Banki i firmy pożyczkowe wydają miliony na budowę i utrzymanie modeli scoringowych. Modele te są często czarnymi skrzynkami, a regulatorzy coraz mocniej naciskają na wyjaśnialność decyzji kredytowych. Co gdyby zamiast skomplikowanego modelu globalnego wykorzystać bibliotekę historycznych przypadków i oceniać nowego wnioskodawcę przez podobieństwo do znanych profili? To podejście, inspirowane mechanizmem węchu muszki owocowej, obiecuje szybkość, transparentność i niższe koszty.
Jak działa metoda analogii?
Wyobraź sobie doświadczonego analityka kredytowego, który po latach pracy pamięta setki przypadków. Gdy dostaje nowy wniosek, od razu przywołuje w pamięci podobne firmy czy osoby i na tej podstawie szacuje ryzyko. Metoda opisana przez Ahmeda i Stinisa działa dokładnie tak samo, tylko zamiast ludzkiej pamięci używa cyfrowej biblioteki przypadków.
W fazie offline buduje się zbiór reprezentatywnych profili kredytowych z przeszłości. Każdy profil to zestaw cech (np. wskaźniki finansowe, branża, historia w BIK) oraz przypisana mu wartość ryzyka, na przykład prawdopodobieństwo defaultu (PD). W fazie online, dla nowego wnioskodawcy, system oblicza podobieństwo do każdego profilu w bibliotece, a następnie łączy znane PD z wagami zależnymi od tego podobieństwa. Wynik to prognoza PD dla nowego przypadku.
To, co odróżnia tę metodę od tradycyjnego uczenia maszynowego, to brak konieczności budowania jednego, globalnego modelu matematycznego. Biblioteka może być aktualizowana o nowe przypadki bez ponownego trenowania czegokolwiek. To trochę jak kartoteka, która rośnie i staje się coraz mądrzejsza.
Przykład z polskiego rynku
Weźmy fintech 'SzybkaPożyczka', który udziela kredytów dla małych firm. Przez trzy lata zebrał 8 000 historii spłat. Każdy kredyt opisany jest 30 cechami: od przychodu i zysku netto, przez wskaźnik zadłużenia, po liczbę dni opóźnień w ZUS. Zespół analityków wybrał z tej bazy 2 000 najbardziej reprezentatywnych przypadków, używając prostej metody klastrowania. Do każdego z nich przypisał faktyczne PD: 0% dla terminowo spłaconych, 100% dla tych, które trafiły do windykacji.
Gdy wpływa nowy wniosek od firmy budowlanej z obrotami 600 tys. zł i wskaźnikiem ogólnego zadłużenia 65%, system w ciągu sekundy przeszukuje bibliotekę i znajduje 50 najbardziej podobnych profili. Podobieństwo mierzone jest zwykłą odległością euklidesową po znormalizowanych cechach. Wśród tych 50 profili 15 to firmy budowlane o podobnym zadłużeniu, z których 12 spłaciło kredyt terminowo, a 3 miały poważne opóźnienia. Waga przypisana tej grupie wynosi 0,4. Pozostałe 35 profili pochodzi z innych branż, ale z podobną strukturą finansową. Ostatecznie ważona średnia daje prognozę PD na poziomie 3,8%.
Decyzja kredytowa jest teraz w pełni wyjaśnialna. Analityk może pokazać kierownikowi, a nawet klientowi: 'Pańska firma jest bardzo podobna do tych 15 przypadków z branży budowlanej. W 80% z nich spłata przebiegała bezproblemowo, ale w 3 przypadkach wystąpiły opóźnienia. Dlatego oferujemy oprocentowanie 9,5% zamiast 8%, bo ryzyko jest nieco wyższe.'
Korzyści i koszty
Bank Regionalny, średniej wielkości instytucja komercyjna, testował tę metodę przez pół roku na portfelu kredytów konsumenckich. Wcześniej korzystał z zewnętrznego modelu scoringowego, który kosztował 500 tys. zł rocznie za licencję i dostosowanie. Wdrożenie biblioteki przypadków na własnym serwerze kosztowało 80 tys. zł jednorazowo, a utrzymanie to około 2 tys. zł miesięcznie na aktualizację danych. Po pilotażu bank zdecydował się na stopniową migrację.
Efekt? Czas decyzji kredytowej skrócił się z 4 godzin do 12 minut. Wskaźnik kredytów z opóźnieniem powyżej 30 dni spadł o 1,2 punktu procentowego w porównaniu z modelem referencyjnym, głównie dlatego, że biblioteka lepiej wyłapywała subtelne wzorce w danych sezonowych. W liczbach bezwzględnych oznacza to około 600 tys. zł mniej strat na portfelu 50 mln zł.
Dodatkowo, dział audytu wewnętrznego przestał narzekać na brak transparentności. Każdą decyzję można odtworzyć i pokazać regulatorowi listę podobnych przypadków z przeszłości. To nie jest 'czarna skrzynka' – to czytelna kartoteka.
Podsumowanie
Metoda analogii nie zastąpi całkowicie zaawansowanych modeli uczenia maszynowego tam, gdzie istnieją ogromne zbiory danych i zmienne zależności. Ale w wielu realnych zastosowaniach – zwłaszcza w mniejszych bankach, firmach pożyczkowych czy przy ocenie nietypowych wniosków – daje zaskakująco dobre rezultaty przy minimalnych kosztach i maksymalnej przejrzystości. Jeśli masz bazę przynajmniej 2 000 historycznych spłat i chcesz sprawdzić, czy to działa, zbuduj bibliotekę reprezentatywnych przypadków, wybierz prostą miarę podobieństwa i przetestuj na próbce 500 wniosków z ostatnich miesięcy. Wyniki mogą cię zaskoczyć.
- Szybka ocena: prognoza w kilka sekund bez budowania modelu
- Wyjaśnialność: decyzja poparta konkretnymi podobnymi przypadkami
- Niskie koszty: biblioteka aktualizowana przyrostowo, bez ponownego trenowania
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: From Classification to Regression: Using a Fruitfly to Solve Equations
Autorzy: Shady E. Ahmed, Panos Stinis
We present a novel approach to regression tasks using classification which is motivated by the mechanism used by fruitflies to sense their environment. Specifically, we formulate a general framework for learning nonlinear input-output relationships by replacing complex global surrogate models wit...
arXiv: arxiv.org/abs/2607.27196
Czytaj więcej o tej technologii: Jak muszka owocowa pomaga rozwiązywać równania
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
