Analisi del rischio e credit scoring: modelli e applicazione
Tecnologia e digitalizzazione sono un must della nostra società e questi asset hanno rivoluzionato il modello di business di ogni azienda.
La finanza alternativa è l’espressione di questo paradigma: le PMI, ancora di più in seguito all’emergenza sanitaria, apprezzano l’offerta istantanea e la migliore esperienza cliente di queste soluzioni complementari rispetto al sistema bancario tradizionale.
Il fintech non è una nicchia ma un settore in forte crescita e, nelle piattaforme di finanziamento online, il cuore della tecnologia è il modello di analisi del rischio.
In October abbiamo sviluppato più modelli di analisi del rischio: la nostra tecnologia di neolending, grazie al lancio di October Connect, è ora a disposizione di terzi.
Per parlare dei nostri modelli di analisi del rischio, abbiamo incontrato Tejas Sherkar, il nostro Head of Data.
Che cos’è un modello di valutazione del rischio?
Scopo e funzionamento dei modelli di valutazione del rischio
Un modello di valutazione del rischio è fondamentalmente un insieme di regole per quantificare il rischio legato alla concessione di credito a un’impresa. Queste regole e i dati che le alimentano determinano la natura, la complessità e la performance del modello.
I rating model si concentrano soprattutto sulla previsione della capacità di solvibilità dell’impresa. Mentre, gli scoring model possono prevedere la solvibilità e il potenziale default.
In October, ci concentriamo sulla costruzione di scoring model attraverso l’analisi predittiva.
Creazione di uno scoring model: approccio e metodologia
Focus su Machine Learning, valutazione, implementazione, validazione
Per costruire un modello è necessaria una chiara visione della questione da risolvere. Nel caso di October, la domanda a cui rispondere è stata: come possiamo gestire le richieste di finanziamento in modo veloce, scalabile e sicuro al fine di aiutare il maggior numero possibile di imprese mantenendo basso il nostro rischio di default?
Si tratta di un tema di classificazione binaria (default rispetto a non-default).
Iniziamo raccogliendo i dati dal nostro bacino di dati (un archivio di informazioni costruito in-house con proprietà ACIDforzate), che include le aziende esistenti nel nostro portafoglio e il loro comportamento di rimborso, tutte le richieste di prestito storiche e i loro dati finanziari associati, i dati delle transazioni bancarie e i flag di default.
Questa attività è tipicamente seguito da una fase di pulizia dei dati, in cui esaminiamo la distribuzione di tutti i data points relativi alle richieste di prestito storiche, per gestire i valori anomali e mancanti. Lo scopo di questo esercizio è capire la nostra base clienti e costruire un set di dati rappresentativo su cui possiamo preparare il nostro modello.
In October usiamo sia modelli lineari che non lineari preparati su questo data-set rappresentativo. I modelli non lineari sono spesso considerati come una scatola nera, ma noi facciamo uso di SHAP per rendere i modelli non lineari completamente spiegabili.
Qual è il cliclo di vita di un risk scoring model?
Dopo che il modello è stato preparato e rilasciato in produzione, monitoriamo i data points (che il modello usa per lo scoring) delle nuove richieste di finanziamento per un determinato periodo di tempo (di solito 3-6 mesi).
Se le caratteristiche statistiche di questi nuovi data points sono cambiate in modo significativo rispetto all’ultimo aggiornamento del modello, è probabile che ri-aggiorneremo il modello e metteremo in produzione una versione migliorata. Ma questa non è un’azione da attuare con leggerezza: dobbiamo capire cosa è cambiato nella base dati e i difetti che sono stati immessi.
Siamo anche alla ricerca di nuovi data point, sia come combinazione di dati già esistenti o raccolti da fornitori esterni, che possano migliorare la performance del nostro modello.
Differenze tra il Punteggio Kea e Magpie
Magpie è un modello di scoring istantaneo che si basa su informazioni finanziarie (stato patrimoniale + conto economico) e comportamentali delle PMI e assegna un punteggio da 1 a 5 relativo alla probabilità incrementale di default.
Magpie e Kea sono costruiti utilizzando lo stesso tipo di algoritmo di apprendimento automatico (machine learning). Tuttavia, differiscono nel tipo di informazioni analizzate e nella tipologia di azienda considerata.
Magpie guarda i dati finanziari e comportamentali delle imprese per valutare la probabilità di default. Kea, invece, analizza le transazioni bancarie e i dati comportamentali per calcolare la probabilità di default dell’impresa.
Cosa analizza Kea nelle operazioni bancarie?
Le transazioni bancarie forniscono una visione d’insieme delle operazioni quotidiane di un’azienda. Kea guarda molti indicatori per analizzare la capacità e la volontà del mutuatario di ripagare il potenziale debito.
Questi indicatori vanno dal pagamento regolare dei costi operativi, ai piani di rimborso dei prestiti esistenti, ai ritardi di pagamento e alle variazioni del saldo bancario nel tempo.
Che impatto ha avuto il nuovo regolamento PSD2 (open banking) sulla creazione di questo nuovo modello di rating?
Il regolamento PSD2 permette al cliente di condividere in modo sicuro i propri dati bancari aziendali con un prestatore (come October) tramite un’API in pochi secondi.
Un modello come Kea (interamente basato sulle transazioni bancarie) può quindi analizzare questi dati istantaneamente, permettendo un’elaborazione più sicura e veloce di una richiesta di prestito.
Che impatto ha questo modello di rating sul processo di credito?
Gli scoring model come Magpie e Kea riducono il tempo necessario per prendere una decisione di credito e aiutano a raggiungere economie di scala.
Rendono ancora più prevedibile la nostra offerta di prodotti, poiché possiamo informare i nostri partner e le nostre imprese in anticipo dei passi da fare o dei documenti da richiedere ai clienti.
Dietro questi modelli automatici, che posto c’è per l’elemento umano?
Anche se il credit scoring è calcolato automaticamente, ci affidiamo alla competenza del nostro team operativo per identificare il cliente ed eseguire alcuni controlli anti-frode e di conformità prima di finanziare un’impresa.
A quali tipi di imprese si rivolge Kea scoring?
Per il momento, Kea si rivolge a imprese molto piccole in Francia e in Italia. L’importo del prestito può essere fino a 30.000 euro con o senza garanzia del governo. E’ in corso un’estensione della partnership in Spagna.