oPeniazoch.sk, Undark Foto: SITA/AP;getty images;baihe.com
Algoritmy kreditného hodnotenia reagujú na celé množiny údajov s tisíckami premenných agregovaných z histórie platieb, sociálnych médií, demografických údajov a dokonca aj údajov z GPS.
Money2020 je najväčší finančný veľtrh na svete. Každoročne je usporiadaný v hoteli Venetian v Las Vegas. Predstavujú sa na ňom krypto startupy s najnovšou ponukou mincí, zatiaľ čo povedľa rozpráva generálny riaditeľ PayPal, Dan Schulman, o tom, ako treba sprístupniť bankovníctvo a úvery tej najchudobnejšej časti obyvateľstva. Podľa jeho slov je budúcnosť algoritmické kreditné hodnotenie, v ktorom údaje o platbách a zo sociálnych médií spojené so strojovým vzdelávaním, dokážu robiť rozhodnutia, kto môže dostať pôžičku a kto nie. Stroje budú lepšie vyberať potenciálnych neplatičov, než to dnes vedia odhadnúť ľudia.
Úvery v Číne sú dnes pod palcom spoločnosti Alipay, ktorá využíva tisíce spotrebiteľských údajov. Čo ľudia nakupujú, aký typ telefónu používajú, aké hry vo virtuálnej realite hrajú a kto sú ich priatelia na sociálnych sieťach. To všetko má vplyv na kreditné skóre. V spoločnosti, kde starší ľudia príležitostne vytiahnu svoje telefóny, aby zaplatili za potraviny a dokonca aj bezdomovci využívajú QR kódy, aby mohli prijímať finančné dary, je k dispozícii skutočne veľké množstvo údajov. A zatiaľ čo úverové skóre môže diktovať podmienky pre poskytnutie pôžičky, pôsobí zároveň aj ako podpora sociálneho statusu. V Číne môže vysoké kreditné skóre pomôcť napríklad získať lepšie zamestnanie, alebo vízum na cestovanie v rámci Európy a dokonca nájsť partnera prostredníctvom on-line zoznamky. Na baihe.com sú ľudia s vysokým kreditný skóre zviditeľňovaní pred ostatnými.
Alipay nie je v tomto smere sám. V Afrike WePay používa údaje získané z veľmi obľúbenej mobilnej platobnej platformy M-Pesa na vytvorenie kreditného skóre. Samozrejme algoritmické hodnotenie kreditov nie je obmedzené len na vznikajúce úverové trhy, napríklad v Nemecku spoločnosť Kreditech, ktorá je odhodlaná vybudovať "Amazon pre spotrebiteľské financie", sa vzďaľuje od tradičných metrík, ako je história splátok. Americká spoločnosť s názvom ZestFinance používa big data pre zacielenie na zákazníkov, ktorých ratingy sa pravdepodobne nikdy neozdravia po kríze hypotekárnych úverov.
Ako naznačil Schulman na Money2020, algoritmické hodnotenie kreditov by malo cieliť na "bezbankový" svet. Na odchytenie miliárd zákazníkov, ktorí boli z dôvodu nedostatkov v tradičnej finančnej histórie z hry vylúčení. Algoritmické kreditné skóre je ale aj reakciou na pocit úzkosti vo vyspelých ekonomikách, najmä v dôsledku finančnej krízy. Desať rokov po kríze by konečne mohli podporiť riskantný biznis spotrebiteľských úverov. Či to aj dokážu, zostáva otvorenou otázkou na ktorú je ťažké odpovedať.
V roku 2002 začal analyzovať transakčné údaje z predchádzajúceho roka výkonný riaditeľ Canadian Tire J.P. Martin. Firma predávala športové, domáce potreby či automobilové potreby. Pre svojich zákazníkov vydali vlastnú kreditnú kartu, ktorá bola mnohými prevádzkami akceptovaná. Skúmaním transakčnej histórie Martin našiel korelácie medzi nákupmi, ktoré zákazníci urobili, a pravdepodobnosťou, že by nesplácali svoje úvery. Zodpovedné a sociálne orientované nákupy, ako napríklad krmivo pre vtáky, alebo nástroje na odstránenie snehu zo striech, spároval s budúcou bonitou. Naopak nákup lacných značiek motorového oleja naznačovali vyššiu pravdepodobnosť neplácania pôžičky. Zakrátko na to niektoré spoločnosti vydávajúce kreditné karty začali používať podobný postup. V USA má každá transakcia spracovaná spoločnosťou Visa alebo MasterCard svoj kód. Napríklad obchodnou kategóriou pre lieky je 5122, manželské alebo osobné poradenstvo má 7277, 7995 pre stávky a tipovanie, alebo 7273 pre zoznamovacie a eskortné služby. Niektoré spoločnosti obmedzili úvery pre tých klientov, u ktorých sa objavili poplatky za poradenstvo, pretože depresia a manželské spory znamenajú potenciálnu stratu zamestnania alebo drahé súdne spory.
Zatiaľ čo tieto výpočty boli založené na transakčných históriách, algoritmy kreditného hodnotenia reagujú na celé množiny údajov. Patent spoločnosti ZestFinance využíva údaje o platbách, sociálne správanie, správanie pri webovom prehliadaní a podrobnosti zo sociálnych sietí používateľov, ako aj "akúkoľvek informáciu niektorého, alebo všetkých členov siete dlžníka" ako sú osobné údaje, finančné údaje a informácie o telefóne, vrátane značky, modelu a typu prehliadača. Tieto aplikácie nielen čerpajú z týchto súhrnných údajov na prijatie rozhodnutia, vytvárajú systémy, ktoré rekurzívne analyzujú a spresňujú svoje výsledky v porovnaní s požadovaným výstupom, čo umožňuje algoritmu "učiť sa" vytvorením vlastných spojení. Generálny riaditeľ spoločnosti ZestFinance nedávno tvrdil, že "všetky údaje sú úverové údaje" a machinácie algoritmu už nie sú tak jednoduché ako to bolo kedysi, že lopaty na odhadzovanie snehu = dobré; manželské poradenstvo = zlé.
Zatiaľ čo firmy vyberajú vstupné údaje na zdokonaľovanie a modernizáciu rozhodovacích procesov, nikto presne nevie, aké údaje, alebo aké kombinácie dát, nakoniec významne ovplyvnia výsledok. Systémom pokus/omyl, Joe Deville z Lancasterskej univerzity vo Veľkej Británii zistil, že zmena rozlíšenia displeja v telefóne má za následok odlišné skóre. Alebo že častejšie nabíjanie telefónu môže priniesť priaznivejšie výsledky. Umelá inteligencia urobí rozhodnutie o poskytovaní úverov a ak s výsledkom nie ste spokojní, vy už toho veľa na svoju obhajobu urobiť nedokážete.
Rozhodnutia na základe algoritmických aplikácií sú nielen úspešnejšie pri predpovedaní rizika než metódy klasického hodnotenia, ale údajne aj spravodlivejšie, pretože algoritmus nepozná pojem rasová, pohlavná či sociálno-ekonomická zaujatosť. Možno to celkom nie je jasné, prečo hranie videohier, vlastnenie telefónu s Androidom a 400 priateľov na Facebooku môže pomôcť určiť, či bude, alebo nebude žiadosť o úver úspešná, ale desať rokov po finančnej kríze už logika ide bokom, musíme veriť, že čísla neklamú. Napriek tomu sú už štúdie o tom, ako algoritmy klasifikujú a robia rozhodnutia, kde sa nerovnosť prejavuje, pretože sa tieto systémy učia z existujúcich dátových súborov, existujúce odchýlky tvarujú. Stroj rozhoduje, kto je dobrý, zlý, normálny alebo bonitný. Tieto systémy sa rýchlo stávajú normou. Čínska vláda už chystá vlastný algoritmus pre "systém sociálnych kreditov". Pre 1,4 miliardy občanov je pripravená metrika, ktorá používa on-line údaje na ohodnotenie ich dôveryhodnosti. Keďže tieto systémy sa stávajú všadeprítomnými, skóre jednotlivca bude posudzované pri prístupe k financiám, službám a základným slobodám, jedno zlé rozhodnutie bude mať oveľa väčší dopad.
Je zrejmé, že v týchto systémoch bude potrebná väčšia transparentnosť, aj keby sme sa mohli pozrieť do čiernej skrinky, pravdepodobne by sme nenašli tú časť v kóde, ktorá by inštruovala systém, aby diskriminoval chudobných alebo na základe farby ich pleti, či toho, či hrajú príliš veľa videohier. Dôležitejšie ako pochopenie toho, ako sa toto skóre vypočíta, je poskytnúť používateľom príležitosť spochybniť nepriaznivé rozhodnutia, ktoré o nich urobí algoritmus. Až vtedy môžeme mať dôkaz, že tieto systémy dokážu poskytnúť úver iba tým, ktorí ho aj skutočne splatia.
