Pokalbis apie inovatyvius faktoringo sprendimus

Susitikome su mūsų tyrėja Aušra aptarti, kaip AAI Labs padeda iš esmės pakeisti kredito vertinimo metodus, naudodama specialiai pritaikytus ML modelius.

Gal galėtum pradėti nuo projekto pristatymo?

Iš pradžių projekto tikslas buvo išspręsti kreditų vertinimo problemą faktoringo srityje Europoje veikiančiam faktoringo klientui. Projektui buvo pasirinktos trys kliento veiklos vietos šalys, atsižvelgiant į rinkos žinomumą ir duomenų prieinamumą: Lietuva, Latvija ir Nyderlandai. Atsižvelgdami į kliento verslo modelį, norėjome numatyti ne tik tai, ar skola bus grąžinta laiku, bet ir tai, ar ji bus grąžinta su nedideliu poros mėnesių vėlavimu. Nuo šios problemos iš pradžių ir pradėjome, tačiau projekto metu jo apimtis ilgainiui išsiplėtė, ir mes sprendėme su ja susijusias kliento problemas: prognozavome įmonės įsipareigojimų nevykdymo tikimybę, tinkamą kredito limitą pagal skolininkų ir jų klientų duomenis. Patobulinome keletą kliento procesų: pateikėme naujų klientų vertinimus, kurie buvo naudojami įmonės įdarbinimo procese, taip pat atskirus kliento portfelyje jau esančių skolininkų vertinimus, kurie naudingi metinės peržiūros proceso metu.

Ar gali plačiau papasakoti apie problemą, dėl kurios prireikė naujo sprendimo?

Problema egzistavo gerokai anksčiau, nei pradėjome dirbti su projektu. Faktoringo srityje įmonės paprastai rūpinasi įprastinėmis paskolomis. MVĮ atveju dabartiniai modeliai nėra tikslūs ir gali neaprėpti visų klientų pageidaujamų veiksnių. Taigi sukūrėme šiuos modelius, kad išspręstume jų kasdienes problemas: kai ateina nauja įmonė, skolintojas turi įvertinti galimą projekto sėkmę. Todėl sukūrėme mašininio mokymosi modelį, kuris dabar naudojamas kasdienėje kliento veikloje.

Kadangi projektas baigėsi, ar gali išsamiau papasakoti apie savo asmeninį požiūrį į tai, kaip dirbtinis intelektas veikia faktoringo įmones?

Šio projekto rezultatai įmonėms naudingi keliais aspektais. Pirmiausia, dėl to, kad vietoj rankinio naujų įmonių apdorojimo naudojami mašininio mokymosi modeliai. Tai reiškia, kad įmonės gali greičiau gauti finansavimą. Be to, kurdami modelius klientui, atkreipėme dėmesį į tai, kad būtų sukurti modeliai, kurie, galima sakyti, nepalieka pinigų ant stalo. Dėl ankstesnių procedūrų kai kurios įmonės anksčiau galėjo būti atmestos dėl rankiniu būdu sukurtų vertinimo taisyklių, nors paskolas galėjo sėkmingai grąžinti. Mūsų mašininio mokymosi modeliais siekiama sumažinti klaidingai atmestų atvejų skaičių, o tai klientui atneša papildomų pajamų, kurių kitu atveju jis būtų negavęs. Taigi projektas turi ilgalaikę finansinę naudą įmonėms, kurioms reikia paskolų, dėl tikslesnio mūsų sukurto modelio vertinimo.

Ar matai šio sprendimo panaudojimo galimybių už šio regiono ribų? Ar jis gali būti pritaikytas kitur?

Nors šio projekto rezultatai negali būti tiesiog perkeliami tokie, kokie yra, juos galima pritaikyti kitiems regionams. Pagrindinė problema yra ta, kad skirtingose šalyse galioja skirtingi reglamentai ir ataskaitų teikimo standartai. Tačiau dabar jau žinome, kas veikia, o kas ne, kokie modeliai ir duomenų apdorojimo transformacijos yra veiksmingos. Taigi, tai padaryti būtų paprasčiau, nei viską kurti iš naujo.

Koks buvo didžiausias projekto pasiekimas?

Man buvo įdomu matyti, kaip vieno iš vertinimo modelių rezultatai patenka tiesiai į kliento vidinę sistemą. Puikus buvo suvokimas, kad mūsų modeliai buvo labai svarbūs priimant sprendimus. Glaudus ir nuolatinis bendravimas su klientu buvo labai svarbus, dėl to projekto rezultatai buvo kokybiškesni.

Ar buvo kokių nors rizikų ir kaip jas sumažinote?

Kiekvienam modeliui būdinga tam tikra rizika, dažniausiai susijusi su prognozių tikslumu ir jų pokyčiais laikui bėgant. Atlikome daug savo modelių bandymų ir rekomendavome klientui terminus, per kuriuos modeliai turėtų būti perkvalifikuoti. Taip buvo atsižvelgiama į rinkos ir pasaulinės situacijos pokyčius.

Ar vis dar dalyvaujate prižiūrint šį modelį, ar tai perėmė klientas?

Visiškai perdavėme kliento komandai ir dabar bendrovė perėmė jos funkcijas. Jie perėmė kodą, mokymo procesą ir visas žinias apie modelį. Vienas iš projekto tikslų buvo užtikrinti, kad klientas būtų susipažinęs su priežiūros procesu ir būtų visiškai atsakingas už sukurtą sprendimą.