随着零售不良资产（NPA）的兴起，资产重组公司（ARC）面临着新的挑战。尽管 ARC 在解决企业不良贷款方面拥有良好的记录，但他们发现处理零售不良贷款越来越具有挑战性。
零售不良资产缺乏广泛接受的定价模型、交易成本高、资产评估困难以及与借款人直接接触的能力有限，这些都给有效解决零售压力资产带来了挑战。 ARC 面临的主要障碍之一是缺乏标准化且广泛接受的零售不良资产定价模型。
“无担保零售业的早期压力是显而易见的，并且可能会进一步加剧。印度 ARC 协会首席执行官 Hari Hara Mishra 表示，与企业 NPA 的估值模型基于财务报表、抵押品和未来现金流潜力不同，零售 NPA 缺乏类似的指标。 “这些贷款的分散性，加上复苏的不确定性，使得确定公平价格具有挑战性。”
他表示，这种定价差距造成了寻求出售零售不良资产的银行与愿意收购它们的ARC之间的脱节。
几家银行最近宣布了向 ARC 出售零售不良资产的计划。印度工业银行上个月表示，将向 ARC 出售价值超过 150 亿卢比的零售不良贷款，其中包括超过 100 万个小额信贷账户。同样，Utkarsh Small Finance Bank 宣布出售价值 35.5 亿卢比的无担保小额信贷。 11 月，Ujjivan Small Finance Bank 将价值 27 亿卢比的压力贷款组合出售给 ARC。
ARC 的结构通常是为了处理大型、复杂的企业贷款组合。管理大量小额零售贷款需要不同的运营能力，包括强大的技术基础设施、庞大的追偿代理网络以及消费者债务管理方面的专业知识。
私人 ARC 的一位高级官员表示：“个人零售贷款通常小于企业贷款，这使得 ARC 的恢复成本过高。”他说：“找到并联系个人借款人，尤其是在贷款违约的情况下，可能具有挑战性，需要大量的基础工作和法律程序。”他补充说，ARC 需要 IT 基础设施和专门的呼叫中心来跟进借款人。
考虑到解决零售不良资产的挑战，一些 ARC 已经开始采取行动。专家表示，人工智能的使用将帮助 ARC 更快地从零售压力资产中恢复过来。
“解决零售不良资产需要复杂的数据分析和借款人分析来确定恢复工作的优先顺序。许多 ARC 缺乏分析零售借款人行为和还款模式所需的先进技术基础设施，”公共部门银行的一位高级官员表示。
专家表示，数据分析可以在解决零售不良资产方面发挥变革性作用。通过利用先进的算法和机器学习模型，ARC 可以识别借款人行为模式，根据风险对借款人进行细分，并优先考虑具有较高回收潜力的账户。
“ARC 应投资于先进的数据分析和人工智能驱动的解决方案，以简化借款人分析和恢复策略。这些工具可以帮助降低运营成本并提高处理零售不良资产的效率，”米什拉说。
