Credit scoring: cos’è?

La Banca d’Italia ha pubblicato un nuovo numero della collana “Questioni di Economia e Finanza (Occasional Papers)”. Perché ne parliamo? Perché è dedicato al tema “Intelligenza artificiale nel credit scoring: analisi di alcune esperienze nel sistema finanziario italiano”. Un tema tecnico, quindi. Ma fino a un certo punto.

Cosa si intende per credit scoring?

Come spiega Compass, il credit scoring altro non è che il sistema automatizzato adottato da banche e intermediari finanziari per valutare le richieste di finanziamento, riferite anche all’ambito del credito al consumo. Che è esattamente l’ambito di cui ci occupiamo in questo blog.

Credit scoring: cosa dice Bankitalia?

Il lavoro presentato dalla Banca d’Italia  mette sotto la lente l’uso, da parte degli intermediari italiani, delle tecniche di intelligenza artificiale e machine learning “a supporto della valutazione del rischio di credito”. Obiettivo: verificare in che modo gli intermediari italiani utilizzano queste tecniche nella selezione e nella gestione dei clienti nei processi creditizi.

Credit scoring: cos’è emerso?

Cominciamo col dire che l’indagine ha avuto per oggetto dieci intermediari, bancari e non, “di diversa dimensione e vocazione di business”, si legge nel documento. Si tratta di intermediari che stanno sperimentando, sviluppando o utilizzando “modelli basati su tecniche di intelligenza artificiale e machine learning nel processo creditizio”.

Oltre all’analisi delle risposte ai questionari, spiega il paper, “i risultati dell’indagine sintetizzano considerazioni qualitative emerse nel corso di incontri bilaterali con gli intermediari”.

Primo punto venuto a galla? Eccolo: il ricorso a metodi di intelligenza artificiale nella valutazione del rischio di credito non è ancora diffusissimo, ma in compenso è in espansione. I dieci intermediari intervistati hanno detto di aver sviluppato 38 modelli in tutto, dei quali il 60% circa già in uso nel momento in cui si sono svolte le interviste. Attenzione, però: la maggior parte dei modelli è rivolta alla clientela aziendale e a piccole e medie imprese.

Punteggio a supporto delle decisioni

Nella quasi totalità dei casi, poi, i punteggi prodotti non restano lì: vengono messi a disposizione per supportare la valutazione del merito creditizio da parte degli analisti, responsabili della decisione finale. Alcuni intermediari, tuttavia, hanno reso nota la loro intenzione di “ridurre progressivamente l’intervento umano” nel processo di concessione.

Perché affidarsi a questi metodi? “Il principale beneficio atteso che ha spinto gli intermediari a passare da metodi tradizionali a metodi di intelligenza artificiale è il miglioramento in termini di accuratezza delle previsioni”, ci dice il documento di Bankitalia.

Fra gli altri benefici, citati da alcuni intermediari:

•    la possibilità di realizzare processi di instant lending (prestito istantaneo);
•    la possibilità di sfruttare fonti dati alternative, facilitata dai modelli di machine learning, che consentirebbe di selezionare in modo efficace clienti con limitata storia creditizia allargando il bacino della potenziale clientela.

Nella maggior parte dei casi, i modelli utilizzano dati di tipo finanziario derivanti da fonti interne o acquistati da fornitori di analytics. Diffuso il ricorso a dati sulle movimentazioni del conto corrente, provenienti anche da open banking. Estremamente limitato, invece, l’utilizzo di dati ricavati dal web e dai social media.

Correzione dei bias e dati sensibili

Fra le altre cose, è emerso un mancato ricorso a tecniche esplicitamente mirate alla riduzione della distorsione, come bilanciamento del dataset, controllo del bias storico e analisi causale dei risultati.

In poco meno della metà dei modelli è stata adottata, o si intende adottare, una definizione di “fairness”, quota che arriva a due terzi in riferimento ai modelli destinati a clientela retail. Cos’è la “fairness”?

Chi ha adottato una definizione ne parla come di “fairness through unawareness”, ovvero rimozione dalla base dati di analisi degli attributi esplicitamente considerati sensibili, come il genere o l’età dei clienti retail, senza però tener conto degli effetti indotti sul modello dalla presenza di attributi potenzialmente correlati con questi.

Insomma, c’è ancora un po’ di lavoro da fare. Ma avremo modo di tornarci.