Кредитний скоринг, який зрозуміє регулятор

У кожного банку є скоркарта, якій він довіряє. Її побудували кілька років тому, валідували, затвердили на кредитному комітеті, і вона добре працює для клієнтів, на яких її будували: людей із довгою та чистою кредитною історією.

Проблема — всі інші. Молоді клієнти, самозайняті, малий бізнес, люди, які переїхали чи змінили роботу. Для них скоркарта або каже «ні», або оцінює ризик так високо, що клієнт іде деінде.

Машинне навчання обіцяє закрити цей розрив. Дані показують, що в правильних місцях це можливо. Але справжнє питання для банку не в тому, чи прогнозує ML краще. Питання в тому, чи можна впровадити його так, щоб це прийняли кредитний комітет, аудитори й регулятор.

Що насправді кажуть дослідження

У робочому документі Банку міжнародних розрахунків (Gambacorta та ін., 2019) порівнювали ML-моделі на нетрадиційних даних із традиційними моделями дефолту. Для банків важливі два висновки:

• Під час негативного шоку пропозиції кредитів ML-модель краще прогнозувала збитки й дефолти, ніж традиційні моделі, імовірно тому, що вловлює нелінійні залежності, які найбільше важать у стресових умовах.
• Перевага зменшується для позичальників із довгою кредитною історією. Там, де традиційних даних багато, скоркарта вже справляється добре.

Разом це дає практичне правило: ML дає найбільшу користь саме в тих сегментах, де ваші нинішні моделі найслабші. Замінювати скоркарту всюди не потрібно.

Регуляторна рамка, під яку треба проєктувати

Кредитний скоринг фізичних осіб належить до випадків використання AI високого ризику згідно з Додатком III EU AI Act. Після ухвалення Digital Omnibus зобов'язання для таких автономних систем застосовуються з 2 грудня 2027 року, пізніше за початкову дату — серпень 2026 року.

Відкладено — не означає скасовано. Побудова моделі, готової до вимог для систем високого ризику, потребує часу: управління даними, документація, людський нагляд, тестування точності й стійкості, журналювання. Банки, які починають зараз, розгортатимуть рішення у вже відомій рамці, а не підганятимуть його постфактум.

Для українських банків узгодження з нормами ЄС — це напрям руху. Якщо проєктувати під стандарт ЄС уже зараз, не доведеться перебудовувати все вдруге.

Чотири речі, потрібні банківській AI-системі скорингу

1. Пояснення для кожного рішення, а не для моделі загалом

Глобальна діаграма важливості ознак не допоможе кредитному спеціалісту пояснити відмову. Кожне рішення потребує власних кодів причин: які фактори знизили бал, наскільки, і що змінило б результат. Ці пояснення має розуміти співробітник, який працює з клієнтом, а не лише data scientist.

2. Скоркарта як чемпіон, а не жертва

Найбезпечніший спосіб впровадження — запускати ML-модель паралельно з наявною скоркартою. Ви порівнюєте рішення на реальних заявках, вимірюєте, де вони розходяться і чому, і переводите сегменти на нову модель лише тоді, коли дані це підтверджують. Ваша валідована модель залишається еталоном.

3. Моніторинг, що помічає дрейф раніше, ніж збитки

Поведінка клієнтів змінюється разом з економікою, з новими продуктами, а в Україні — і з війною. Моделям потрібен постійний моніторинг розподілів вхідних даних, рівня схвалень за сегментами, ранніх сигналів простроченості та метрик справедливості, з алертами, які отримують власники ризиків, а не лише інженери.

4. Повний документальний слід

Кожен бал журналюється з вхідними даними, версією моделі, поясненням і людським рішенням, яке за ним послідувало. Коли аудитор питає, чому клієнту відмовили півтора року тому, відповідь — це пошук у журналі, а не розслідування.

Де AI-агенти корисні, крім самого скорингу

Бал — лише один крок у довгому процесі. Значна частина часу й витрат на кредитування припадає на те, що навколо нього:

• Приймання документів: читання довідок про доходи, банківських виписок і фінансової звітності компаній, видобування показників і позначення невідповідностей.
• Підготовка кредитного висновку: збирання даних заявника, балу, пояснень і перевірок на відповідність політиці в чернетку висновку для аналітика.
• Перевірка на відповідність політиці: звірка заявки з чинною кредитною політикою і позначення винятків, що потребують погодження.

У кожному випадку агент готує, а кредитний аналітик вирішує. Агенти скорочують час до рішення, не забираючи відповідальність у людей.

Чекліст для покупця

• Пояснюваність: Візьміть п'ять відхилених заявок. Чи може система пояснити кожну простою мовою, яку кредитний спеціаліст зможе повторити клієнту?
• Чемпіон/претендент: Чи може нова модель працювати в тіньовому режимі поряд із вашою скоркартою, зі звітами про розбіжності?
• Результати за сегментами: Чи показує вендор якість окремо для клієнтів із тонкою і з повноцінною кредитною історією, а не лише загальну метрику?
• Справедливість: Які захищені характеристики та їхні опосередковані ознаки перевіряються і як подаються результати?
• Моніторинг: Що запускає алерт і хто його отримує?
• Документація: Чи отримаєте ви документацію моделі, придатну для внутрішньої валідації, а згодом і для оцінки відповідності EU AI Act?
• Розгортання: Чи можуть модель і дані залишатися у вашій інфраструктурі?
• Відповідальність: Хто перенавчає модель, як часто і хто це затверджує?

Як ми це впроваджуємо

1. Discovery та оцінка (2–3 тижні). Аналізуємо ваші нинішні скоркарти, сегменти, де вони працюють гірше, доступні дані та ваш процес валідації.
2. Proof of concept. Модель-претендент на історичних даних для одного сегмента, з поясненнями і порівнянням із вашою нинішньою моделлю.
3. Запуск у продакшн. Спочатку тіньовий режим, потім керований перехід для сегментів, де дані це підтверджують, з налаштованими моніторингом і документацією. Типовий термін запуску першого сегмента — 6–12 тижнів від старту.

FAQ

Чи замінить ML нашу скоркарту? Не обов'язково, і не одразу. Зазвичай результат гібридний: скоркарта залишається для клієнтів із повноцінною історією, а ML використовується там, де вимірювано покращує рішення.

Чи дозволені моделі-«чорні скриньки»? Регулятори очікують, що банк може пояснити кредитне рішення. Ми використовуємо моделі й методи пояснення, які дають причини для кожного окремого рішення, і документуємо їхні обмеження.

Чи потрібні нам альтернативні дані? Для старту — ні. Багато банків отримують відчутний результат, краще використовуючи вже наявні дані, наприклад історію транзакцій. Альтернативні дані додають питання приватності та згоди, які треба вирішувати свідомо.

Коли нам потрібно відповідати вимогам EU AI Act? Для автономних систем високого ризику, як-от кредитний скоринг фізичних осіб, зобов'язання тепер застосовуються з 2 грудня 2027 року. Уточніть у юристів, як це стосується вашої юрособи та юрисдикції.