Bez Facebooka trudniej o kredyt?

Finanse osobiste / Komentarze ekspertów / Technologie i innowacje

nowe technologie, facebook
Fot. stock.adobe.com/Sergey Nivens

Tradycyjny scoring kredytowy (pożyczkowy) opiera się na danych ustrukturyzowanych ‒ dochody versus zobowiązania i często uproszczonej projekcji płynności w danym okresie kredytowania. Dane te pochodzą nie tylko od innych instytucji kredytowych, lecz także od takich podmiotów jak Biuro Informacji Kredytowej, ale rzadko z innych źródeł.

#MichałNowakowski: Stworzenie pewnych modeli osobowości i przypisanie ich do konkretnych zachowań eksponowanych np. na #Facebook może zwiększyć skuteczność oceny zdolności kredytowej #AI #ML @FinregtechPL

Co jednak w przypadku, kiedy tego typu informacje są bardzo skąpe, bo dotyczą przykładowo osób młodych, ale perspektywicznych czy znajdujących się chwilowo w trudnej sytuacji finansowej?

Można oczywiście odmówić im kredytu lub pożyczki i skłonić do szukania alternatywnych źródeł finansowania lub pójść w innym kierunku – wykorzystania bardziej wyszukanych danych, jak położenie geograficzne czy informacje z mediów społecznościowych.

I o tym chciałbym dzisiaj „porozmawiać”, czyli jak te inne dane połączone z uczeniem maszynowym, sztuczną inteligencją mogą pomóc instytucjom kredytowym i przyczynić się do financial inclusion.

Ocena zdolności kredytowej, to jedno z kluczowych zagadnień dla sektora finansowego (bankowego, pożyczkowego), ale i szerzej – rozwoju gospodarczego. Według różnych danych więcej niż 1/3 globalnego społeczeństwa nadal nie ma lub ma utrudniony dostęp do finansowania.

W Polsce te dane są nieco bardziej optymistyczne, ale bez wątpienia problem tzw. financial exclusion, czyli finansowego wyłączenia, to zagadnienie, nad którym trzeba się pochylić.

Zautomatyzowany i bardziej zaawansowany system oceny zdolności kredytowej już dzisiaj wykazuje większą skuteczność niż tradycyjne metody, o czym napisano m.in. w raporcie Banku Rozliczeń Międzynarodowych.

Dane, dane i jeszcze raz dane

W jednym z raportów na temat Big Data oraz analityki finansowej opracowanym przez Europejski Urząd Nadzoru Bankowego poruszone zostało zagadnienie dostępu do danych jako wiarygodnego punktu odniesienia do predykcji różnych aspektów związanych z działalnością sektora bankowego.

Wykorzystanie uczenia maszynowego do automatyzacji procesu decyzyjnego przy udzielaniu kredytów czy pożyczek wymaga dość znacznego zbioru danych i to zarówno po stronie wnioskodawcy, jak i samej instytucji (np. zanonimizowane dane), aby model mógł w sposób w miarę dokładny określić do jakiej kategorii kredytobiorców zaliczyć taką osobę i jakie ryzyko może generować przyznanie kredytu. Tutaj jednak trzeba zwrócić uwagę na kwestię zakazu dyskryminacji.

Dla oceny zdolności kredytowej można przykładowo, korzystając dajmy na to z możliwości jakie daje usługa dostępu do informacji o rachunku, wykorzystać dane dot. rachunków za elektryczność czy inne media, aby ocenić rzetelność potencjalnego kredytobiorcy.

Żeby jednak mówić o „dobrym” wykorzystaniu machine learningu dla oceny zdolności kredytowej nie zawsze wystarczą nam dane ustrukturyzowane (skategoryzowane) dostępne w łatwej do przetworzenia dla algorytmu postaci.

Czytaj także: RODO a cyberbezpieczeństwo: pseudonimizacja wg ENISY

I tutaj pojawia się smartfon… media społecznościowe i nocne kluby

Pisząc o przyszłości płatności nawiązywałem już do smartfonów jako centrów danych o nas samych. W istocie jest to skarbnica wiedzy o tym, gdzie bywamy, co robimy i z kim się spotykamy. To także coraz częściej nasze centrum finansowe, gdzie aplikacje transakcyjne gromadzą (lub nie) informacje o naszych zwyczajach zakupowych czy niestandardowych zachowaniach.

Część z tych danych można łatwo skatalogować i przypisać im określone etykiety, co ułatwia wykorzystanie ich przez algorytm. Mowa tutaj przede wszystkim o wspomnianych już przeze mnie danych odnośnie tego jak często, na jaką kwotę i w jakich miejscach robimy zakupy.

Jeżeli przykładowo w stosunkowo równych odstępach czasu robimy zakupy na „regularne” kwoty, to pewnie jesteśmy osobą, która w miarę dobrze zarządza swoim budżetem i dajemy większą rękojmię spłaty. Te dane można pobierać wprost z systemów transakcyjnych, np. poprzez usługę AIS lub za zgodą użytkownika w samym procesie „własnym” kredytowym.

Innym przykładem może być nasze położenie geograficzne. Z tą koncepcją spotkałem się czytając AI Book, gdzie jeden z autorów podał sensowny przykład na to, jak smartfon z GPS może wspomóc proces oceny zdolności kredytowej. Zakładając, że dana osoba regularnie wychodzi z domu ok. godz. 8 i wraca ok. godz. 18 można założyć, że ma stałą pracę i regularne dochody, nawet jeżeli nie posiada wpływów z tego tytułu na konto bankowe. W Polsce to raczej rzadkość, ale w mniej ubankowionych społeczeństwach to nadal pewien problem.

A jeżeli student często przebywa w bibliotece, zamiast w klubie nocnym, to może jest bardziej „reliable”? Jest to jakaś informacja odnośnie „stabilności” potencjalnego kredytobiorcy, prawda?

I wreszcie trzecie źródło danych, czyli media społecznościowe. Na pierwszy rzut oka wydaje się, że nie jest to specjalnie wiarygodne i sensowne źródło informacji dla banków. W praktyce jednak na podstawie takich informacji możemy wiele dowiedzieć się o wnioskodawcy.

Stworzenie pewnych modeli osobowości i przypisanie ich do konkretnych zachowań eksponowanych np. na Facebook’u, może zwiększyć skuteczność oceny zdolności kredytowej, nawet jeżeli nie dysponujemy twardymi danymi finansowymi, np. w przypadku studentów.

Czytaj także: Kiedy sztuczna inteligencja oraz uczenie maszynowe doprowadzą do rewolucji bankowej 4.0?

Modele dla AI i ML

Komisja Europejska pracuje już nad rozwiązaniami prawnymi, które mają uwolnić dane. Będziemy mieli więc więcej lepszych danych, co pozwoli na tworzenie bardziej efektywnych modeli, które będą lepiej wytrenowane, co pozwoli na zwiększenie ich skuteczności przy znacznie krótszym czasie oczekiwania.

To jest jednak zarazem największe wyzwanie dla tworzących takie rozwiązania. Powyższe dane to dane nieustrukturyzowane, często w formie języka naturalnego, które wymagają uczenia algorytmów w inny sposób niż w przypadku danych uporządkowanych i podpisanych, z których łatwo wywieść określone zależności. Mamy też przecież zdjęcia w mediach społecznościowych, które można wykorzystać do lepszego poznania człowieka.

Nie jest więc zadanie łatwe. Zawsze istnieje też ryzyko, że pojawią się „fejkowe” profile skrojone na oszustwa ‒ fraudy.

Do tego dochodzą inne wyzwania

Jestem przekonany, że takie podejście do oceny zdolności kredytowej nie przekona znacznej części Czytelników. Trudno bowiem wyobrazić sobie, że ludzie ochoczo będą udostępniać swoje prywatne informacje z mediów społecznościowych czy dane odnośnie wydatków „na piwo”. I większości przypadków tak pewnie będzie.

Społeczeństwo się jednak zmienia i coraz chętniej dzielimy się „nami” z innymi, często obcymi osobami. Dla wielu grup społecznych, które nie mogą sobie pozwolić na tradycyjny kredyt czy pożyczkę, może to być jedyna szansa.

A może zastosować to także do początkujących przedsiębiorców niemających jeszcze wyrobionej zdolności kredytowej?

To jedna z alternatyw. Wymaga ona jednak istotnych zmian w przepisach odnośnie ochrony danych osobowych (i nieosobowych), w zakresie cyberbezpieczeństwa czy regulacji sektorowych, jak np. prawo bankowe.

Jest to też kwestia edukacji i wnoszenia „kaganka oświaty” ‒  jak nasza aktywność w Internecie może wpływać na naszą przyszłość finansową. Może to odległa przyszłość, ale kto wie… Kiedyś marzyliśmy o autonomicznych samochodach, a dzisiaj mamy Teslę. Może podobnie będzie z bankowością?

Michał Nowakowski, https://pl.linkedin.com/in/michal-nowakowski-phd-35930315, Counsel w Citi Handlowy, założyciel www.finregtech.pl.

Opinie wyrażone w artykule są osobistymi opiniami Autora i nie mogą być utożsamiane z jakąkolwiek instytucją, z którą Autor jest lub był związany.

Źródło: FinregtechPl
Udostępnij artykuł: