Pemodelan risiko kredit AI: Merampingkan operasi risiko kredit

• Penulis:
• nama penulis

  Pandangan ke Depan Quantumrun
• Februari 27, 2023

Masalah pemodelan risiko kredit telah menjangkiti bank selama beberapa dekade. Sistem pembelajaran mesin dan kecerdasan buatan (ML/AI) menawarkan metode baru untuk menganalisis data yang terlibat dan menyediakan model yang lebih dinamis dan lebih akurat.

Konteks pemodelan risiko kredit AI

Risiko kredit mengacu pada risiko bahwa peminjam akan gagal membayar pinjaman mereka, yang mengakibatkan hilangnya arus kas bagi pemberi pinjaman. Untuk menilai dan mengelola risiko ini, pemberi pinjaman harus memperkirakan faktor-faktor seperti probabilitas default (PD), exposure at default (EAD), dan loss-given default (LGD). Pedoman Basel II yang diterbitkan pada tahun 2004 dan diterapkan pada tahun 2008, mengatur pengaturan untuk mengelola risiko kredit di industri perbankan. Berdasarkan Pilar Pertama Basel II, risiko kredit dapat dihitung dengan menggunakan pendekatan standar, berbasis internal foundation rating, atau advanced internal rating-based.

Penggunaan analitik data dan AI/ML semakin lazim dalam pemodelan risiko kredit. Pendekatan tradisional, seperti metode statistik dan skor kredit, telah dilengkapi dengan teknik yang lebih canggih yang dapat menangani hubungan non-linear dengan lebih baik dan mengidentifikasi fitur laten dalam data. Pinjaman konsumen, demografis, keuangan, ketenagakerjaan, dan data perilaku semua dapat dimasukkan ke dalam model untuk meningkatkan kemampuan prediksi mereka. Dalam pinjaman bisnis, di mana tidak ada skor kredit standar, pemberi pinjaman dapat menggunakan metrik profitabilitas bisnis untuk menilai kelayakan kredit. Metode pembelajaran mesin juga dapat digunakan untuk pengurangan dimensi guna membangun model yang lebih akurat.

Dampak yang mengganggu

Dengan penerapan pemodelan risiko kredit AI, pinjaman konsumen dan bisnis dapat menggunakan model pinjaman yang lebih akurat dan dinamis. Model-model ini memberi pemberi pinjaman penilaian yang lebih baik terhadap peminjam mereka dan memungkinkan pasar pinjaman yang lebih sehat. Strategi ini bermanfaat bagi pemberi pinjaman bisnis, karena perusahaan kecil tidak memiliki tolok ukur untuk menilai kelayakan kredit mereka dengan cara yang sama seperti fungsi nilai kredit standar bagi konsumen.

Salah satu potensi penerapan AI dalam pemodelan risiko kredit adalah penggunaan pemrosesan bahasa alami (NLP) untuk menganalisis data yang tidak terstruktur, seperti laporan perusahaan dan artikel berita, untuk mengekstrak informasi yang relevan dan mendapatkan pemahaman yang lebih dalam tentang situasi keuangan peminjam. Penggunaan potensial lainnya adalah penerapan AI yang dapat dijelaskan (XAI), yang dapat memberikan wawasan tentang proses pengambilan keputusan suatu model dan meningkatkan transparansi dan akuntabilitas. Namun, penggunaan AI dalam pemodelan risiko kredit juga menimbulkan masalah etika, seperti potensi bias dalam data yang digunakan untuk melatih model dan perlunya pengambilan keputusan yang bertanggung jawab dan dapat dijelaskan.

Contoh perusahaan yang mengeksplorasi penggunaan AI dalam risiko kredit adalah Spin Analytics. Startup menggunakan AI untuk secara otomatis menulis laporan regulasi pemodelan risiko kredit untuk lembaga keuangan. Platform perusahaan, RiskRobot, membantu bank mengumpulkan, menggabungkan, dan membersihkan data sebelum memprosesnya untuk memastikan kepatuhan terhadap peraturan di berbagai wilayah, seperti AS dan Eropa. Itu juga menulis laporan terperinci untuk regulator untuk memastikan akurasi. Menulis laporan ini biasanya memakan waktu 6-9 bulan, tetapi Spin Analytics mengklaim dapat mengurangi waktu tersebut menjadi kurang dari dua minggu. 

Aplikasi pemodelan risiko kredit AI

Beberapa aplikasi pemodelan risiko kredit AI dapat meliputi:

• Bank menggunakan AI dalam pemodelan risiko kredit untuk secara signifikan mengurangi waktu dan upaya yang diperlukan untuk menghasilkan laporan terperinci, memungkinkan lembaga keuangan meluncurkan produk baru lebih cepat dan dengan biaya lebih rendah.
• Sistem bertenaga AI digunakan untuk menganalisis data dalam jumlah besar dengan lebih cepat dan akurat daripada manusia, berpotensi menghasilkan penilaian risiko yang lebih akurat.
• Semakin banyak orang dan bisnis yang 'unbanked' atau 'underbanked' di negara berkembang mendapatkan akses ke layanan keuangan karena alat pemodelan risiko kredit baru ini dapat diterapkan untuk membedakan dan menerapkan skor kredit dasar ke pasar yang kurang terlayani ini.
• Analis manusia dilatih untuk menggunakan alat berbasis AI untuk mengurangi risiko kesalahan.
• Sistem kecerdasan buatan digunakan untuk mendeteksi pola aktivitas penipuan, membantu lembaga keuangan mengurangi risiko penipuan pinjaman atau aplikasi kredit.
• Algoritme pembelajaran mesin dilatih pada data historis untuk membuat prediksi tentang risiko masa depan, memungkinkan lembaga keuangan untuk secara proaktif mengelola potensi paparan risiko.

Pertanyaan untuk dikomentari

• Metrik apa yang menurut Anda harus digunakan bisnis untuk mengukur kelayakan kredit mereka?
• Bagaimana Anda membayangkan AI mengubah peran analis risiko kredit manusia di masa depan?