דירוג אשראי מבוסס בינה מלאכותית עם למידת מכונה: כיסוי תיקים דקים והוגנות

ניקוד מסורתי (FICO, לשכות אשראי) מעריך רק אחד מכל חמישה לווים עם תיקי אשראי דקים — השאר נדחים או מקבלים ריביות גבוהות. לפי FICO, כיסוי תיקים דקים לעיתים רחוקות עולה על 30%. מודלים של ML עם נתונים אלטרנטיביים לוכדים אותות לא־ליניאריים: הפקדות קבועות, מנויי שירות יציבים.

יש לנו ניסיון רב בבניית מודלים כאלה בפרודקשן — ומספקים שיפור Gini של 15–25 נקודות אחוז לעומת רגרסיה. בפרקטיקה שלנו, ניקוד ML מפחית פספוסי חדלות פירעון פי 2–3 בהשוואה לשיטות מסורתיות, והחיסכון בהפסדי סיכון יכול להגיע ל־25% מתיק החובות בפיגור. פרויקט הפיילוט בדרך כלל מחזיר את העלות שלו כבר בשנה הראשונה באמצעות הפחתת הפסדים.

אילו נתונים הופכים את המודל למדויק יותר?

נתוני אשראי מסורתיים — היסטוריית תשלומים, ניצול מסגרת, פניות. הכרחיים אך לא מספקים עבור תיקים דקים.

מקורות חלופיים:

• עסקאות Open Banking (יציבות הכנסה, דפוסי הוצאות, חיסכון).
• מטא-נתונים של טלפון (סדירות טעינה, מפעיל סלולרי).
• התנהגות דפדפן (בהסכמה).
• תעסוקה מאומתת.

השוואת גישות:

ניקוד ML עם נתונים חלופיים עושה יותר מאשר שיפור מדדים — הוא מעניק לעסק גישה לפלחי לקוחות חדשים שהיו מוחרגים בעבר. באופן ספציפי, ניקוד ML מכסה פי 3 יותר לווים עם תיקים דקים מאשר ניקוד מסורתי.

איך אנחנו בונים מודל מוכן לפרודקשן

אנחנו משתמשים ב-LightGBM עם פיצול מבוסס זמן (TimeSeriesSplit), כיול איזוטוני (isotonic regression calibration) וביקורת הוגנות. אנחנו גם מכווננים היפר-פרמטרים עם Optuna כדי להשיג Gini מקסימלי. דוגמה לפייפליין:

import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit
from sklearn.calibration import CalibratedClassifierCV

credit_features = ['dpd_30d','dpd_60d','dpd_90d','utilization','num_accounts']
transaction_features = ['avg_income_3m','income_stability','gambling_ratio']
all_features = credit_features + transaction_features

model = lgb.LGBMClassifier(n_estimators=500, learning_rate=0.01, num_leaves=63, min_child_samples=50, colsample_bytree=0.7, class_weight='balanced', random_state=42)
tscv = TimeSeriesSplit(n_splits=5)
scores = cross_val_score(model, X[all_features], y, cv=tscv, scoring='roc_auc')
calibrated_model = CalibratedClassifierCV(model, method='isotonic', cv=3)

לאחר הכיול, המודל מפיק הסתברויות חדלות פירעון נכונות, דבר קריטי להחלטות אשראי.

הסבריות: מדוע הסירוב?

כל דחייה מלווה בפירוק SHAP — 3 הגורמים השליליים המובילים והתרומה המספרית שלהם.

import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_single)
negative = sorted(zip(features, shap_values[1]), key=lambda x: x[1])[:3]
# Output: high limit utilization, short tenure, 24m delinquencies

זוהי דרישה מחייבת עבור רגולטורים (ECOA, GDPR). אנו מבטיחים עמידה בכל הכללים המקומיים.

הוגנות: כיצד להימנע מאפליה?

מודלים של ML יכולים לשכפל הטיות היסטוריות. שלבים מחייבים:

• השפעה לא מידתית (Disparate Impact): שיעור האישור בין קבוצות לא צריך להיות שונה ביותר מ-20%
• סיכויים שווים (Equalized Odds): TPR/FPR שווים עבור כל הקבוצות
• זיהוי פרוקסי: כתובת לא צריכה לשמש כפרוקסי למוצא אתני

אנו משתמשים ב-adversarial debiasing וב-reweighing — חלק מהמומחיות שלנו. אנו גם מספקים דוח ביקורת הוגנות שניתן להגיש לרגולטורים.

ניטור: מתי לאמן מחדש?

לאחר הפריסה אנו עוקבים אחר PSI (Population Stability Index). אם PSI > 0.25 — מאמנים מחדש. אנו גם מבצעים ניתוח וינטג': משווים חדלות פירעון של קבוצות לפי חודש מקור. במהלך משברים אנו מכיילים באופן דינמי את שיעור חדלות הפירעון הבסיסי.

יישום שלב‑אחר‑שלב של ניקוד ML

1. ביקורת נתונים והנדסת מאפיינים (2–4 שבועות). הערכת מקורות אשראי זמינים ומקורות חלופיים.
2. מודל בסיס על נתונים היסטוריים (2–3 שבועות). אימות שיפור Gini.
3. אופטימיזציה של היפר‑פרמטרים וכוונון עדין (1–2 שבועות). שימוש ב‑Optuna.
4. כיול הסתברות וביקורת הוגנות (שבוע 1).
5. אינטגרציה לתשתית ה‑IT (API או ניקוד באצווה) ופריסה (3–6 שבועות).
6. הגדרת ניטור: PSI, vintage, הוגנות (1–2 שבועות).
7. בדיקת A/B וכוונון סופי (4–8 שבועות).

מה כולל שירות ה-ML scoring שלנו

• ביקורת נתונים והנדסת מאפיינים (כולל מקורות חלופיים)
• פיתוח מודל בסיס ומודל מוכן לייצור
• אינטגרציה של המודל בתשתית ה-IT שלכם (API, batch scoring)
• לוחות מחוונים לניטור: PSI, vintage, fairness
• תיעוד מלא והדרכת הצוות (סדנאות של 2–3 ימים)
• תמיכה במהלך בדיקת A/B ובחודש הראשון לאחר הפריסה

לוחות זמנים ועלויות

לוח זמנים: 4 עד 8 חודשים, בהתאם להיקף הנתונים ולדרישות הסקירה הרגולטורית. פיילוט של 2–3 חודשים מאמת השערות במהירות. חיסכון הקשור לסיכונים מניקוד ML מחזיר את עלות הפרויקט בדרך כלל בתוך השנה הראשונה. צרו קשר לבדיקת נתונים ולאומדן מדויק של עלות ההטמעה.

למה להתחיל בפיילוט?

פיילוט של 2–3 חודשים מספק:

• אימות שיפור Gini על הנתונים שלך
• הערכת השפעת נתונים חלופיים
• אב טיפוס של מודל להצגה פנימית
• הבנה של מאמץ היישום המלא

קבל ייעוץ — נעריך את הפוטנציאל של ML scoring על הנתונים שלך. צור קשר כדי להשיק פרויקט פיילוט.