Напоследък навсякъде се говори за изкуствен интелект и навлизането му в ежедневието на хората, но малцина се замислят какво влияние оказва употребата в сферата на кредитирането.
Кредит за секунди, оценка за милисекунди
След като смартфонът ни се превърна в „портмоне в джоба“, времето между заявката за бърз кредит и получаването на парите спадна от дни до минути. Зад този магически скок в удобството стои радикална трансформация в оценката на риска – класическите таблици с доходи и разходи бяха заменени от алгоритми, които четат дигиталния ни отпечатък – всичко от марката на телефона до това дали използваме повече усмивки или ядосани емотикони в чата с бот-служителя.
Моделите обещават „по-справедлив“ достъп до финанси за хора без кредитна история, но заедно с това отварят кутията на Пандора – опасност от дискриминация, липса на прозрачност и масово профилиране при тегленето на кредити онлайн.
- Какви данни събират финтех компаниите?
1.1 Данни от устройството
IMEI-номерът, моделът и възрастта на телефона, честотата на смяна на SIM-картата и дори нивото на батерията в момента на кандидатстване са сигнали, които машината интерпретира като маркери за „стабилност“ или непредсказуемост.
1.2 Поведенчески телеметрии
Скоростта на писане, броят поправки в полето за сума и степента на колебание (измерена във времето между кликовете) участват в „поведенческия биометричен“ профил.
1.3 Социални мрежи и онлайн реч
Алгоритмите анализират плътността на мрежата от контакти, честотата на негативна лексика („не мога да плащам“, „болен съм“), паузи в активността, а понякога дори снимковия фон (луксозен интериор срещу студентско общежитие).
Банално селфи на екзотичен плаж може да намали лихвата, ако моделът го свърже с по-високи доходи.
1.4 Отворени банкови данни
Предстояща Директива PSD3 ще улесни достъпа на кредиторите до банкови транзакции с изрично съгласие, което допълнително разширява портфолиото от сигнали.
- Вътрешната кухня на алгоритмите
Когато чуете „изкуствен интелект“, в повечето случаи става дума не за мистериозен суперкомпютър, а за каскада от регресии, градиентни буустове и понякога дълбоки невронни мрежи, обясняват от StikCredit.bg. Според Европейския банков орган 73 % от банките в ЕС вече използват машинно обучение за моделиране на кредитен риск, като дърветата за решения и градиентният бууст са най-популярни заради добрия баланс между точност и обяснимост.
Фийчър инженеринг – критичният етап, в който суровите данни се превръщат в числови показатели. Пример: броят на уникалните локации, от които се логвате месечно, може да се интерпретира като стабилност (пътуващ служител) или риск (турист, който ще е трудно откриваем).
Model Stacking – практиката да се комбинират няколко модела, всеки фокусиран върху различен тип данни (поведенчески, социални, финансови). Това повишава точността, но прави системата още по-непрозрачна.
Обратна връзка – просрочието на всеки клиент се „влива“ обратно в алгоритъма, което значи, че моделът се адаптира динамично, а потенциалните грешки се мултиплицират, ако няма човешки надзор.
- Защо индустрията обожава тези модели?
- Скорост – средното време за одобрение падна под 60 секунди, което увеличи конверсията на заявките с над 40 %.
- Разширена клиентска база – алгоритмите позволяват кредитиране на фрийлансъри, сезонни работници и студенти без стабилен трудов договор.
- По-ниски оперативни разходи – автоматизацията замества екипи за оценка и събиране на документи.
- Теоретично по-точен риск – интегрирането на хиляди сигнали обещава по-ниски нива на просрочие спрямо класическия скоринг.