การประยุกต์ใช้ machine learning และข้อมูลทางเลือกในการประเมินความเสี่ยงด้านเครดิต: กรณีศึกษาสถาบันการเงินที่ไม่ใช่ธนาคาร

ในปัจจุบัน วิธีการประเมินความเสี่ยงด้านเครดิตแบบดั้งเดิมอาจมีข้อจำกัดในการคาดการณ์ความเสี่ยงได้อย่างแม่นยำ โดยเฉพาะอย่างยิ่งในกลุ่มลูกค้าที่มีประวัติทางการเงินจำกัด เพื่อเพิ่มประสิทธิภาพในการประเมินความเสี่ยงด้านเครดิต งานวิจัยนี้นำเสนอแนวทางใหม่โดยการประยุกต์ใช้แบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) ควบคู่กับข้อมูลทางเลือก เช่น พฤติกรรมการใช้โทรศัพท์มือถือ ประวัติการชำระค่าสาธารณูปโภค และข้อมูลจากโซเชียลมีเดียกระบวนการวิจัยประกอบด้วยการรวบรวมข้อมูลจากสถาบันการเงินที่ไม่ใช่ธนาคารพาณิชย์แห่งหนึ่ง โดยใช้ข้อมูลจากกลุ่มตัวอย่างกว่า 300,000 ราย ซึ่งประกอบด้วยข้อมูลทางการเงินแบบดั้งเดิมและข้อมูลทางเลือก จากนั้นนำข้อมูลที่ได้มาสร้างแบบจำลอง Machine Learning หลากหลายประเภท ได้แก่ Logistic Regression, XGBoost และ Neural Networks เพื่อนำมาเปรียบเทียบประสิทธิภาพในการทำนายความเสี่ยงด้านเครดิต ผลการศึกษาชี้ให้เห็นว่าแบบจำลอง Machine Learning โดยเฉพาะ XGBoost และ Neural Networks มีศักยภาพสูงในการประเมินความเสี่ยงด้านเครดิต โดยพบว่าการผสานข้อมูลทางเลือกเข้ากับข้อมูลแบบดั้งเดิมสามารถเพิ่มความแม่นยำของแบบจำลองได้อย่างมีนัยสำคัญนอกจากนี้ งานวิจัยยังเน้นย้ำถึงข้อพิจารณาด้านจริยธรรมและความเป็นส่วนตัวของผู้ขอสินเชื่อ โดยสนับสนุนแนวทางการใช้ข้อมูลที่โปร่งใส และส่งเสริมการพัฒนาแบบจำลองที่สามารถอธิบายผลลัพธ์ได้อย่างเป็นธรรม ผลการศึกษานี้มีนัยสำคัญทั้งในเชิงทฤษฎีและเชิงปฏิบัติ โดยสามารถนำไปใช้เป็นแนวทางในการพัฒนาระบบการประเมินความเสี่ยงด้านเครดิตที่มีความแม่นยำและมีประสิทธิภาพมากขึ้นสำหรับสถาบันการเงิน