Využití umělé inteligence při úvěrování

Co funguje lépe, tradiční risk scorecard nebo strojové učení? Díky popularitě AI (umělé inteligence) je tato otázka nevyhnutelná, neboť za ní jsou peníze. Hodně peněz. V srpnu 2018 měly domácnosti rozpůjčováno za více než 1,5 bilionu Kč. Spotřební úvěry dosáhly výše 295 miliard Kč a úvěry na bydlení 1 214 miliard Kč. Ostatní úvěry domácností činily 165 miliard Kč. Úvěrování je ve své podstatě big datový problém, který vytváří vhodné podmínky pro nasazení AI.

Hodnota úvěru je spjata s řadou parametrů, z velké části závisí na pravděpodobnosti, s jakou úvěrovaný subjekt úvěr splatí a s kredibilitou žadatele o úvěr. Odvíjí se od hodnoty zástavy, která je dána řadou fundamentálních proměnných. Do hodnoty úvěru se promítá i vývoj makroindikátorů, zejména inflace, úrokových sazeb ovlivňujících marži, vývoj růstu ekonomiky nebo trhu nemovitostí. Od AI se očekává, že pokud se naučí analyzovat uvedené parametry, bude umět koherentním způsobem podporovat správná rozhodnutí komu půjčit, jakou částku a za jakou cenu.

Takže tu máme recept: dáme všechna tato data na jednu hromadu a necháme AI, aby se v nich prohrabala, a řekla nám s jakou pravděpodobností žadatel spadne do defaultu, přestane splácet. Čím více dat o žadateli o úvěr získáme a vložíme do modelu, tím lépe můžeme odvodit jeho kredibilitu.

McKinsey ve své nedávné studii uvedli, že machine learning může snížit ztráty z úvěrů až o 10%, přičemž polovina risk manažerů očekává snižení času potřebného na rozhodování o 25 – 50% proti současnému stavu (úspora FTE). V Massachusetts Institute of Technology zase spočítali, že s pomocí AI mohou banky snížit ztráty z nesplácených úvěrů až o 25%.

Tradiční postup vs. AI

Banky byly dosud konzervativní a setrvávaly u tradičních prediktivních řešení, která jsou na rozdíl od AI snadno „auditovatelná“. Při použití tradičních riskových scorekaret lze vysvětlit žadateli o úvěr i ČNB, jakým způsobem byl klient posuzován. Rozhodnutí učiněná s pomocí AI nelze s rozumně vynaložitelným úsilím podobně objasnit.

Tradiční přístup pro scoring využívá předem známé výpočtové algoritmy a parametry, tzv. prediktory, přičemž cílem je mít model dlouhodobě stabilní, s dobrými predikčními vlastnostmi. Díky složitosti tvorby těchto modelů, jejich testování, požadavkům na dokumentaci a schválení regulátorem, se skoringové modely aktualizují v několikaletém cyklu, aby reagovaly na podstatné změny na trhu. Zde vstupuje do hry AI, které lze využít k výběru vhodných deskriptorů a ty pak využít v aktualizované scorekartě.

Tradiční scoringové modely se soustředí na žadatelovy finance, kategorizují klienty podle demografických a behaviorálních ukazatelů, historie minulých plateb, aktuální zaúvěrovanosti klienta, typů úvěrů které využívá, délky dostupné úvěrové historie nebo podle nově nabraných úvěrů. Modely kromě dat z registrů využívají i vybrané makroekonomické indikátory.

Trh se ale rychle vyvíjí, klienti vytváří nové vzory chování, vypůjčování a spotřeby. Spolu s tím se vyvíjí i technologie a inovace na úvěrovém trhu, a proto je nutné průběžně monitorovat očekávanou výkonnost skorekaret, a případně do nich zařazovat nové vhodnějsí prediktory.

Mezi příčiny selhávání skorekaret patří následující faktory:

  • Populace klientů se může změnit ve vztahu k prediktorům, používaným ve skorekartě. Například klientský kmen omládne, bude vlastnit méně aktiv, v porovnání s klienty, na kterých byla scorekarta v minulosti odladěna. Tento nesoulad změní podíl klientů, kteří budou aktuální skorekartou označeni jako vhodní pro uzavření obchodu. Prahová hodnota u mladší populace s jinou strukturou aktiv, bude ležet na jiné optimální úrovni.
  • Předpovědi poskytované skorekartou mohou časem ztrácet na přesnosti. Proto je nutné sledovat a porovnávat skutečnou a očekávanou úspěšnost a včas rozhodnout, kdy skorekartu aktualizovat nebo ji přestat používat.
  • Dalším faktorem je růst počtu nesplácených úvěrů, díky změně ekonomická situace. Tyto změny také vyžadují změnu prahových hodnot pro pozitivní nebo negativní scoring klienta.

Scoring na dvou frontách

Nasazením AI v počáteční fázi prodeje úvěru lze žadatele nasměrovat, a následně nastavit parametry produktu tak, aby měla žádost vyšší šanci na úspěch. Zprostředkovatelé nabízející produkty z více bank mohou jít o úroveň výše. S pomocí AI a znalostí z minulých úspěšných a neúspěšných prodejů mohou žádost o úvěr s danými parametry nasměrovat na banku, která s vysokou pravděpodobností návrh úvěrovového obchodu akceptuje. Prodejci úvěrů neví jistě, jaké riskové mechanismy banka použije pro konkrétního žadatele. Například při jaké kombinaci vstupních parametrů žádosti o úvěr bude pracovník risku volat zaměstnavateli a ověřovat příjem žadatele. Nemusí vědět, jakou roli hraje místo pobytu žadatele nebo výše výdajů na domácnost. Obchod se snaží neplýtvat časem na případy, které „přes risk neprojdou“. I malé banky přitom propálí ročně tisíce člověkodní práce na zpracování úvěrů, které jsou nakonec zamítnuty. AI nasazené zkraje prodejního procesu má šanci odhadnout pravděpodobnost zamítnutí lépe než člověk.

Význam AI v obalsti úvěrů dokresluje zpráva z III/2017, kdy JP Morgan Chase spustili ve vlastním cloudu AI platformu COIN (Contract Intelligence). Díky ní jsou schopni revidovat 12 000 nových firemních úvěrových smluv (zřejmě typizovaných) během „několika vteřin“. Zaměstnancům by údajně tato činnost trvala 360 000 hodin ročně. Nasazením AI se snížila chybovost v obsluze úvěrů, která podle tvůrců tohoto projektu pocházela z lidských chyb při interpretaci smluv.

Jak na to?

Scoringové modely založené na AI kombinují big data a možnost využít více zdrojů k lepšímu pochopení klienta, v porovnání se zpracováním člověkem – analytikem. Banka může analyzovat větší objem dat finanční i nefinanční povahy, může spouštět různé kombinace vstupních a řídících proměnných a učit se z dat s cílem lépe předpovídat interakce proměnných. Princip zachycuje následující schéma využití strojového učení (ML):

Příklady z praxe ukazují, že tradiční scoringové modely ztrácí významné množství signálů, v porovnání s machine learningovým (ML) score. Kombinace tradiční scorecard metody a AI mohou bance přinést do oblasti modelování rizik různé výhody, pokud ví, jak je spolu využít. V Trasku rozvíjíme řešení, jak s pomocí AI optimalizovat relevantnost scoringu. Právě probíhá pilotní projekt tohoto nového způsobu přímo v bance, která je naším klientem. Metoda bude po ověření v provozu k dispozici dalším zájemcům. Lze očekávat, že v ČR začnou AI v risk scoringu využívat nejprve menší banky, u kterých má i malé zefektivnění prodeje a snížení defaultů velký dopad do P&L.

Kontaktujte nás

Na váš byznys se dokážeme podívat z jiné perspektivy. Proto můžeme přijít i na nová řešení, která dokážeme jasně popsat, rozpracovat a navrhnout jejich technickou realizaci. Originální nápad je totiž na začátku každého dobrého byznysu. Díky zkušenostem rychle poznáme, v čem chcete a potřebujete pomoci.

Domníváte se, že jsme porušili etická pravidla?
Dejte nám vědět.