Open banking e digital revolution: la filiera del credito sta conoscendo un profondo cambiamento dettato dall’ingresso di nuovi player e da modalità innovative di ingaggio del cliente. In questo scenario, le tecniche di machine learning offrono un vantaggio competitivo imprescindibile quando applicate per efficientare lo sviluppo di strumenti decisionali a supporto del governo del credito. CRIF ha prodotto uno studio nel quale si presentano i risultati di un algoritmo di selezione automatizzata delle variabili, il Model Feature Selection (MFS), disegnato per estrarre il massimo valore dai dati provenienti da piattaforme sempre più ampie e ottimizzare le attività di sviluppo e validazione degli strumenti statistici di previsione del rischio di insolvenza. Lo studio condotto da CRIF mette in luce le potenzialità delle tecniche di machine learning che snelliscono la fase di sviluppo dei modelli, aumentano le performance predittive e massimizzano il valore di tutta l’informazione campionaria disponibile. Infine, l’applicazione della tecnica di interpretazione locale dei risultati (LIME), consente anche di superare i noti limiti all’interpretabilità dei medesimi e di favorire l’applicazione di queste tecniche anche in ambito regolamentare.
