Credit scoring হলো ঋণগ্রহীতার সময়মতো পরিশোধ করার সম্ভাবনা মূল্যায়ন করার প্রক্রিয়া। দীর্ঘদিন ধরে ব্যাংক ও আর্থিক প্রতিষ্ঠানগুলো মূলত traditional scorecard এবং logistic regression মডেলের ওপর নির্ভর করেছে। এই মডেলগুলো সাধারণত ক্রেডিট ব্যুরোর ইতিহাস, আয়, ঋণ পরিশোধের রেকর্ড ও কয়েকটি নির্দিষ্ট আর্থিক অনুপাত ব্যবহার করে। কিন্তু অনেক মানুষের, বিশেষ করে thin-file বা informal খাতের ঋণগ্রহীতার, পর্যাপ্ত traditional data নেই। Machine Learning Credit Scoring Model এই সীমাবদ্ধতা কাটিয়ে আরও বিস্তৃত তথ্য ও জটিল প্যাটার্ন বিশ্লেষণ করে ঝুঁকি নির্ধারণ করে।
এই মডেলগুলো বৃহৎ ডেটাসেট থেকে শেখে। Traditional bureau data-এর সঙ্গে alternative data—যেমন মোবাইল ফিনান্সিয়াল সার্ভিসের লেনদেন, ক্যাশ-ফ্লো প্যাটার্ন, ইউটিলিটি বিল পরিশোধ, টেলিকম ব্যবহার, ই-কমার্স আচরণ এবং ডিভাইস মেটাডেটা—যুক্ত করা হয়। Feature engineering-এর মাধ্যমে এই কাঁচা তথ্য থেকে meaningful signals তৈরি হয়। এরপর tree-based ensemble মডেল, বিশেষ করে XGBoost, LightGBM বা Random Forest, ব্যবহার করে default probability অনুমান করা হয়। এই অ্যালগরিদমগুলো অরৈখিক সম্পর্ক ও feature interaction ধরতে পারে, যা traditional linear মডেল সহজে পারে না।
মডেলের আউটপুট সাধারণত একটি স্কোর বা risk band হয়, যা ঋণ অনুমোদন, সুদের হার নির্ধারণ বা credit limit সেট করতে ব্যবহৃত হয়। Explainability-এর জন্য SHAP বা LIME-এর মতো technique ব্যবহার করা হয়, যাতে প্রতিটি সিদ্ধান্তের পেছনের কারণ বোঝা যায়। এটি নিয়ন্ত্রক চাহিদা এবং adverse action notice-এর জন্য গুরুত্বপূর্ণ।
Machine Learning মডেল traditional approach-এর তুলনায় সাধারণত বেশি predictive accuracy দেখায়। গবেষণায় gradient boosting পদ্ধতিগুলো উচ্চ AUC অর্জন করেছে। FinRegLab-এর empirical গবেষণায় দেখা গেছে, bureau data-এর সঙ্গে cash-flow data যুক্ত করে machine learning ব্যবহার করলে মডেলের predictiveness বাড়ে এবং mainstream risk threshold-এ অনুমোদন প্রায় ৪ শতাংশ বাড়ানো সম্ভব হয়, একই সঙ্গে পরবর্তীতে সমস্যায় পড়া ঋণগ্রহীতার অনুমোদন কমে। এর ফলে Financial Inclusion বাড়ে এবং অপ্রয়োজনীয় ঋণ অস্বীকার কমে।
বিশ্বজুড়ে credit scoring বাজার দ্রুত পরিবর্তিত হচ্ছে। AI ও machine learning-ভিত্তিক সমাধানের চাহিদা বাড়ছে, কারণ digital lending, BNPL এবং real-time decisioning-এর প্রয়োজন বাড়ছে। অনেক প্রতিষ্ঠান hybrid মডেল ব্যবহার করছে, যেখানে traditional scorecard-এর স্বচ্ছতার সঙ্গে ML-এর শক্তি মিলিয়ে দেওয়া হয়।
বাংলাদেশের প্রেক্ষাপটে বিষয়টি বিশেষভাবে প্রাসঙ্গিক। দেশের বড় অংশের মানুষের formal credit history নেই। Bangladesh Bank-এর CIB মূলত বিদ্যমান ঋণগ্রহীতাদের তথ্য রাখে। informal enterprise ও ক্ষুদ্র ব্যবসায়ীদের জন্য traditional Internal Credit Risk Rating-এর সীমাবদ্ধতা রয়েছে। এ অবস্থায় alternative data ও ML মডেল নতুন সুযোগ তৈরি করছে।
বাংলাদেশ ব্যাংক প্রাইভেট ক্রেডিট ব্যুরো অনুমোদনের দিকে এগোচ্ছে। পাঁচটি প্রতিষ্ঠানকে Letter of Intent দেওয়া হয়েছে, যার মধ্যে bKash Credit, TransUnion-সমর্থিত ব্যুরো এবং City Bank-সমর্থিত City Credit রয়েছে। এগুলো AI ও Machine Learning ব্যবহার করে ব্যক্তি ও ব্যবসার credit history তৈরি করবে বলে নির্দেশনায় উল্লেখ করা হয়েছে। একই সঙ্গে কেন্দ্রীয় ব্যাংক ডিজিটাল e-Loan এবং informal enterprise-এর জন্য নতুন কাঠামো চালু করেছে।
বাস্তবে কিছু উদ্যোগ ইতিমধ্যে দেখা যাচ্ছে। bKash-এর মতো MFS প্ল্যাটফর্ম transaction frequency, bill payment consistency এবং behavioral pattern ব্যবহার করে thin-file গ্রাহকদের nano-loan দিচ্ছে। Community Bank PriyoShop ও Insights Genie-এর সঙ্গে মিলে MSME-দের জন্য AI-powered alternative scoring চালু করেছে। AB Bank ডিজিটাল ঋণ প্ল্যাটফর্মে AI-ভিত্তিক অনুমোদন পরীক্ষা করছে। এই ধরনের মডেল গ্রামীণ ও ক্ষুদ্র উদ্যোক্তাদের ঋণপ্রাপ্তি সহজ করতে পারে, যদি ডেটা কোয়ালিটি ও consent ব্যবস্থা সঠিক থাকে।
তবে ঝুঁকিও রয়েছে। Algorithmic bias থাকলে নির্দিষ্ট গোষ্ঠী অন্যায়ভাবে বাদ পড়তে পারে। Model interpretability না থাকলে নিয়ন্ত্রক ও গ্রাহক উভয়েরই আস্থা কমে। Data privacy, consent এবং cybersecurity নিশ্চিত করা জরুরি, বিশেষ করে alternative data ব্যবহারের ক্ষেত্রে। Model drift ও data quality সমস্যা বাংলাদেশের মতো পরিবর্তনশীল অর্থনীতিতে আরও তীব্র হতে পারে। Digital divide-এর কারণে যাদের পর্যাপ্ত digital footprint নেই, তারা আবারও বাদ পড়ার ঝুঁকিতে থাকেন।
ভবিষ্যতে hybrid scoring, real-time cash-flow analysis এবং explainable AI আরও গুরুত্বপূর্ণ হয়ে উঠবে। Open Banking বা API-ভিত্তিক ডেটা শেয়ারিং সম্ভব হলে মডেল আরও সমৃদ্ধ হতে পারে। Bangladesh Bank-এর AI নীতিমালা এবং IFRS 9 বাস্তবায়নের রোডম্যাপ credit risk মডেলিংকে আরও structured করবে। Machine Learning Credit Scoring Model তখনই সফল হবে, যখন এটি শুধু নির্ভুলতা নয়, স্বচ্ছতা, ন্যায্যতা এবং দায়িত্বশীল Financial Inclusion নিশ্চিত করবে।
সব মিলিয়ে এই মডেলগুলো ঋণ সিদ্ধান্তকে দ্রুত, তথ্যসমৃদ্ধ ও অন্তর্ভুক্তিমূলক করে তুলছে। তবে প্রযুক্তির সুবিধা পেতে নিয়ন্ত্রণ, ডেটা গভর্নেন্স এবং মানব তদারকির ভারসাম্য রাখতে হবে। বাংলাদেশের ডিজিটাল অর্থনীতি ও ব্যাংকিং খাতের জন্য এটি একটি গুরুত্বপূর্ণ রূপান্তরের সুযোগ।
সোর্স: Bangladesh Bank FinRegLab The Business Research Company MDPI Journal of Risk and Financial Management The Daily Star The Business Standard
#MachineLearning #CreditScoring #FinTech #DigitalLending #FinancialInclusion #AlternativeData #AI #DigitalFinance #BangladeshBank #XGBoost #ExplainableAI
