L’intelligenza artificiale e i dati generati dai nuovi sistemi di Mobile Payment stanno rivoluzionando la finanza. Nel mondo vengono generati sempre più dati, provenienti da fonti diverse in grado di migliorare gli algoritmi di machine learning.
In questo articolo vedremo come l’IA ha permesso di migliorare le previsioni credit risk score del 20% e di dare un punteggio a persone che non hanno neanche il conto corrente.
Indice dei contenuti
Cos’è il rating degli individui?
Il rating degli individui nasce negli USA, dove vengono tracciate e archiviate le abitudini finanziarie delle persone, come: la puntualità nel pagare le rate delle carte revolving, delle bollette, dei mutui o dei contratti sottoscritti.
Tutti questi dati vanno a finire dentro una sorta di archivio personale dei clienti chiamato “credit history”. Un credit history senza note negative e ritardi nei pagamenti rende il cliente più affidabile, meritevole di prestiti, mutui o finanziamenti.
L’analisi statistica della credit history permette di determinare il “credit score”, un punteggio riassuntivo che rappresenta l’affidabilità e il grado di rischio di un cliente.
L’immagine rappresenta il credit score di FICO, una delle imprese leader del settore:
Credit Score con l’intelligenza artificiale
Il machine learning permette di insegnare ai computer ad analizzare i dati, imparare da essi e fare una previsione sui nuovi dati.
Piuttosto che codificare manualmente una serie specifica di istruzioni per eseguire una determinata attività, l’intelligenza artificiale viene “addestrata” utilizzando grandi quantità di informazioni per imparare come eseguire l’attività.
Il machine learning, come la statistica, permette di trovare schemi, tendenze, pattern e correlazioni in dataset di grandi dimensioni. Ma come si può applicare l’intelligenza artificiale al credit score degli individui?
Leggi anche:
Perché digitalizzare i processi di Factoring Bancario?
Esempio:
Luca ha 20 anni, un contratto a tempo determinato come cameriere da 1300€ al mese e dispone di 1000€ nel conto in banca. Vive in una casa presa in locazione, spesso non riesce a pagare le bollette della luce perché deve rimborsare un finanziamento effettuato per l’acquisto della sua prima macchina.
Il buon senso fa capire che Luca ha un profilo di rischio elevato e un rating basso. Per gli istituti di credito è rischioso concedere un secondo finanziamento a Luca perchè:
- Non ha un lavoro stabile
- Non ha un patrimonio che fa da garanzia
- Ha già comprato la macchina con un finanziamento
- Non paga alla scadenza le bollette
Tutti questi segnali sono statisticamente correlati negativamente con la capacità di ripagare un secondo finanziamento. Semplificando, il credit score degli individui viene tradizionalmente calcolato pesando e stimando tutta una serie di variabili come quelle presentate nel caso di Luca. Il calcolo tradizionale ha tuttavia dei punti di debolezza, ad esempio gli utenti vengono classificati in categorie come “cliente nuovo” o “già esistente” e a volte non viene dato il giusto peso alle dinamiche comportamentali degli individui.
L’intelligenza artificiale è in grado di creare previsioni, individuando pattern che sfuggono agli esseri umani analizzando grandi quantità di dati provenienti da fonti diverse. Ad esempio l’introduzione del machine learning nella stima del credit score ha portato ad un miglioramento del 20% nelle previsioni di FICO:
Con il credit risk scoring si riassumono molte variabili di natura finanziaria, comportamentale e demografica dentro un singolo indicatore. Riassumere tutte queste diverse variabili in un unico score è impegnativo, ma le tecniche di machine learning aiutano a raggiungere questo obiettivo.Tipicamente, i metodi di apprendimento statistico assumono relazioni tra variabili sotto forma di equazioni matematiche, mentre i metodi di machine learning possono imparare dai dati senza richiedere alcuna programmazione basata su regole. Come risultato di questa flessibilità, i metodi di machine learning possono adattarsi meglio ai pattern presenti nei dati.
Un modello di machine learning, non vincolato da alcune delle ipotesi dei modelli statistici classici, può fornire intuizioni molto migliori che un analista umano non potrebbe dedurre dai dati.
Moody’s
Come valuta lo score di Luca l’intelligenza artificiale?
Per dare uno score a luca l’algoritmo di IA si è “allenato” tutti i tutti i dati dei clienti precedenti. Ha analizzato miliardi di dati provenienti da fonti diverse e da clienti diversi per fornire una previsione sulla sua capacità di Luca di ripagare un ulteriore finanziamento.
Come dare uno score a chi non ha neanche un conto corrente?
Nei paesi in via di sviluppo grosse fette di popolazione non hanno il conto corrente o una carta di credito, di conseguenza non esiste una credit history con cui è possibile calcolare il credit score. Per gli istituti finanziari è difficile concedere un finanziamento senza conoscere il profilo di rischio dei propri clienti (Solo il 25% dei cinesi ha una credit history).
Le imprese Fintech cinesi sono riuscite a risolvere questo problema brillantemente. Nelle città cinesi l’80% dei cittadini ha utilizzato i nuovi sistemi di mobile payment come Alipay.
L’analisi dei big data e il machine learning hanno permesso di stimare il credit score degli utenti che utilizzano servizi come Alipay. I giganti tech che controllano queste app, possono utilizzare i miliardi di dati relativi alle transazioni dei clienti per stimare il profilo di rischio. Queste applicazioni allenano l’IA con fonti provenienti da molti data point. Ad esempio se l’utente fornisce il consenso vengono analizzati i dati provenienti dai social media come Wechat o dagli acquisti offline.
Quando si parla di machine learning bisogna stare attenti: aumentare la mole di dati e i data point non per forza crea modelli più precisi. Per creare una buona IA servono dati aggiornati e anche i risultati sui finanziamenti. Per apprendere, l’algoritmo deve sapere se i dati relativi ad un cliente hanno portato al pagamento di tutte le rate del mutuo oppure no.
Visioni future
Nei prossimi anni la diminuzione del contante e la crescita dei nuovi sistemi di pagamento probabilmente aumenterà la precisione degli algoritmi. Ci saranno più dati a disposizione e fonti diverse. Due sfide importanti riguarderanno sicuramente la privacy degli utenti e la comprensione del IA. Il machine learning come black box non permette di spiegare ai propri clienti perché hanno un credit score basso. FICO ha fatto passi avanti in tal senso ma c’è ancora del lavoro da fare, soprattutto se la regolamentazione del nazione in cui si opera è stringente. Le applicazioni che detengono e che avranno a disposizione i dati relativi alle transazioni dei clienti come Alipay in Cina avranno sicuramente un ruolo centrale nel prossimo futuro.
Data is the new oil.
