ঋণমূল্যায়নে Machine Learning মানে আবেদনকারীর পরিশোধক্ষমতা অনুমান করতে ডেটা থেকে শেখা মডেল ব্যবহার করা। পুরনো স্কোরকার্ড কয়েকটি নির্দিষ্ট প্রশ্নের ওপর নির্ভর করে—আয়, চাকরি, আগের ঋণ, জামানত। Machine Learning অনেক বেশি সংকেত একসঙ্গে দেখে এবং কোন সংকেত কতটা গুরুত্বপূর্ণ, তা নিজেই শিখে। ২০২৬ সালে Digital Lending বাড়ায় এই পদ্ধতি আরও আলোচিত। কারণ অনেক সম্ভাব্য ঋণগ্রহীতার প্রথাগত Credit History নেই, অথচ ডিজিটাল লেনদেনের ছাপ আছে।
ঐতিহ্যবাহী ক্রেডিট স্কোর মূলত ব্যাংক ও আর্থিক প্রতিষ্ঠানের ঋণ ইতিহাস দেখে। যাদের ফাইল পাতলা, তারা সহজেই বাইরে থেকে যান। Machine Learning মডেল bureau তথ্যের সঙ্গে Alternative Data যোগ করতে পারে। নগদ প্রবাহ, বিল পরিশোধ, মোবাইল ও মার্চেন্ট লেনদেন, ব্যবসার নিয়মিত বিক্রি—এসব আচরণ পরিশোধের ইঙ্গিত দিতে পারে। উদ্দেশ্য যত বেশি মানুষকে ঋণ দেওয়া নয়, যতটা সম্ভব সঠিকভাবে ঝুঁকি আলাদা করা। Financial Inclusion তখনই অর্থবহ, যখন খেলাপিও নিয়ন্ত্রণে থাকে।
মডেলের কাজ কয়েকটি স্তরে হয়। প্রথমে ডেটা জোড়া লাগে ও পরিষ্কার হয়। তারপর Feature তৈরি হয়—আয়ের স্থিতিশীলতা, খরচের অনুপাত, বিলের নিয়মিততা, আগের দেরি। Supervised Learning-এ আগের ঋণ শোধ হয়েছে কি হয়নি, সেই ফলাফল দিয়ে মডেল শেখে। Logistic Regression এখনো বহুল ব্যবহৃত, কারণ এটি সহজ ও ব্যাখ্যাযোগ্য। Random Forest বা Gradient Boosting জটিল সম্পর্ক ধরতে ভালো। Deep Learning বড় ও অসংগঠিত ডেটায় কাজে লাগতে পারে, কিন্তু নিয়ন্ত্রণ ও ব্যাখ্যা কঠিন। শেষে একটি স্কোর বা সম্ভাবনা বের হয়। সেই স্কোর অনুমোদন, সীমা ও মূল্য নির্ধারণে সাহায্য করে।
২০২৬ সালের গবেষণা ও শিল্পচর্চা বলছে, Machine Learning প্রায়ই পুরনো মডেলের চেয়ে ভালো আলাদা করতে পারে। তবু শুধু Accuracy দিয়ে বিচার করা ভুল। Stability দরকার, যাতে অর্থনীতি বা গ্রাহক আচরণ বদলালে স্কোর হঠাৎ বিপথে না যায়। Interpretability আরও জরুরি। ঋণ ফিরিয়ে দেওয়ার কারণ গ্রাহক ও নিয়ন্ত্রককে বোঝাতে হয়। SHAP-এর মতো পদ্ধতি কোন ফিচার সিদ্ধান্তকে কতটা ঠেলেছে, তা দেখাতে পারে। অনেক ঋণদাতা AI ব্যবহার করছেন, কিন্তু ডেটা প্রস্তুতি এখনো দুর্বল। খারাপ ডেটায় ভালো অ্যালগরিদমও ভুল রায় দেয়।
সুবিধা স্পষ্ট। Thin-file গ্রাহককে মূল্যায়ন করা যায়। ছোট ঋণে ম্যানুয়াল আন্ডাররাইটিং ব্যয়বহুল; মডেল সেখানে গতি আনে। নগদ প্রবাহভিত্তিক সংকেত অনেক সময় প্রথাগত স্কোরের ফাঁক কমায়। ঝুঁকিও সমান বাস্তব। অতীতের বৈষম্য ডেটায় থাকলে মডেল সেটি পুনরাবৃত্তি করতে পারে। এলাকা, পেশা বা ডিভাইসের মতো Proxy ভেরিয়েবল কাউকে অন্যায্যভাবে বাদ দিতে পারে। Overfitting-এ পুরনো পোর্টফোলিওতে সুন্দর ফল দেখায়, নতুন আবেদনকারীতে ব্যর্থ হয়। সিদ্ধান্ত পুরোপুরি মেশিনে ছেড়ে দিলে জবাবদিহি কমে।
বাংলাদেশে এই আলোচনা বিশেষ প্রাসঙ্গিক। অনেক মানুষ ব্যাংক ঋণের ইতিহাস রাখেন না, কিন্তু Mobile Financial Services, মার্চেন্ট পেমেন্ট বা রেমিট্যান্স ব্যবহার করেন। Bangladesh Bank-এর CIB মূলত ব্যাংক ও নন-ব্যাংক আর্থিক প্রতিষ্ঠানের ঋণগ্রহীতাকে ধরে। ব্যক্তিগত ক্রেডিট ব্যুরোর উদ্যোগ তাই গুরুত্বপূর্ণ। কেন্দ্রীয় ব্যাংক আগে কয়েকটি প্রতিষ্ঠানকে Letter of Intent দিয়েছে, যাতে ব্যক্তি ও ব্যবসার আরও বিস্তৃত ক্রেডিট ইতিহাস গড়া যায়। e-KYC, ডিজিটাল ঋণ বিতরণ এবং কৃষি ও গ্রামীণ ঋণ সম্প্রসারণের নীতিতে দ্রুত মূল্যায়ন দরকার। ছোট কৃষক বা নারী উদ্যোক্তার ক্ষেত্রে জামানত কম থাকলে আচরণগত তথ্যই মূল ভিত্তি হতে পারে। তবে নির্ভরযোগ্য সূত্র ছাড়া কোনো নির্দিষ্ট অনুমোদন হার বা খেলাপি হ্রাস দাবি করা যায় না।
স্থানীয় মডেল স্থানীয় বাস্তবতা ছাড়া চলে না। আয় অনিয়মিত হতে পারে। নগদ অর্থনীতি এখনো বড়। একই গ্রাহক একাধিক সিম বা এজেন্ট ব্যবহার করতে পারেন। শুধু শহুরে বেতনভিত্তিক ডেটায় শেখানো মডেল গ্রামীণ ঋণে কাজে নাও লাগতে পারে। তাই সেগমেন্ট অনুযায়ী যাচাই, সময়ের সঙ্গে পুনঃপ্রশিক্ষণ এবং মানুষের রিভিউ রাখা দরকার। বড় অঙ্ক বা অস্পষ্ট কেসে চূড়ান্ত সিদ্ধান্ত মানুষের হাতে রাখাই নিরাপদ।
শাসন এখানে অতিরিক্ত কথা নয়। মডেল ডকুমেন্টেশন, বৈষম্য পরীক্ষা, অভিযোগ নিষ্পত্তি এবং ডেটা সম্মতি ছাড়া স্কোর চালু করলে আস্থা ভাঙে। আরও ডেটা শেয়ারিং এলে সুযোগ বাড়বে, Privacy ঝুঁকিও বাড়বে। ভালো মডেল সেটি, যা যোগ্য মানুষকে ঋণের আওতায় আনে এবং অযোগ্য ঝুঁকিকে আলাদা করে। শুধু অনুমোদন সংখ্যা বাড়ানো সাফল্য নয়।
ভবিষ্যতে ক্রেডিট মূল্যায়ন আরও Dynamic হতে পারে। বছরে একবার স্কোর না করে, লেনদেন ও নগদ প্রবাহ অনুযায়ী ঝুঁকি হালনাগাদ হতে পারে। Machine Learning সহায়ক হবে, কিন্তু ঋণের দায় থাকবে প্রতিষ্ঠানের। এটি কোনো যাদুকরী নম্বর নয়। এটি একটি সিদ্ধান্ত ব্যবস্থা—ডেটা, মডেল, ব্যাখ্যা ও জবাবদিহির সমন্বয়। সঠিকভাবে গড়া হলে আরও মানুষ আনুষ্ঠানিক ঋণ পাবেন। ভুলভাবে চালালে ভুল সিদ্ধান্ত দ্রুত বড় পরিসরে ছড়াবে।
সোর্স: Bangladesh Bank, Equifax, Experian, Federal Reserve alternative data research, academic reviews on ML credit scoring
#CreditScoring #MachineLearning #DigitalLending #FinTech #FinancialInclusion #RiskManagement #AlternativeData #RegTech #BangladeshBank #DigitalFinance #CreditRisk #AIInBanking
