Algorytmy w scoringu kredytowym. „To sztuka balansu między precyzją a wyjaśnialnością i stabilnością”

Audio generowane przez AI. Może zawierać błędy.

Ubieganie się o finansowanie w banku lub instytucji pożyczkowej wymaga przejścia przez złożony proces analityczny. Badane są wtedy zarówno bieżące nadwyżki finansowe, jak i dotychczasowe nawyki płatnicze wnioskodawcy. Co ciekawe, nawet wysokie dochody nie dają gwarancji sukcesu, jeśli w przeszłości zdarzały się nieregularności i opóźnienia w spłacaniu rat. Instytucje finansowe łączą dane ilościowe o budżecie domowym, które pomagają ocenić zdolność do spłaty zobowiązań, z jakościową analizą zachowań płatniczych konsumenta.

– Ocena ryzyka kredytowego opiera się na dwóch filarach: zdolności oraz wiarygodności. Zdolność odpowiada na pytanie, czy klienta stać na kolejne zobowiązanie po zestawieniu jego dochodów z kosztami życia. Wiarygodność pokazuje natomiast, czy klient będzie chciał spłacać kredyt, bazując na historii jego dotychczasowych decyzji finansowych i ewentualnych opóźnieniach. Scoring kredytowy jest właśnie liczbową oceną wiarygodności – tłumaczy Piotr Wojewnik, dyrektor Data Science w Biurze Informacji Kredytowej.

Co ważne, każda instytucja finansowa samodzielnie ustala akceptowalny poziom ryzyka i podejmuje decyzję o udzieleniu finansowania. Może się więc zdarzyć, że ten sam wnioskodawca może spotkać się z odmienną odpowiedzią w różnych bankach.

Różowe okulary

Z oceną własnej wiarygodności kredytowej jest trochę jak z oceną umiejętności prowadzenia samochodu. Większość jest zdania, że prowadzi auto lepiej niż przeciętny kierowca, co statystycznie jest niemożliwe. Podobnie jest w finansach – większość konsumentów wykazuje tendencję do pobłażliwego oceniania własnej sytuacji finansowej, traktując drobne potknięcia jako nieistotne epizody.

Przewagą świata finansów nad ulicami jest to, że można to wiarygodnie zweryfikować, zanim dojdzie do „stłuczki” z odrzuconym wnioskiem kredytowym. Narzędzia cyfrowe już teraz pozwalają klientom na stałe monitorowanie własnego scoringu i rozumienie wpływu swoich decyzji finansowych na wiarygodność kredytową. W Polsce z kont w BIK korzysta ponad 3 mln dorosłych obywateli.

Dopóki wiedza finansowa ma charakter ogólny, zachowujemy dystans i patrzymy na własne finanse przez różowe okulary.

– Dopóki wiedza finansowa ma charakter ogólny, zachowujemy dystans i patrzymy na własne finanse przez różowe okulary. Amerykańskie badania na grupie 400 tys. studentów pokazały, że dopiero personalizacja informacji i zderzenie z twardym wskaźnikiem punktowym skłaniają konsumentów do realnej zmiany nawyków i poprawy historii spłat. Dlatego warto o to zadbać i sprawdzić swój wynik – mówi Piotr Wojewnik.

Poprawić można zwłaszcza terminowość spłacania drobnych zobowiązań. Warto przy tym podkreślić, że incydentalne zapomnienie o płatności nie przekreśla szans na pożyczkę. Algorytmy oceny ryzyka stosują wielostopniowe kryteria, uzależniając scoring od skali zaległości oraz okresu, jaki upłynął od zaniechania. System analityczny BIK odróżnia więc drobne przeoczenia od systematycznego unikania spłat.

Przeczytaj: BIK: gwałtowny wzrost popytu na kredyty mieszkaniowe

Sztuczna inteligencja i jakość danych

Konstruowanie zaawansowanych modeli scoringowych wiąże się ze stałym poszukiwaniem zmiennych, które najtrafniej przewidują przyszłe zachowania rynkowe. Również i tu specjaliści od analityki danych wspierają się sztuczną inteligencją.

Pozwala ona na szybkie wyłapywanie zależności, których wykrycie zajmowałoby zespołom badaczy wiele tygodni. Drugą stroną tej monety jest ryzyko wychwytywania przypadkowych analogii. Dlatego dobre modele analityczne muszą odznaczać się odpornością na fuzje rynkowe, zmiany prawne oraz zawirowania gospodarcze. Kluczowym wyzwaniem dla zespołów data science pozostaje dbałość o jakość danych i przejrzystość modeli.

W świecie automatyzacji sformułowana w latach 50. zasada „garbage in, garbage out” działa ze zdwojoną siłą, dlatego jakość i odporność danych wyjściowych decyduje o tym, czy model zadziała prawidłowo.

– Budowa nowoczesnych modeli scoringowych to sztuka balansowania między precyzją algorytmów a ich wyjaśnialnością i stabilnością. Wykorzystujemy zaawansowaną analitykę i sztuczną inteligencję, lecz nie gonimy za każdym ułamkiem dokładności za cenę utraty przejrzystości. W świecie automatyzacji sformułowana w latach 50. zasada „garbage in, garbage out” działa ze zdwojoną siłą, dlatego jakość i odporność danych wyjściowych decyduje o tym, czy model zadziała prawidłowo – uważa dyrektor Data Science w BIK.

Jego zdaniem dalszy rozwój analityki kredytowej będzie zmierzał w stronę automatyzacji. Ale takiej, która jednocześnie będzie wzbudzać zaufanie u tych, którzy korzystają z modeli scoringowych do oceny ryzyka.

Główne wnioski

1. Ocena ryzyka kredytowego opiera się na zdolności finansowej oraz wiarygodności. Scoring skłania konsumentów do dbania o wiarygodność, a z kont BIK umożliwiających monitorowanie własnej sytuacji korzysta już ponad 3 mln Polaków. Każda instytucja finansowa wyznacza własny próg akceptowalnego ryzyka, ten sam klient może więc otrzymać odmienne decyzje w różnych bankach.
2. Zaawansowane algorytmy AI szybko wyłapują zależności i potrafią odróżnić pojedyncze przeoczenie od braku spłat, jednak niosą ryzyko doszukiwania się przypadkowych analogii.
3. Kluczowym wyzwaniem w scoringu pozostaje zachowanie przejrzystości i wyjaśnialności modeli przy jednoczesnym dbaniu o wysoką jakość danych wejściowych. Automatyzacja oceny kredytowej wymaga budowania zaufania zarówno instytucji, jak i samych klientów do wydawanych decyzji.

Artykuł powstał na zlecenie Grupy BIK.