Подршка одлучивању у процени кредитног ризика

Контекст

У Делта Холдингу кредитна анализа је доносила вредност, али је одузимала много времена. Аналитичари су радили са два слоја информација: јавним сигналима ризика компанија и интерним оперативним контекстом, као што су историја сарадње, дисциплина плаћања и изложеност кроз различита правна лица.

Прилика није била у томе да се аналитичари замене општим четботом. Суштина је била да се постојећи процес убрза и учини практичнијим тако што ће се ова два слоја повезати у структуриран процес, без укидања потребе за стручним расуђивањем.

Проблем

Кључни изазов није био површан, већ оперативан: аналитичарима су и даље биле потребне корисне процене и препоруке за кредитни лимит, али је прикупљање релевантног контекста из више извора било лош утрошак експертског времена. Свако AI решење морало је да ради у оквиру постојећег процеса одлучивања и да даје излазе којима ће аналитичари заиста веровати и користити их, а не издвојене сажетке без јасног места у процесу.

Шта сам изградио

Помогао сам да се осмисли и реализује систем за подршку одлучивању у процени кредитног ризика, који спаја јавне сигнале ризика компанија са интерним оперативним контекстом и подацима о плаћању како би аналитичари добили структурисане препоруке за више делова бизниса.

Излаз није био само слободан текст. Био је ближи ограниченом слоју препорука који може да подржи исходе као што су одобрење, одбијање, смањен лимит, условно одобрење или додатни преглед.

Систем је био направљен да подржи расуђивање аналитичара, а не да га замени. Поверење је долазило из тога што је решење пратило постојећи процес, што су излази били намерно ограничени и што је свака препорука могла да се провери.

Колико се може јавно рећи, процес је отприлике изгледао овако:

Зашто баш овако, а не четбот или потпуна аутоматизација?

Четбот би био превише неструктурисан за процес кредитног ризика. Потпуна аутоматизација би избацила превише расуђивања из одлуке која је и даље морала да остане у надлежности аналитичара.

Најкорисније решење било је ограничен слој препорука: довољно структуриран да убрза рад и уједначи квалитет, довољно проверљив да сачува поверење и довољно јасно ограничен да ради у оквиру постојећег процеса одлучивања.

Контекст испоруке

Моја улога

Радио сам на осмишљавању процеса, дизајну препорука и одлукама у имплементацији које су прву верзију учиниле употребљивом у оквиру постојећег аналитичког процеса.

Овај пројекат је настао интерно у Делта Холдингу, где сам од AI Specialist напредовао до AI Innovation Lead, водио мали AI тим и остао непосредно укључен у испоруку.

Структура тима

Пројекат је био на пресеку доменских корисника, који су водили процес кредитног одлучивања, и техничког приступа потребног да се разуђени улази претворе у структуриран процес давања препорука.

Ограничења

Систем је морао да ради у оквиру постојећег процеса који воде аналитичари, да безбедно споји спољни и интерни контекст и да свака препорука остане проверљива, уместо да се иде ка аутоматизацији која не показује како је дошла до препоруке.

Одлуке донете с продукцијом на уму

• Процес је пројектован око постојећег аналитичког начина рада, уместо да се модел третира као засебан производ.
• Фокус је остао на употребљивости, квалитету препорука и прихватању од стране бизниса, а не на ефекту новине.
• Имплементација је морала да заслужи поверење корисника, јер повећање брзине без поверења у пракси не траје.
• Пројекат је напредовао од PoC решења за појединачне ентитете ка заједничкој интерној платформи, уз поново употребљиву архитектуру и елементе управљања уграђене од почетка.

Исход

Најјачи јавно саопштиви резултат у овом случају био је на нивоу процеса: време анализе смањено је за око 75%, квалитет је по оцени аналитичара достигао 4,4/5, а прихватање препорука било је изнад 90%.

Ови сигнали не говоре само о брзини, већ и о поверењу, доследности и стварном коришћењу у пракси.

Сигнал из праксе

Виши аналитичар ризика у DMD-у рекао је да је систем омогућио не само обраду анализа повећања кредитног лимита које долазе кроз продају, већ и увођење редовнијих периодичних анализа за све купце, што се раније није радило.

Зашто је овај случај важан

Овај случај је важан јер показује како приступам интерним AI системима у процесима у којима је поверење посебно важно: спој података треба да буде заиста употребљив, излази структурисани и проверљиви, а систем осмишљен тако да подржи стварно одлучивање, уместо да само делује убедљиво у демоу.