Správně vyhodnotit, komu lze bezpečně půjčit peníze, a komu ne, je velmi náročný úkol. Množství relevantních informací je obrovské. Následky špatných rozhodnutí přitom mohou pocítit nejen klienti bank či finanční instituce samotné, ale v extrémním případě celá společnost – což bolestivě ukázala poslední finanční krize. Paradoxně jde ale do značné míry „jen“ o datový problém, s jehož řešením mohou pomoci moderní technologie.

Otázka nasazení umělé inteligence (AI) v oblasti vyhodnocování rizika je palčivá, protože za ní jsou peníze. Hodně peněz. V srpnu 2018 měly jen české domácnosti rozpůjčováno více než 1,5 bilionu korun. Spotřební úvěry dosáhly výše 295 miliard korun, úvěry na bydlení přesáhly 1,2 bilionu a ostatní úvěry domácností činily 165 miliard.

Reálná hodnota úvěru však závisí na pravděpodobnosti, s jakou ho žadatel splatí, odvíjí se od hodnoty zástavy, která je dána řadou proměnných, a záleží i na vývoji indikátorů, jako jsou inflace, úrokové sazby ovlivňující marži, růst ekonomiky nebo vývoj trhu s nemovitostmi. Úvěrování je tak ve své podstatě big data problém, který vytváří vhodné podmínky pro nasazení AI.

McKinsey ve své nedávné studii uvádí, že strojové učení může snížit ztráty z úvěrů až o desetinu, přičemž polovina risk manažerů zároveň očekává snížení času potřebného na rozhodování o 25 až 50 procent proti současnému stavu. V MIT zase spočítali, že s pomocí umělé inteligence mohou banky snížit ztráty z nesplácených úvěrů až o 25 procent.

Jak? Od umělé inteligence se v zásadě očekává, že pokud se naučí analyzovat všechny klíčové parametry, bude umět podporovat správná rozhodnutí, komu půjčit, jakou částku a za jakou cenu. Takže tu máme jasný recept: dáme všechna data na jednu hromadu a necháme počítač, aby se v nich „prohrabal“ a řekl nám, s jakou pravděpodobností žadatel přestane splácet. A čím více dat o žadateli získáme a vložíme do modelu, tím lépe můžeme odvodit jeho kredibilitu. Má to nějaký háček?

V Česku již brzy

Dá se očekávat, že v České republice začnou umělou inteligenci v risk scoringu využívat nejprve menší banky, u kterých má i malé zefektivnění prodeje a snížení počtu tzv. defaultů velký dopad.

Význam umělé inteligence v oblasti úvěrů dokresluje loňská zpráva od JP Morgan Chase, kde ve vlastním cloudu spustili AI platformu COIN (Contract Intelligence). Díky ní jsou schopni revidovat 12 000 nových firemních úvěrových smluv (zřejmě typizovaných) během „několika sekund“. Zaměstnancům by údajně tato činnost zabrala 360 000 hodin ročně.

Nasazením AI se snížila i chybovost v obsluze úvěrů, která je podle tvůrců projektu důsledkem lidských chyb při interpretaci smluv. Modely založené na umělé inteligenci kombinují big data s možností využít více zdrojů k lepšímu pochopení klienta. Banka může analyzovat větší objem dat finanční i nefinanční povahy, může spouštět různé kombinace vstupních a řídících proměnných a učit se z dat s cílem lépe předpovídat.

Ve výsledku ale může AI pomoci i klientům bank. Nejde totiž pouze o to, aby „nemilosrdná“ umělá inteligence lépe a rychleji odhalovala rizikové půjčky, cílem je také nabídnout každému žadateli přesně to správné řešení.

Nasazením AI už v počáteční fázi prodeje úvěru lze žadatele nasměrovat a následně nastavit parametry produktu tak, aby měla žádost vyšší šanci na úspěch. Zprostředkovatelé nabízející produkty z více bank mohou jít ještě o úroveň výše. S pomocí umělé inteligence a znalostí minulých úspěšných a neúspěšných prodejů mohou žádost o úvěr s danými parametry nasměrovat na banku, která s vysokou pravděpodobností návrh akceptuje.

Obchod tak neplýtvá časem na případy, které „přes risk neprojdou“. I malé banky přitom ročně propálí tisíce člověkodní práce na zpracování úvěrů, které jsou nakonec zamítnuty. AI nasazené zkraje prodejního procesu má šanci odhadnout pravděpodobnost zamítnutí lépe než člověk.

Ne náhrada, ale doplněk tradičních řešení

Banky byly dosud konzervativní a setrvávaly u tradičních prediktivních řešení. Jejich modely se soustředí na žadatelovy finance, kategorizují klienty podle demografických a behaviorálních ukazatelů, historie minulých plateb, aktuální zaúvěrovanosti nebo typů úvěrů, které využívá. Kromě dat z registrů se využívají i vybrané makroekonomické indikátory.

Výhodou je, že takové postupy jsou snadno auditovatelné a žadateli o úvěr (případně České národní bance coby regulátorovi) lze jednoduše vysvětlit, jakým způsobem byl klient posuzován. Oproti tomu rozhodnutí učiněná s pomocí umělé inteligence nelze s rozumně vynaložitelným úsilím podobně objasnit.

Naopak slabinou tradičního přístupu pro scoring je malá flexibilita. Využívá předem známé výpočtové algoritmy a parametry, tzv. prediktory, přičemž cílem je mít model dlouhodobě stabilní, s dobrými predikčními vlastnostmi. Kvůli složitosti tvorby a testování těchto modelů a náročným požadavkům na dokumentaci a schválení regulátorem se však aktualizují v několikaletém cyklu tak, aby reagovaly na podstatné změny na trhu.

Trh se ale vyvíjí rychle, objevují se nové vzorce chování a spotřeby a spolu s tím se vyvíjí i technologie na úvěrovém trhu. Proto je nutné průběžně monitorovat očekávanou výkonnost scoringových modelů a případně do nich zařazovat nové, vhodnější prediktory. Tradiční scoringové modely ztrácí významné množství signálů a jejich kombinace s AI může bance přinést do oblasti modelování rizik řadu výhod, pokud ví, jak je spolu využít.