แซส ซอฟต์แวร์ (SAS) อัปเดตเทรนด์ซอฟต์แวร์บริหารจัดการความเสี่ยงด้านสินเชื่อในประเทศไทยปีล่าสุด พบมีการวิเคราะห์ข้อมูลส่วนบุคคลที่ไม่ใช่แบบดั้งเดิมเพิ่มมากขึ้นตามเทรนด์โลกจนทำให้ฟันธงได้ว่าใครรายได้ดีใช้จ่ายคล่อง และเมื่อกู้ไปแล้วจะยิ่งทำร้ายหรือช่วยลดโลกร้อน มั่นใจ AI มา ยิ่งช่วยตลาดแกร่งขึ้น ยอมรับเวอร์ชวลแบงก์หรือธนาคารไร้สาขาจะเอื้อต่อการใช้เทคโนโลยีบริหารความเสี่ยงมากกว่าธนาคารดั้งเดิม ชี้ประเทศไทยเหมาะใช้ "ข้อมูลทางเลือก+แมชชีนเลิร์นนิ่ง" ช่วยสางปมปัญหาประชาชนไร้บัญชีธนาคารกู้หนี้นอกระบบ
แม้ซอฟต์แวร์บริหารจัดการความเสี่ยงด้านสินเชื่อจะเป็นเพียง 1 ใน 3 กลุ่มธุรกิจที่ SAS ให้ความสำคัญ โดยในปีนี้ Risk, Fraud และ Compliance ยังคงเป็น 3 เซกเมนต์ที่ SAS มั่นใจว่าจะมีการขยายตัวก้าวกระโดด แต่ในปี 2024 โฟกัสหลักของ SAS ยังคงเป็นระบบบริหารจัดการความเสี่ยงที่มีแนวโน้มเติบโตสูงเพราะสถาบันการเงินให้ความสำคัญกับภาวะหนี้เสีย ซึ่งวันนี้หลายสถาบันกำลังพยายามพัฒนาระบบบริหารหนี้เสียให้ทันสมัย และมีการมองเป็นศักยภาพองค์กรที่เชื่อมโยงกับหลายปัจจัย หน่วยงานที่ปล่อยกู้จึงต้องเรียนรู้และปรับตัวให้เข้ากับทุกสถานการณ์เสี่ยงที่อาจเกิดขึ้น
ปัจจุบัน SAS ถือเป็นผู้ให้บริการซอฟต์แวร์และโซลูชันในการวิเคราะห์ข้อมูลที่มีอายุมากกว่า 48 ปี มีฐานลูกค้าใน 150 ประเทศ มี 7 ศูนย์พัฒนาและวิจัยทั่วโลกทั้งที่สหรัฐฯ จีน เดนมาร์ก อินเดีย เกาหลีใต้ และอื่นๆ โดยหลังจากก่อตั้งสาขาในประเทศไทยนานกว่า 23 ปี บริษัทมีพนักงาน 60 คน ให้บริการบริษัทไทยกว่า 100 แห่ง ซึ่งไม่แค่ในอุตสาหกรรมการเงิน แต่ SAS ยังอยู่ในทุกธุรกิจที่ต้องการวิเคราะห์ข้อมูล ล่าสุด บริษัทกำลังหาทางนำเสนอหุ้นครั้งแรก หรือ IPO หลังจากที่ผู้ร่วมก่อตั้งและซีอีโออย่างม"จิม กู้ดไนท์" (Jim Goodnight) มีอายุแตะหลัก 81 ปีเรียบร้อย
***AI มา ตลาดไทยแกร่งยิ่งขึ้น
ณัฐพล อภิลักโตยานันท์ กรรมการผู้จัดการ บริษัท แซส ซอฟท์แวร์ (ไทยแลนด์) จำกัด เชื่อว่ากระแสเทคโนโลยีปัญญาประดิษฐ์ หรือ AI ที่มาแรงนั้นกำลังมีผลดีต่อตลาดวิเคราะห์ข้อมูลในองค์กร โดยยกตัวอย่างในธุรกิจกลุ่มการเงินการธนาคารและประกันภัยซึ่งเป็นลูกค้าหลักของ SAS ต่างมีการนำมาใช้ในหลายด้าน โดยเฉพาะในการประเมินความเสี่ยงด้านสินเชื่อ การตัดสินใจปล่อยสินเชื่อ และประสิทธิภาพของพอร์ตสินเชื่อ
"การวิเคราะห์ข้อมูลที่แม่นยำช่วยให้ธุรกิจสามารถประเมินความเสี่ยงในการปล่อยสินเชื่อ และลดอัตราการเกิดหนี้เสียได้ ซึ่งสำหรับภาคการเงินไทยในขณะนี้ที่มีอัตราหนี้ครัวเรือนสูง ภูมิทัศน์ความเสี่ยงด้านสินเชื่อที่รุนแรงขึ้นนี้ ทำให้ผู้ปล่อยสินเชื่อจำเป็นต้องปรับปรุงกลยุทธ์ด้วย AI และการวิเคราะห์ข้อมูลที่ทันสมัย"
การวิเคราะห์ข้อมูลถือเป็นธุรกิจหลักที่ SAS โฟกัสมาตลอด ทั้งการวิเคราะห์ภัยหลอกลวง การจัดการความเสี่ยง และการวิเคราะห์ข้อมูลเพื่อดูแลลูกค้าหรือการออกแคมเปญ รวมถึงการวิเคราะห์ข้อมูลเพื่อแนะนำบริการให้ลูกค้าแต่ละรายใช้บริการมากขึ้น จุดนี้ณัฐพลพบว่า Risk, Fraud และ Compliance เป็น 3 ตลาดที่มีการเปลี่ยนแปลงในไทยต่อเนื่องช่วง 2-3 ปีที่ผ่านมา เริ่มจากช่วงที่ธนาคารแห่งประเทศไทยได้ออกกฎจนทำให้ Risk เป็นประเด็นสำคัญ แต่ปัจจุบันกลับมาเป็น Fraud ที่มาแรงและมีดีมานด์ในหลายธนาคาร ซึ่งยังคงต้องเน้นวิเคราะห์ข้อมูลในกลุ่ม Compliance คู่ไปกับการหาลูกค้าใหม่ ที่ยังเป็นตลาดที่เติบโตแรงต่อเนื่องในปีนี้
***โลกร้อนยิ่งเสี่ยง
นาอีม ซิดดิกี (Naeem Siddiqi) ที่ปรึกษาอาวุโสด้านความเสี่ยงและการวิเคราะห์ข้อมูล ของ SAS ระบุว่าหนึ่งในเทรนด์แรงด้านความเสี่ยง คือความเสี่ยงจากการเปลี่ยนแปลงของสภาพอากาศ หรือ Climate Risk ซึ่งหลายประเทศทั่วโลกกำลังมุ่งเป้าไปที่ Net Zero โดยตั้งเป้าหมายที่ปี 2040 และประเทศไทยเองก็มีการตั้งเป้าหมายดังกล่าวที่ปี 2050 ซึ่งภาคการเงินการธนาคารจะมีการปรับพอร์ตสินเชื่อเพื่อให้สอดคล้องกับเป้าหมายดังกล่าว
"ในการวางแผนนี้ AI จะเข้ามามีบทบาทสำคัญในการประมวลผลข้อมูลซึ่งจะมีจำนวนมหาศาล เพื่อนำไปสู่การตัดสินใจที่โปร่งใสและมีประสิทธิภาพ"
หากเจาะลงไปที่แนวโน้มความเสี่ยงด้านสินเชื่อ นาอีมชี้ว่าเทรนด์ในปัจจุบันได้มุ่งเน้นไปที่ความเสี่ยงด้านสภาพภูมิอากาศ ทำให้องค์กรพยายามรวบรวมข้อมูล ระบุ และเปิดเผยผลกระทบ โดยเฉพาะอย่างยิ่งคือข้อมูลกลุ่มที่เกี่ยวข้องกับกระบวนการลดการปล่อยก๊าซในสโคป 1-3 ซึ่งขณะนี้ธนาคารทั่วโลกกำลังเร่งขอแผนการลดคาร์บอนสุทธิเป็นศูนย์จากคู่ค้ารายใหญ่มากขึ้น ขณะเดียวกัน ต้องต่อสู้กับนโยบายการให้กู้ยืมตามความเสี่ยงด้านชื่อเสียง บนความท้าทายสำคัญทั้งการกำหนดมาตรฐานของข้อมูล รายละเอียด และการทันต่อเวลา
"ไต้ฝุ่น น้ำท่วม ล้วนส่งผลถึงลูกค้าธนาคาร ธนาคารจึงเริ่มลงทุนในบริษัทด้านสิ่งแวดล้อม และลงทุนเพื่อลดการปล่อยคาร์บอน-ก๊าซเรือนกระจก ผลกระทบที่เกิดขึ้นคือเกิดการวิเคราะห์ข้อมูลเพื่อเป้าหมายการเป็นกลางทางคาร์บอน เพื่อให้สินเชื่อฝั่งปล่อยคาร์บอนและลดคาร์บอนอยู่ในอัตราที่เท่ากัน ตามหลักคิด Green asset ratio เพื่อหาอัตราส่วนการลงทุนสีเขียวที่ส่งเสริมสิ่งแวดล้อม และการลงทุนสีน้ำตาล เช่น การให้สินเชื่อบริษัทน้ำมันที่อาจสร้างผลกระทบต่อสิ่งแวดล้อมมากกว่า"
นาอีมยังยกตัวอย่างรัฐฟลอริดาที่โดนเฮอริเคนถล่มทุกปี การปล่อยกู้ในพื้นที่นี้แม้จะมีความท้าทายมาก แต่การไม่ปล่อยกู้ให้ผู้คนในพื้นที่ที่น้ำท่วมหรือประสบภัยเลยย่อมทำร้ายเศรษฐกิจในวงกว้าง ดังนั้น ธนาคารจึงต้องพัฒนามาใช้การวิเคราะห์ข้อมูลเพื่อลดหนี้เสีย ทั้งการรับข้อมูลจากดาวเทียม และการใช้ข้อมูลที่เกี่ยวข้องกับ ESG ซึ่งส่งให้การสร้างแดชบอร์ดเพื่อให้ธนาคารเห็นศักยภาพในพื้นที่เสี่ยง กลายเป็นสิ่งที่ธนาคารยุคใหม่ต้องทำ เพื่อไม่ต้องเผชิญกับปัญหาการวิเคราะห์ข้อมูลที่ยากและซับซ้อนของข้อมูลมหาศาลในระบบเครดิตเดิมที่อาจไม่ได้คุณภาพ และข้อมูลระดับกิกะไบต์ที่เกิดขึ้นในทุกวันซึ่งจะต้องมีโครงสร้างในการจัดการ
ภาวะนี้นำไปสู่อีกเทรนด์วิเคราะห์ข้อมูลสินเชื่อที่เห็นชัดในปัจจุบัน คือมีการใช้งาน "ข้อมูลที่ไม่ใช่แบบดั้งเดิม" เพิ่มมากขึ้นทั่วโลก โดยเฉพาะอย่างยิ่งในตลาดเกิดใหม่ ซึ่งมีตั้งแต่ข้อมูลการใช้จ่ายสาธารณูปโภคอย่างน้ำ-ไฟฟ้า ประวัติการใช้งานเว็บไซต์และแอปพลิเคชัน และข้อมูลอื่นๆ
นาอีมมองว่าประเทศไทย เวียดนาม และฟิลิปปินส์เป็นตลาดเกิดใหม่ที่มีทั้งกลุ่มผู้มีและไม่มีบัญชีธนาคาร ทำให้กู้สินเชื่อในระบบไม่ได้ ประชากรกลุ่มนี้มีจำนวนมาก เช่น กลุ่มผู้เข็นรถขายสินค้า หากได้กู้เพื่อเปลี่ยนรถเป็นมอเตอร์ไซค์ ก็จะทำรายได้มากขึ้นจากการขายในพื้นที่กว้างขึ้น ส่งให้จีดีพีโต เศรษฐกิจดีขึ้น ผลดีของการให้เครดิตทำให้ธนาคารพยายามใช้ข้อมูล เช่น ความละเอียดหน้าจอโทรศัพท์ การอัปเดตระบบปฏิบัติการที่บอกได้ว่าเครื่องใหม่หรือเก่า และการเปิดใช้งานเครือข่ายต่างประเทศ ซึ่งล้วนแสดงถึงสถานะรายได้ของผู้ใช้ได้ดี
อย่างไรก็ตาม นาอีมไม่แนะนำให้นำข้อมูลจากเครือข่ายสังคมมาประเมินความเสี่ยงหนี้เสีย โดยเฉพาะเฟซบุ๊กที่ผู้ใช้อาจไม่ได้เผยแพร่เรื่องจริง ดังนั้น ข้อมูลที่แนะนำมากสำหรับธนาคารไทย คือข้อมูลบิลค่าใช้จ่ายสาธารณูปโภค ซึ่งเป็นสิ่งที่เหมาะจะนำมาคำนวณเครดิตในตลาดไทย ร่วมกับระบบเครดิตบูโรที่ช่วยให้บริการ "กู้ย่อยและคืนย่อย" ประสบความสำเร็จได้
"การผสมผสานระหว่างข้อมูลทางเลือกและแมชชีนเลิร์นนิ่งสามารถส่งผลกระทบเชิงบวกอย่างมีนัยสำคัญ โดยเฉพาะอย่างยิ่งในประเทศเช่นประเทศไทย ที่จะช่วยเรื่องการเข้าถึงสินเชื่อสำหรับประชากรที่ถูกกีดกันมาก่อนหน้านี้ แมชชีนเลิร์นนิ่งจะใช้อัลกอริธึมตรวจทรานแซกชันของธนาคาร จะทำให้รู้รายได้ของผู้คน ขณะเดียวกันก็สามารถใช้ AI ดูลูกค้าที่เคยยืมสินเชื่อดอกเบี้ยแพง แล้วเสนอบริการที่ราคาต่ำกว่า เป็นการขยายฐานตลาดได้"
นาอีมทิ้งท้ายว่าปัจจุบัน ธนาคารมีการใช้โมเดลการเรียนรู้ของเครื่องหรือแมชชีนเลิร์นนิ่งเพิ่มมากขึ้นเพื่อวัตถุประสงค์ต่างกัน เช่น การตรวจจับการฉ้อโกง การตามรอยต้นกำเนิดทรานแซกชัน และการทำนายพฤติกรรม ซึ่งส่วนใหญ่ไม่ต้องการใช้ข้อมูลจากเอกสาร แต่อิงจากโมบายดาต้าเพื่อทำให้เข้าถึงกลุ่มเป้าหมายที่มีรายได้สูงได้มาก ซึ่งเป็นภาวะที่เอื้อต่อยุคแห่งเวอร์ชวลแบงก์ หรือธนาคารไร้สาขาที่ประเทศไทยกำลังเริ่มก่อร่างให้บริการเต็มตัว
"การที่ประเทศไทยให้ไลเซนส์เวอร์ชวลแบงก์ ถือเป็นจุดยืนที่ดีและตอบรับสถานการณ์ปัจจุบันเวอร์ชวลแบงก์จะสามารถใช้ AI และ ML ได้ดีกว่า จะทำให้เกิดความทันสมัยและมีปัญหาน้อยกว่า เร็วกว่า ง่ายกว่า เวอร์ชวลแบงก์ในหลายประเทศสามารถเจาะกลุ่มคนอายุน้อยที่ต้องการบริการที่สบายกว่า และใช้เทคโนโลยี ซึ่งการใช้เทคโนโลยีจะทำให้เวอร์ชวลแบงก์ไม่ต้องแข่งในตลาดกลุ่มผู้มีรายได้สูงที่ธนาคารรายใหญ่ให้บริการอยู่แล้วและแข่งได้ยาก แต่จะสามารถไปที่กลุ่มตลาดใหม่ ทำให้คนในประเทศไทยได้เครดิตมากขึ้น"
