Il modulo è stato inviato con successo.
Ulteriori informazioni sono contenute nella vostra casella di posta elettronica.
AssumeteciSelezionare la lingua
Chi siamo
TecnologiePortafoglio
Non è una sorpresa che le banche rifiutino ogni giorno le richieste di prestito. A volte a ragione, altre volte... non tanto.
Un tipico esempio di “ottimo sulla carta”, ma che non soddisfa i criteri, è la gig economy. Un luogo pieno di persone che lavorano sodo, ben retribuite e che hanno praticamente tutte le carte in regola: l'affitto viene pagato puntualmente, non hanno debiti assurdi. Solo che manca un pezzo di documentazione fondamentale, un W-2.
Applicazione = Negata.
Lo stesso si può dire degli immigrati appena arrivati che lavorano, che fanno tutte le cose giuste in apparenza, ma che al momento della domanda non hanno precedenti nel bureau. Lo stesso risultato.
Per contestualizzare, possiamo guardare ai numeri forniti dal Consumer Financial Protection Bureau (CFPB). Nel 2020, circa 2,7% di adulti statunitensi non avevano precedenti di credito. Questo si traduce come 7 milioni di persone sono invisibili agli uffici.
Perché? Si tratta di un file di credito sottile. I sistemi di scoring tradizionali considerano cinque elementi: la storia dei pagamenti, l'ammontare dei debiti, la durata della storia creditizia, i nuovi crediti e il portafoglio prestiti. Tutto qui.
L'algoritmo cerca la storia e trova uno spazio vuoto. Pertanto, i potenziali richiedenti se ne vanno. Molto probabilmente passeranno a un altro istituto di credito con una tecnologia migliore.
IA credit scoring aiuta le FinTech a raggiungere i clienti non bancarizzati e ad analizzare i dati più velocemente. Dal momento che gli istituti di credito vogliono decisioni più rapide con meno perdite, un'AI alimentata sistema di scoring del credito offre questa opportunità. I numeri raccontano meglio di tutti la storia: si prevede che l'IA nel mercato finanziario crescere da $38,36 miliardi di euro nel 2024 a oltre $190 miliardi di euro entro il 2030.
Vediamo ora come intelligenza artificiale per il credit scoring funziona e quali benefici apporta.
IA credit scoring è un metodo che utilizza l'intelligenza artificiale e l'apprendimento automatico per determinare la probabilità che un mutuatario rimborsi un prestito. A tal fine, passa al setaccio grandi insiemi di dati per trovare i segnali che non possono essere colti attraverso la revisione manuale o che non vengono colti dall'uomo.
Il concetto è semplice: si addestra un modello sui risultati dei rimborsi passati e si valuta il rischio utilizzando una gamma di indicatori più ampia rispetto a un punteggio di credito tradizionale.
Ecco come funziona.
Un modello di apprendimento automatico esamina i dati del mutuatario, determina la corrispondenza con gli schemi dei prestiti storici, calcola un valore di rischio e fornisce un'indicazione di massima. Punteggio di credito AI.
Ecco come i dati grezzi diventano numeri utilizzabili:
Il fondamento dei modelli tradizionali è che operano secondo una logica lineare. L'evento A segue sempre l'evento B. I regolatori apprezzano questa prevedibilità perché è facile da spiegare. Tuttavia, i limiti fondamentali rendono impossibile apportare miglioramenti significativi. E i modelli come FICO non possono imparare o adattarsi quando si verificano eventi imprevisti.
Lo scoring tradizionale valuta tutti allo stesso modo: un mancato pagamento abbassa il punteggio, una storia di magrezza viene penalizzata e la perdita del lavoro o un ricovero ospedaliero non fanno differenza.
Modelli di credito AI lavorano su un principio completamente diverso. Riescono a capire la differenza tra un mancato pagamento durante un'emergenza medica documentata e un mutuatario che paga regolarmente in ritardo. Possono notare che un recente immigrato con un master e un lavoro stabile in una società Fortune 500 potrebbe essere più sicuro di quanto la sua limitata storia creditizia suggerisca.
Nota: questa logica deve utilizzare solo le fonti di dati consentite e le prove di difficoltà presentate dal mutuatario.
Anche se il punteggio può sembrare misterioso, un Sistema di prestiti AI emerge da una precisa sequenza di passaggi basati su big data e machine learning.
Ecco come funziona.
Per negare o approvare il credito, un sistema raccoglie e organizza automaticamente enormi volumi di dati strutturati (fogli di calcolo, database, ecc.) ed estrae dati non strutturati (file di testo, PDF, immagini, ecc.) da varie fonti.
Le categorie principali includono:
Per addestrare un modello predittivo, gli scienziati dei dati analizzano i dati storici di rimborso di oltre 1 milione di prestiti, identificando le caratteristiche dei mutuatari che hanno rimborsato rispetto a quelli inadempienti.
Ecco come gli scienziati dei dati addestrano un modello:
Dopo la formazione, gli istituti di credito distribuiscono un modello convalidato come API REST basata su cloud per integrarlo negli ecosistemi di prestito.
Ecco cosa succede nell'ambiente live:
La distribuzione non segna un punto di arrivo. Il modello addestrato sulla base della spesa del 2024 potrebbe non funzionare altrettanto bene nel 2026 se le condizioni economiche cambiano, quindi i professionisti utilizzano il monitoraggio, il rilevamento delle derive e la riqualificazione programmata.
Nelle situazioni in cui un mutuatario è stato valutato come a basso rischio di insolvenza e poi risulta inadempiente, un sistema di monitoraggio alimentato dall'intelligenza artificiale allerterà gli esperti umani per ulteriori controlli manuali. Gli scienziati dei dati indagheranno anche sugli errori e riqualificheranno il modello utilizzando i dati in tempo reale. Questo ciclo mantiene il sistema aggiornato e ben adattato ai nuovi schemi di frode e ai cambiamenti del comportamento dei consumatori.
Le pratiche chiave dell'apprendimento continuo includono
Se si considera l'insieme e il funzionamento interno delle istituzioni finanziarie, è facile capire l'immenso valore di Macchine per il calcolo dei punteggi basate sull'intelligenza artificiale.
Passiamo ora a discutere di alcuni aspetti salienti Vantaggi del credit scoring AI.
Piattaforme di credito AI aiutano gli istituti di credito ad autorizzare un maggior numero di clienti, riducendo al minimo le perdite e le controversie e riducendo il lavoro manuale.
Di seguito sono riportati i principali modi in cui l'intelligenza artificiale modifica il punteggio del credito.
L'accuratezza è il sacro graal dei prestiti ed è l'unica cosa che conta davvero. Una scarsa accuratezza comporta errori che costano denaro: l'approvazione di un cattivo prestito si traduce in una cancellazione, mentre il rifiuto di un buon mutuatario costa entrate e lo consegna a un concorrente.
IA credit scoring I modelli sfruttano dati aggiuntivi e algoritmi di rilevamento dei modelli per fare previsioni più accurate su inadempienze e morosità. Per gli istituti di credito, questo significa meno brutte sorprese nei loro portafogli prestiti. Un'analisi McKinsey ha rilevato che una riduzione di 20-40% delle perdite su crediti tra le aziende che hanno utilizzato migliori modelli di stima delle inadempienze.
Cosa significa in pratica:
Il modello prevede con precisione i rimborsi dei prestiti, riducendo così i tassi di insolvenza. Rileva modelli di rimborso anomali e attiva una revisione delle frodi. Grazie a una migliore previsione e controllo del rischio, gli istituti di credito possono offrire prestiti con tassi d'interesse adeguati per massimizzare le entrate.
La sottoscrizione era lenta e ripetitiva: i team dovevano cercare i documenti, calcolare il rapporto debito/reddito con una calcolatrice ed estrarre i rapporti uno per uno. In effetti, molti lo fanno ancora alla vecchia maniera.
Un Motore di valutazione del credito AI elabora automaticamente i documenti, calcola il DTI e recupera i rapporti di credito in pochi minuti, se non secondi. Improvvisamente, una decisione che prima richiedeva tre giorni viene presa quasi immediatamente. I mutuatari ricevono una risposta immediata e il prestito viene elaborato prima ancora che possano guardare il sito web di un concorrente.
Utilizzo IA per il credit scoring consente agli istituti di credito di servire segmenti di clientela che i modelli tradizionali considerano troppo rischiosi o difficili da sottoscrivere. Li definiscono “troppo rischiosi” semplicemente perché non si adattano al modello standard.
I mutuatari non bancarizzati, come i giovani o quelli con una storia finanziaria discontinua, non sono fondamentalmente idonei secondo lo scoring tradizionale. I modelli di intelligenza artificiale che includono dati alternativi migliorano le approvazioni dei prestiti alle piccole imprese e ai consumatori perché individuano il valore laddove lo scoring tradizionale vede il rischio.
Inoltre, gli algoritmi di IA possono utilizzare metodi di raggruppamento quando creano sezioni di rischio granulari. Piuttosto che inserire migliaia di clienti in un'unica categoria “moderata”, un processo di raggruppamento dell'IA suddividerà queste persone in gruppi più piccoli, ciascuno con una stima del rischio specifico.
Ciò consente ai clienti a basso rischio di evitare conseguenze negative semplicemente perché condividono la stessa fascia demografica e di punteggio di credito dei clienti a rischio più elevato.
Al di là della decisione di credito in sé, intelligenza artificiale per il credit scoring ottimizza ogni fase del processo di prestito.
Scoring digitale del credito Le piattaforme verificano il reddito e l'identità attraverso il controllo dei database e la scansione dei documenti. Ad esempio, alcuni servizi di intelligenza artificiale utilizzano la computer vision per leggere le buste paga o i moduli fiscali e confermare il reddito da lavoro in pochi secondi.
Nelle configurazioni tradizionali, una domanda è una patata bollente. Passa dalle operazioni di front-office all'analisi del credito e quindi alla valutazione del rischio. Gli istituti di credito possono abbreviare i tempi di approvazione e ridurre la revisione manuale con l'AI scoring per la verifica e la decisione. McKinsey ha descritto questo tipo di configurazione end-to-end come un modo per migliorare l'esperienza dei clienti e ridurre i costi di back-office.
Inoltre, la standardizzazione delle procedure riduce i tempi di formazione, crea registri trasparenti per la supervisione e offre ai clienti un'esperienza coerente.
Un decennio fa, la creazione di sistemi di intelligenza artificiale richiedeva costi iniziali considerevoli (data scientist, GPU, pipeline di dati). Questa barriera si è drasticamente ridotta.
IA credit scoring La tecnologia di machine-learning sta diventando accessibile ai prestatori di credito di tutte le dimensioni. Oggi, il cloud computing più economico e le librerie open-source rendono più facile per gli istituti di credito assumere o formare il personale addetto all'apprendimento automatico.
Diverse aziende del settore FinTech, come Zest AI, Lenddo e Upstart, propongono un credit scoring alimentato dall'AI sotto forma di SDK che gli istituti di credito possono integrare. Con l'affermarsi del cloud computing, anche gli istituti di credito più piccoli possono accedere all'infrastruttura AI su piattaforme cloud come AWS o Google Cloud.
McKinsey ha rilevato che le soluzioni di AI e di apprendimento automatico ridurre i passaggi cartacei e le richieste di documenti, che riduce i costi di assistenza e velocizza le approvazioni.
Dal punto di vista tecnico, i costi diminuiscono per un semplice motivo: il sistema recupera e convalida i dati una sola volta, quindi applica regole coerenti. La riduzione delle eccezioni una tantum riduce significativamente le ore di revisione del personale, senza contare che riduce anche la documentazione cartacea e aumenta le approvazioni.
La CFPB ha riportato un test del prestatore in cui il modello ha approvato 27% di richiedenti in più e ha ridotto i TAEG medi per i prestiti approvati di 16%, mantenendo invariati il rischio complessivo e la conformità al fair-lending.
Gli istituti finanziari utilizzano diversi tipi di modelli di intelligenza artificiale per prevedere il rischio dei mutuatari. Selezionare il modello giusto IA credit scoring dipende dalle esigenze specifiche dell'istituto di credito e dai dati a disposizione.
Ecco come affrontare la decisione:
Situazioni diverse richiedono modelli ottimali diversi. La scelta giusta dipende dal modo in cui si bilancia l'accuratezza con la complessità del sistema e le risorse disponibili.
La creazione di un modello di rischio personalizzato vi consente di avere la completa titolarità dei rischi e di differenziarvi dai concorrenti che utilizzano una scorecard unica. A tal fine, è necessario suddividere il progetto in diverse fasi, assegnando a ciascuna di esse proprietari e tappe fondamentali, in modo da poter misurare lo stato di avanzamento del processo.
Analizziamo queste fasi in modo più dettagliato.
Il primo passo è la costruzione del serbatoio. Raccogliete le informazioni interne sulle prestazioni dei prestiti, i rapporti di credito e i set di dati alternativi. Creare una pipeline ETL (extract, transform, load) di sicurezza minima per inserire questi set di dati in un repository comune. Lo scenario di archiviazione ideale è il cloud, che offre la massima flessibilità di crescita.
Gli elenchi di transazioni grezzi contengono centinaia di voci che da sole non dicono nulla, quindi è necessario convertirli in una forma caratteristica che possa essere elaborata da un modello.
Se calcolate il “saldo medio degli ultimi 90 giorni”, questa singola metrica diventa una caratteristica che aiuta il modello a determinare la vostra stabilità finanziaria. Tuttavia, è necessaria una buona conoscenza delle operazioni bancarie per sapere quali caratteristiche sono rilevanti.
Scegliere un algoritmo, come Random Forest o XGBoost, e dividere l'intero set di dati tra training e test. Addestrare l'algoritmo selezionato sul set di addestramento e regolare gli iperparametri learning_rate e n_estimators. Valutare le prestazioni del modello nel set di dati di prova calcolando il punteggio AUC. Quando l'AUC è pari o superiore a 0,8 o continua a migliorare, interrompere la messa a punto.
La convalida identifica le distorsioni attraverso stress test che monitorano le prestazioni durante le crisi economiche. Questa fase è fondamentale per la conformità con le autorità di regolamentazione, che chiedono di sapere come il sistema prende le decisioni.
Nella fase finale dello sviluppo di un modello di intelligenza artificiale, il modello viene trasferito dai test/sperimentazioni in laboratorio all'utilizzo effettivo. Il vostro Partner per lo sviluppo dell'intelligenza artificiale racchiude il modello in un'API e lo integra nel vostro sistema di creazione dei prestiti. Quando un cliente fa clic su “Applica”, il sistema genera un punteggio di credito istantaneo, in modo che i sottoscrittori possano approvare le richieste di prestito in pochi minuti anziché in giorni o più.
A questo punto si creano dei cruscotti per monitorare il tasso di inadempienza giornaliero, il tasso di approvazione e l'AUC del modello. Inoltre, se il tasso di inadempienza aumenta di oltre due punti percentuali o se il tasso di approvazione diminuisce drasticamente, è necessario effettuare un esame della deriva dei dati e impostare una calibrazione aggiornata per il modello.
La creazione di una piattaforma di credit scoring intelligente richiede un investimento minimo di $15.000, mentre le build aziendali raggiungono $150k o più, a seconda delle esigenze specifiche di conformità e dei requisiti di funzionalità.
Esistono tre categorie principali in base alla scala e alla funzionalità.
Include solo funzioni essenziali come la verifica dell'identità digitale, i cruscotti di rischio di base e le decisioni di credito automatizzate in tempo reale. Gli MVP progettati per i test di mercato costano in genere tra $15.000 e $40.000.
Questo livello è ideale per le startup che si rivolgono a consumatori poco esigenti o per le società FinTech che testano il mercato. È l'opzione migliore per iniziare: solo funzionalità essenziali senza caratteristiche superflue.
Queste soluzioni aggiungono dati alternativi, rilevamento delle frodi e analisi predittiva, aiutando gli istituti di credito ad ampliare l'accesso al credito per i debitori con file sottili, pur mantenendo rigorosi controlli del rischio. L'IA spiegabile fornisce un ragionamento decisionale che mostra come un modello ha raggiunto la sua conclusione, non solo il risultato.
I costi possono variare da $45.000 a $80.000.
Le implementazioni aziendali per l'elaborazione di grandi volumi vanno da $85.000 a $150.000 e oltre. Questo investimento fornisce agli istituti di credito flussi di lavoro automatizzati per la conformità, per una reportistica pronta per la revisione, oltre a modelli di deep learning che si riqualificano mensilmente e a dashboard che tengono traccia di migliaia di prestiti in tempo reale.
Riteniamo che l'approccio migliore sia quello ibrido. Si sfrutta l'intelligenza artificiale per prendere decisioni, pur mantenendo gli esseri umani “nel giro” per la supervisione. In questo modo, è possibile bilanciare la velocità e l'intuizione automatizzata con il giudizio prudente di sottoscrittori veterani.
Fare il cambio sembra pesante. Lo capiamo.
Cambiate letteralmente il modo in cui gestite i vostri rischi. Ma si può iniziare con un piccolo passo. Le migliori implementazioni che abbiamo visto iniziano in piccolo, spesso con un “modello ombra” accanto al sistema preesistente, finché il team non si fida del nuovo sistema.
Noi di Innowise abbiamo già percorso questa strada con banche e FinTech. Sappiamo dove si trovano le insidie dei dati e quali domande impegnative pongono le autorità di regolamentazione. Con oltre 19 anni di esperienza pratica, il nostro Sviluppatori AI hanno realizzato decine di progetti FinTech.
Se siete pronti ad aggiornare il vostro motore di scoring del credito, il nostro Ingegneri AI può sviluppare una soluzione di credit scoring su misura che soddisfa il vostro profilo di prodotto e di rischio.
Non esitate a a contattarci ogni volta che lo ritenete opportuno.
Utilizza segnali di dati alternativi per valutare la capacità di rimborso a breve termine, come l'affitto, le bollette telefoniche e i modelli di flusso di cassa.
I modelli che utilizzano dati storici possono riflettere le distorsioni presenti nei dati di addestramento. Pertanto, gli istituti di credito devono verificare frequentemente l'equità dei propri modelli e correggere eventuali disparità derivanti dalle previsioni del modello.
Per gli istituti di credito che utilizzano algoritmi di credito AI, le autorità di regolamentazione insistono affinché dimostrino un processo decisionale equo in materia di prestiti, non facciano discriminazioni e conservino i dati relativi ai risultati dei prestiti.
I team testano tutti i modelli su un set di dati di non partecipanti, su cui nessuno dei modelli è stato addestrato, e confrontano le previsioni con i risultati effettivi per i nuovi mutuatari.
In primo luogo, gli istituti di credito dovrebbero utilizzare un modello accanto al loro tradizionale processo di valutazione del credito. Poi, gli istituti di credito dovrebbero utilizzare un processo di revisione umana per i conti ad alto rischio ed espanderli quando sono stabili.
Un tipico sistema di credit scoring personalizzato di fascia bassa costa in genere almeno ~ $15.000, mentre i sistemi su larga scala possono superare $150.000 o più.
Il miglioramento dei modelli di rischio creditizio consente agli istituti di credito di assegnare un punteggio ai mutuatari utilizzando dati aggiuntivi, a vantaggio dei lavoratori ambulanti o degli immigrati che vengono respinti dai modelli di credito tradizionali.
Gli istituti di credito utilizzano servizi di archiviazione e calcolo in cloud pubblico su AWS o Google Cloud perché sono scalabili e non richiedono un investimento iniziale in hardware on-premise.
Responsabile della Delivery e del Centro di Competenza
Siarhei guida la nostra direzione FinTech con una profonda conoscenza del settore e una chiara visione della direzione in cui si sta muovendo la finanza digitale. Aiuta i clienti a orientarsi tra normative complesse e scelte tecniche, dando forma a soluzioni che non sono solo sicure, ma costruite per la crescita.
