ความจริงเบื้องหลังคะแนนเครดิตจากโซเชียลมีเดีย: ทำไมการใช้ข้อมูลสาธารณูปโภคจึงช่วยลดหนี้เสียได้ดีกว่าสำหรับธุรก

การเชื่อมโยงระบบข้อมูลบิลค่าสาธารณูปโภคและบิลค่าโทรศัพท์ผ่านระบบเชื่อมต่อชุดคำสั่ง (API) คือเครื่องมือประเมินความเสี่ยงที่แม่นยำและเสถียรที่สุดสำหรับธุรกิจปล่อยกู้รายย่อยในไทยเพื่อใช้แทนที่ข้อมูลโซเชียลมีเดียที่เต็มไปด้วยสัญญาณรบกวน ในช่วงปีที่ผ่านมา วงการเทคโนโลยีทางการเงิน (Fintech) ในประเทศไทยต่างพยายามเสาะหาข้อมูลทางเลือกเพื่อมาตอบโจทย์กลุ่มผู้เข้าไม่ถึงบริการทางการเงินในระบบแบบเดิม (Thin-File Borrowers) โดยหลายค่ายหันไปพึ่งพาเทคโนโลยีปัญญาประดิษฐ์ (AI) ในการกวาดและวิเคราะห์ข้อมูลจากแพลตฟอร์มโซเชียลมีเดีย เช่น ยอดผู้ติดตาม การมีส่วนร่วมในโพสต์ หรือประเภทของเนื้อหาที่แชร์ ทว่าข้อมูลเหล่านี้มักจะนำมาซึ่งปัญหาการประเมินความเสี่ยงผิดพลาดอย่างรุนแรง เนื่องจากการทำกิจกรรมบนโลกออนไลน์ไม่สามารถสะท้อนความสามารถในการชำระหนี้ในโลกแห่งความเป็นจริงได้อย่างน่าเชื่อถือ

ประเมินเครดิตด้วยโซเชียลมีเดียอาจได้ข้อมูลที่บิดเบือนและไม่สะท้อนความเสี่ยงที่แท้จริง

การประเมินความน่าเชื่อถือทางการเงินด้วยพฤติกรรมบนโซเชียลมีเดียสร้างความเสียหายต่อพอร์ตสินเชื่อของธุรกิจปล่อยกู้รายย่อยอย่างรุนแรงเนื่องจากเป็นข้อมูลที่ง่ายต่อการปรุงแต่งและเต็มไปด้วยข้อมูลขยะที่ไร้คุณภาพ สถาบันการเงินที่พึ่งพาการสแกนโปรไฟล์ออนไลน์มักจะพบว่า ข้อมูลความรู้สึก (Sentiment Analysis) หรือการกดถูกใจ (Likes) แทบจะไม่มีความสัมพันธ์ทางสถิติกับวินัยทางการเงินจริง ท้ายที่สุดแล้วโมเดลเหล่านี้จะนำไปสู่ปัญหาการคัดเลือกที่ไม่เป็นคุณ (Adverse Selection) ซึ่งก็คือการที่ระบบอนุมัติวงเงินให้กับผู้กู้ที่มีโปรไฟล์หรูหราบนโลกออนไลน์แต่ขาดสภาพคล่องทางการเงินในชีวิตจริง

ความล้มเหลวของการแปลงยอดการมีส่วนร่วมเป็นความสามารถทางเครดิต

เมื่อสถาบันการเงินใช้ระบบปัญญาประดิษฐ์ประมวลผลข้อมูลสาธารณะ ตัวแปรต่างๆ มักถูกหลอกได้ง่ายด้วยกลุ่มบัญชีปลอมหรือการสร้างภาพลักษณ์เกินจริง ส่งผลให้ระบบประเมินความเสี่ยงทำงานผิดพลาด

• ยอดผู้ติดตามและยอดเข้าชมที่สามารถซื้อขายได้ง่ายในราคาถูก
• พฤติกรรมการเช็กอินในสถานที่หรูหราที่ไม่ได้สะท้อนเงินสดคงเหลือในบัญชี
• อัลกอริทึมวิเคราะห์ข้อความที่ตีความภาษาแสลงหรือประโยคประชดประชันผิดพลาด
• การตกแต่งโปรไฟล์ของร้านค้าออนไลน์เพื่อการโฆษณาชวนเชื่อ

ต้นทุนแฝงจากสัญญาณรบกวนในพอร์ตสินเชื่อรายย่อย

การประเมินผลที่ผิดพลาดยังทำให้ผู้ปล่อยกู้ต้องเผชิญกับค่าใช้จ่ายในการติดตามหนี้ที่สูงขึ้นและเสียโอกาสในการให้บริการลูกค้ากลุ่มที่มีศักยภาพจริง

• ค่าใช้จ่ายกระบวนการติดตามหนี้สินเพิ่มขึ้นเฉลี่ยร้อยละ 15 เนื่องจากติดต่อผู้กู้ไม่ได้
• อัตราการอนุมัติสินเชื่อผิดกลุ่มเป้าหมายทำให้พอร์ตสะดุด
• ระบบควบคุมความเสี่ยงภายในทำงานล่าช้าเพราะต้องคอยปรับเกณฑ์คัดกรองตามกระแสโซเชียล
• ความน่าเชื่อถือของแพลตฟอร์มลดลงในสายตาของนักลงทุนร่วมทุน

ทำไมการวิเคราะห์ข้อมูลโซเชียลมีเดียจึงนำไปสู่ปัญหาการคัดเลือกที่ไม่เป็นคุณ

ระบบประเมินความน่าเชื่อถือทางโซเชียลมีเดียสร้างปัญหาการคัดเลือกที่ไม่เป็นคุณเนื่องจากดึงดูดผู้สมัครที่ตั้งใจเข้ามาตกแต่งโปรไฟล์เพื่อหลอกลวงระบบอนุมัติสินเชื่อโดยเฉพาะ ผู้กู้ที่มีความเสี่ยงสูงมักมีความเข้าใจในกลไกของเทคโนโลยีเป็นอย่างดีและสามารถปรับพฤติกรรมการโพสต์รูปภาพ วรรณกรรม และการปฏิสัมพันธ์ให้สอดคล้องกับสิ่งที่โมเดลประเมินความเสี่ยงต้องการมองเห็น ในทางกลับกัน ผู้ประกอบการรายย่อยที่มีความซื่อสัตย์และมีกระแสเงินสดหมุนเวียนจริงแต่มุ่งมั่นทำงานโดยไม่โพสต์โซเชียลมีเดียมักจะถูกระบบปฏิเสธเนื่องจากไม่มีตัวตนบนโลกดิจิทัล การเลือกใช้ Alternative Credit Risk Assessment: How Thai Micro-Lenders Approve Thin-File Borrowers Safely จึงควรเน้นไปที่ข้อมูลเชิงธุรกรรมที่แท้จริงมากกว่าพฤติกรรมเชิงสังคม

วิธีการที่ผู้กู้ใช้ในการตกแต่งโปรไฟล์เพื่อขอสินเชื่อ

ผู้กู้หัวหมอมักใช้วิธีการที่ซับซ้อนขึ้นในการสร้างความน่าเชื่อถือเทียมบนโลกออนไลน์เพื่อผ่านเกณฑ์การพิจารณาของระบบเอไอ

• การแชร์บทความวิเคราะห์เศรษฐกิจเพื่อสร้างภาพลักษณ์ผู้มีความรู้ทางการเงิน
• การเข้าร่วมกลุ่มโซเชียลมีเดียระดับพรีเมียมเพื่อเพิ่มน้ำหนักความน่าเชื่อถือเชิงพิกัดภูมิศาสตร์
• การใช้บอทเพื่อโต้ตอบและรีวิวร้านค้าจำลองของตนเอง
• การประสานงานในกลุ่มปิดเพื่อสลับกันโอนเงินและโพสต์หลักฐานการค้าขายหลอกๆ

ความเปราะบางของโมเดลเมื่อเผชิญกับผู้กู้สายตกแต่งโปรไฟล์

เมื่อโมเดลปัญญาประดิษฐ์ไม่ได้ถูกออกแบบมาเพื่อตรวจจับธุรกรรมการเงินขั้นพื้นฐาน มันจึงตกเป็นเหยื่อของการหลอกลวงรูปแบบใหม่ๆ ได้ง่าย

• โมเดลไม่สามารถแยกแยะระหว่างรายได้ที่เกิดขึ้นจริงกับยอดไลก์เพื่อโฆษณา
• ขาดระบบการตรวจสอบย้อนกลับทางกฎหมายเมื่อเกิดการเบี้ยวหนี้
• ความยากในการพิสูจน์ความเป็นเจ้าของบัญชีโซเชียลมีเดียที่แท้จริง
• ความล้มเหลวในการเชื่อมโยงข้อมูลกับหน่วยงานกำกับดูแลของรัฐ

ความเป็นจริงของปัญหาการเปลี่ยนทิศทางของข้อมูลบนโลกออนไลน์

การเปลี่ยนทิศทางของข้อมูลหรือที่เรียกว่า ดริฟต์ข้อมูล (Data Drift) บนแพลตฟอร์มอย่างติ๊กต็อกหรืออินสตาแกรมทำให้โมเดลพยากรณ์ความเสี่ยงขาดความแม่นยำอย่างรวดเร็วภายในเวลาไม่กี่เดือน พฤติกรรมและความนิยมบนโลกออนไลน์ของผู้บริโภคชาวไทยนั้นเปลี่ยนแปลงอยู่ตลอดเวลา การเปลี่ยนผ่านเทรนด์อย่างรวดเร็วนี้ทำให้ชุดข้อมูลที่โมเดลปัญญาประดิษฐ์เคยใช้ฝึกฝนกลายเป็นข้อมูลที่ล้าสมัย ส่งผลให้พารามิเตอร์การอนุมัติสินเชื่อไม่มีความเสถียร หากผู้กู้เปลี่ยนจากการสร้างเนื้อหาประเภทหนึ่งไปสู่อีกประเภทหนึ่ง คะแนนเครดิตของพวกเขาก็อาจจะผันผวนอย่างรุนแรง ทั้งๆ ที่สถานะการเงินจริงยังคงเดิม

ผลกระทบของการเปลี่ยนกระแสความนิยมต่อคะแนนเครดิต

เมื่อพฤติกรรมบนแพลตฟอร์มขยับไปตามกระแสสังคม อัลกอริทึมที่อิงตามพฤติกรรมเหล่านั้นย่อมเกิดความคลาดเคลื่อนในการพยากรณ์ความเสี่ยง

• คอนเทนต์สร้างสรรค์ที่เคยสร้างรายได้อาจหมดความนิยมในเวลาอันสั้น
• การเปลี่ยนแปลงโครงสร้างอัลกอริทึมของตัวแพลตฟอร์มภายนอกที่ผู้ให้กู้ควบคุมไม่ได้
• ค่าใช้จ่ายในการปรับปรุงและฝึกฝนโมเดลใหม่ที่พุ่งสูงขึ้นอย่างต่อเนื่อง
• ความคลาดเคลื่อนของข้อมูลพิกัดสถานที่เนื่องจากการท่องเที่ยวตามกระแสชั่วคราว

ความเสี่ยงเชิงระบบเมื่ออัลกอริทึมตามไม่ทันพฤติกรรมจริง

ความผันผวนนี้ไม่ได้ส่งผลเสียเฉพาะกับผู้ประกอบการรายย่อยเท่านั้น แต่ยังทำลายความเสถียรทางการเงินของสถาบันผู้ให้บริการทางการเงินอีกด้วย

• การตั้งสำรองหนี้สูญที่คาดว่าจะเกิดขึ้นมีความผันผวนสูงเกินไป
• ความล้มเหลวในการอนุมัติวงเงินทุนหมุนเวียนให้ทันต่อรอบการค้าขายจริง
• การสูญเสียส่วนแบ่งการตลาดให้แก่คู่แข่งที่ใช้ระบบประเมินผลเชิงโครงสร้างธุรกรรม
• การละเมิดหลักเกณฑ์ความเป็นส่วนตัวของข้อมูลผู้บริโภคโดยไม่มีเจตนา

ประโยชน์ที่เหนือกว่าอย่างชัดเจนของการเชื่อมต่อบิลค่าสาธารณูปโภค

การประเมินเครดิตจากบิลค่าสาธารณูปโภคคือแนวทางแก้ปัญหาที่มั่นคงที่สุดเพราะเป็นการดึงข้อมูลเชิงธุรกรรมแบบไม่พึงพิจารณา (Non-discretionary spending) ที่ผู้กู้จำเป็นต้องจ่ายทุกเดือน การเชื่อมต่อระบบตรวจสอบข้อมูลโดยตรงกับการไฟฟ้านครหลวง (MEA) การไฟฟ้าส่วนภูมิภาค (PEA) หรือระบบเครือข่ายผู้ให้บริการโทรศัพท์เคลื่อนที่ ช่วยให้ผู้ปล่อยกู้รายย่อยเห็นภาพสะท้อนของค่าใช้จ่ายคงที่และพฤติกรรมการรักษาข้อตกลงที่แท้จริง ข้อมูลเหล่านี้ไม่สามารถสร้างปลอมขึ้นมาได้ง่ายๆ และเป็นดัชนีชี้วัดกระแสเงินสดหมุนเวียนภายในสถานประกอบการที่จับต้องได้มากที่สุด ซึ่งสอดคล้องกับแนวคิดใน [The Myth of Alternative Credit Scoring Models: Why Social Data Scrapes Fail Thai MSMEs]

ตัวบ่งชี้ความเสี่ยงที่ได้จากประวัติการจ่ายค่าไฟและค่าโทรศัพท์

ข้อมูลการใช้พลังงานและการสื่อสารสะท้อนขนาดการดำเนินงานและเสถียรภาพทางการเงินของธุรกิจขนาดเล็กได้อย่างไม่มีอคติ

• ปริมาณการใช้ไฟฟ้าที่สม่ำเสมอแสดงถึงการดำเนินกิจกรรมทางการผลิตหรือการเปิดหน้าร้านจริง
• ประวัติการค้างชำระและการถูกตัดไฟเป็นตัวเตือนล่วงหน้าถึงปัญหาสภาพคล่องขาดมือ
• ระยะเวลาการเป็นเจ้าของหมายเลขโทรศัพท์และบัญชีผู้ใช้บริการที่สะท้อนความตั้งถิ่นฐานมั่นคง
• แนวโน้มการเติบโตของการใช้พลังงานไฟฟ้าซึ่งเชื่อมโยงกับการขยายกำลังการผลิต

ข้อได้เปรียบทางเทคนิคของระบบเชื่อมต่อแบบโครงสร้าง

นอกจากความแม่นยำแล้ว การดึงข้อมูลผ่านช่องทางนี้ยังมีมาตรฐานความปลอดภัยที่สูงกว่าการกวาดข้อมูลจากเว็บไซต์ภายนอก

• รูปแบบข้อมูลที่ส่งผ่านเป็นมาตรฐานเดียวกันทำให้ประมวลผลได้ทันที
• ความเสี่ยงด้านความปลอดภัยของข้อมูลต่ำและเป็นไปตามหลักเกณฑ์กฎหมายคุ้มครองข้อมูลส่วนบุคคล
• ความเสถียรของระบบส่งผ่านข้อมูลที่ดูแลโดยหน่วยงานรัฐวิสาหกิจและองค์กรโทรคมนาคมชั้นนำ
• ความเป็นไปได้ในการขยายขนาดการตรวจสอบข้อมูลรองรับการทำธุรกรรมจำนวนมหาศาล

ตารางเปรียบเทียบเชิงลึก: ข้อมูลโซเชียลมีเดีย ปะทะ ข้อมูลค่าสาธารณูปโภค

การเปรียบเทียบข้อมูลธุรกรรมสาธารณูปโภคกับประวัติบนสื่อสังคมออนไลน์แสดงให้เห็นถึงความแตกต่างของคุณภาพข้อมูลและความเสถียรอย่างชัดเจน ผู้ปล่อยกู้ที่ยังคงใช้ข้อมูลจากแพลตฟอร์มโซเชียลมีเดียมีความสุ่มเสี่ยงที่จะพบอัตราหนี้สูญที่สูงกว่าอย่างไม่มีทางเลี่ยง เนื่องจากโครงสร้างข้อมูลที่นำมาใช้นั้นขาดความเชื่อมโยงกับความสามารถในการชำระเงินจริง ดังที่แสดงในตารางเปรียบเทียบคุณสมบัติด้านล่างนี้

กรณีศึกษาจริง: การเปลี่ยนผ่านที่ช่วยลดหนี้เสียจากร้อยละ 8.2 สู่ร้อยละ 3.4

บริษัทผู้ให้บริการสินเชื่อรายย่อยชั้นนำแห่งหนึ่งในประเทศไทยตัดสินใจยกเลิกการใช้งานโมเดลคัดกรองความเสี่ยงที่อิงจากพฤติกรรมบนแอปพลิเคชันออนไลน์ทั้งหมดหลังจากเผชิญวิกฤตหนี้ที่ไม่ก่อให้เกิดรายได้ (NPL) พุ่งสูงถึงร้อยละ 8.2 ในไตรมาสแรกของปีที่ผ่านมา ทีมผู้บริหารตระหนักดีว่าการขยายตัวของกลุ่มผู้กู้ที่ไม่มีหลักประกันที่ใช้ข้อมูลผิดพลาดนำพาธุรกิจไปสู่ความเสี่ยงเชิงระบบอย่างเลี่ยงไม่ได้ พวกเขาจึงพิจารณาปรับปรุงสถาปัตยกรรมระบบไอทีใหม่ โดยจับมือกับพันธมิตรเพื่อดึงข้อมูลประวัติการชำระเงินค่าน้ำ ค่าไฟ และค่าโทรศัพท์มือถือรายเดือนของลูกค้ามาคำนวณคะแนนเครดิตแทน

หลังจากนำระบบประเมินแบบใหม่เข้ามาใช้งานร่วมกับเทคโนโลยีปัญญาประดิษฐ์ประมวลผลข้อมูลบิลค่าสาธารณูปโภค พอร์ตสินเชื่อรายย่อยก็กลับมามีสุขภาพดีอีกครั้งอย่างรวดเร็ว

• อัตราหนี้ที่ไม่ก่อให้เกิดรายได้ (NPL) ของบริษัทปรับลดลงจากร้อยละ 8.2 เหลือเพียงร้อยละ 3.4 ภายในระยะเวลา 6 เดือน
• ความเร็วในกระบวนการพิจารณาอนุมัติคำขอสินเชื่อลดลงจาก 4 ชั่วโมงเหลือเพียง 30 วินาที
• อัตราส่วนการอนุมัติสินเชื่อสำเร็จ (Approval Rate) ปรับตัวดีขึ้นร้อยละ 24 เนื่องจากสามารถระบุกลุ่มลูกค้าชั้นดีที่ไม่มีประวัติบูโรได้แม่นยำขึ้น
• ต้นทุนการบริหารจัดการความเสี่ยงและการจ้างพนักงานติดตามหนี้สินลดลงคิดเป็นมูลค่ากว่า 12 ล้านบาทในปีเดียว

4 ขั้นตอนสำคัญในการทรานส์ฟอร์มระบบประเมินความเสี่ยงเพื่อรับมือปี 2026

สถาบันการเงินและผู้ประกอบการปล่อยกู้รายย่อยสามารถดำเนินการเปลี่ยนผ่านโครงสร้างระบบวิเคราะห์สินเชื่อให้มีความปลอดภัยและแม่นยำสูงขึ้นได้ตามขั้นตอนการปฏิบัติงานดังต่อไปนี้

1. ปรับปรุงแบบฟอร์มการยินยอมเปิดเผยข้อมูลลูกค้า (Consent Management): จัดทำระบบขอยินยอมทางดิจิทัลที่ผ่านการรับรองตามกฎหมายคุ้มครองข้อมูลส่วนบุคคลของไทย เพื่อให้ลูกค้าอนุญาตให้ดึงข้อมูลประวัติจากผู้ให้บริการไฟฟ้าและโทรคมนาคมอย่างถูกต้อง
2. สร้างช่องทางเชื่อมต่อโดยตรงกับระบบ API ของหน่วยงานรัฐและเอกชน: ลงทะเบียนและพัฒนาจุดเชื่อมต่อ API ร่วมกับการไฟฟ้านครหลวง (MEA) การไฟฟ้าส่วนภูมิภาค (PEA) และผู้ให้บริการเครือข่ายโทรศัพท์เคลื่อนที่หลักของประเทศ เพื่อรับข้อมูลเชิงโครงสร้างในรูปแบบเจซอน (JSON) โดยตรง
3. พัฒนากฎเกณฑ์ประเมินคะแนนร่วม (Hybrid Scoring Engine): ออกแบบระบบประเมินที่ผสมผสานระหว่างโมเดลการประเมินความเสี่ยงแบบดั้งเดิมเข้ากับดัชนีชี้วัดจากบิลค่าสาธารณูปโภค เช่น สัดส่วนค่าไฟต่อยอดคำขอสินเชื่อ และสถิติการจ่ายค่าโทรศัพท์ล่าช้า
4. ทดสอบระบบคู่ขนานและยกเลิกโมเดลเดิมอย่างเป็นระบบ (Shadow Testing): ดำเนินการรันโมเดลวิเคราะห์ข้อมูลบิลค่าสาธารณูปโภคควบคู่ไปกับระบบประเมินโซเชียลมีเดียเดิมเป็นเวลา 30 วันเพื่อประเมินความถูกต้อง ก่อนที่จะยกเลิกกระบวนการเก็บข้อมูลจากโซเชียลมีเดียอย่างเด็ดขาด

อนาคตของการประเมินเครดิตและทิศทางระบบไอทีสำหรับผู้ปล่อยกู้ไทย

การแข่งขันในตลาดไมโครไฟแนนซ์และนาโนไฟแนนซ์ของไทยในอีกไม่กี่ปีข้างหน้าจะถูกตัดสินกันที่ความถูกต้องและเสถียรภาพของแหล่งข้อมูลธุรกรรมจริงไม่ใช่ความสามารถในการวิเคราะห์ข้อมูลเชิงความรู้สึก ผู้ชนะในระยะยาวจะเป็นกลุ่มสถาบันการเงินที่สามารถนำข้อมูลดิบจากสัญญารับบริการต่างๆ มาแปรเปลี่ยนเป็นข้อมูลกระแสเงินสดที่จับต้องได้ การเปลี่ยนผ่านจากเทคโนโลยีวิเคราะห์พฤติกรรมบนโลกออนไลน์ไปสู่การผสานฐานข้อมูลของภาครัฐและวิสาหกิจคือมาตรฐานใหม่ที่จะช่วยสร้างความยั่งยืนให้กับทั้งตัวสถาบันผู้ให้บริการและภาพรวมของเศรษฐกิจฐานรากในประเทศไทย

ผู้ปล่อยกู้ที่ยังคงยึดติดกับแนวคิดการประเมินความเสี่ยงจากยอดไลก์และโพสต์บนอินเทอร์เน็ตจะพบว่า ตนเองติดอยู่กับกลุ่มลูกค้าที่ไม่มีคุณภาพและต้นทุนการตามหนี้ที่สูงลิ่ว การลงทุนพัฒนาโครงสร้างพื้นฐานเพื่อเชื่อมต่อกับผู้ให้บริการสาธารณูปโภคตั้งแต่วันนี้ จึงไม่ใช่เรื่องของการเพิ่มประสิทธิภาพการทำกำไรเพียงอย่างเดียว แต่เป็นทางรอดเพียงหนึ่งเดียวในการรักษาสถานะทางธุรกิจท่ามกลางกระแสการเปลี่ยนผ่านสู่ยุคธนาคารไร้สาขาที่จะเกิดขึ้นเต็มรูปแบบในปี 2026 นี้