Nové technologické trendy jako nástup rutinního užívání strojového učení a dalších forem umělé inteligence (AI) spolu se změnou obchodních strategií některých klíčových dodavatelů rozhodovacích řešení a možností jejich outsourcingu do cloudu formou Software as a Service (SaaS) přinášejí nové možnosti rozvoje rozhodování u stávajících uživatelů. Dále umožňují snižování ekonomické náročnosti pro využití novými uživateli z okruhu menších a středních institucí. Klíčové vlastnosti těchto moderních nástrojů v době využívání AI jsou následující.

Rozhodovací model definuje člověk

Soudobé rozhodovací modely jsou komplikované, s komplexními strukturami výpočtu a skórovacími modely. Případně se jedná o technologicky odlišné modely strojového učení. Moderní systémy pro definici rozhodovací logiky poskytují nástroje, které uživateli umožňují udržovat přehled o modelu a vytvářet rozhodovací logiku bez kódování – pomocí intuitivního uživatelského rozhraní. Trendem je i řízení přístupu a viditelnosti jednotlivých částí modelu pro různé uživatelské role, například možnost změnit cut-off hodnoty pro uživatele s omezenými právy.

Vzhledem k bankovnímu dohledu a regulaci, zejména v úvěrových procesech, je klíčové automatické vytváření úplné dokumentace, která věrohodně prokáže soulad užitých rozhodovacích modelů s legislativou včetně užití AI modelů tam, kde je to možné – marketingové účely. Nikoli pro kalkulaci úvěruschopnosti. Důležité je i verzování modelu a replikovatelnost minulých rozhodnutí.

Změna modelu a rychlé učení

Rozhodovací systém musí umožnit efektivní porovnávání dosažených KPIs s předpoklady použitými při definici modelu a umožnit jeho efektivní kalibraci pomocí testovacích nástrojů, What-If analýzy, Champion Challenger přístupů i při zahrnutí prvků AI do celkového modelu. Další vrstvou je inteligentní optimalizační nástroj, který na základě historických dat navrhuje alternativní strategie, kdy lze navržené změny urychleně zavést do modelu.

Otevřenost a flexibilita

Nástroj musí být připraven pro adaptaci na nová data a nové přístupy k definování obchodní logiky při zachování kontinuity rozhodování. Nyní v tomto kontextu hovoříme o využití dat otevřeného bankovnictví a o analýze definované modely v jazycích R nebo Python.

Nezačínat s prázdným stolem

Zejména noví uživatelé rozhodovacích nástrojů zkrátí dobu nasazení do praxe, pokud využijí předpřipravené šablony typických rozhodovacích procesů jak pro schvalování retailových, tak SME úvěrů. Šablona nabízí datovou strukturu pro obvyklá data jako sociodemografické údaje žadatele a spolužadatele, úvěrovou zprávu, finanční ukazatele, data z otevřeného bankovnictví a další. Také skýtá standardní rozhodovací logiku, do které si instituce doplní svá cut-off kritéria a parametry skóringových karet.

Výhody SaaS rozhodovacího systému

Ve společnosti CRIF jsme si vědomi toho, že každá nová technologie si žádá alokaci zdrojů, hlavně v oblasti IT infrastruktury, bezpečnosti a systémové administrace. Tyto obtíže totiž brání rychlému nasazení inovací. Regulační rámec, který přestává bránit finančním institucím využívat tyto formy IT outsourcingu, a zvyšující se bezpečnost i dostupnost cloudových služeb nahrávají tomu, že v prostředí cloudu formou SaaS nabízí CRIF také rozhodovací systémy. Toto řešení má i další výhody:

• Rychlý Proof of Concept – Možnost vyzkoušet si nový produkt, rozhodovací model a další inovace v izolovaném prostředí za minimální náklady a v případě úspěchu novinku převést do standardního provozního modelu.
• Flexibilní náklady – SaaS je obvykle účtován na základě počtu provedených transakcí, což znamená nižší fixní náklady.
• Vždy nejnovější software – Dodavatelé SaaS garantují nasazení posledních verzí produktu bez nutnosti využívání interních IT kapacit.
• Škálovatelnost řešení – Systém roste podle obchodních potřeb.
• Možnost rozšíření – V režimu SaaS mohou být rozhodovací systémy rozšířeny o konektivitu do externích datových zdrojů jako úvěrové registry a veřejné databáze, případně mohou být podporovány pracovními postupy, od back office po řízení interakce s koncovým zákazníkem v rámci zákaznické cesty.

Decision Engine posiluje rychlé, efektivní a informované rozhodování finančních institucí. Koexistence AI modelů a obvyklých rozhodovacích metod je v moderních rozhodovacích nástrojích podporována a spolu s využitím dodávky SaaS poskytuje automatizaci rozhodování i v segmentech, kde nebyla doposud využívána. Digitální vývoj odvětví si tak vynucuje přijetí této technologie jako nezbytné pro udržení konkurenceschopnosti a řízení rizik na dynamickém, silně regulovaném trhu.

Autor: Pavel Ramert, Credit Solutions Director, CRIF – Czech Credit Bureau

Od roku 2006 je v CRIF – Czech Credit Bureau zodpovědný za dodávky systémů řízení rizik do finančních institucí. Osobně se zaměřuje na optimalizaci a digitalizaci úvěrových procesů. Po ukončení studia na Matematicko-fyzikální fakultě Univerzity Karlovy pracoval v oblasti mobilního computingu a FMCG. Manažerské vzdělání získal na Open University v Milton Keynes.