامات وخضعت للفحص الذاتي والفحص المستقل لنموذجها لتقييم الجدارة الائتمانية المعتمد على الذكاء الاصطناعي ونتائج التقارير منشورة .. الهدف من الفحص المستمر هو التأكد من عدم حصول تحيزات أو انحرافات في نتائج تطبيق النموذج ينشأ عنها مخاطر متعدية تهدد سلامة النظام المالي واستقراره

النماذج المعتمدة على البيانات البديلة في تقييم الجدارة الائتمانية حديثة التطبيق ولا تتوفر أي بيانات عن مخاطرها طويلة المدى .. النماذج التقليدية تم اختبارها عبر سنوات وسنوات من التجربة وتم إنضاجها وتنقيحها والاستقرار على النموذج السائد اليوم بعد تجربته في ظروف اقتصادية ودورات اقتصادية وديموغرافيات مختلفة وصناعات وقطاعات متنوعة ..

نموذج Startup يعتمد على أكثر من ١٦٠٠ متغير Variables .. بياخذ في عين الاعتبار التاريخ أو السجل الائتماني للعميل .. وبياخذ أيضا بيانات عن السيرة المهنية والوظائف اللي اشتغلها العميل .. سجل عملياته المصرفية .. التكلفة المعيشية للعميل .. التاريخ الدراسي للعميل .. تخصصه ومعدله ونتائج الاختبارات القياسية وغيرها من البيانات والمتغيرات .. ويخرج بقرار ائتماني بالموافقة أو الرفض على طلب العميل

يمكن مو من السهل استبدال النماذج المستقرة والمجربة بالنماذج الصاعدة .. ولكن النتائج واعدة على الأقل حتى الآن

وخلينا نشوف من تجربة Startup كيف ماشية الأمور معاهم

أول شي Startup خدمت إلى الآن ٢،٤١٣ مليون عميل وزي ما ذكرنا المعضلة اللي بيحاولوا يحلوها إنهم يرفعوا نسبة الموافقة على طلبات التمويل وينزلوا نسب التعثر أو خسائر الائتمان ..

بحسب دراسة داخلية أجرتها Upstart قارنوا نموذجهم بنموذج القرار الائتماني لثلاثة بنوك أمريكية كبيرة .. أخذوا في اعتبارهم العاملين اللي ذكرناهم رفع نسبة الموافقة على طلبات الائتمان .. وخفض نسبة التعثر أو خسائر الائتمان .. وحسبوا النتائج الافتراضية لهذه المقارنة .. ماذا وجدوا ؟

ثبتوا نسبة الموافقة على طلبات التمويل من إجمالي الطلبات المقدمة عند نفس المستوى وقارنوا بين نسبة التعثر لعملاء البنوك التقليدية مقارنة بنموذجهم لتقييم الجدارة الائتمانية المعتمد على الذكاء الاصطناعي .. عند نفس مستوى نسبة الموافقة على الطلبات كانت نسبة تعثر العملاء بحسب نموذج Startup أقل بـ ٧٥٪؜ من نموذج البنوك التقليدية

يعني مثلا قالوا أعطونا ٩٠٪؜ من موافقاتكم نقارنها بـ ٩٠٪؜ من موافقاتنا .. وحسبوا نسبة تعثر هذول العملاء ووجدوا إن نسبة تعثرهم في النموذج البديل أقل ٧٥٪؜ مقارنة بالنموذج التقليدي

في الدراسة هذي كمان ثبتوا نسبة خسائر الائتمان عند نفس المستوى وحسبوا عدد الطلبات اللي تم الموافقة عليها وتحققت منها نسبة خسائر الائتمان .. عند نفس مستوى نسبة خسائر الائتمان كان نموذج startup وافق على ١٧٣٪؜ طلبات أكثر من نموذج البنوك التقليدية

المسألة ما وقفت عند هذا الحد Upstart أخذوا نتائج الشركة الواقعية بنهاية عام ٢٠٢١ وعملوا مقارنة بين نموذجهم في تقييم الجدارة الائتمانية المعتمد على الذكاء الاصطناعي والبيانات البديلة والنموذج التقليدي المعتمد على التصنيف الائتماني فقط .. طبقوا المعادلة على حسب شروط برنامج الشمول المالي اللي وضعها مكتب الحماية المالية للمستهلكين CFPB .. بحسب شروط هذا البرنامج نموذج upstart وافق على عدد طلبات أكثر بـ ٤٣٪؜ من النموذج التقليدي المعتمد على التصنيف الائتماني فقط .. مو بس كدا حتى معدل النسبة السنوي Annual Percentage Rate أو APR كان أيضا أقل بـ ٤٣٪؜ وهذا مكسب كبير جدا للمستهلكين اللي بدون هذا النموذج لا يمكن يحصلوا على نفس هذا الأسعار

أبعد من كدا لما نروح للتفاصيل الديموغرافية وهذي ناحية جدا مهمة بالنسبة للمجتمع الأمريكي اللي الأقليات العرقية والملونين فيه يعانوا من التمييز لما يقدموا طلباتهم في فروع البنوك بسبب اللون أو العرق .. نموذج upstart يبين ارتفاع نسبة الموافقة على طلبات الأمريكيين من أصل أفريقي أو السود عموماً كما هو مذكور في تقرير upstart ٤٣٪؜ مقارنة بالنموذج التقليدي وهذي نسبة كبيرة جدا وأيضا بيحصلوا على معدل نسبة سنوي أقل ٢٤٪؜ .. نفس الامر ينطبق على الأمريكيين من أصل أسباني حيث يتم الموافقة على طلباتهم ٤٦٪؜ أكثر من النموذج التقليدي ويحصلوا على APR أقل ٢٥٪؜

مرة أخرى هذي الأرقام لا يمكن أن تتحقق بالنموذج التقليدي لتقييم الجدارة الائتمانية لاقتصاره على التصنيف الائتماني .. دون تقييم عميق للمخاطر الائتمانية واحتمالات التعثر الائتماني للعميل

٤ من أصل ٥ أمريكيين لم يسبق لهم التخلف عن السداد ولا يوجد لديهم أي تعثرات في سجلهم الائتماني ولكن لا يمكن أن يحصلوا على معاملة ائتمانية تتناسب مع سجلهم الحقيقي واحتمالات تعثرهم .. النموذج التقليدي مبرمج على اعتبار التصنيف معبرا عنه برقم واتخاذ القرار الائتماني بناء على ذلك

في مقارنة بين نسب التعثر الائتماني بحسب التصنيف الائتماني قارنت upstart الفجوة بين أفضل وأسوأ تصنيف ائتماني ونسبة التعثر الائتماني المسجلة لكل تصنيف .. ووجدت أن نموذج FICO التقليدي للتصنيف الائتماني يظهر فجوة بين أفضل وأسوأ تصنيف ائتماني تعادل ثلاثة أضعاف نسبة العملاء المتعثرين .. بالنسبة لتصنيف مخاطر الائتمان بحسب نموذج Upstart فالفجوة بين أسوأ وأفضل تصنيف ائتماني تعادل ١٦ ضعف نسبة العملاء المتعثرين .. وهذا يصب في مصلحة نموذج Upstart بشكل قاطع وقدرتهم على تحديد مخاطر الائتمان والتنبؤ بتعثر العملاء بشكل أكثر دقة من النموذج التقليدي .. وهو بشكل آخر يعني أن النموذج التقليدي في تقييم الجدارة الائتمانية يفوت العديد من الفرص على البنوك وشركات التمويل أو يقيم احتمال تعثر العملاء بطريقة متحفظة زيادة عن اللزوم

الجميل في upstart إنها ملتزمة بالتطوير والاختبار المستمر لنموذجها والكلام هذا مو بس دراسات نظرية وتطبيقات محدودة .. Upstart منحت بنفسها ولا يزال في دفاترها قروض بقيمة ٦٢٨ مليون دولار هذي القروض عبارة عن R&D أبحاث وتطوير وتحسينات واختبارات مستمرة للنموذج

نختم الحلقة بمعلومة عن إدراج Startup بعد ٨ سنوات من تأسيسها من قبل ٣ شركاء اثنين منهم من Google .. في ديسمبر من عام ٢٠٢٠ أنجز الطرح الأولي للشركة وأدرجت تحت مؤشر النازداك .. كان سعر الطرح ٢٠ دولار .. Upstart كانت واحدة من الشركات اللافتة بنموذج عملها وأداءها ونتائجها المالية وهذا الشي ساهم في رفع أسهمها بشكل كبير في السوق وصولا إلى ٤٠٠ دولار العام الماضي هذا تقريبا يعادل قيمة سوقية حوالي ٣٣ مليار دولار .. قبل ما ترجع تتراجع مع الظروف الحالية للأسواق وتراجع التمويل تخوفا من احتمالات انعكاس الوضع الحالي على ارتفاع في نسب التعثر في القروض بالإضافة إلى ارتفاع تكلفة التمويل مع ارتفاع أسعار الفائدة وبالتالي ارتفاع توقعات المستثمرين بالنسبة للعوائد .. Upstart تراجع سعرها من ٤٠٠ دولار للسهم العام الماضي إلى ٢٠.٧٩ دولار بحسب إغلاق البارحة الجمعة ٣٠ من سبتمبر

البعض قد يراها فرصة للاقتناص والبعض يقول أن التقييم الحالي عادل ومنصف للشركة بحسب الاوضاع الحالية .. أنا اللي يهمني فعليا هو نموذج العمل .. Marketplace أثبت نجاحه وثبت أقدامه وأظهر نتائج واعدة للغاية .. يبقى أن تتجاوز الشركة الظروف الحالية للسوق وبمقدرتها في ظني العودة للربحية بسهولة وإن كانت متواضعة ..

أتمنى أن أرى في سوقنا العربية عموما وسوقنا السعودي خصوصا تطبيقات مشابهة تعتمد على نموذج البيانات البديلة والذكاء الاصطناعي في تقييم الجدارة الائتمانية .. قد تساهم مثل هذه الحلول في تحسين سياسات التمويل وتسعير القروض وتخصيصها كبديل عن النظام القائم الآن الذي لا يأخذ أهلية العميل الشخصية بعين الاعتبار عند تسعير القروض ولا حتى تصنيفه الائتماني مؤثر على تسعير القرض الذي يحصل عليه .. بل يعتمد على مسطرة شرائح يتم صندقة عملاء الرواتب فيها بحسب القطاعات التي ينتمون لها .. تبني نماذج تقييم الجدارة الائتمانية المعتمدة على البيانات البديلة والذكاء الاصطناعي سوف يفتح فرص تمويل عديدة للمهنيين والحرفيين المستقلين والفئات غير المشمولة وغير المخدومة بسبب عدم انتظام رواتبهم أو عدم وجود مصدر دخل ثابت لهم رغم جدارتهم الائتمانية العالية والتي يمكن التعرف عليها من خلال النماذج المذكورة

كانت هذه الحلقة ١٤ من بودكاست مصرفية غير تقليدية شكرا لمتابعتكم Banking Unusual