Rahastamine on endiselt üks olulisemaid takistusi äsja asutatud VKEdele. Isegi kui projektil on potentsiaali ja kliente, raskendab ulatusliku krediidiajaloo puudumine pankadel selle maksevõime hindamist traditsiooniliste kriteeriumide alusel. Selles kontekstis uurib finantssektor tähelepanelikult tehisintellekti ja ennustusmudeleid, et analüüsida noori ettevõtteid väljaspool nende finantsminevikku.
See arutelu on oluline füüsilisest isikust ettevõtjate, ettevõtete omanike ja väikeettevõtete jaoks, sest krediidi saamine on algstaadiumis sageli keerulisem ja saadaolevad alternatiivid võivad projekti maksumust suurendada. Uuritav idee hõlmab sarnaste ettevõtete reaalajas andmete ja võrdlusaluste kaasamist, et saada terviklikum arusaam tagasimaksevõimest.
Krediidiajaloo müür äsjaloodud VKEdes
Riikliku Statistikainstituudi (INE) keskse ärikataloogi (DIRCE) andmed annavad pildi oluliselt uuenenud ärimaastikust. 2025. aastal oli riigis üle 659 000 alla 24 kuu vanuse ettevõtte , mis moodustas 19,9% kõigist majanduslikult aktiivsetest ettevõtetest, mida oli kokku 3,31 miljonit. Enamik neist ettevõtetest on VKEd.
Sektoriti on noored ettevõtted INE andmete kohaselt koondunud peamiselt kaubandusse 103 598 juhtumiga; ehitusse 83 248 juhtumiga; professionaalsetesse teenustesse 71 706 juhtumiga; ja majutusse 65 434 juhtumiga. Finantsasutuse jaoks tähendab noorele ettevõttele laenamine riski arvutamiseks vähema teabega töötamist, mis võib kaasa tuua rangemad nõuded või kõrgemad rahastamiskulud.
Ajalooliselt on pangad olnud ettevaatlikud laenude andmisel neile ettevõtetele, kes on sageli pidanud kasutama võlafonde või muid rahastamismeetodeid või leppima kallimate tingimustega. See ettevaatlikkus ei tähenda, et huvi puudub: sektor soovib kasvada ja võimalusi ära kasutada, kuid see peab maksehäireid kontrolli all hoidma.
Hispaanias on pankade bilansis olevate viivislaenude suhtarv madalaimal tasemel alates 2008. aastast, ulatudes juunis 2,45% -ni , selgub Hispaania Panga statistikast. Majanduskasvu ja ohjeldatud maksehäirete kontekst julgustab institutsioone uurima võimalusi kapitali eraldamiseks uuele rahastamisele, kui nad suudavad riski täpselt hinnata.
Kuidas tehisintellekt püüab mõõta ettevõtte riski, millel puudub ajalugu
Tehisintellektil põhinevate ennustusmudelite eesmärk on laiendada enne laenu andmist kättesaadava teabe hulka. Mängu võivad tulla sellised muutujad nagu ettevõtte vanus, selle enda andmete areng ja võrreldavate ettevõtete tulemused samas sektoris.
Üks sektori radaril olevatest tööriistadest on Equifaxi Risk Score SME Plus – mudel, mis arvutab 12-kuulise maksejõuetuse tõenäosuse, lähtudes muuhulgas ettevõtte tüübist, vanusest, andmete arengust ja sektori tulemuslikkusest. Selle ettevõtte kogutud hinnangute kohaselt võiksid need süsteemid suurendada riskide ennustamise täpsust 30%.
Finantsallikate sõnul on pangad nende tööriistade omandamise võimaluse osas ühenduses andmepakkujate ja krediidiriski reitinguagentuuridega . Võrdlus eelnevalt heakskiidetud tarbimislaenudega aitab hüpet mõista: sel juhul on asutusel juba olemas kliendi ajalugu, sissetulekud ja tehingud; VKE puhul, kellel ajalugu puudub, on teave palju piiratum.
Eesmärk ei ole ainult kiiremate otsuste langetamine. Põhjalikum analüüs võimaldaks pankadel tuvastada projekte, mis jäävad praegu traditsioonilistest kanalitest väljapoole puuduliku kogemuse tõttu, piirates samal ajal nende riski ettevõtetega, millel on suurem maksejõuetuse tõenäosus. FIE-de ja uute VKEde jaoks võib piisava rahastamise olemasolu olla määravaks teguriks kasvu, investeeringute või stagnatsiooni vahel.
Tehisintellekti võimalused, kahtlused ja piirangud panganduses
Finantsasutused on juba mõnda aega tehisintellekti erinevates valdkondades , sealhulgas analüüsietappides, rakendanud. Huvi selle rakendamise vastu investeerimisotsuste tegemisel ja uute projektide rahastamisel langeb kokku ajaga, mil sektor otsib uusi ärivõimalusi ilma kontrolli leevendamata.
Nende mudelite kasutamine ei välista vajadust iga tehingut analüüsida ega garanteeri, et krediidiajaloota ettevõte krediiti saab. See on tehnoloogia, mida finantssektor jätkuvalt uurib ja mis ekspertide sõnul tuleb kombineerida järelevalve ja juhtumipõhise analüüsiga.
Teine oluline küsimus on maksumus. Sellisel rahastamisviisil on loomupärase riski tõttu tavaliselt kõrgemad intressimäärad . Kui pangad suudavad vähendada tavapäraseid kahjumeid laenudelt noortele ettevõtetele, millel on suurem maksejõuetuse tõenäosus, saaksid nad parandada nende tehingute kasumlikkust.
Sektori jaoks võiks erineva maksevõimega projektide eristamise suurem võime hõlbustada kapitali eraldamist uutele ettevõtetele. Samal ajal tekitavad ennustusmudelid küsimusi selle kohta, kuidas andmeid kasutatakse, millistel muutujatel on kaal ja mil määral saab statistiline hinnang asendada inimlikku otsustusvõimet.
Seega esitletakse tehisintellekti, reaalajas andmete ja sektoripõhiste võrdluste kombinatsiooni potentsiaalse hoovana, mis aitab vältida noorte VKEde automaatset krediidist ilmajätmist. Väljakutse seisneb selles, et tagada selle laiema analüüsi usaldusväärsus, kaalutlus ja kasulikkus nii pankadele kui ka ettevõtetele, pidades samal ajal meeles, et iga laen on individuaalne otsus ja lõplik sõna ei saa sõltuda ainult algoritmist.
