06.05.2025
Ocena zdolności kredytowej w 90 sekund – ML, RPA i źródła alternatywne w instytucji finansowej
Ocena zdolności kredytowej w 90 sekund – ML, RPA i źródła alternatywne w instytucji finansowej
To szczegółowe studium przypadku przedstawia krajową instytucję online udzielającą mikro-pożyczek konsumenckich oraz leasingu operacyjnego dla mikroprzedsiębiorstw. W obliczu rosnącej konkurencji i presji kosztowej, organizacja postanowiła przebudować swój proces kredytowy w oparciu o dane alternatywne, modele ML i orkiestrację RPA.
Punkt wyjścia – stan przed wdrożeniem
W pierwszym kwartale 2024 roku instytucja mierzyła się z klasycznymi problemami fintechów:
| Metryka (2024 Q1 – przed AI) | Wartość |
|---|---|
| Średni czas decyzji kredytowej (TAT) – B2C | 43 min |
| Wskaźnik porzuceń w trakcie składania wniosku | 22 % |
| Udział wniosków ocenianych manualnie | 61 % |
| Koszt pracy analityka / wniosek | 5,40 zł |
Manualna analiza, rozproszone źródła danych i konieczność oczekiwania na dokumenty skutkowały długim czasem przetwarzania i odpływem klientów do konkurencji.
Cel transformacji
- Skrócenie czasu decyzji dla 80% wniosków do mniej niż 90 sekund – bez utraty jakości analizy.
- Zwiększenie trafności oceny ryzyka PD (Probability of Default) o co najmniej 10% względem modelu bazowego.
- Obniżenie kosztów operacyjnych zespołu analitycznego o połowę przy zachowaniu zgodności regulacyjnej.
Nowa architektura Credit Pipeline
- Tradycyjne bazy: BIK, KRD, ERIF – podstawowy scoring zewnętrzny.
- Open Banking (PSD2): transakcje z kont z ostatnich 90 dni – analiza behawioralna i płynnościowa.
- Dane alternatywne: konta Allegro, OLX, rachunki mediów (PGNiG, ENEA) – stabilność wydatków i wiarygodność płatnicza.
- Device fingerprint: geolokacja, przeglądarka, adres IP – ocena ryzyka fraudowego.
- Pre-screen XGBoost – szybki model filtrujący oczywiście negatywne wnioski (FPR poniżej 2%).
- PD model LightGBM – 380 feature’ów wejściowych, AUC 0,812 vs baseline 0,737. Feature engineering obejmuje m.in. struktury wydatków, rytmikę wpływów, sezonowość.
- Behavioral LSTM – sieć rekurencyjna analizująca kolejność zdarzeń w historii transakcji, wykrywająca anomalie i sygnały ostrzegawcze.
Boty UiPath pobierają zgłoszenia z kolejki (z priorytetem Gold/Silver). Wnioski o średnim poziomie confidence (0,4–0,6) trafiają do trybu Attended – operator zatwierdza lub odrzuca z pomocą interfejsu rekomendacyjnego z wyjaśnieniami SHAP.
Proces krok po kroku – nowy przebieg
1 – Zgoda na Open Banking
Wnioskodawca zatwierdza dostęp do rachunku bankowego. API AIS pobiera dane, ETL generuje zestaw cech: np. saldo 7-dniowe, udział wpływów z umowy o pracę, liczba płatności cyklicznych.
2 – Wstępna analiza ML
PD silnik działa w czasie rzeczywistym – PD < 4,5% → automatyczna akceptacja; PD > 27% → odrzucenie; wartości pośrednie przekazywane są do analityka z komentarzem modelu.
3 – Generowanie umowy
Bot pobiera szablon, wypełnia dane (XML → DOCX → PDF), podpisuje elektronicznie i wysyła klientowi link SMS/email.
4 – Uruchomienie finansowania
Robot loguje się do systemu core-banking (mainframe COBOL przez 3270), zakłada rachunek techniczny, generuje zlecenie ELIXIR i zapisuje potwierdzenie w repozytorium klienta.
Rezultaty po 5 miesiącach
- 90,7% decyzji w mniej niż 90 sekund – cel 80% przekroczony.
- Spadek porzuceń do 9,8% – poprawa o 12,2 p.p.
- Koszt analityka spadł do 1,95 zł / wniosek – redukcja o 64%.
- PD model – KS statistic wzrósł z 31 do 46 – lepsze rozróżnienie dobrych/złych wniosków.
- Wzrost portfela netto +14% przy niezmiennym poziomie NPL30+.
Finanse – inwestycja i zwrot
Całkowity CAPEX: 1,2 mln zł (koszt budowy pipeline ML i integracji PSD2). Roczny OPEX: 0,45 mln zł (utrzymanie modeli, RPA, infrastrukturę chmurową). Oszczędności bezpośrednie: 1,7 mln zł, co daje ROI = 142% w pierwszych 12 miesiącach.
Wnioski i rekomendacje
- Dane transakcyjne z Open Bankingu zwiększają kompletność profilu ryzyka i skracają czas analizy.
- Explainable AI (np. SHAP) jest koniecznością przy wdrożeniach modeli kredytowych w środowiskach regulowanych.
- RPA w trybie attended to kompromis pomiędzy automatyzacją a kontrolą – idealne rozwiązanie dla “szarej strefy” przypadków niepewnych.
Podsumowanie
Instytucje finansowe nie muszą wybierać między szybkością a jakością. Połączenie uczenia maszynowego, RPA i źródeł danych alternatywnych pozwala zbudować skalowalny, bezpieczny i opłacalny proces decyzyjny. Projekt opisany powyżej pokazuje, że TAT liczony w minutach (a nie godzinach) jest możliwy – nawet przy wymaganiach KNF i wysokiej konkurencji na rynku.
Skontaktuj się z nami, aby zorganizować Assessment Workshop i zaprojektować własną ścieżkę transformacji kredytowej.
Autor: JCD
Stale łączymy metody kreatywne z systematycznym, badawczym podejściem, przekonani, że jedynie przez dogłębną analizę i zrozumienie specyfiki wyzwań, jesteśmy w stanie w pełni współpracować z naszymi klientami w celu kreowania innowacyjnych rozwiązań. Te rozwiązania nie tylko ulepszają doświadczenie użytkowników, ale również zapewniają naszym klientom strategiczną przewagę na rynku. Nasze procesy projektowe są zatem oparte na aktywnym słuchaniu, szczegółowej analizie i ciągłym dialogu z klientami. W ten sposób nieustannie pracujemy na rzecz tworzenia nie tylko technologii, ale także wartości, które wyznaczają nowe standardy w cyfrowym krajobrazie biznesu.