Tradycyjne metody oceny ryzyka kredytowego w factoringu opierają się na wiedzy i doświadczeniu analityków oraz ustalonych zasadach biznesowych, implementowanych najczęściej w postaci reguł. Jest to rozwiązanie, które powoduje, że proces oceny wniosków jest czasochłonny. Ogranicza też możliwość skalowania działalności. Klient potrzebował rozwiązania, które umożliwiałoby automatyzację decyzji kredytowych, zachowując przy tym – w miarę możliwości – podobieństwo decyzji automatycznych do decyzji podejmowanych przez analityków. Istotnym wyzwaniem było również zapewnienie interpretowalności decyzji podejmowanych przez modele, co miało kluczowe znaczenie dla akceptacji rozwiązania przez zarząd firmy.

Analiza procesów oceny ryzyka pozwoliła na identyfikację obszarów, w których modele uczenia maszynowego mogły zastąpić manualne procesy decyzyjne. Opracowano dwa typy modeli: black-box z mechanizmem XAI (Explainable AI) oraz modele transparentne, które pozwalały na łatwiejsze i bardziej skuteczne wyjaśnienie decyzji modelu. XAI był kluczowym elementem strategii, ponieważ zapewniał jasne i zrozumiałe uzasadnienie wyników modelu oraz wskazanie potencjalnych dodatkowych sprawdzeń czy zabezpieczeń w procesie indywidualnym klienta wnioskującego o finansowanie faktury.
Rozwiązanie umożliwia znaczne przyspieszenie oraz skalowanie procesów decyzyjnych, co powinno przełożyć się na wyraźny wzrost efektywności operacyjnej firmy factoringowej.
W ramach wdrożenia powstała interaktywna aplikacja, która umożliwiła porównanie skuteczności i interpretowalności obu podejść. Klient uzyskał możliwość wyboru modelu najlepiej odpowiadającego jego potrzebom biznesowym oraz wymaganiom regulacyjnym. Kolejnym krokiem było zbudowanie aplikacji działającej produkcyjnie, która pozwalała na codzienne wykorzystywanie modeli do analizy nowych wniosków factoringowych.

Efektem jest możliwość automatyzacji procesu oceny ryzyka i decyzji kredytowych, co znacząco przyspieszy procesy decyzyjne, umożliwiając ich realizację w modelu 24/7. Zbudowane rozwiązanie pozwoli również na obsługę większej liczby wniosków w tym samym czasie, co przełoży się na skalowalność działalności klienta. Co więcej, z wykorzystaniem modeli matematycznych decyzje są obiektywne, spójne, powtarzalne i możliwe do modyfikacji w sposób scentralizowany i natychmiastowy.

Projekt rozpoczął się od dogłębnej analizy procesów biznesowych związanych z oceną ryzyka kredytowego w factoringu. Kluczowym elementem było zrozumienie istniejących reguł decyzyjnych oraz oczekiwań dotyczących przejrzystości i interpretowalności modelu. Następnie zaprojektowano i wytrenowano dwa zestawy modeli uczenia maszynowego: jeden o charakterze black-box z mechanizmem XAI oraz drugi o strukturze bardziej transparentnej. Przygotowano raporty porównawcze oraz interaktywne narzędzia umożliwiające klientowi wybór odpowiedniego modelu.
W kolejnym etapie wdrożono aplikację do codziennego wykorzystania modeli ML w ocenie wniosków factoringowych. Etap końcowy to Integracja z systemami klienta oraz weryfikacja poprawności integracji.

W procesie budowy modeli wykorzystano odpowiednio dobrane algorytmy uczenia maszynowego. Transparentne modele zostały zbudowane z wykorzystaniem klasycznych metod statystycznych. W celu zapewnienia interpretowalności decyzji zastosowano metody XAI, klasy LIME (Local Interpretable Model-agnostic Explanations). Modele zostały zoptymalizowane pod kątem wysokiej skuteczności przy zachowaniu akceptowalnego poziomu wyjaśnialności.