MACHINE LEARNING A SUPPORTO DEL CREDIT SCORING

CONTESTO

Il credit scoring è un sistema automatizzato utilizzato dalle banche per valutare l’affidabilità creditizia e la solvibilità di un potenziale cliente a seguito di una richiesta di un finanziamento, un prestito o un mutuo. Mediante la raccolta di informazioni presso Banche Dati pubbliche e private e l’analisi di una serie di dati in merito all’identità e al passato finanziario del richiedente, il credit scoring definisce un punteggio di accettazione riguardo al rischio di credito del richiedente stesso. Tale punteggio fornisce alla banca gli elementi indispensabili per decidere se accettare o rifiutare la richiesta del finanziamento e l’importo da concedere. In altre parole: il credit scoring consente ai creditori di distinguere tra un candidato affidabile e uno rischioso, fornendo una stima della probabilità di insolvenza da parte di quest’ultimo.

CHALLENGE

Per ottimizzare l’affidabilità del processo di credit scoring sono stati sviluppati recentemente alcuni algoritmi che sfruttano le potenzialità del Machine Learning. Il Machine Learning è una branca dell’Intelligenza Artificiale che punta all’implementazione di modelli analitici e previsionali attuati autonomamente da un computer. L’applicazione delle caratteristiche del Machine Learning al credit scoring consente di individuare, analizzare e collegare tra loro informazioni e dati difficilmente riconoscibili attraverso le tecniche statistiche classiche. Tra le variabili che i nuovi algoritmi prendono in considerazione sul richiedente troviamo informazioni geografiche, temporali o dati sui flussi di pagamento fatti su piattaforme e-commerce. Ecco che l’inclusione di queste nuove variabili nel processo di valutazione della solvibilità di un potenziale cliente rappresenta una capacità di analisi più evoluta. Ad oggi, nella maggior parte delle istituzioni finanziarie, i modelli di credit scoring sono ancora basati sull'approccio scorecard: il richiedente deve possedere sufficienti dati storici sul precedente comportamento di prestito al fine di poter essere valutato come "idoneo". Nel caso in cui tali informazioni storiche siano assenti (situazione tipica per i nuovi clienti), l'accesso al credito, anche per i mutuari più meritevoli, potrebbe risultare meno probabile. A differenza dei metodi tradizionali di scoring, quello che ricorre alle potenzialità del Machine Learning è più sensibile agli indicatori in tempo reale dell'affidabilità creditizia del potenziale mutuatario e, considerando “nuove” variabili come il livello attuale di reddito, le opportunità di lavoro, la potenziale capacità di guadagno, ecc., aiuta ad accedere con più probabilità ai programmi di credito, anche ai clienti privi di informazioni storiche. In conclusione, il credit scoring basato su Machine Learning è in grado di creare previsioni individuando pattern che sfuggono ai normali algoritmi tramite l’analisi di una grande quantità di dati provenienti da fonti diverse. Blue Reply, grazie alla sua esperienza nell’ambito IT, alla profonda conoscenza dei paradigmi legati alla valutazione del credito ed in particolare alle tecniche evolute di applicazione dell’Intelligenza artificiale, supporta i propri clienti nell’evoluzione dei propri processi di credit scoring.

FATTORI RILEVANTI PER VALUTARE IL CREDIT SCORING

In accordo con le indicazioni fornite dalla Banca D’Italia, le informazioni più rilevanti che il credit scoring prende in considerazione risultano relative a:

BENEFICI

Lo sviluppo e l’utilizzo nel settore bancario e finanziario di nuove tecnologie che sfruttano l’Intelligenza Artificiale e il Machine Learning hanno portato diversi vantaggi al processo di valutazione creditizia garantendo nuovi benefici.
  • Riduzione dei tempi di attesa: grazie a un processo più efficiente, la gestione del rischio basata su Machine Learning consente di fornire risposte in tempi ancora più brevi al cliente durante la valutazione creditizia per la richiesta di un prodotto

  • Valutazione accurata del richiedente: la procedura di credit scoring che si affida al Machine Learning, recuperando un set informativo più vasto, consente di effettuare una valutazione sempre più precisa e puntuale

  • Ampliamento del business: basandosi su questi modelli innovativi, possono essere introdotti nel processo di valutazione creditizia nuovi e specifici prodotti come instant lending, peer to peer lending, etc

  • Risparmio sui costi di data providing: il credit scoring potenziato con gli algoritmi del Machine Learning consente di effettuare una prevalutazione del cliente a partire da dati che identificano subito un soggetto dimostrante criticità nel rispettare in modo puntuale un pagamento, ancora prima di reperire sul mercato informazioni a pagamento

LE SFIDE DEL FUTURO

Il futuro del credit scoring è in continua evoluzione poiché strettamente connesso al progresso delle tecnologie digitali: a titolo d’esempio da qualche anno il governo cinese sta sperimentando quello che viene definito il “Social Credit Score” per valutare l’affidabilità di un consumatore recuperando dati dai Social Network. Se da un lato questa soluzione apre la scena all’evoluzione di molti processi tipici delle istituzioni finanziarie, dall’altro pone l’accento sulle tematiche di privacy fondamentali per la tutela del cliente in questo mondo sempre più digitale.