Creditchecks van de toekomst: Wat Ai kan leren van experts

De beoordeling van kredietrisico’s bij financiële instellingen is in veel gevallen tijdrovend, complex en/of aanwezig in grote volumes. Om daar een efficiëntieslag in te maken zijn diverse bedrijven gebruik gaan maken van “rule-based” beslisbomen voor het verwerken van creditchecks. Dat stelt director banking Simone Mensink van IG&H

• Ai accepteren is een zaak van overwinnen van weerstand
• gebrek aan kennis weerhoudt bedrijven te beginnen met Ai
• Door Expert Based Learning (EBL) kan Ai gedresseerd worden door experts

‘Ruled based’ beslisbomen worden grotendeels geautomatiseerd, doorlopen om te bepalen of een krediet al dan niet wordt toegewezen. Echter, zodra een creditcheck enige vorm van complexiteit met zich meebrengt, voldoet een “rule-based” beslisboom niet meer. Hiervoor biedt een meer geavanceerde manier van modelleren een oplossing, genaamd Expert Based Learning.

Expertkennis als basis van Ai

Met Expert Based Learning (EBL) wordt de kennis en kunde van experts, vanuit de Front-office en Riskafdeling, vastgelegd in een AI-model. De experts identificeren de relevante variabelen, stellen een trainingsset op en voorzien ongeveer 500 representatieve voorbeelden van een objectieve risicoscoring. Hiermee wordt de afhankelijkheid van historische data verkleind en is het model flexibeler aan te passen aan veranderende (markt)omstandigheden.

Complexe controles

De asset based finance afdeling bij een bank heeft vaak te maken met zeer complexe creditchecks door de vele variabelen en onderliggende interacties, waar rekening mee moet worden gehouden. Niet alleen bij het aanvraagmoment maar ook later bij verlengingen en revisies. De afdeling heeft te maken met zowel laagrisico- als hoogrisicoprofielen die veel handmatige handelingen vergen.

Automatiseren creditchecks

Door de kennis en kunde van de risk experts vast te leggen in een EBL gebaseerd AI-model, kunnen deze creditchecks voor een groot deel worden geautomatiseerd. De ervaring met aanvragen met een laagrisicoprofiel laat in de praktijk een reductie tot wel 80% van het manuele werk zien. De tijdsbesparing die zo gerealiseerd wordt, kan gebruikt worden voor de beheersing van risico voor hoog-risico klanten en commerciële activiteiten.

Consistentie, efficiëntie, snelheid en flexibiliteit

Een EBL AI-model is ontworpen om objectief en consistent te werken, waardoor de kans op menselijke fouten en vooroordelen afneemt. In de praktijk zien we dat twee experts op dezelfde aanvraag tot verschillende conclusies kunnen komen. Door het modelleren worden uiteindelijk voorspelbaarder beslissingen gemaakt. Daarnaast kan met behulp van AI grote hoeveelheden data snel geanalyseerd en beoordeeld worden. Dit zorgt enerzijds voor een snellere uitslag voor de klant, anderzijds heeft het verdwijnen van repetitief werk een positieve invloed op de medewerkerstevredenheid.

Checks & balances

Van iedere individuele case wordt uitgelegd waarom het model tot deze uitkomst is gekomen. Dit gebeurt in de vorm van de drie belangrijkste attributen die hebben bijgedragen aan de betreffende uitkomst. De riskafdeling bouwt daarnaast controlemomenten in om het model te toetsen en te  hertrainen indien bijvoorbeeld een veranderende marktomstandigheid daar om vraagt. Zo zijn er dus verschillende manieren waarop het model gecontroleerd word en actueel blijft.

Data als knelpunt? Dat hoeft niet

Je kunt je afvragen waarom nog niet alle bedrijven, die te maken hebben met complexe of een grote hoeveelheid creditchecks, gebruik maken van een AI-model. Hier zijn een aantal redenen voor te vinden. Een van de belangrijkste redenen daarvoor is data, of eerder, het gebrek eraan. Om het model te kunnen voeden, moet er voldoende historische data beschikbaar zijn om van te leren. Mocht data beperkt beschikbaar zijn dan kan er een synthetische dataset gebouwd worden. Deze synthetische dataset simuleert de kenmerken en relaties van de originele dataset en kan worden gebruikt om het AI-model te trainen op verschillende cases.

Gefragmenteerde data vs Ai

Veel bedrijven gebruiken echter nog steeds Excel en verschillende documenten, wat betekent dat ze te maken hebben met gefragmenteerde data, verspreid over het bedrijf. Het centraal beschikbaar hebben van schone data is ideaal maar in praktijk veelal nog niet reëel. Het voordeel van de modellen is dat deze “stand alone” toepasbaar zijn, integratie in het organisatielandschap kan later volgen.

Onvoldoende middelen en kennis voor Ai

Een andere reden voor bedrijven om nog niet in te investeren in AI, is dat zij hiervoor intern niet de middelen hebben. Dit kan gaan om budget, maar gaat zeker ook over interne kennis voor het bouwen en testen van een AI-model. Een externe partij kan hierbij goed helpen, maar ook dan zal er – in beperktere mate – data science capaciteit binnen het bedrijf vrij gemaakt moeten worden. De data scientists zullen zelf betrokken moeten zijn om met het model te werken, maar ook om deze te kunnen controleren en aanpassen.

Het succes van Ai hangt af van de menselijke factor

De belangrijkste succesfactor voor een organisatie betreft het overwinnen van bezwaren en vooroordelen. Samenwerking tussen de Front-office en de Riskafdelingen is hierbij cruciaal. De afdeling risk kan door eigenaar te zijn van het model een toonaangevende rol spelen in de adoptie binnen de organisatie. Door samen te werken aan de opzet en inhoud van het model biedt het proces transparantie en groeit het vertrouwen. Als medewerkers zich op hun gemak voelen en openstaan om deze manier van werken zelf te ervaren, zal succes volgen.