Giunta alla XVI edizione, la conferenza internazionale “Credit Scoring and Credit Control Conference” organizzata presso il Credit Research Centre della University of Edinburgh Business School rappresenta la principale convention europea sul credit scoring e temi ad esso collegati, che ospita ogni anno oltre 100 interventi durante i tre giorni di convegno.
All’edizione di quest’anno, la delegazione CRIF ha presentato due contributi originali sul tema innovativo dell’applicazione dell’intelligenza artificiale nei processi del credito.
Enrico Bagli, Data Scientist di CRIF, è intervenuto con lo speech dal titolo “Analyzing prepayment and default under changing credit market conditions for SMEs by applying advanced analytics on Credit Bureau data”, dove CRIF, in collaborazione con Banca Montepaschi di Siena e l’Università di Firenze, ha promosso uno studio per lo sviluppo e l’adozione di un modello in grado di valutare la profittabilità dei prestiti dato un determinato tasso di ammortizzazione. La profittabilità di un singolo prestito o di un portfolio di prestiti è stata misurata tramite l’applicazione di un modello Random Net Present Values (RNPV). L’intensità di questi fenomeni dipende nel tempo dalle condizioni variabili del contesto economico, implementate tramite il metodo della “Catena di Markov”.
Durante il secondo speech, intitolato “Explanations of Machine Learning Predictions: A Mandatory Step for its Application to Operational Processes”, Alessandro Poluzzi, Project Leader in CRIF, ha introdotto il piano di evoluzione metodologica che l’azienda sta intraprendendo per adottare le nuove tecnologie di machine learning e artificial intelligence, nel mantenimento di requisiti legati alla spiegabilità e all’imparzialità nell’ambito del decisioning data driven. Giorgio Visani - che sta sostenendo un dottorato con l’Università di Bologna finanziato da CRIF - ha proseguito entrando nel dettaglio di un’applicazione al rischio di credito. Tale applicazione consiste nell’utilizzo di tecniche denominate LIME, che consentono di fornire una spiegazione locale del risultato di un modello evidenziando benefici misurati e possibili punti di attenzione.
CRIF STUDIO: MIGLIORI DECISIONI LUNGO TUTTO IL CREDIT JOURNEY
CRIF Studio permette di testare in modo agile e veloce il valore aggiunto dei data asset del CRIF Information Core, il patrimonio informativo del Gruppo CRIF, e la combinazione di fonti dati eterogenee riducendo i tempi di analisi, sviluppo e implementazione dei modelli, nel rispetto dei più elevati standard tecnologici di data protection e privacy (GDPR). La soluzione è stato utilizzata per svolgere l’analisi condotta insieme a Banca Monte dei Paschi di Siena e all’Università di Firenze per lo sviluppo e l’adozione di un modello analitico in grado di valutare la profittabilità dei prestiti dato un determinato tasso di ammortamento.
Di seguito le principali caratteristiche di CRIF Studio:
- Soluzione as-a-service: consente ai data scientist di progettare e condurre l’analisi fino all’esportazione e alla distribuzione dei modelli in totale autonomia, abbattendo i tempi di sviluppo dei modelli analitici.
- Customer Insights real-time: utilizzo delle tecnologie informatiche più avanzate in ambito Data Science e delle tecniche di modellizzazione (Python, R, H2O, ecc.) toolchain e augmented analytics unite alla potenza di calcolo di un cluster spark ad hoc.
- Patrimonio dati completo in serie storiche: analisi di performance di benchmarking e trending.
- Consulenza data translator: team dedicati per la lettura dei risultati di business, della correlazione tra dati CRIF e lender, ecc.
CRIF Studio permette al Credit e Risk Manager di ampliare lo spettro di condizioni sottostanti l’analisi della profittabilità e valutare concretamente quali business possono risultare più profittevoli, sia nell’ambito dei prodotti già trattati dallo stesso istituto, che nell’ottica di ampliare la propria value proposition con set di informazioni ad hoc per l’analisi e la gestione di specifici segmenti di mercato (automotive, Peer2Peer, NPL, ecc.) e/o processi di business (early warning, collection, prescreening).
