Pamiętacie "Raport mniejszości"? W pamiętnym opowiadaniu Philipa K. Dicka, sfilmowanym przez Stevena Spielberga, system predykcyjny przewidywał przestępstwa, zanim dana osoba je popełniła, co pozwalało skazać ją na więzienie. Dziś do użytku wchodzą podobne algorytmy. Wiedzą, czy spłacicie kredyt, albo gdzie pójdziecie w weekend.
REKLAMA
Jak ocenić millenialsa
Najpierw była pożyczka. A właściwie 60 tysięcy pożyczek, jakich udzieliła firma kasomat.pl. – Udzielaliśmy ich bez kontaktu z klientem, całość transakcji odbywała się na naszej aplikacji – podkeśla w rozmowie z INN:Poland Maciej Doliński, ówczesny prezes Kasomatu i późniejszy współzałożyciel FriendlyScore. – Po tym doświadczeniu bardzo dobrze czułem problem, jaki mają dziś kredytodawcy, zachodni nawet bardziej niż ci polscy: współcześni młodzi ludzie pożyczają w zupełnie inny sposób niż poprzednie pokolenie. Informacje, jakie przetwarzają tradycyjne biura kredytowe, jak polski BIK, niekoniecznie oddają ich rzeczywistość – dodaje.
Jak zawsze, zresztą. Kilka generacji wcześniej w Stanach Zjednoczonych uzyskanie kredytu było możliwe niemal wyłącznie w lokalnym banku, którego menedżer podejmował decyzję wyłącznie na bazie swojej wiedzy o kliencie i jego rodzinie. W latach 50. Amerykanie wprowadzili system FICO – wówczas rewolucyjny, pozwalający uniknąć dyskryminacji rasowej czy wziąć kredyt w dowolnym banku w kraju, na podstawie historii kredytowej sprowadzającej się do określonej sygnatury.
– Dziś ten system zawodzi – mówi Doliński. – Wyraźnie widać to na przykładzie pokolenia Y, millenialsów, którzy generalnie jako grupa znacznie lepiej radzą sobie ze spłatą kredytów niż poprzednie generacje, ale ich wiarygodność kredytowa jest dużo niższa niż w przypadku osób starszych – kwituje.
Tu rodzą się dylematy bankowców. Czy pożyczać millenialsom pieniądze? Jak ich oceniać, skoro w BIK nie ma o nich ani słowa? – Podobnie, jak w Kasomacie dzięki algorytmowi ocenialiśmy, jak ktoś się zachowuje na naszej stronie, jak wypełnia wniosek o pożyczkę, tak i w tym przypadku wraz z Emilianem Siemsią [dziś CTO w firmie FriendlyScore – przyp. red] zaczęliśmy się przyglądać całokształtowi zachowań millenialsów w internecie. Czego szukają, z kim się komunikują, jakie treści tworzą – opowiada Maciej Doliński.
Z tych obserwacji i eksperymentów na przełomie 2013 i 2014 roku narodziła się FriendlyScore. Firmowa aplikacja umożliwiała użytkownikowi podłączenie swojego konta na Facebooku pod system kredytodawcy, dzięki czemu z konta zaciągały się pewne informacje, pozwalające – jak podkreśla Doliński – rzetelnie ocenić wiarygodność kredytową klienta. – Jakieś 85 proc. danych to te same informacje, na które banki zawsze zwracały uwagę i które próbowały uzyskać z innych źródeł: kwestie rodzinne, doświadczenie zawodowe, poziom dochodów – zaznacza szef FriendlyScore.
Na plus kredytobiorcy działa korzystanie z kart kredytowych do zakupów w internecie czy też prowadzenie jakiegoś rodzaju kalendarza online – znak, że dana osoba próbuje efektywnie zarządzać swoim czasem. Paradoksalnie, okazuje się, że skłonność do balang czy ilość – oraz tematyka – wrzucanych do mediów społecznościowych zdjęć „nie korelują” z rzetelnością spłat.
Ale do tego dochodzą nowe, czasem nieszablonowe wskaźniki wiarygodności klienta. – Np. to, o jakich porach dnia używamy internetu. Osoby, które lepiej spłacają wzięte pożyczki, zwykle raczej spędzają czas na portalach społecznościowych wieczorem, a nie w ciągu dnia. Inną sprawą są osoby, budujące siatkę kontaktów, z przyjaciółmi ze studiów, współpracownikami z poprzednich firm itp. Na dużych populacjach, statystycznie dałoby się też udowodnić, że lepszymi kredytobiorcami są osoby publikujące więcej informacji na swój temat – wylicza.
Moda na wieszczenie
– Problemem nie jest dostęp do danych, tych jest mnóstwo – mówi INN:Poland Kamil Stanuch, współtwórca innej z firm predictive analytics, Koala-Metrics. – Priorytetem jest dziś to, by szukać jakichś nietypowych informacji i sprawdzać, czy mogą one coś ulepszyć, poprawić prognostykę. Jeżeli z danych banku będzie wynikać, że 95 proc. użytkowników Facebooka, którzy np. lubią serial „Breaking Bad”, spłaca kredyt na czas, to przy zachowaniu innych wymogów: umowy o pracę, trzydziestki na karku, zamieszkania w dużym mieście, ich ocena kredytowa jeszcze bardziej wzrośnie – podsumowuje.
Z drugiej strony, jak podkreśla Stanuch, rzecz nie w tym, żeby dane mnożyć – raczej w skutecznym odsianiu informacyjnego szumu. Tym bardziej, że sytuacje takie, jak wspomniana korelacja między rzetelnością spłat a fascynacją serialem „Breaking Bad” może się okazać pozorna.
Bez względu jednak na to, czy chodzi o nowe dane, czy odsiew starych, jedno wydaje się pewne – fraza predictive analytics otwiera serca i portfele inwestorów.
Twórcy FriendlyScore dwa lata temu zaaplikowali do udziału w Startupbootcamp, największym europejskim akceleratorze. Znaleźli się wśród dwudziestu zaproszonych zespołów, a po trzydniowym maratonie selekcyjnym – wśród dziesięciu inicjatyw, które dostały pomoc i dofinansowanie. – Założyliśmy spółkę w Londynie, akcelerator połączył nas z całym środowiskiem, mogliśmy odbyć rozmowy z osiemnastoma bankami z całej Europy, ustalając, czego bankierzy potrzebują i co jest dla nich ciekawe – wspomina Doliński.
Po czterech miesiącach powstała pierwsza wersja aplikacji i pojawił się pierwszy inwestor – notowany na londyńskiej giełdzie fundusz Mercia Fund. Wkrótce dołączyli nowi współpracownicy, w tym obecny CEO, Gideon Valkin. Cały zespół nagle się umiędzynarodowił, a od sierpnia ubiegłego roku ruszyła sprzedaż produktu. – „Z wierzchu” to proste narzędzie do autoryzacji, pozwalające podłączyć się do konta z Google'a, LinkedIn, Facebooka. „Pod spodem” jest jednak skomplikowany algorytm, który wylicza, jaka jest szansa, że dana osoba w tym momencie życia spłaci pożyczkę lub nie – opowiada współzałożyciel firmy. Z usługi korzystają dziś 34 klienci, pożyczający swoje pieniądze na rynkach jedenastu państw.
Na brak zainteresowania nie mogli też narzekać założyciele Koala Metrics: firmy, w której powstał mechanizm profilowania klientów na podstawie informacji o wykorzystywanych aplikacjach mobilnych. Dzięki temu można z 95-procentową poprawnością ocenić, jaki zawód ma użytkownik, czy ma dzieci, jak styl życia preferuje. – Znaliśmy się z zespołem stojącym za Hubraum, to takie inwestycyjne ramię Deutsche Telekom. Przedstawiliśmy im projekt z prośbą o jakiś feedback, nie szukaliśmy nawet inwestora. Okazało się, że takie rozwiązanie interesowałoby DT: nie tylko jako klienta, ale też inwestora – mówi Kamil Stanuch.
Potem przyszły kolejne sukcesy – wygrana w konkursie Telecom Innovation organizowanym przez T-Mobile, co napędziło dodatkowo proces inwestycyjny, czy mBank StartUp Challenge.
Jak zaplanować czas niedźwiedzia?
Trudno się dziwić tej inwestorskiej euforii. Predictive analytics nie sprowadza się bowiem wyłącznie do ryzyka kredytowego, czy analizy tego, na ile wypłacalny jest millenials.
Przykładowo, firma farmaceutyczna BERG Health chce wykorzystać analitykę predyktywną – w połączeniu z systemem sztucznej inteligencji – do tworzenia nowych lekarstw. Na tworzonej przez firmę platformie powstaje „model zdrowego człowieka”, z mapą genów i protein oraz innych cech charakterystycznych – w sumie 14 bilionów „punktów informacyjnych”. Ta gigantyczna ilość kluczowych punktów pozwoli przewidzieć reakcję poszczególnych osób na rozmaite składniki tworzonego leku, co docelowo ma poprawić skuteczność terapii, skrócić czas tworzenia nowego leku, oszczędzić kosztów badań i eksperymentów.
Skrajnie odmienny przykład: w miejskim zoo w Birmingham pracownicy używają algorytmu prognostycznego do przewidywania liczby odwiedzających. - Liczba ludzi, którzy przychodzą do zoo, wpływa na liczbę potrzebnych w danym dniu pracowników, marketing ogrodu oraz planowanie wydarzeń specjalnych – komentował Joshua Jones, ekspert z obsługującej ogród firmy analitycznej StrategyWise. – Można się tu oprzeć na statystykach z przeszłości, ale my łączymy te dane z informacjami na temat pogody, kalendarzami szkolnymi, świętami narodowymi i innymi czynnikami, pozwalającymi przewidzieć liczbę odwiedzających danego dnia – dodawał.
Nad Wisłą również jest zainteresowanie takimi rozwiązaniami, zwłaszcza w dużych firmach, takich jak telekomy, banki. – W końcu pozyskanie nowego klienta jest znacznie droższe niż utrzymanie dotychczasowego, a predictive analytics pozwala skutecznie podnosić lojalność klientów – przekonuje nas Kamil Stanuch. – Dlatego dziś wszyscy interesują się big data, analizą danych choć jest w tym trochę mody – dodaje.
Nie wszystkie nowinki z tego obszaru znajdują jednak zainteresowanie. – W tej chwili w Polsce mamy jednego klienta. Rozmawialiśmy też z dwoma czy trzema dużymi graczami z polskiego rynku bankowego, ale w Polsce nie ma po prostu zbyt dużego rynku transakcji online. Praktycznie nie ma banku, który rzeczywiście zamykałby cały proces sprzedaży produktu w internecie – mówi Maciej Doliński.
Dla kontrastu współzałożyciel FriendlyScore wskazuje... Nigerię. – Mamy tam poważnego klienta. To rynek, na którym pożyczkę można wziąć ze smartfona i to nie z banku czy jakiejś lichwiarskiej firmy, ale od normalnie funkcjonującej spółki-córki jednego z największych nigeryjskich banków. Cały proces trwa 10 minut, z wykorzystaniem kilku bardzo zaawansowanych technologii – podkreśla.
Za pomocą analityki predyktywnej można przewidywać popyt na określone produkty, minimalizować liczbę zwrotów produktu, manipulować cenami, optymalizować loterie i inne gry losowe, przewidywać trendy dotyczące haute couture czy designu, sterować przepływem hospitalizowanych pacjentów, prowadzić politykę kadrową przedsiębiorstwa itd.
W Polsce Komisja Nadzoru Finansowego zakazała używania screen scrapingu – mechanizmu logowania się do swojego rachunku bankowego przy użyciu zewnętrznej aplikacji, pozwalającego m.in. przekazywać w ten sposób historię konta. Brytyjska Financial Conduct Authority powołała specjalnego urzędnika z szerokimi uprawnieniami, którego głównym zadaniem jest współpraca z firmami z sektora FINTECH – by wspólnie likwidować bariery regulacyjne, uniemożliwiające implementację nowych technologii. Przykłady różnic można by mnożyć. – W efekcie jesteśmy dziś bardziej rozwinięci niż Belgia, Holandia czy Francja. Ale gorzej niż Nigeria czy Kenia – kwituje Doliński.
Raport mniejszości
Oczywiście, predictive analytics może się też źle kojarzyć. – Gdybyśmy zaczęli stosować te mechanizmy w sposób wynaturzony, moglibyśmy rzeczywiście doprowadzić do sytuacji z „Raportu mniejszości” rodem – mówi Kamil Stanuch. – Można sobie z łatwością wyobrazić, że np. w przypadku chorego, na podstawie szeregu zmiennych i danych z przeszłości, odmawia mu się przyznania zasiłków, gdyż nie rokuje na przyszłość – podkreśla.
Strachy na bok, dziś dominuje ton entuzjazmu. – Kiedy rozmawiasz na temat strategii korporacyjnej, jakie rodzaje nowej polityki firmowej wprowadzać, analityka predyktywna pozwala na wskazanie tej najbardziej skutecznej – zachwala szef działu analiz biznesowych i marketingu w firmie PhotoBarn, działającej na rynku produktów fotograficznych. – Predictive analytics daje ci znacznie większy niż w przypadku innych narzędzi wgląd w to, co napędza silnik przychodów twojego biznesu – dodaje.
– Historyczne dane nie pokażą wam zbyt wiele – sekunduje mu Arvid Tchivzhel, szef działu strategii firmy konsultingowej Mather Economics. – Jeśli ograniczasz się wyłącznie do analizy swoich dotychczasowych przychodów, nie zobaczysz, skąd wezmą się twoi przyszli klienci i jak wpłyną na twoją wartość w długoterminowej perspektywie.
Predictive analytics to dziś hit wyrafinowanych usług finansowych, must have branży FINTECH. Według raportu firmy badawczej Markets And Markets, w ubiegłym roku rynek ten był warty 2,74 miliarda dolarów. W 2020 roku suma ta ma wzrosnąć już do 9,2 miliarda. Oznacza to średni roczny wzrost przekraczający 27 proc. Kawałek tego tortu – wcale nie mały – mają szansę zgarnąć Polacy.
Napisz do autora: mariusz.janik@innpoland.pl
Nie przegap żadnej ważnej wiadomości i obserwuj nas w Google News!