Jak wdrożyć AI w analizie ryzyka kredytowego krok po kroku

Wdrożenie AI w analizie ryzyka kredytowego sprowadza się do kilku powtarzalnych kroków: zebranie i oczyszczenie danych, wybór modelu, trening, walidacja, wdrożenie produkcyjne i monitoring. Brzmi prosto, ale każdy etap skrywa konkretne decyzje techniczne i regulacyjne, które przesądzają o sukcesie projektu. Ten artykuł prowadzi Cię przez cały proces, od surowych danych po działający system scoringowy, z nazwami narzędzi, liczbami i przykładami z życia.

Dlaczego AI w analizie ryzyka kredytowego zmienia reguły gry

Tradycyjny scoring kredytowy opiera się na kilkunastu zmiennych: historii spłat, poziomie zadłużenia, długości historii kredytowej i kilku innych. Model logistyczny z lat 80. do dziś napędza wiele decyzji kredytowych. Problem w tym, że taki model zostawia na stole ogromną ilość informacji.

Algorytmy machine learningu potrafią przetworzyć setki zmiennych jednocześnie, wykryć nieliniowe zależności i dynamicznie aktualizować ocenę ryzyka w czasie rzeczywistym. Według raportu McKinsey z 2023 roku, instytucje finansowe stosujące zaawansowane modele predykcyjne obniżają wskaźnik NPL (non-performing loans) nawet o 20-25% w porównaniu z instytucjami opartymi na modelach tradycyjnych.

Co zyskuje bank, a co zyskuje klient

Z perspektywy instytucji finansowej korzyści to przede wszystkim:

• Lepsza separacja ryzyka: model potrafi precyzyjniej odróżnić klienta dobrego od złego, nawet przy podobnych danych demograficznych.
• Szybsza decyzja: automatyzacja oceny kredytowej skraca czas decyzji z kilku dni do sekund.
• Niższe koszty operacyjne: mniej analityków zaangażowanych w rutynowe wnioski.

Z perspektywy klienta korzyść jest równie realna: osoby z krótką historią kredytową (thin file), ale dobrymi wzorcami zachowań, mają szansę na pozytywną decyzję tam, gdzie klasyczny scoring ją odrzuca.

Krok 1: Audyt danych i definicja zmiennej celu

Każdy projekt ML zaczyna się od danych. W scoringu kredytowym masz do dyspozycji kilka kategorii źródeł.

Dane wewnętrzne banku

To fundament modelu. Obejmują historię transakcji, informacje z wniosków kredytowych, dane o spłatach i opóźnieniach, saldo rachunków oraz dane behawioralne z aplikacji mobilnej. Im dłuższy horyzont czasowy, tym lepiej, zwykle minimum 24 miesiące, najlepiej 36-60 miesięcy.

Dane zewnętrzne

Biura informacji kredytowej (BIK w Polsce, Experian czy Equifax na rynkach zachodnich) dostarczają informacje o zobowiązaniach w całym sektorze. Coraz częściej banki sięgają też po dane alternatywne: wzorce płatności rachunków za media, dane telekomunikacyjne czy nawet informacje z mediów społecznościowych (z zachowaniem RODO).

Definicja zmiennej celu (target variable)

To decyzja, która zdeterminuje cały projekt. Najczęściej stosuje się definicję "bad" jako opóźnienie powyżej 90 dni w ciągu 12 miesięcy od udzielenia kredytu. Zmiana tego progu o 30 dni potrafi drastycznie zmienić rozkład klas i wyniki modelu. Zanim przejdziesz dalej, ustal tę definicję razem z działem ryzyka i trzymaj się jej konsekwentnie.

Kluczowy błąd na tym etapie to tzw. data leakage, czyli nieświadome włączenie do modelu zmiennych, które w momencie decyzji kredytowej nie byłyby dostępne. Zawsze pytaj: czy tę zmienną znałem PRZED udzieleniem kredytu?

Krok 2: Przygotowanie i feature engineering

Surowe dane rzadko nadają się bezpośrednio do treningu. Przygotowanie to zazwyczaj 60-70% całego nakładu pracy w projekcie.

Czyszczenie danych

Sprawdź braki danych i zdecyduj, jak je obsłużyć. Proste imputowanie medianą działa dla danych numerycznych. Dla zmiennych kategorycznych bezpieczniejsza jest osobna kategoria "brak danych", bo sama jej obecność może być sygnałem ryzyka.

Usuń duplikaty i zidentyfikuj anomalie. Klient z dochodem 0 zł to nie zawsze błąd, może to freelancer rozliczający się kwartalnie.

Feature engineering w praktyce

Kilka zmiennych, które konsekwentnie poprawiają jakość modeli kredytowych:

• Wskaźnik DTI (Debt-to-Income Ratio): suma miesięcznych zobowiązań podzielona przez dochód netto.
• Utilization rate: stosunek wykorzystanego limitu karty do przyznanego. Powyżej 80% to sygnał alarmowy.
• Velocity features: liczba wniosków kredytowych złożonych w ostatnich 30, 60 i 90 dniach.
• Zmienne vintage: jak długo klient jest klientem banku, jak długo posiada produkt.
• Trendy behawioralne: czy saldo rachunku rośnie, czy maleje w ostatnich 6 miesiącach.

W Pythonie do feature engineeringu używasz głównie pandas i scikit-learn (pipeline + ColumnTransformer). Do automatyzacji tego procesu warto rozejrzeć się za bibliotekami takimi jak Feature-engine lub featuretools do automatycznego generowania cech z danych relacyjnych.

Krok 3: Wybór i trening modelu

Jakie algorytmy sprawdzają się w scoringu kredytowym

Regresja logistyczna nadal ma swoje miejsce. Jest interpretowalna, regulatorzy ją rozumieją, a wyniki są łatwe do zakomunikowania zarządowi. Jeśli dopiero zaczynasz, to dobry baseline.

Gradient Boosting (XGBoost, LightGBM, CatBoost) to obecnie złoty standard w konkursach predykcji ryzyka i w produkcji. LightGBM szczególnie dobrze sprawdza się przy dużych zbiorach danych, bo trenuje znacznie szybciej od XGBoost przy podobnej jakości.

Sieci neuronowe są coraz częściej stosowane przez duże instytucje, głównie do przetwarzania danych sekwencyjnych (transakcje w czasie) i danych niestrukturalnych. Wymagają jednak znacznie więcej danych i mocy obliczeniowej.

Podział danych: czas ma znaczenie

W scoringu kredytowym NIE stosuj losowego podziału train/test. Użyj podziału czasowego: trenuj na danych z okresu T1-T2, testuj na danych z okresu T3. W ten sposób symulujesz realny warunek: model podejmuje decyzje dla klientów, których jeszcze nie widział, na podstawie przeszłości.

Obsługa nierównowagi klas

W typowym portfelu kredytowym "złe" kredyty stanowią 2-8% wszystkich przypadków. To poważna nierównowaga klas. Stosuj:

• SMOTE (Synthetic Minority Oversampling Technique) do nadpróbkowania klasy mniejszościowej.
• Parametr class_weight='balanced' w scikit-learn.
• Lub po prostu optymalizuj metrykę AUC-ROC zamiast accuracy, bo accuracy jest tu myląca.

Krok 4: Walidacja, interpretacja i wymogi regulacyjne

To etap, który odróżnia projekt akademicki od wdrożenia produkcyjnego.

Metryki oceny modelu

• AUC-ROC: miara globalnej zdolności dyskryminacyjnej modelu. Dobry model scoringowy osiąga AUC powyżej 0,75. Bardzo dobry powyżej 0,80.
• KS statistic (Kolmogorov-Smirnov): popularny w bankowości wskaźnik maksymalnej separacji rozkładów klientów dobrych i złych.
• Gini coefficient: liniowo powiązany z AUC (Gini = 2 * AUC - 1), często preferowany przez ryzykowników.
• PSI (Population Stability Index): mierzy, czy rozkład scorów w populacji testowej jest podobny do treningowej. PSI powyżej 0,2 to sygnał, że model może być niestabilny.

Interpretacja modelu: SHAP i co dalej

Regulatorzy (EBA, KNF) wymagają, żebyś potrafił wyjaśnić, dlaczego klient dostał odmowę. Biblioteka SHAP (SHapley Additive exPlanations) pozwala przypisać każdej zmiennej wkład w decyzję dla konkretnego klienta. To standard branżowy dla modeli "black box" jak gradient boosting.

Przykład: klient dostaje odmowę, bo główny negatywny czynnik to utilization rate na poziomie 92% i trzy zapytania kredytowe w ciągu 30 dni. SHAP pozwala to zwizualizować i sformułować komunikat dla klienta zgodny z wymogiem RODO (art. 22 o automatycznych decyzjach).

W Polsce wdrożenie modelu AI do decyzji kredytowych musi być zgodne z Rekomendacją T KNF oraz rozporządzeniem RODO. Od 2026 roku dochodzi też AI Act, który klasyfikuje scoring kredytowy jako system wysokiego ryzyka (high-risk AI system), nakładając dodatkowe wymogi dokumentacyjne.

Krok 5: Wdrożenie produkcyjne i monitoring

Architektura wdrożenia

Model wytrenowany w Jupyter Notebooku to za mało. Do produkcji potrzebujesz:

1. Serializacja modelu: zapisz model za pomocą joblib lub pickle. Dla większych systemów rozważ ONNX jako format przenośny między frameworkami.
2. API: opakuj model w REST API. Najprostsze rozwiązanie to FastAPI w Pythonie. Zapytanie przychodzi z danymi klienta, API zwraca skor i decyzję.
3. Feature store: jeśli używasz cech obliczanych w czasie rzeczywistym (np. saldo z ostatnich 7 dni), potrzebujesz feature store, np. Feast lub rozwiązań chmurowych (AWS SageMaker Feature Store, GCP Vertex AI Feature Store).
4. Konteneryzacja: pakujesz API w kontener Docker, wdrażasz przez Kubernetes lub zarządzaną usługę chmurową.

Automatyzacja oceny kredytowej w praktyce

Dojrzałe systemy automatyzacji oceny kredytowej działają na kilku poziomach:

• Automatyczna akceptacja: wniosek powyżej progu scoringowego X jest akceptowany bez udziału człowieka.
• Automatyczne odrzucenie: wniosek poniżej progu Y jest odrzucany automatycznie.
• Szara strefa: wnioski między Y a X trafiają do ręcznej analizy analityka.

Kluczowe pytanie brzmi: jak ustawić te progi? To decyzja biznesowa, nie techniczna. Musisz skalibrować model tak, żeby pogodzić akceptowalny poziom ryzyka (Expected Loss) z konwersją wniosków.

Monitoring modelu w czasie

Model kredytowy degraduje się z czasem. Gospodarka zmienia się, zachowania klientów ewoluują. Wdróż monitoring:

• PSI liczony co miesiąc na populacji aplikantów.
• Monitoring wyników (outcome monitoring): czy rzeczywisty wskaźnik złych kredytów odpowiada przewidywaniom modelu? Wymaga okresu obserwacyjnego (vintage analysis).
• Alerty automatyczne: jeśli PSI przekroczy 0,2 lub AUC na próbce walidacyjnej spadnie poniżej ustalonego progu, system powinien wysłać alert do zespołu.

MLflow to popularny, otwartoźródłowy tool do śledzenia eksperymentów i wersjonowania modeli. W środowiskach chmurowych alternatywą są AWS SageMaker Experiments, Azure ML lub Weights and Biases.

Krok 6: Pułapki i błędy, których warto unikać

Zebrałem najczęstsze problemy, które powtarzają się w projektach wdrożeniowych.

Data leakage: opisany wcześniej, ale wart ponownego podkreślenia. To najczęstsza przyczyna modeli, które świetnie działają na testach, a fatalnie w produkcji.

Overfitting na danych historycznych: zbyt skomplikowany model "zapamiętuje" szumy z przeszłości. Regularyzacja (L1, L2 dla regresji logistycznej; max_depth, min_child_weight dla XGBoost) i cross-walidacja to Twoja ochrona.

Ignorowanie dryftu modelu: wdrożenie modelu to nie koniec projektu. To dopiero początek fazy utrzymania. Brak monitoringu to najkrótsza droga do niedziałającego systemu.

Niedoszacowanie wymagań regulacyjnych: zaangażuj dział compliance już na etapie definicji projektu, nie po zbudowaniu modelu. Retrospektywne dostosowywanie modelu do wymogów regulacyjnych jest wielokrotnie kosztowniejsze niż zaprojektowanie go poprawnie od początku.

Brak dokumentacji: AI Act wymaga pełnej dokumentacji technicznej modelu wysokiego ryzyka. Dokumentuj każdą decyzję projektową na bieżąco.

Jak pogłębić wiedzę i zbudować własny projekt

Opisane kroki dają Ci mapę drogową, ale prawdziwa kompetencja rodzi się przy klawiaturze, kiedy samodzielnie budujesz pipeline, debugujesz wycieki danych i interpretujesz wyniki SHAP dla realnego zbioru danych.

Jeśli chcesz przejść przez cały ten proces w praktyce, kurs AI w finansach: analiza danych, prognozowanie i ocena ryzyka w Pythonie na platformie VITA przeprowadza Cię od przygotowania danych finansowych, przez budowę modeli predykcyjnych, aż po ocenę ryzyka w Pythonie. Uczysz się na realnych danych i realnym kodzie, nie na slajdach.

Kurs jest częścią abonamentu VITA. Możesz zacząć już teraz: 3 dni pełnego dostępu do wszystkich kursów za 0 zł (wymagana karta płatnicza). Po tym czasie abonament kosztuje 79 zł miesięcznie albo 690 zł rocznie. Anulujesz jednym kliknięciem w panelu przed końcem okresu próbnego. Kurs zawiera egzamin końcowy, a certyfikat ukończenia jest wydawany po pierwszej płatności, którą możesz zrealizować od razu z poziomu panelu.

Zacznij okres próbny tutaj: vita.edu.pl/abonament. Trzy dni wystarczą, żeby przerobić kluczowe moduły i ocenić, czy to narzędzie dla Ciebie.