„ML ги минимизира грешките при доделување банкарски кредити“

ml-bankarski-krediti

Уште од почетокот на 21 век AI наоѓа поширока примена во делот на детектирање на измами, подобрување на услуги за потрошувачи, менаџирање на ризик и барања за исплата на суми од осигурување. Во денешно време пак, банките во светски рамки во сè поголем обем користат вештачка интелигенција за да го подобрат процесот на кредитирање на компании. 

 

Причината за ова е тоа што методите од минатото користат неколку параметри за да се одреди дали е некој подобен за кредит, знаат да бидат ригидни, не ја даваат целосната слика и во наврати може да бидат нефер. Тука на помош доаѓа машинското учење, каде преку имплементација на ML модели процесот се корегира и се добива реалистичен приказ на профилот, односно пообјективно се согледуваат карактеристиките и потенцијалот на компанијата кандидат за кредит.

 

Токму на оваа тема разговаравме со Мишел Муцунска, Data Scientist со искуство во делот на примена на ML модели во банкарството.

 

Каде сè наоѓа примена Вештачката Интелигенција во финансиските институции?

ML наоѓа примена во широк спектар на финансиски услуги и зависно од проблематиката придобивките можат да бидат разнолики. Ќе наведам неколку примери:

 

  • ML помага при откривање на аномалии во податоци во реално време, на пример при банкарски трансакции, трансакции со кредитни картички, побарувања од осигурување, станбена хипотека и апликации за заем, итн. Со имплементирање на вештачка интелигенција може да се детектираат и да се спречат измами пред истите да се случат. 
  • ML стратегија за задржување клиенти преку функционални увиди во податоците. Постоечките кампањи за задржување клиенти може да се надополнат и преку предиктивна аналитика да се воочи како клиентите ги користат производите и услугите и кои други услуги потенцијално би ги интересирале во иднина.
  • Користењето аналитички алатки го олеснува оценувањето на кредитната способност на клиентот и откривањето на сигналите за потенцијална неспособност за исплата на кредитот.
  • Оптичко препознавање знаци (Optical Character Recognition – OCR). OCR најчесто се користи од одделенијата за плаќање сметки за да се елиминира рачното внесување податоци, односно да се елиминираат грешки. Кога е интегрирана вештачката интелигенција и технологијата за обработка на природен јазик (NLP), OCR додава можност за автоматска проценка на ризиците за кој било хартиен документ.

 

Постојат забележливи промени во банкарскиот сектор како резултат на имплементација на вештачката интелигенција и машинското учење. Што е она што AI/ML го револуционизираше во банкарството во делот на давање на кредити?

Светот се стреми кон оптимизација и ефикасност во секој процес, па така и во банкарството. Кредитите се основна дејност на банките и главниот профит доаѓа директно од каматата на заемот, па транзицијата кон поефикасни методи доаѓа природно при обидот да се оптимизира и подобри овој сектор од банкарското работење. 

 

Она што се користело при аналитика во банкарството изминатата деценија сè уште е присутно и тоа во голема мера, но ML сè повеќе влегува во секојдневна употреба поради многубројните придобивки во различни сектори. Конкретно, бидејќи зборуваме за кредитоспособност и одобрување на различни форми на финансирање на претпријатија, со помош на AI и ML може да се донесе подобро одмерена одлука отколку со класичните методи и да се оптимизира исходот. На овој начин, подлабински се анализираат различи финансиски параметри и потоа се користат за поточно оценување на успешноста на одредено претпријатие. Ова е од поголема важност при кредитирање на малите и средни претпријатија и се покажува како посебно успешно при фаќање на граничните случаи, каде што е тенка границата за тоа дали одредено претпријатие е добар кандидат за земање кредит. 

Притоа, ако се разгледаат параметрите на успех преку аналитички алатки, ML помага за да се даде појасна препорака за конкретното претпријатие. Ова значи дека при давањето кредити можеме подобро и математички издржано да најдеме поврзаности меѓу способноста за отплаќање на кредит и финансиските параметри, особено во случаи кога тоа не е сосема очигледно.

 

Која е придобивката од примената на машинското учење во финансиските институции и при определување на кредитоспособноста на компаниите?

При проценка на кредитоспособноста преку нашата работа во банкарскиот сектор, досега сме успеале да овозможиме: 

 

  • Поголема точност и објективност при проценката дали одредена компанија е кредитопособна, особено при граничните случаи каде тоа не е сосема јасно. 
  • Поголемо разбирање на финансиските индикатори што ни кажуваат дали компанијата е кредитоспособна. Можеме да анализираме кој параметар со која тежина влијае врз успешноста на компанијата, како и сигналите за потенцијална неспособност за исплата.
  • Побрзо и полесно одлучување кое е сè помалку зависи од искуството на вработениот кој е задолжен за носење одлука.
  • Минимизирање на човечка грешка и човечкиот фактор, итн. 

 

Како резултат на гореспоменатото, финансиските институции успеваат да реализираат поголеми профити, со тоа што се минимизираат случаите на недоисплатени кредити и случаите каде кредитот не бил одобрен, а компанијата била способна соодветно да го исплати. Генерално, загубата на двете страни се намалува и процесот станува поефикасен и поточен што резултира со поуспешен бизнис. 

 

На кој начин се одвива процесот на одобрување кредит без примена на ML, а на кој со помош на ML моделите? Како се гради еден модел?

Банките одобруваат кредити по обемен процес на верификација и валидација. Тоа подразбира разгледување на број на параметри од финансиските извештаи, оценување на историја на отплата на долг, деловни референци, обртот на производот или услугата, репутација на пазарот и слично. Да го појаснам ова подобро – најчесто се работи за систем базиран на правила, каде доколку одредено претпријатие остварува одреден успех во повеќе финансиски индикатори/параметри, како на пример профит од над Х евра, се смета за соодветен кандидат за добивање на некоја форма на финансирање. Сепак, и покрај ваквата анализа и кредитно оценување, финансиските институции сè уште немаат гаранција дали апликантот може да го отплати кредитот без потешкотии.

 

За да се подобри и поедностави целиот овој процес на одобрување кредит, машинското учење може да биде од огромна помош, како и да ја минимизира загубата на банката поради неотплатени кредити или при погрешно расудување и неодобрување кредит. 

 

ML моделите пак, се градат врз основа на историски финансиски податоци низ годините  Најпрво овие информации треба да се анализираат, со цел да се осигураме во нивниот квалитет и интегритет. Потоа, се одбира и тренира тип на модел што сакаме да го користиме –  статистички, хиерархиски, дали врз база на одлучувачки дрва, невронски мрежи итн. Истренираниот модел дава резултат, оцена, кој на пример може да претставува веројатност за успешност на компанијата.  

 

Бидејќи алгоритмите за вештачка интелигенција и ML обработуваат големи количества на податоци, овозможуваат да се разбере однесувањето на клиентите, да се предвиди како тие ќе се однесуваат под одредени околности, па дури и да им помогне на банките да дојдат до вистинскиот клиент во вистинско време со вистинската понуда. 

 

Овој резултат е холистички, квалитативен и со многу поголема објективност и точност може да расуди, минимизирајќи ја грешката при одлуката.  

 

Ако се направи споредба на старите версус новите методи на проверка на кредитоспособноста, колку всушност новите методи наоѓаат примена и како ќе се развиваат во иднина?

Во моментов најактуелна и најчесто користена тактика е симбиоза од двата гореспоменати пристапи. Најчесто не се дозволува на вештачката интелигенција директно да донесе одлука, туку се разгледува како објективен консултант кој дава оценка и објаснување на одредени, претходно дефинирани параметри за успех. Потоа, давателот на кредит ги разгледува овие параметри и расудува каква одлука треба да се донесе. Во таа смисла, може да се гледа како на подобрување, надополнување, а не целосно заменување на постоечките методи.

 

Воведувањето на овие нови методи, го прави целиот прецес пофер, похолистички, помалку склон на грешки и попрофитабилен за двете страни. Затоа, би рекла дека во иднина ML ќе стане составен и клучен дел не само во овој банкарски сектор, туку во речиси секој процес каде е потребно да се донесе паметно одмерена одлука. 

banking-loans

 

Што сè влегува во профилирањето на една компанија за да се одреди дали е добар кандидат за кредит?

Профилирањето и мерките за успешност во голема мера зависат од дејноста на претпријатието кое се оценува. Постојат одредени стандардизирани финансиски параметри кои можат да се разгледуваат во сите случаеви, како на пример заработката што компанијата ја остварува пред аплицирање на камати и даноци (EBIT) готовински тек од оперативни активности, бруто поврат на инвестиција (GMROI), продажен обрт, промет итн.

 

Сепак, бидејќи однесувањето на компаниите од различни индустрии не е исто, важно е да се запази и дејноста на компанијата. На пример, кај малопродажбата е од особена важност да се запази прометот на залихи, а кај градежна компанија каде се работи за сервис поважен би бил некој друг индикатор. Во случаите кога се анализира компанија која се занимава со производство мора да се запазат трошоците за продадени стоки, трошоци за одржување и слично. 

 

При правење на некаков тип на ML модел, мора да се размислува за бизнис логиката и да се има одредено доменско знаење за истата. Односно,треба добро да се оцени кои параметри на успех би ни биле најкорисни да ги предвидиме за конкретното претпријатие и дејноста која ја врши.  

 

Како во банкарскиот систем во Македонија се одредува оваа кредитоспособност, односно дали и како е потребно да се модернизира тој процес?

Во моментов кај нас сè уште се водиме на класичниот начин. Се разгледуваат одредени параметри, актива, пасива итн. и процесот во огромна мера зависи од аналитичката зрелост на кредиторите. Постојат ретки ситуации каде се користат и статистички модели како поддршка за rule-based донесувањето одлуки, во одредени сектори, но за жал сè уште се работи за едноставни и не толку софистицирани (state of the art) методи. 

 

Сепак, мислам дека во последно време и кај нас сè повеќе се распознава предноста и потенцијалот кој го нуди ML за подобрување на различни банкарски сфери. Иако досега сме работеле модели за предвидување при кредитирање наменети само за светски пазар, имаме искуство со ML модели во други сектори од банкарското работење и на домашниот пазар. Затоа, може да се каже дека дефинитивно очекуваме дека ќе се развива оваа бранша во иднина. Потенцијалот е навистина голем.

 

Според истражување спроведено од Deloitte, дури 86% од финансиските институции што имплементирале услуги со помош на AI, сметаат дека истата ќе биде круцијална за нивниот успех во следните две години. Колку оваа свесност е присутна кај нас локално?

Во моментов би рекла дека кај нас се развива една општа свесност за машинското учење и вештачката интелигенција. Луѓето полека стануваат свесни дека не се работи за научна фантастика која е присутна само во склоп на академски истражувања, туку дека податоците се насекаде околу нас и машинското учење е широко применливо во речиси секоја област каде може да се помогне при донесување било каква одлука. 

 

Досега во Македонија примената на машинското учење и вештачката интелигенција не беа ставени на приоритетна листа, но технолошката зрелост како држава забележливо расте и се прават сериозни чекори за имплементација на стратегиии за вештачка интелигенција. Затоа, очекуваме ова поле да земе посериозен залет во наредниве неколку години. 

 

Што е потребно да имаат предвид банките или поточно сите видови на финансиски институции што допрва планираат да започнат со имплементирање на машинското учење при доделување на кредити?

Финансиските институции треба да бидат спремни на взаемна соработка и да имаат реалистични очекувања. Модел може да се направи за 6 месеци, а може и за 3+ години. Процесот во голема мера зависи од квалитетот и достапноста на податоците, така што пред сè би рекла дека банките треба да се грижат за точноста, валидноста, исправноста, достапноста, интегритетот и корисноста на податоците кои ги имаат. Постојат стандарди и стратегии кои се имплементират за обезбедување на сето ова, а ние во Data Masters можеме да помогнеме од аспект на имплементација на стандарди и едукација. 

 

Имаме фокусно знаење во доменот податоци и можеме да направиме многу за банките – од оценка на квалитетот на податоци, чистење на податоци, чување на податоци, складишта на податоци, примена на решенија во делот на бизнис интелигенција… Се разбира тргнувајќи од првиот чекор, а тоа е да се осигураме дека податоците се исправни, за потоа да можеме да ги користиме при развивање на модели од ML и AI. 

 

Воедно, бидејќи сметаме дека квалитетот на работењето во огромна мера зависи од кадарот, едукативниот момент е многу важен дел од нашиот пристап. Затоа, досега имаме едуцирано цели оддели во банки преку специјализирани обуки кои го поддржуваат процесот на дигитална трансформација и воедно креираат кадри што ќе го поддржат и развијат тој процес интерно.

Share on facebook
Share on twitter
Share on linkedin