– Fintechy mają zupełnie inne modele scoringowe. Na tym polega ich know-how. Data science w fintechach pozwala przejmować klientów „niezagospodarowanych” przez banki. Firma odrzucona wcześniej przez bank z uwagi na brak historii kredytowej nagle zyskuje dostęp do pieniędzy. Algorytmy fintechowe są też precyzyjniejsze w określaniu niepewności, oferują usługę taniej i szybciej. Czy tak samo bezpiecznie jak w banku? Nie jestem pewna – mówi dr hab. Aneta Hryckiewicz, badaczka data science w sektorze usług finansowych z Akademii Leona Koźmińskiego.

Dr hab. Aneta Hryckiewicz jest szefową Zakładu Ekonomicznych Analiz Empirycznych w Akademii Leona Koźmińskiego, gdzie prowadzi kierunek studiów Master in Big Data Science. Zajmuje się analizą trendów w sektorze finansowym, bada również wpływ nowych technologii i rozwiązań data science w fintechach na funkcjonowanie i strukturę sektora finansowego. Doświadczenie zawodowe zdobywała w jednym z największych banków inwestycyjnych, pracując przy fuzjach i przejęciach dużych przedsiębiorstw. Doradzała również wielu polskim firmom w zdobyciu kapitału oraz restrukturyzacji.

Jak zmienił się świat finansów po tym, jak odkrył dla siebie moc algorytmów sztucznej inteligencji i rozwiązań data science w fintechach?

W fintechach i bigtechach, które popychają digitalizację, ludzkie analizy są zastępowane algorytmicznymi. Roboty mogą szybko i sprawnie zaoferować produkty finansowe. W przypadku decyzji kredytowych mówimy o paru minutach, może 1-3 dniach, gdy chodzi o firmy. Tymczasem w instytucjach bankowych niekiedy trwa to tygodniami. Wygoda i szybkość są szczególnie ważne dla firm z problemami płynnościowymi, które muszą natychmiast pozyskać finansowanie, bo każdy kolejny dzień przybliża ich do bankructwa.

Drugi aspekt to niższe koszty transakcji. Fintechy i bigtechy nie mają rozbudowanych struktur, budynków na Manhattanie czy Wall Street, a także tysięcy pracowników. Mogą więc inwestować wyłącznie w technologię. Choć i tak są to duże pieniądze, a rozwój w tym zakresie jest bardzo drogi – dość powiedzieć, że w 2020 roku Amazon wydał na ten cel 40 miliardów dolarów. Oczywiście, mniejsze firmy z konkretną usługą finansową tyle nie inwestują, natomiast brak innych kosztów sprawia, że ich oferta jest efektywniejsza i tańsza.

Algorytmy i rozwiązania data science w fintechach są bardziej precyzyjne, jeśli chodzi o wyliczanie tego, co w sektorze finansowym najważniejsze, czyli niepewności. Dzieje się tak, bo wykorzystują nie tylko informacje używane przez banki w tradycyjnych modelach decyzyjnych. Dzięki temu, że funkcjonują w sektorze jeszcze wciąż mało uregulowanym, mogą sobie pozwolić na pozyskiwanie danych z różnych źródeł, chociażby z social mediów, żeby wyliczyć ryzyko kredytowe. To powoduje, że instytucja czy osoba odrzucona przez bank, np. z uwagi na brak historii kredytowej albo wcześniejszych spłat w terminie, może skorzystać z usług fintechów, które potrafią dużo precyzyjniej określić ryzyko.

Rzecz ma się podobnie w algorytmach dotyczących inwestowania – trading w większości badań jest oceniany jako dużo bardziej skuteczny i precyzyjny, dostarczający lepsze zwroty inwestorom. Część klientów przerzuca się na tego typu zdigitalizowane usługi, ponieważ są tańsze, szybsze, sprawniejsze i bardziej spersonalizowane. Nie muszę iść do banku, żeby podpisać umowę, wszystko jest załatwiane elektronicznie.

Te zmiany mają ogromny wpływ na całą gospodarkę. Dzięki skomplikowanym modelom machine learningu, które mogą precyzyjnie ocenić ryzyko i przyszłość firmy, okazało się, że przedsiębiorcy, którzy nie dostawali środków na inwestycje, nagle mogli je pozyskać. Kolejny aspekt dotyczy reakcji banków na działania bigtechów i fintechów odgrywających dużą rolę w digitalizacji sektora. Banki obudziły się i zauważyły, że już nie są same, a ich konkurenci robią się coraz poważniejsi – wiele z nich już aplikowało o licencje bankowe. Fintechy, początkowo małe, stały się międzynarodowymi instytucjami, a banki zdały sobie sprawę, że mogą przegrać w tej bitwie, co sprawiło, że same mocno zainwestowały w cyfryzację.

A jak wykorzystanie algorytmów i data science w fintechach przełożyło się na spłaty kredytów?

Odsetek błędów algorytmów, które są wykorzystywane na co dzień, jest bardzo niewielki. Natomiast jeśli chodzi o banki, to używane przez nie modele scoringowe, czyli systemy oceny pozwalające niejako klasyfikować klientów na podstawie wybranych cech, są uregulowane i akceptowane przez Komisję Nadzoru Finansowego. W związku z tym banki nie mogą wykorzystywać danych z Facebooka. Dlatego pomimo digitalizacji sektora ich modele scoringowe nie zmieniły się za bardzo. Trudno jest zatem wymagać od nich, żeby klient, który dotąd nie miał zdolności kredytowej, nagle „przeskoczył” jako ten ze zdolnością kredytową.

Jednakże na całym rynku, poza bankami, zmiana jest bardzo widoczna. Data science w fintechach wprowadza zupełnie inne modele scoringowe, wykorzystując większą ilość danych przy bardziej zaawansowanych algorytmach, na tym polega ich know-how. Dzięki temu przejmują klientów „niezagospodarowanych” przez banki.

Jednocześnie brakuje jednoznacznych badań pokazujących przełożenie fintechowych systemów na spłacalność kredytów przez klientów. Zgodnie z wynikami analiz modeli scoringowych we Francji, w przypadku MŚP ryzyko bankructwa po przyznaniu kredytu fintechowego było tylko nieznacznie wyższe od ryzyka wyliczonego przez banki. Ale już w Stanach Zjednoczonych było dużo wyższe. Dlatego raporty najczęściej wskazują, że po kredyty fintechowe idą wciąż najczęściej ci, którzy mają problem z uzyskaniem finansowania bankowego. Dlatego siłą rzeczy przy niższej zdolności kredytowej ryzyko bankructwa wzrasta. Gorsza spłacalność nie wynika więc ze złego działania algorytmów, tylko z innego typu klienta.

Co z pracownikami? Czy w branży rozmawia się o pomysłach, jak ich przebranżowić, jakie nowe zadania przypisać, żeby odnaleźli się w sektorze scyfryzowanym?

Owszem, digitalizacja powoduje zamknięcie placówek. Równocześnie w Polsce, Niemczech czy we Francji oddziały były i nadal są w każdym większym mieście, a ludzi w nich pracujących nie da się „przesunąć” gdzieś indziej. Z nowych technologii nie korzysta całe społeczeństwo – całkowite zamknięcie placówek pozbawiłoby np. starsze osoby dostępu do usług finansowych. Z tego powodu Lloyds Bank w Wielkiej Brytanii rozpoczął edukację starszej części społeczeństwa na szeroką skalę, żeby włączyć ich w transformację sektora finansowego. COVID-19 dodatkowo przyspieszył zamykanie placówek ze względów bezpieczeństwa – ludzie albo nie chcieli, albo nie mogli przychodzić do oddziałów.

Cyfryzacja sektora obejmie dużą część obsługi klienta detalicznego, a także produktów dla przedsiębiorców. W mniejszym stopniu będzie dotyczyła tych bardziej specjalistycznych gałęzi, takich jak zarządzanie majątkiem, gdzie relacje pomiędzy bankierem a klientem są bardzo ważne. Jakiś czas temu prowadziłam badanie w Szwajcarii dla banku, który specjalizuje się w zarządzaniu majątkiem bogatych klientów.

Z wywiadów wynikało, że klienci chętnie bawią się nową technologią, ale chcą mieć swojego doradcę. W mniejszym stopniu cyfryzacja obejmie też doradztwo w kwestii fuzji i przejęć czy restrukturyzacji, czyli te obszary, gdzie liczą się relacje. Natomiast procesy związane z analizami, podejmowaniem decyzji i modelami scoringowymi będą scyfryzowane, co de facto oznacza, że proces obejmie trzy czwarte sektora bankowego.

Czy oznacza to również, że digitalizacja będzie miała wpływ na podobny odsetek pracowników?

Myślę, że nie będzie to aż tak dużo, bo ktoś musi kontrolować działanie algorytmów. Moim studentom pokazywałam przykład algorytmu Google’a szkolonego w rozpoznawaniu pieska chihuahua. Na podstawie kilkuset zdjęć algorytm rozpoznawał cechy charakterystyczne zwierzęcia. Aby sprawdzić, jak sobie radzi, pokazano mu również zdjęcie babeczki z jagodami, które program zaklasyfikował jako oczy pieska. Innym przykładem było zdjęcie owiec posadzonych na drzewie, które robot wziął za żyrafę.

Choć algorytmom blisko do perfekcji, to pokazuje, że jeszcze jej nie osiągnęły, dlatego niezbędny jest człowiek sprawdzający wyniki. Poza tym ciągle brakuje regulacji – w większości krajów roboty nie mogą decydować w sektorze finansowym, pod każdą decyzją musi się podpisać człowiek. Sektor bankowy będzie jednym z najbardziej dotkniętych digitalizacją, co nie oznacza jednak, że nie będzie w nim w ogóle ludzi. Automatyzacja nie pójdzie bowiem tak daleko. Na końcu i tak ktoś musi kontrolować, co dzieje się z danym kredytem.

Czy spotkała się Pani z sytuacją interwencji człowieka w przypadku, gdy algorytm pomylił się w decyzji związanej z finansami?

Takie przypadki były, ale wiązały się raczej z błędami ludzkimi. Zdarzało się, że algorytm był źle napisany, co jest wpisane w ryzyko transformacji cyfrowej. Sama widziałam modele, które przy niskim poziomie ryzyka inwestycyjnego doradzały 98 proc. inwestycji w akcje. Inny przykład to podanie złych danych algorytmowi, który podejmował decyzje podchodzące pod dyskryminację.

Znane są też przykłady błędów algorytmów, które doprowadziły do tzw. flash crashes, czyli bardzo szybkich spadków wartości jakichś aktywów na rynkach, a także błędów ludzkich takich jak w przypadku Knight Capital. Dlatego coraz częściej się mówi, że algorytmy nie mogą być czarnymi skrzynkami, szczególnie w przypadku fintechów, bo banki pod tym względem są restrykcyjnie kontrolowane.

Większość innych instytucji zajmujących się w jakiś sposób finansami była przez długi czas nienadzorowana. W przypadku negatywnej decyzji bank musi wyjaśnić, dlaczego podaje decyzje odmowną, a odpowiedź, że „algorytm tak zadecydował”, nie jest zgodna z prawem. Zatem powinniśmy rozumieć, co algorytmy robią, żeby mieć wpływ na podejmowanie decyzji. Należy również oczekiwać, że obszar ten będzie coraz bardziej uregulowany.

Patrząc z perspektywy klienta, który już korzysta ze scyfryzowanych usług, czego możemy się spodziewać w przyszłości?

Tylko dobrych rzeczy (śmiech). Klient oczekuje produktu spersonalizowanego i taniego, szybkich decyzji, a także dostępu do swoich finansów z każdego zakątka świata. Digitalizacja zmniejsza koszty, czego dobrym przykładem jest Revolut, którego jedni nienawidzą, a inni uwielbiają. Nie możemy jednak wątpić, że wymusił dużą zmianę w zakresie płatności w walutach. Osobiście nie znam nikogo, kto wyjeżdżając za granicę, nie korzysta z karty Revoluta.

Największe banki na świecie – JP Morgan i Goldman Sachs – zainwestowały w blockchain, żeby zmniejszać koszty transakcyjne i czas, aby wysyłając przelewy międzynarodowe, nie trzeba było czekać dwa tygodnie. Obecnie jest to nie do pomyślenia. Wchodzimy do internetu i korzystamy z usług banków lub fintechów, a pieniądze docierają natychmiast bez olbrzymich kosztów transakcji. Digitalizacja jest pozytywna dla klienta.

Natomiast nie jest wolna od ryzyk, np. wycieku danych i cyberataków. Mam na myśli nie tyle banki, chociaż te też są narażone na ataki hakerskie i wyłudzenia, ile fintechy, co do których nie jestem przekonana, czy mają takie systemy kontroli i zabezpieczeń jak banki.

Drugie ryzyko jest związane z wyciekiem danych o nas, ponieważ instytucje finansowe nie tylko gromadzą informacje o tym, co robimy z pieniędzmi, ile zarabiamy czy dokąd podróżujemy, ale coraz więcej fintechów podpina swoje usługi do różnych aplikacji mobilnych dotyczących zdrowia, uprawiania sportu czy danych medycznych. To powoduje, że będą wiedziały o nas niemal wszystko i w momencie wycieku okaże się, że w internecie krążą bardzo poufne informacje o naszych chorobach czy majątku.

Kolejnym zagrożeniem jest to, że duża część algorytmów podejmujących decyzje wykorzystuje te same albo podobne dane, co powoduje prawdopodobieństwo dużej korelacji w decyzjach i rosnącego ryzyka systemowego. Bo jeśli kredyty dostają klienci o specyficznych charakterystykach, to w przypadku, gdy zdarzenie systemowe lub rynkowe dotknie tę konkretną grupę, straty obejmą nie jedną instytucję, ale wszystkie, które korzystały z danego algorytmu.

Identyfikuję to ryzyko, bo tak naprawdę mamy dwóch, góra trzech dostawców technologii. Choć algorytmy są w dużej mierze czarnymi skrzynkami, to korzystanie z usług tych samych producentów sprawia, że ryzyko korelacji ich działania rośnie. Nawet jeżeli zostaną dopasowane do potrzeb poszczególnych instytucji, to gros danych, których potrzebują do analiz, będzie się pokrywało. Dlatego ewentualnego krachu nie będziemy mieli w jednym kraju, ani w trzech, tylko może się okazać, że kryzys dotknie połowę świata, bo największe banki miały podobne procesy decyzyjne.

Czy inne branże wykorzystują dane instytucji finansowych? Czy są jakieś projekty wspólne?

Dyrektywa PSD2 (ang. Payment Services Directive) zezwala bankom na udostępnienie danych klienta instytucjom czy podmiotom trzecim. Oczywiście, klient musi wyrazić zgodę i najczęściej robi to chętnie, jeśli widzi w tym jakąś korzyść – na przykład wtedy, gdy może kupić coś taniej. Zatem PSD2 otworzyła drogę różnym podmiotom, które wykorzystują te dane dla różnych celów.

Z finansowego punktu widzenia mogę dostać propozycję, jak zainwestować swoje środki, na podstawie analizy moich wydatków i zachowań. Czemu nie, skoro podmiot trzeci może mi coś takiego przygotować. Albo otrzymam coś w stylu personal finance – algorytm widzi, że często podróżuję, więc proponuje mi kartę z niskim albo bez żadnego spreadu, jeśli chodzi o kurs walutowy. Dotyczy to też ubezpieczeń – im więcej danych firmy ubezpieczeniowe będą o nas miały, tym lepsze warunki zaproponują.

Nad jakimi projektami Pani obecnie pracuje?

Pierwszy dotyczy dyskryminacji w algorytmach – badamy, jak powszechny jest to problem, jakie typy algorytmów mają tendencję do dyskryminacji i dlaczego to robią. Ten projekt dopiero pączkuje, jest realizowany w ramach konsorcjum z czterema instytucjami.

Drugi, który prowadzimy we współpracy z University College London, dotyczy digitalizacji w sektorze finansowym i dostępu do finansowania małych i średnich przedsiębiorstw. Wpisuje się to w politykę Unii Europejskiej, która otwarcie mówi, że proces digitalizacji sektora powinien wpłynąć pozytywnie na te podmioty, które były dotąd pomijane przez banki komercyjne. W tym kontekście mówi się właśnie o małych i średnich przedsiębiorstwach pomimo tego, że tworzą najwięcej miejsc pracy, mają największy udział w PKB i w największym stopniu przyczyniają się do rozwoju know-how w danym kraju.

Z tym wiąże się kolejne badanie, które sprawdzi, czy cyfryzacja w sektorze MŚP rzeczywiście powoduje zwiększenie ich wydatków na inwestycje. Z kolei ostatni projekt dotyczy ryzyka systemowego – szukamy odpowiedzi na pytanie, jak decyzje podejmowane przez algorytmy i narzędzia data science w fintechach i bigtechach wpływają na ryzyko, jakie może powstać w sektorze finansowym. Zebraliśmy dane dla 55 największych banków w Europie i Stanach Zjednoczonych i patrzymy, z jakich rozwiązań technologicznych korzystają one oraz kto te rozwiązania dostarcza.

Czy jest coś, co dzisiaj możemy poprawić w algorytmach?

Algorytmy nie są perfekcyjne. Mają tzw. bias, czyli pewne błędy już udowodnione przez naukę. Przykładem mogą być różne formy dyskryminacji w algorytmach. To szerokie pojęcie, bo widzimy tutaj dyskryminację płci, ale też geograficzną czy pod względem edukacji, które wynikają z danych historycznych i innych informacji, które dostarczamy modelowi. Myślę, że wraz z analizą, a także lepszym poznaniem elementów i sposobów działania algorytmów będziemy w stanie wykrywać błędy. Na razie możemy porównywać działanie robotów w skali makro.

Trzeba pamiętać, że ten rynek dopiero się rozwija – na początku używał tylko twardych danych o naszej sytuacji życiowej, zarobkach, zatrudnieniu czy lokalizacji. Później okazało się, że można zbierać kolejne informacje. Teraz mówi się, że będzie ich jeszcze więcej, czyli algorytmy będą się uczyły. Dlatego z lepszym poznaniem „wnętrz” algorytmów i działaniami korygującymi algorytmy będą coraz precyzyjniejsze.