Modern bankacılık tarihinin büyük bölümünde kredi ve ticaret birbirinden ayrı sistemler olarak işledi. Bir borç veren, müşteriyi değerlendirir, bir limit belirler ve koşulları oluştururdu. Müşteri daha sonra bu kredi havuzundan yüzlerce veya binlerce alışveriş yapardı. Mortgage gibi varlığa dayalı ürünler dışında, ilk kredi değerlendirmesinin ödünç alınan paranın nihayetinde neyi finanse ettiğiyle pek ilgisi olmazdı.
Ancak PYMNTS Intelligence'ın Thredd iş birliğiyle hazırladığı 'AI Kredinin Geleceği' raporunun son bölümü, bu tarihsel ayrımın çözülmeye başladığını ortaya koyuyor. Tokenizasyon sayesinde her bir işlem artık tanımlanabilir bir kimliğe kavuşuyor. Gerçek zamanlı ödeme verileri, satın alma hakkında bağlamsal bilgi sağlıyor ve yapay zeka bu bilgiyi işlem hızında bir karara dönüştürüyor.
Önemli bir ayrım şu: Yapay zeka sadece geleneksel kredi değerlendirmesini otomatikleştirmiyor. İşlemin kendisi etrafında yeni bir karar katmanı oluşturulmasına yardımcı oluyor.
Kredi Değerlendirmesi, Finansal İlişkideki Tek Karar Değil
Geleneksel kredi değerlendirmesi, bir müşterinin krediye uygun olup olmadığını ve hangi koşullarla uygun olduğunu sorgular. Bu genellikle başvuru anında, o anda mevcut olan bilgiler kullanılarak yapılır. İşlem bazlı karar verme ise farklı bir soru sorar: Bu belirli satın alma nasıl ele alınmalı?
Bu yeni sorunun yanıtı, hem kredinin işleyişini hem de bankalar arasındaki rekabetin temelini yeniden şekillendiriyor. Bir işlem, mevcut bir döner kredi limitine karşı onaylanabilir, başka bir fon kaynağına yönlendirilebilir, taksitlere dönüştürülebilir veya ek bir kontrole tabi tutulabilir.
Kredi değerlendirmesi bir kez yapılabilir; işlem kararı ise müşteri her harcama yaptığında verilmelidir. Bu ayrım, geleneksel kredi modelindeki bir sınırlamayı ortaya koyuyor. Çoğu tüketici ve küçük işletme kredisi hâlâ esas olarak borçlanılan miktara ve borçlunun genel risk profiline göre fiyatlandırılıyor. Oysa aynı değerdeki iki satın alma farklı ekonomik dinamiklere sahip olabilir.
Rapor bu durumu 5.000 dolarlık bir otel masrafı ile 5.000 dolarlık ofis mobilyası alımıyla örneklendiriyor. İlkinin neredeyse hiç satış değeri yok. İkincisi ise potansiyel olarak satılabilecek bir varlık. Miktar aynı ama risk profili aynı değil. İşlem verileri, borç verenlerin satın alma anında bu iki durumu birbirinden ayırt etmesine yardımcı olabilir.
Yapay zekanın rolü bu nedenle sadece bir kredi puanını daha doğru hale getirmekten ibaret değil. Ne satın alındığını belirlemeye, statik bir kredi dosyasından daha güncel sinyalleri dahil etmeye ve belirli bir işlemin bağlam içinde nasıl ele alınması gerektiğine karar vermeye yardımcı olabilir.
Bir zamanlar kredi ürünlerini faiz oranları, ödüller, promosyon teklifleri ve kredi limitleriyle farklılaştıran bankalar, bu özelliklerin artık rekabete karşı koymak için yeterli olmadığını görebilir. İşlem seviyesindeki bir modelde, rekabet avantajı giderek altyapıya bağlı hale geliyor: Bankanın verilerinin kalitesi, işlemci uyum yeteneği, karar motorunun hızı ve ödeme deneyimini aksatmadan birden fazla fonlama seçeneğini koordine edebilme becerisi.
Raporda atıfta bulunulan bulgulara göre, Z kuşağı tüketicilerinin neredeyse yarısı kredi kullanımını özellikle harcamalarını yönetmek için bir araç olarak artırdığını söylüyor. Z kuşağı kart sahipleri ayrıca nasıl ve ne zaman geri ödeme yapacakları konusunda daha fazla kontrol talep ediyor ve kredi hesabı push bildirimlerini yaşlı tüketicilere göre daha yüksek oranlarda etkinleştiriyor.
Bu durum, krediyi statik bir limitin büyüklüğünden ziyade, nakit akışını gerçek zamanlı olarak yönetmeye ne kadar etkili yardımcı olduğuyla değerlendirebilecek bir nesle işaret ediyor. Rapor, fırsatın sadece aynı statik kredi limitinde biraz daha az reddedilme veya biraz daha iyi fiyatlandırma sağlamak olmadığı görüşünü açıkça reddediyor. Asıl fırsat, eldeki işlem için doğru biçimde ve doğru anda ortaya çıkan farklı bir ürün sunmak.
