كنا نرفض عملاء ذهبيين! كيف أنقذنا التسجيل الائتماني البديل من ضياع أفضل الفرص؟

“النظام يقول لا”: قصة الشاب المبدع والتاريخ الائتماني الفارغ

قبل كم سنة، كنت شغال مع فريق على منصة تكنولوجيا مالية (Fintech) بتقدم تسهيلات دفع “اشتر الآن وادفع لاحقًا”. كان السيستم تبعنا مربوط بأنظمة تقييم الائتمان التقليدية. في يوم من الأيام، وصلني تنبيه على النظام لطلب مرفوض تلقائيًا. الفضول أخذني، ففتحت أشوف تفاصيل الطلب.

كان الطلب لشاب، خلينا نسميه “أحمد”، بده يشتري لابتوب غالي عشان يشتغل عليه كمصمم جرافيك مستقل (Freelancer). سيرته الذاتية كانت ممتازة، وعنده معرض أعمال (Portfolio) بيطير العقل، وحتى كان عنده عرض عمل من شركة كبيرة كمتعاقد. لكن لما السيستم فحص تاريخه الائتماني، رجع بنتيجة “فارغ”. لا قروض سابقة، لا بطاقات ائتمان، ولا أي شيء. النظام المبرمج على القواعد القديمة رفضه فورًا. “لا يوجد تاريخ ائتماني = مخاطرة عالية”.

يومها قعدت مع حالي وسألت: “يا جماعة، إيش اللي بنعمله؟”. إحنا بنرفض بالضبط الشريحة اللي لازم ندعمها: الشباب الطموح، أصحاب المهن الحرة، المبدعين اللي لسا في بداية طريقهم. هدول الناس ما عندهم تاريخ ائتماني مش لأنهم سيئين، بس لأنهم ما احتاجوا ياخذوا قرض من قبل، أو بفضلوا يتعاملوا بالكاش. إحنا مش بس بنخسر عميل، إحنا بنخسر فرصة نكون جزء من قصة نجاحه. من هنا، بدأت رحلتنا مع ما يسمى بـ “التسجيل الائتماني البديل”.

لماذا فشلت النماذج التقليدية معنا؟

النماذج التقليدية، مثل درجة FICO وغيرها، تعتمد بشكل شبه كامل على تاريخ تعاملاتك مع البنوك ومؤسسات الإقراض. الفكرة بسيطة: هل أخذت قروضًا في الماضي؟ هل سددتها في وقتها؟ هل تستخدم بطاقاتك الائتمانية بمسؤولية؟

المشكلة في هذا النموذج أنه يخلق حلقة مفرغة، أو زي ما بنحكيها بالعامية “زي اللي بقولك لازم تسبح قبل ما تفوت المي”. كيف بدك تبني تاريخ ائتماني إذا ما حدا رضي يعطيك الفرصة الأولى؟

هذه النماذج تستبعد شرائح ضخمة من المجتمع، منها:

• الشباب والطلاب: الذين لم يبدأوا حياتهم المالية بعد.
• أصحاب المهن الحرة (Freelancers): الذين دخلهم متذبذب ولكن قد يكون مرتفعًا.
• المهاجرون الجدد: الذين تركوا تاريخهم الائتماني في بلادهم وبدأوا من الصفر.
• الأشخاص الذين يفضلون التعامل النقدي: وهم شريحة كبيرة في العديد من المجتمعات.

كان واضحًا أن الاعتماد على هذا النموذج وحده يعني أننا سنستمر في رفض “أحمد” وأمثاله، ونترك فرصًا ذهبية على الطاولة.

الحل السحري: التسجيل الائتماني البديل (Alternative Credit Scoring)

ببساطة، التسجيل الائتماني البديل هو استخدام أنواع مختلفة من البيانات (غير التقليدية) لتقييم الجدارة الائتمانية لشخص ما. بدل ما نسأل “هل سددت قرضك القديم؟”، صرنا نسأل أسئلة أذكى: “هل تدفع فواتيرك في وقتها؟”، “هل دخلك الشهري مستقر؟”، “هل لديك مدخرات؟”.

ما هي البيانات البديلة التي استخدمناها؟

هنا تكمن القوة الحقيقية لتعلم الآلة. يمكن للنماذج الحديثة تحليل كميات هائلة من البيانات المتنوعة للعثور على أنماط تدل على المسؤولية المالية. وهذه بعض أهم المصادر:

• بيانات المعاملات البنكية (Bank Transaction Data): بعد أخذ موافقة المستخدم طبعًا، أصبح هذا هو الكنز الحقيقي. يمكننا تحليل الدخل الشهري، انتظام الراتب، نسبة الادخار إلى الإنفاق، وهل هناك أي مصاريف غير مسؤولة.
• فواتير الخدمات (Utility Bills): دفع فواتير الكهرباء، الماء، الإنترنت، والهاتف في وقتها هو مؤشر قوي جدًا على الالتزام.
• البيانات السلوكية الرقمية (Digital Footprint): تحليل بيانات غير شخصية مثل نوع الجهاز المستخدم، عمر حساب البريد الإلكتروني، وحتى سرعة ملء الطلب. هذه البيانات يمكن أن تعطي مؤشرات عن الاستقرار والنضج الرقمي.
• بيانات التعليم والعمل (Education and Employment Data): مستوى التعليم، نوع الوظيفة، ومدة العمل في مكان معين كلها عوامل تساهم في بناء صورة أوضح.

كيف بنينا نموذج تعلم الآلة الخاص بنا؟ (مع مثال كود)

هنا تبدأ المتعة الحقيقية للمبرمج. بناء النموذج مر بثلاث مراحل رئيسية:

المرحلة الأولى: جمع وتجهيز البيانات

هذه هي أهم وأصعب مرحلة. ركزنا على الحصول على موافقة صريحة وواضحة من المستخدم (Privacy First). بعد ذلك، قمنا بعملية تسمى “هندسة الميزات” (Feature Engineering)، وهي تحويل البيانات الخام إلى مؤشرات قابلة للقياس.

مثال عملي: من كشف الحساب البنكي، استخرجنا ميزات مثل:

• راتب_منتظم: هل هناك مبلغ ثابت يدخل الحساب في نفس الفترة كل شهر؟ (قيمة 1 أو 0)
• نسبة_الادخار: (متوسط الرصيد الشهري) / (مجموع الدخل الشهري)
• عدد_السحوبات_الكبيرة: كم مرة سحب المستخدم مبلغًا كبيرًا بشكل مفاجئ؟
• متوسط_دفع_الفواتير: متوسط الفارق الزمني بين صدور الفاتورة ودفعها.

المرحلة الثانية: اختيار وبناء النموذج

توجد العديد من الخوارزميات التي يمكن استخدامها. بدأنا بنماذج بسيطة مثل الانحدار اللوجستي (Logistic Regression) لأنها سهلة التفسير، ولكن للحصول على أفضل دقة، انتقلنا إلى نماذج أقوى مثل Gradient Boosting Machines (تحديدًا LightGBM و XGBoost) لقدرتها على التعامل مع العلاقات المعقدة بين البيانات.

هذا مثال بايثون مبسط جدًا يوضح الفكرة باستخدام مكتبة scikit-learn:

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import accuracy_score, roc_auc_score

# 1. إنشاء بيانات وهمية (في الواقع ستكون بيانات حقيقية)
data = {
    'راتب_شهري': [5000, 2000, 8000, 4000, 1500, 7000],
    'نسبة_الادخار': [0.2, 0.05, 0.3, 0.1, 0.02, 0.25],
    'التزام_بالفواتير': [1, 0, 1, 1, 0, 1],  # 1 = ملتزم, 0 = غير ملتزم
    'عمر_الحساب_بالسنوات': [5, 1, 10, 3, 0.5, 8],
    'مخاطرة_عالية': [0, 1, 0, 0, 1, 0]  # الهدف: 1 = عميل خطر, 0 = عميل جيد
}
df = pd.DataFrame(data)

# 2. فصل الميزات عن الهدف
X = df[['راتب_شهري', 'نسبة_الادخار', 'التزام_بالفواتير', 'عمر_الحساب_بالسنوات']]
y = df['مخاطرة_عالية']

# 3. تقسيم البيانات للتدريب والاختبار
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 4. بناء وتدريب النموذج
model = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)
model.fit(X_train, y_train)

# 5. التقييم
predictions = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, predictions)}")
# في حالة التسجيل الائتماني، AUC-ROC هو مقياس أهم
print(f"AUC-ROC: {roc_auc_score(y_test, model.predict_proba(X_test)[:, 1])}")

# 6. التنبؤ بعميل جديد (مثل "أحمد")
ahmad_data = [[6000, 0.15, 1, 2]] # راتب جيد، ادخار معقول، ملتزم بالفواتير، حساب جديد نسبيا
ahmad_prediction = model.predict(ahmad_data)
ahmad_proba = model.predict_proba(ahmad_data)

print(f"هل أحمد عميل خطر؟: {'نعم' if ahmad_prediction[0] == 1 else 'لا'}")
print(f"احتمالية كونه عميل جيد: {ahmad_proba[0][0]*100:.2f}%")

المرحلة الثالثة: التقييم والشفافية

النموذج ليس صندوقًا أسود. من أهم التحديات القانونية والأخلاقية هي القدرة على تفسير قرارات النموذج. “السيستم رفضك” لم تعد إجابة مقبولة. لهذا السبب، استخدمنا أدوات مثل SHAP و LIME.

هذه الأدوات تساعدنا على الإجابة على سؤال “لماذا؟”. يمكننا أن نقول للعميل: “تم رفض طلبك لأن النموذج لاحظ عدم انتظام في إيداع راتبك خلال الأشهر الثلاثة الماضية، بالإضافة إلى نسبة ادخار منخفضة”. هذه الشفافية لا تبني الثقة فحسب، بل تعطي العميل خطوات عملية لتحسين وضعه المالي.

نصائح من قلب الميدان

بعد خوض هذه التجربة، هذه بعض النصائح العملية التي أقدمها لأي فريق يفكر في بناء نظام مشابه:

• ابدأ ببساطة وقوة: لا تحاول استخدام كل أنواع البيانات البديلة من اليوم الأول. ابدأ ببيانات المعاملات البنكية، فهي أغنى وأقوى مصدر للمعلومات.
• الخصوصية والشفافية أولاً: كن واضحًا جدًا مع المستخدم حول البيانات التي تجمعها ولماذا. اجعل عملية الموافقة سهلة ومفهومة. الثقة هي عملتك الأهم.
• احذر من التحيز (Bias): قد يتعلم النموذج أنماطًا متحيزة من البيانات. على سبيل المثال، قد يربط منطقة جغرافية معينة بالمخاطرة العالية بشكل غير عادل. قم بمراجعة وتدقيق نموذجك باستمرار للتأكد من عدالته.
• النموذج ليس منحوتًا في الصخر: العالم يتغير، وسلوكيات الناس تتغير. يجب إعادة تدريب النموذج بشكل دوري (كل بضعة أشهر مثلاً) على بيانات جديدة ليظل دقيقًا وفعالًا.
• لا تتخلَ عن اللمسة البشرية: للأتمتة حدود. احتفظ دائمًا بفريق بشري لمراجعة الحالات الرمادية أو طلبات الاستئناف. أحيانًا، هناك قصة وراء الأرقام لا يراها النموذج.

الخلاصة: من فقدان الفرص إلى الشمول المالي

التحول من النماذج التقليدية إلى التسجيل الائتماني البديل لم يكن مجرد تحديث تقني، بل كان تحولًا في الفلسفة. لقد فتح أعيننا على شريحة ضخمة من العملاء الممتازين الذين كان النظام القديم يظلمهم.

بفضل تعلم الآلة والبيانات البديلة، أصبحنا قادرين على رؤية الصورة الكاملة، وتقديم فرصة لأشخاص مثل “أحمد” ليبدأوا قصص نجاحهم. من الآخر، التكنولوجيا المالية الحقيقية ليست فقط في تحريك الأموال بشكل أسرع، بل في جعل الوصول إلى الفرص المالية أكثر عدلاً وشمولاً للجميع. 😉