דירוג אשראי מבוסס רגרסיה לוגיסטית כמנוע החלטות עסקי
ארגונים פיננסיים אינם מתקשים היום לאסוף נתונים, הם מתקשים להפוך אותם להחלטות אשראי שאפשר להסביר, לתמחר ולבקר לאורך זמן. דירוג אשראי מודרני אינו רק ציון יפה בדשבורד, אלא שכבת תרגום בין מתמטיקה, מדיניות סיכון, רגולציה וחוויית לקוח. כאשר הציון אינו מובן למנהלי האשראי, הוא נשאר ניסוי אנליטי ולא הופך למערכת תפעולית אמינה.
דירוג אשראי מתחיל בתרגום נכון של רגרסיה לוגיסטית
הדיון סביב מודל דירוג אשראי עם רגרסיה לוגיסטית חשוב דווקא מפני שהוא מזכיר אמת בסיסית בעולם ה AI הפיננסי: מודל טוב אינו נמדד רק בדיוק החיזוי שלו. רגרסיה לוגיסטית מעריכה את ההסתברות לכשל אשראי באמצעות שילוב ליניארי של משתנים והמרה לפונקציה לוגיסטית. היתרון העסקי שלה הוא שהמקדמים ניתנים לפירוש, ולכן אפשר להפוך אותם לנקודות ציון: יחס החזר להכנסה, ריבית, ותק תעסוקתי, היסטוריית פיגורים, בעלות על נכס ומאפיינים נוספים מקבלים תרומה חיובית או שלילית לסולם סיכון ברור.
מנהלים נוטים לבקש ציון בטווח נוח, למשל אפס עד אלף, אבל החלק הקריטי הוא לא הטווח אלא הכיול. שינוי של חמישים נקודות צריך לייצג שינוי אמיתי ברמת הסיכון ולא רק עיצוב מספרי. לכן יש לבחון מדדים כמו AUC, שיעור כשל לפי עשירוני ציון, יציבות אוכלוסייה לאורך זמן ומדד PSI לזיהוי שינוי בהתפלגות הנתונים. בלי שכבת ולידציה כזו, הציון עלול להיראות מקצועי בזמן שהוא מסתיר סיכון תפעולי.
מודלים כלכליים צריכים להפוך למדיניות אשראי ולא רק לתחזית
הסתברות לכשל היא שפה טובה לאנליסטים, אבל מערכות עסקיות צריכות כללים. ציון אשראי מאפשר להגדיר אזורי החלטה: אישור אוטומטי, בדיקה ידנית, הצעה עם בטוחה, מחיר ריבית גבוה יותר או דחייה. כאן נכנס ההבדל בין מודל לבין מוצר אשראי. מודל שמנבא היטב אך אינו מחובר למדיניות חיתום, לתמחור, למגבלות רגולציה ולשירות הלקוחות, לא ייצר ערך יציב.
כאשר מלווים ארגונים בהטמעת פתרונות AI, רואים שוב ושוב שהכשל אינו טכני בלבד. צוות דאטה יכול לבנות מודל מדויק, אבל בלי מומחי אשראי, משפט, סיכונים ותפעול מתקבלת מערכת שאינה ניתנת להפעלה בטוחה. תחום ה AI הוא מולטידיסציפלינרי, ובאשראי זה בולט במיוחד. אדם בלולאה עדיין חיוני, אך תפקידו צריך להשתנות ממאשר ידני של כל בקשה למפקח על מאות החלטות, חריגים, מגמות והטיות.
סיכוני AI באשראי מחייבים ניטור, הסבר ובקרה רציפה
מערכת ניקוד איכותית חייבת להיבדק בשלוש שכבות. שכבה ראשונה היא הפרדה סטטיסטית בין לקוחות שכשלו לבין לקוחות תקינים, גם בנתוני אימון וגם בנתוני בדיקה. שכבה שנייה היא יציבות בזמן, משום ששינוי בריבית, אבטלה או דפוסי צריכה יכול להפוך מקדם שהיה תקף בעבר לפחות רלוונטי. שכבה שלישית היא הוגנות והסבר, במיוחד כאשר משתנים מסוימים עלולים לשמש פרוקסי לאוכלוסיות רגישות.
ההמלצה הנכונה למנהלים היא להתייחס לדירוג אשראי כאל מערכת חיה. צריך להגדיר בעלות עסקית על המודל, לוח ניטור חודשי, ספי התרעה לשינויי ביצועים, תהליך אישור לשינוי מקדמים ומנגנון תיעוד שמסביר מדוע החלטה התקבלה. בנוסף, כדאי לבנות מחלקות סיכון עם נפח אוכלוסייה מספיק ושיעור כשל מובחן, ולא להתפתות לחיתוכים קטנים מדי שנראים חכמים אך אינם יציבים סטטיסטית.
דירוג אשראי מבוסס רגרסיה לוגיסטית אינו פתרון מיושן, אלא דוגמה מצוינת ל AI יישומי שעובד כאשר מחברים ידע אקדמי, ניסיון עסקי ותשתית ניהולית. ארגון שרוצה להטמיע בינה מלאכותית בתחום פיננסי רגיש צריך פחות להתרשם ממורכבות המודל ויותר לשאול האם ניתן להסביר אותו, לנטר אותו, לכייל אותו ולתרגם אותו לפעולה עסקית. שם נמצא הערך האמיתי.
