Investuoti iš esamų finansinių srautų verslas gali, tačiau toks scenarijus nėra įprastas. Dažniau bendrovės skolinasi pinigus ir siekia norimo augimo tempų. Istoriškai susiklostė taip, kad smulkiam ir vidutiniam verslui (SVV) pasiskolinti investicijoms tapo sunkiau. Ar tai svarbu? Taip, nes toks verslas Europoje sukuria bene 52,4 proc. pridėtinės vertės ne finansų sektoriuje.
Nepaisant to, SVV galimybės pasiskolinti įstrigo laike ir jau senokai yra ten, kur įprastas kredito reitingo vertinimas stabdo galimybes augti ir blogina Europos ekonominę sveikatą. Tačiau yra ir gera žinia – jau egzistuoja alternatyvūs ir tikslesni kreditingumo vertinimo kriterijai, skaičiuojami pasitelkiant dirbtinį intelektą.
Kredito balas kiša koją jauniems verslams
Apyvartinės lėšos yra ypatingai svarbios SVV segmentui. Aktualiausias ES įmonių finansavimo galimybių tyrimas (Survey on the access to finance of enterprises, SAFE) parodė, kad visose 27 ES valstybėse narėse net 77 proc. SVV tam tikromis formomis naudojasi apyvartinių lėšų finansavimu. Tačiau toje pačioje ataskaitoje nurodyta, kad verslo dydis tiesiogiai proporcingas šansams gauti finansavimą.
Vienas iš daugelio iššūkių, su kuriais susiduria mažesnės įmonės, yra tas, kad skolinimas dažnai grindžiamas tais pačiais kredito vertinimo modeliais, kurie naudojami ir privačių asmenų skolinimui. Šie vertinimo modeliai yra neįtikėtinai paprasti ir apima tik bazinius tapatybės duomenis, istorines kredito paraiškas ir jų grąžinimo istoriją.
Taikant tą patį modelį verslui, sprendimai priimami remiantis sąlyginai nedideliu informacijos kiekiu, kurį, beje, gali suteikti tik ilgiau rinkoje veikiantis verslas. Dėl to, didžiausi šansai pasiskolinti tenka didesnėms, kredito istoriją turinčioms įmonėms, kurios veikia nusistovėjusiose rinkose.
Dirbtinio intelekto sprendimais pagrįstas vertinimas
Paskolų prašantys verslininkai sako norintys, kad kreditoriai atsižvelgtų į jų augimo potencialą, tad laimei, kad jau turime šiuolaikiškų kredito rizikos vertinimo modelių, kurie grindžiami papildomais duomenų šaltiniais. Štai dirbtinis intelektas gali atlikti patikimus skaičiavimus apie kreditingumą, remdamasis veiksniais, kurie iš pirmo žvilgsnio gali pasirodyti nereikšmingi.
Pavyzdžiui, skolinimo privatiems asmenims segmente, trečiosios šalys, pasitelkdamos dirbtinį intelektą, vertina vartotojų elgesį jų naudojamose programėlėse. Jie netikrina nieko, kas galėtų identifikuoti asmenį, tarkime, ką rašome žinutėse ar savo kalendoriuose. Vietoje to jie tikrina „metaduomenis“ – informaciją apie informaciją, pvz., kiek įrašų asmuo turi savo kalendoriuje. Šie metaduomenys, kurie surenkami saugiai ir laikantis teisės normų, gali atskleisti specifines elgsenos savybes, taip pat ir polinkį grąžinti kreditus.
Išmoktų pamokų pritaikymas verslui
Tas pats metodas pamažu taikomas ir SVV vertinime. Tiesa, vertinami ne kalendoriaus metaduomenys, o tai, kaip sklandžiai srautai keliauja į ir iš verslo sąskaitų. Bet koncepcija ta pati. Dirbtinio intelekto sprendimai ir atviroji bankininkystė supaprastina duomenų prieigos ir analizės procesą ir įveda nešališkus skolinimo kriterijus, gaunamus iš prekybos ir kitų pinigų srautų duomenų. Greitai neliks priežasčių, dėl kurių sprendimas dėl finansavimo turėtų užtrukti ilgiau negu valandą. Atvirosios bankininkystės eroje visi duomenys gali būti suteikiami skaitmeniniu būdu. Tai sumažina biurokratinę naštą, o verslui leidžia greičiau plėstis.
Dabartinės ekonominės sąlygos SVV yra tokios pat sunkios, kaip ir pandemijos metu. Auganti sąnaudų eilutė dėl sparčiai kylančios infliacijos nebegali būti perkeliama ant vartotojų. Ši sudėtinga situacija pirmiausia ir paveikia smulkųjį verslą, stabdydama finansinius srautus ir apyvartinį kapitalą, tad darosi kritiškai svarbu atliepti SVV poreikius dėl galimybių pasiskolinti.
Platesnio vertinimo link
Didiesiems finansų žaidėjams vis dar nepavyksta sukurti lankstesnių kreditingumo vertinimo modelių. Spartinti šį procesą ėmėsi Europos Sąjunga, kurios palaikomos mažesnės ir labiau progresyvios finansų įstaigos ėmėsi kurti ateities įrankius.
Lietuviškos „SME Finance“ ekosistemos kuriamas modelis daugiau remiasi elgsenos, o ne istoriniais finansiniais duomenimis. Dirbtinis intelektas, vertindamas paraiškos teikėjo mokėjimų elgseną, gali numatyti, kiek tikėtina, kad įmonė įvykdys savo finansinius įsipareigojimus pagal sutartą grafiką. Tokiu būdu, verslui suteikiamas automatinis sąskaitų finansavimas. Toks vertinimo modelis suteiks smulkiam verslui prieigą prie būtinų finansinių išteklių ir išspręs apyvartinio kapitalo problemas.
Kaip politinį atsaką esant sudėtingoms ekonominėms aplinkybėms, daugelis vyriausybių SVV teikia kredito garantijas. Jos buvo plačiai paplitusios dar iki Covid-19 pandemijos. Pavyzdžiui, 2017 m. Europos investicijų banko (EIB) ataskaitoje nurodoma, kad daugelyje Vakarų valstybių šios priemonės atlieka pagrindinį vaidmenį finansuojant SVV. Absoliučiais skaičiais, garantijų sektorius yra didžiausias Italijoje (nepaprasta apimtis: 33,6 mlrd. Eurų), Prancūzijoje (16,7 mlrd. eurų), Vokietijoje (5,6 mlrd. eurų) ir Ispanijoje (4,1 mlrd. eurų).
Tai yra nacionaliniai skaičiai, neparodantys paties EIB iniciatyvos. Keletas finansinių technologijų bendrovių jau teikia SVV finansavimą, remdamosi dirbtiniu intelektu pagrįstu kreditingumo vertinimu. Tikėtina, kad per kelerius ateinančius metus tokių atvejų matysime vis daugiau. Tokia situacija naudinga visiems: SVV, ypač pradedančiam verslui, o bankams – tai saugumas jeigu įsipareigojimai nebus vykdomi.
