O acesso a liquidez tem sido uma questão crítica para a humanidade, quer seja para financiar aspectos pessoais (por exemplo, habitação, automóveis, educação) quer para iniciativas empresariais (por exemplo, criar, expandir e escalar negócios). A incerteza que ambos os lados desta transação enfrentam — o credor e o potencial devedor — é significativa. Por um lado, o credor tenta colmatar lacunas sobre a capacidade de pagamento do potencial cliente, solicitando informações adicionais que, muitas vezes, são difíceis de obter, resultando em oportunidades perdidas para ambas as partes. Por outro lado, o potencial cliente enfrenta um processo de aprovação opaco, que ocorre nos bastidores e cujos critérios não são claros, impedindo-o de trabalhar na melhoria da sua avaliação.

A Inteligência Artificial desempenhou um papel crucial na resolução do primeiro lado da equação — o lado do credor — trazendo uma estimativa de credit scoring objetiva e reproduzível do potencial devedor, com o custo de aumentar a opacidade do processo para o potencial cliente. Neste artigo, vamos analisar o paradigma atual e explorar como abordá-lo de forma diferente para alcançar uma solução mais abrangente, identificando as limitações atuais e as soluções potenciais do ponto de vista da IA. As ideias descritas neste artigo são aplicáveis tanto a entidades financeiras como a modelos de negócio baseados em subscrição que enfrentam o risco de incumprimento como fonte de perda involuntária de clientes.

O credit scoring tradicional utiliza métodos de caixa preta — quer seja uma pessoa inacessível ao cliente final ou um modelo estatístico — que ponderem diversos fatores, incluindo dados demográficos, histórico de pagamentos e outros indicadores financeiros. Esta abordagem tradicional rejeita crédito a consumidores sem considerar a possibilidade de ajustar a sua situação atual ou outros fatores atenuantes. Neste sentido, é modelada como a probabilidade, no momento da aprovação, de um potencial devedor cumprir ou incumprir a sua obrigação. Observamos duas limitações principais:

1. Interação unilateral: a interação tende a ser unilateral com poucas oportunidades de negociação. Devedores e credores deveriam conseguir atualizar os seus termos e condições para maximizar a probabilidade de uma interação mutuamente benéfica. Uma rejeição clara afastará o cliente para outra instituição, desperdiçando uma oportunidade que, em muitos casos, poderia facilmente transformar-se numa aprovação sob termos diferentes.
2. Decisão única: assumindo que a decisão e as condições são um processo pontual. Deveríamos considerar estratégias de credit scoring que avaliem continuamente a probabilidade de incumprimento e ajustem as condições regularmente.

Assim, a nossa visão sobre Inteligência Artificial aplicada a credit scoring é uma interação dinâmica, onde o modelo sugere e reavalia continuamente as condições para maximizar os benefícios mútuos de forma contínua.

Modelagem e dados

Podemos formalizar um modelo de credit scoring como uma função que, dado o potencial devedor, as condições do credor e as características do empréstimo solicitado, prediz um KPI valioso para a tomada de decisão, como a probabilidade de incumprimento, o ROI esperado, etc.

Apenas para fins ilustrativos, essas informações podem incluir:

• Devedor:
• • Demográficos: idade, profissão, educação, etc.
  • Registos financeiros: rendimento e despesas, dívidas, hipotecas, etc.
• Credor: carteira, fluxo de caixa, indicadores de mercado, etc.
• Condições do empréstimo: montante emprestado, spread, taxa de juro anual, prazo, garantidores, consequências em caso de incumprimento contratual, etc.

Podemos usar qualquer modelo para codificar a função mencionada (por exemplo, scorecards, árvores de decisão, redes neuronais).

Como mencionado na secção anterior, a nossa visão sobre credit scoring considera não apenas a decisão final (aprovação versus rejeição) mas o ajuste das condições do empréstimo para garantir um resultado mutuamente benéfico. Assim, um modelo de IA deve usar a função mencionada para descobrir as condições que maximizam o seu KPI:

Desta forma, podemos transformar uma rejeição numa aprovação alternativa. Note que, embora estejamos a simplificar a busca pelos ajustes nas condições do empréstimo, o modelo podia também sugerir alterações nas informações do devedor. Por exemplo, podia sugerir que a forma mais simples de aprovar o crédito é aumentar o salário do devedor por uma certa quantia, ou reduzir as suas despesas mensais. Priorizamos alterações nas condições do empréstimo porque podem ser aplicadas instantaneamente, enquanto melhorias através de ajustes do cliente tendem a exigir ciclos de feedback mais longos.

No entanto, independentemente do nosso KPI ou estratégia de modelagem, precisamos de ter cuidado com casos extremos, como prever que reduzindo a taxa de juro para zero a probabilidade de o cliente pagar aumenta, levando a zero lucro para o credor. De forma similar, aumentar a taxa de juro para infinito para maximizar o lucro levaria, na prática, a que potenciais clientes rejeitassem o empréstimo ou entrassem em insolvência. Se está a enfrentar esta questão, considere modelagem causal e modelos monotónicos ou simplesmente incorpore algumas restrições orientadas pelo domínio no processo de decisão.

Curso, Templates

Data Ignite

Crie soluções de IA robustas seguindo a nossa metodologia.

Saiba Mais

Tornar a aprovação de crédito transparente e justa

Quando se lida com crédito, a capacidade de explicar por que um determinado empréstimo não foi concedido, bem como as condições que não foram atendidas, desempenha um papel central. É relevante não apenas para quem recebe a decisão, mas também para quem poderia lucrar com o acordo, se tivesse ocorrido.

Quando se modela o problema alterando as condições e contexto de um cliente, é possível inferir explicações contrafactuais e elaborar uma hipótese sobre como o cliente poderia ser aceito e o que teria de mudar relativamente à realidade.

Vários modelos foram desenvolvidos para conceptualizar as razões e explicações das decisões tomadas. Um exemplo interessante é o modelo desenvolvido pela equipa de Cynthia Rudin para o FICO Data Challenge. A estratégia agrupa características em subescalas e atribui a cada uma delas um modelo em miniatura (com softmax). Estes modelos em miniatura são não-lineares e, ao fazer isto, é possível construir um modelo tipo árvore com machine learning subjacente. Uma demonstração do trabalho deles pode ser consultada aqui.

Na imagem acima, podemos ver que a delinquência é uma subescala que pode ser identificada por essas quatro características e que está a contribuir para o fator de risco (cores mais quentes representam maior risco). Recomendo a leitura do artigo mais recente de Cynthia sobre modelos caixa preta: "Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead"

Apesar de todas as vantagens que os modelos de machine learning trazem, eles também estão associados a enviesamentos. Pode ser que os dados que está a usar já contenham enviesamento, que as decisões históricas tomadas por humanos fossem enviesadas, que a amostragem escolhida não seja representativa, ou que esteja a usar o algoritmo ou KPI errado para o problema específico. O facto é que sempre haverá algum tipo de enviesamento, e em credit scoring, temos de garantir que os nossos modelos não estão tendenciosos para uma raça ou género específico, por exemplo. Note que decisões enviesadas não são apenas prejudiciais para o cliente final mas também para a instituição financeira. Modelos que se baseiam em correlações espúrias eventualmente levarão a falhas catastróficas.

Ferramentas como Aequitas, AI Fairness 360 e What-If são kits de ferramentas de código aberto que os cientistas de dados podem usar para verificar enviesamentos e discriminação em modelos de machine learning. Essas ferramentas permitem decisões informadas e equitativas em torno do desenvolvimento e implementação de ferramentas preditivas. Mais sobre estas ferramentas aqui.

Se deseja saber mais sobre Fairness em IA, consulte o nosso anterior artigo.

Conclusão

Uma mudança no paradigma atual de atribuição de crédito poderia beneficiar ambas as partes. Mais acordos poderiam ser realizados e, mais importante ainda, mais acordos poderiam ser completamente cumpridos ao longo do tempo. Vivemos num mundo acelerado, rodeado de mudanças contínuas e novas oportunidades. Por que simplificaríamos excessivamente e assumiríamos soluções estáticas para ambientes dinâmicos?

Gostaria de discutir esta ideia mais detalhadamente?

Agende uma reunião com Kelwin Fernandes

Conheça o Kelwin Saiba Mais

Se gostaria de trabalhar em soluções de credit scoring ou discutir mais aprofundadamente o que foi exposto aqui, sinta-se livre para contactar-nos!