ഇന്ത്യയിലെ റീട്ടെയിൽ നിക്ഷേപകരുടെ എണ്ണം അടുത്ത പത്ത് വർഷത്തിനുള്ളിൽ 40 കോടി ഡീമാറ്റ് (Demat) അക്കൗണ്ടുകളിലേക്ക് ഉയരാൻ സാധ്യതയുണ്ടെന്ന് സെൻട്രം ഫിൻവേഴ്സിന്റെ (Centrum Finverse) ചീഫ് എക്സിക്യൂട്ടീവ് സന്ദീപ് നായക് പറയുന്നു. നിലവിലെ ഏകദേശം 20 കോടി അക്കൗണ്ടുകളിൽ നിന്നുള്ള ഈ കുതിച്ചുചാട്ടം, ബ്രോക്കർമാർ വെറും കുറഞ്ഞ നിരക്കിലുള്ള ഇടപാടുകളിൽ നിന്ന് മാറി AI അധിഷ്ഠിത കോച്ചിംഗിലേക്ക് മാറുന്നില്ലെങ്കിൽ, പരിചയസമ്പത്തില്ലാത്ത വ്യാപാരികളെ സംരക്ഷിക്കാനുള്ള വ്യവസായത്തിന്റെ കഴിവിനേക്കാൾ വേഗത്തിൽ ഈ വളർച്ച സംഭവിക്കുമെന്ന മുന്നറിയിപ്പും ഇതിനോടൊപ്പമുണ്ട്.

എണ്ണത്തിൽ ഇത്രയധികം വർദ്ധനവ് ഉണ്ടാകുന്നത് എന്തുകൊണ്ട്?

ഇന്ത്യയിലെ കുടുംബങ്ങളുടെ സാമ്പത്തിക സ്ഥിതിയെ സ്വാധീനിക്കുന്ന മൂന്ന് ഘടകങ്ങളാണ് ഇവിടെ ഒത്തുചേരുന്നത്. ഒന്നാമതായി, രാജ്യത്തെ ശരാശരി പ്രായം ഇരുപതുകളുടെ അവസാനത്തിൽ ആയതിനാൽ, സാമ്പത്തിക സേവനങ്ങൾ ഫോണിലൂടെ തന്നെ പ്രതീക്ഷിക്കുന്ന സാങ്കേതികവിദ്യയിൽ അറിവുള്ള ഒരു വലിയ വിഭാഗം ഇവിടെയുണ്ട്. രണ്ടാമതായി, യഥാർത്ഥ വേതനം വർദ്ധിക്കുന്നത് നിക്ഷേപത്തിനായി കൂടുതൽ പണം ലഭ്യമാക്കുന്നു. മൂന്നാമതായി, കുടുംബങ്ങൾ തങ്ങളുടെ സമ്പാദ്യം സ്വർണം, ഫിക്സഡ് ഡിപ്പോസിറ്റുകൾ തുടങ്ങിയ പരമ്പരാഗത മാർഗങ്ങളിൽ നിന്ന് വിപണി അധിഷ്ഠിത ആസ്തികളിലേക്ക് മാറ്റുന്നു; വിശകലന വിദഗ്ധർ ഇതിനെ "ഫിനാൻഷ്യലൈസേഷൻ" (financialisation) എന്ന് വിളിക്കുന്നു.

ഈ പ്രവണതകൾ താൽക്കാലികമല്ല, മറിച്ച് ഘടനാപരമായ മാറ്റങ്ങളാണെന്ന് നായക് കരുതുന്നു. ഇന്ന് കണക്കാക്കപ്പെടുന്ന 20 കോടി ഡീമാറ്റ് അക്കൗണ്ടുകൾ അഞ്ച് വർഷത്തിനുള്ളിൽ 30 കോടിയാകുമെന്നും അടുത്ത ദശകത്തിൽ 40 കോടിയിൽ എത്തുമെന്നും അദ്ദേഹം കണക്കാക്കുന്നു.

എളുപ്പത്തിലുള്ള പ്രവേശനത്തിന്റെ മറഞ്ഞിരിക്കുന്ന വില

ട്രേഡിംഗ് പ്ലാറ്റ്‌ഫോമുകളുടെ ജനാധിപത്യവൽക്കരണം വളരെ വേഗത്തിൽ സംഭവിച്ചു. സീറോ കമ്മീഷൻ ഓഫറുകളും ഒറ്റ ക്ലിക്കിലൂടെയുള്ള ഓർഡർ സംവിധാനങ്ങളുമുള്ള ഡിസ്കൗണ്ട് ബ്രോക്കർമാർ അക്കൗണ്ട് തുടങ്ങുന്നത് വളരെ ലളിതമാക്കി. എന്നാൽ, പങ്കാളിത്തം വർദ്ധിക്കുന്നു എന്ന് കാണിക്കുന്ന അതേ വിവരങ്ങൾ ഇതിന്റെ ഇരുണ്ട വശവും വെളിപ്പെടുത്തുന്നു: കഴിഞ്ഞ നാല് വർഷത്തിനിടെ റീട്ടെയിൽ വ്യാപാരികൾ മൊത്തത്തിൽ ഏകദേശം ₹3.5 ലക്ഷം കോടി രൂപ നഷ്ടപ്പെട്ടതായി സെബിയുടെ (SEBI) സമീപകാല വാർഷിക റിപ്പോർട്ട് ചൂണ്ടിക്കാട്ടുന്നു. ഈ നഷ്ടത്തിന്റെ ഭൂരിഭാഗവും വ്യക്തിഗത നിക്ഷേപകർക്ക് പകരം വിദഗ്ധരായ ഇൻസ്റ്റിറ്റ്യൂഷണൽ കക്ഷികൾക്കാണ് ലഭിച്ചത്.

ഒരു തുടക്കക്കാരന് യാതൊരു പരിശീലനവുമില്ലാതെ "ക്രിക്കറ്റ് ബാറ്റ്" നൽകുന്നതിന് തുല്യമാണ് നിലവിലെ മാതൃകയെന്ന് നായക് വിവരിക്കുന്നു. പുതിയ തലമുറയിലെ വ്യാപാരികൾ—പ്രത്യേകിച്ച് Gen Z—അടിസ്ഥാന റിസ്ക് നിയന്ത്രണങ്ങൾ അവഗണിച്ചുകൊണ്ട് വേഗത്തിലുള്ള ലാഭം ലക്ഷ്യമിട്ട് ഡെറിവേറ്റീവ്സ് (derivatives) പോലുള്ള ഉയർന്ന ലിവറേജ് ഉൽപ്പന്നങ്ങളിലേക്ക് ആകർഷിക്കപ്പെടുന്നു. ഇതിന്റെ ഫലമായി നിക്ഷേപകർ പണം നഷ്ടപ്പെട്ട് വിപണി ഉപേക്ഷിക്കുന്ന ഒരു ചക്രം രൂപപ്പെടുന്നു, ഇത് ഈ മേഖലയുടെ സൽപ്പേരിനെ ബാധിക്കുകയും ചെയ്യുന്നു.

വ്യവസായം വിജയിച്ച കാര്യങ്ങളും പരാജയപ്പെട്ട ഇടങ്ങളും

ചിലവ് കുറയ്ക്കുന്ന കാര്യത്തിൽ ഡിസ്കൗണ്ട് ബ്രോക്കർമാർ വിജയിച്ചു. അവരുടെ കുറഞ്ഞ ഫീസ് ഘടന പരമ്പരാഗത ബ്രോക്കർമാരുടെ സേവനങ്ങൾ താങ്ങാൻ കഴിയാത്ത ദശലക്ഷക്കണക്കിന് ആളുകൾക്ക് വിപണിയിലേക്ക് പ്രവേശിക്കാൻ അവസരം നൽകി. എന്നിരുന്നാലും, അമിതമായ കുറഞ്ഞ നിരക്ക് മാതൃക മൂല്യവർദ്ധിത സേവനങ്ങൾക്കായി (value-added services) കുറഞ്ഞ ഇടം മാത്രമേ നൽകുന്നുള്ളൂ എന്ന് വിമർശകർ വാദിക്കുന്നു. ഒരു പ്ലാറ്റ്‌ഫോമിന്റെ ലാഭം പ്രധാനമായും ഓർഡർ ഫ്ലോയിൽ നിന്നോ അനുബന്ധ ഫീസുകളിൽ നിന്നോ ആണ് വരുന്നതെങ്കിൽ, മികച്ച ഗവേഷണ ഉപകരണങ്ങൾ ഉൾപ്പെടുത്താൻ അവർക്ക് വലിയ പ്രോത്സാഹനമുണ്ടാകില്ല.

ഇതിനു വിപരീതമായി, ഫുൾ-സർവീസ് സ്ഥാപനങ്ങൾ ഗവേഷണം, പോർട്ട്‌ഫോളിയോ മാനേജ്‌മെന്റ്, വ്യക്തിഗത ഉപദേശം എന്നിവ വാഗ്ദാനം ചെയ്യുന്നുണ്ടെങ്കിലും, അവരുടെ നിരക്കുകൾ ഭൂരിഭാഗം റീട്ടെയിൽ നിക്ഷേപകർക്കും താങ്ങാനാവുന്നതില്ല. ഈ രണ്ട് അങ്ങേത്തലങ്ങളിലും ഉള്ള വ്യത്യാസം വർദ്ധിച്ചുവരികയാണ്. ഉയർന്ന നിരക്കില്ലാതെ തന്നെ കൃത്യമായ മാർഗനിർദ്ദേശം നൽകാൻ കഴിയുന്ന ഒരു ഹൈബ്രിഡ് മാതൃകയ്ക്കായി വിപണി ഇപ്പോൾ ആവശ്യപ്പെടുന്നു.

AI-കോച്ചിംഗ് നിർദ്ദേശം

ഡിസ്കൗണ്ട് പ്ലാറ്റ്‌ഫോമുകളുടെ കുറഞ്ഞ ചിലവും ഇൻസ്റ്റിറ്റ്യൂഷണൽ ഡെസ്കുകളുടെ വിശകലന ശേഷിയും സംയോജിപ്പിക്കുന്ന ഒരു പുതിയ തരം ബ്രോക്കറേജ് രീതിയെ നായക് വിഭാവനം ചെയ്യുന്നു. ഈ മാതൃകയുടെ പ്രധാന ഘടകങ്ങൾ ഇവയാണ്:

  • ഡാറ്റാ അധിഷ്ഠിത ഗവേഷണം (Data-driven research) – അൽഗോരിതങ്ങൾ കമ്പനികളുടെ ലാഭവിവരങ്ങൾ, മാക്രോ സൂചകങ്ങൾ, മറ്റ് ഡാറ്റകൾ എന്നിവ വിശകലനം ചെയ്ത് കൃത്യമായ വിവരങ്ങൾ നൽകുന്നു; ഇത് വ്യാപാരികൾക്ക് വെറും ഊഹങ്ങളുടെ അടിസ്ഥാനത്തിൽ തീരുമാനമെടുക്കുന്നതിൽ നിന്ന് മാറി പ്രവർത്തിക്കാൻ സഹായിക്കുന്നു.
  • റിസ്ക്-റിവാർഡ് സുതാര്യത (Risk-reward transparency) – ഒരു ഇടപാട് നടത്തുന്നതിന് മുമ്പ്, സാധ്യമായ പരമാവധി നഷ്ടവും ലാഭവും സിസ്റ്റം കണക്കാക്കുന്നു. ഒരു ബട്ടൺ ക്ലിക്ക് ചെയ്യുന്നതിലൂടെ 1:3 എന്ന റിസ്ക്-റിവാർഡ് അനുപാതം വ്യക്തമായി കാണാൻ സാധിക്കും.
  • മൾട്ടി-അസറ്റ് മാർഗനിർദ്ദേശം (Multi-asset guidance) – ഒരു നിക്ഷേപകന്റെ ഇക്വിറ്റികൾ, ബോണ്ടുകൾ, കമ്മോഡിറ്റികൾ, ക്രിപ്റ്റോ എന്നിവയിലുള്ള മൊത്തത്തിലുള്ള പോർട്ട്‌ഫോളിയോയിൽ ഒരു പ്രത്യേക ഇടപാട് എങ്ങനെ സ്വാധീനം ചെലുത്തുന്നു എന്ന് പേഴ്സണലൈസ്ഡ് ഡാഷ്‌ബോർഡുകൾ നിർദ്ദേശിക്കുന്നു. ഇത് ഒരു ഉയർന്ന റിസ്ക് ഉള്ള ഇടപാടിൽ മാത്രം പണം കേന്ദ്രീകരിക്കുന്ന സാഹചര്യം കുറയ്ക്കുന്നു.

ഈ സേവനങ്ങൾ വലിയ തോതിൽ ലഭ്യമാക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) സഹായിക്കുന്നു. ദശലക്ഷക്കണക്കിന് പഴയ ഇടപാടുകൾ വിശകലനം ചെയ്യുന്നതിലൂടെ, അശ്രദ്ധമായ ഇടപാടുകൾ തിരിച്ചറിയാനും സ്റ്റോപ്പ്-ലോസ് (stop-loss) ലെവലുകൾ നിർദ്ദേശിക്കാനും പഴയ വിപണി സാഹചര്യങ്ങളിൽ ഒരു നിക്ഷേപം എങ്ങനെ പ്രവർത്തിക്കുമായിരുന്നു എന്ന് മുൻകൂട്ടി കാണാനും AI-ക്ക് കഴിയും. ട്രേഡിംഗിനെ ഒരു ഭാഗ്യപരീക്ഷണമായി കാണുന്നതിന് പകരം, കൃത്യമായ ഡാറ്റയുടെ അടിസ്ഥാനത്തിലുള്ള ഒരു അച്ചടക്കമുള്ള പ്രക്രിയയായി മാറ്റുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം.

അടുത്ത അഞ്ച് വർഷത്തിനുള്ളിൽ ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • പുതിയ ഉൽപ്പന്നങ്ങൾ (Product launches) – കുറഞ്ഞ ചിലവിലുള്ള ഇടപാടുകൾക്കൊപ്പം AI അധിഷ്ഠിത അലേർട്ടുകൾ, റിസ്ക് കാൽക്കുലേറ്ററുകൾ, പോർട്ട്‌ഫോളിയോ ഹെൽത്ത് സ്കോറുകൾ എന്നിവ ഉൾപ്പെടുത്തിയുള്ള "സ്മാർട്ട് ബ്രോക്കർ" ആപ്പുകളുടെ ഒരു തരംഗം പ്രതീക്ഷിക്കാം.
  • മത്സര സാഹചര്യങ്ങൾ (Competitive dynamics) – പരമ്പരാഗത ഫുൾ-സർവീസ് സ്ഥാപനങ്ങൾ AI മോഡ്യൂളുകൾ ഉൾപ്പെടുത്താൻ ഫിൻടെക് സ്റ്റാർട്ടപ്പുകളുമായി സഹകരിച്ചേക്കാം. അതേസമയം, ഡിസ്കൗണ്ട് ബ്രോക്കർമാർ നിലനിൽപ്പിനായി സ്വന്തമായി അനലിറ്റിക്സ് എഞ്ചിനുകൾ വികസിപ്പിക്കുകയോ ഏറ്റെടുക്കുകയോ ചെയ്തേക്കാം.

ചുരുക്കത്തിൽ

ഇതിന്റെ വൻതോതിലുള്ള വ്യാപ്തി മൂലധന രൂപീകരണത്തിന് അഭൂതപൂർവമായ അവസരങ്ങൾ സൃഷ്ടിക്കുമെങ്കിലും, റീട്ടെയിൽ വ്യാപാരികൾക്ക് ഇതിനകം തന്നെ കോടിക്കണക്കിന് രൂപയുടെ നഷ്ടമുണ്ടാക്കിയ വ്യവസ്ഥാപിതമായ അറിവില്ലായ്മയെ ഇത് കൂടുതൽ വർദ്ധിപ്പിക്കുന്നു. ബ്രോക്കറേജ് സ്ഥാപനങ്ങളുടെ അടുത്ത ലക്ഷ്യം കുറഞ്ഞ ചിലവിലുള്ള ഇടപാടുകൾ മാത്രമല്ല, മറിച്ച് കൂടുതൽ ബുദ്ധിപരമായ ഇടപാടുകൾ കൂടിയാണ്—നിക്ഷേപകർക്ക് മാർഗനിർദ്ദേശം നൽകാനും, റിസ്ക് (അപകടസാധ്യതകൾ) വ്യക്തമാക്കാനും, മൾട്ടി-അസറ്റ് തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കാനും AI പ്രയോജനപ്പെടുത്തുക എന്നതാണ് ഇതിലൂടെ ലക്ഷ്യമിടുന്നത്.