Решенията, които оставяш на другите

Бизнесът не може да си позволи лукса да взема решения под въздействието на емоции. А когато говорим за решения, отчитащи много фактори, на помощ идват изкуственият интелект и автоматизацията. Компании като А4Е ги внедряват бързо, лесно и достъпно

Преди хиляди години, когато нашите предци са си почивали край огъня след дълъг лов, се е случвало нещо да се размърда в храстите и да смути вълнуващото дялкане на фигурки на богинята Майка. По-импулсивните, движени от чувството си за самосъхранение, са си плюели на петите. По-любопитните са проверявали какво шава и съответно или са се превръщали в храна, или са намирали такава. Едното решение се базира на по-малко информация, но има по-голяма вероятност да ти запази живота, другото коства повече и заплашва оцеляването. Ако питаме госпожа Еволюция, винаги е по-добре да се избира това, което води до по-щадящи последици за поколението. По този начин чертата, която ни кара да правим по-импулсивни и по-малко информирани избори, е тази, доминираща в поколенията напред, смятат изследователите от Харвард, проучващи поведението на хората в процеса на вземане на решения.

Мърдаме напред във времето с един адски бърз fast forward и се озоваваме в 2020 г., когато за щастие вземането на решения по различни въпроси не е само усет „какво шава ей там“, а може да бъде и автоматизирано, за да помага за по-сигурни резултати. Последното се случва с услугите на компании като A4E (Analytics for Everyone), които помагат на бизнеса да оптимизира аналитичните си процеси.

А4Е работят основно в две направления: търговия на дребно, където прогнозират клиентското търсене; и управление на риск, където се намесват, когато някой трябва да вземе решение на кого да отпусне кредит. В ситуацията, в която попаднахме след COVID-19, вземането на адекватни решения се оказва животоспасяващо за немалко бизнеси, защото човек неизменно и естествено е подвластен на паниката и остава инертен в консервативен опит да се самосъхрани, както обясняват двама от основателите на компанията – Христо Хаджичонев и Александър Ефремов. „Това, което човек чете във вестника, се отразява индиректно на решенията му. А машината не чете вестници, тя гледа данните. Ако математическият апарат, върху който е изградено машинното самообучение, е добре подбран и конфигуриран, той много по-точно успява да прецени какво се случва“, казва Хаджичонев.

Бързи решения за бързи кредити

Едно от полезните приложения на такъв тип data science и машинно самообучение безспорно е в сферата на бързите кредити. Фирмите в сектора предлагат услуга на небанкируемата част от обществото, особено нужна в момента. Как се имплементира автоматизираното вземане на решения тук: „Основата на нашата технология е, че тя непрекъснато се адаптира към промяната и оценява риска при отпускането на бързи кредити на ежемесечна база. Тоест всеки месец моделите ни се регенерират, за да могат да дадат максимално точна оценка на риска“, обясняват от А4Е. Всъщност тяхната специализирана услуга А4Lending успява да създаде модели, които да работят сега. Работещите модели отпреди COVID-19 в настоящата ситуация започват драстично да бъркат, защото оценките им се базират на данни и поведение, които вече не са актуални.

Подходът при услугата A4Lending се различава доста от класическия банков подход, при който се чака кредитът да „узрее“ в срок от една година. С услугата A4Lending оценката става веднага. Събраните данни проследяват поведението на кредитоискателя още в първия месец след отпускането на парите и системата се настройва спрямо тях ежемесечно.

Бизнес усетът на машината

Машината може да работи като един адски бърз анализатор, която вместо няколкостотин модела обаче създава няколко десетки хиляди – стига да я „научиш“. „Един анализатор използва най-вече бизнес познанията и усета си, за да подготви по такъв начин данните, че да получи логичен модел. Най-голямото предизвикателство е всъщност как да заменим непрекъснатото вземане на решения от страна на анализатора и да ги оставим в ръцете на машината. Автоматизирайки процеса, имаме възможност да генерираме десетки хиляди модели, което човек трудно може да направи“, обяснява Александър Ефремов, а Христо Хаджичонев допълва: „Представете си, че имате две характеристики – мъж-жена, женен-неженен. Трябва да се вземе решение на кого ще се дадат пари само на базата на 4 възможни комбинации – тяхното обхождане е нищо. Ако добавим обаче само още една характеристика, комбинациите стават повече. Получава се експонента – 8, 16, 32, 64... 1024 и нагоре. И това са само бинарни характеристики. Ако разгледаме и някоя комплексна – пари, възраст, професия, то тогава комбинацията между няколко десетки бинарни и няколко десетки комплексни характеристики дава огромно количество резултати. Обхождането на всяка възможна комбинация би отнело десетки години дори на машина“.

Рискови играчи в консервативен план

Интересен момент в контекста на отпускане на кредити по време на подобна криза е промяната в концепцията за риск. „Дискутираме с клиента стратегията – колко да е рискова, колко да е консервативна. В случая станахме по-консервативни като дефиниция на „добър“ и „лош“. Преди за „лош“ се приемаше получател, който просрочва с 4–5 месеца. Сега свихме този период до 2–3 месеца“, обяснява Александър Ефремов. Идеята да „ушиеш по мярка“ на клиента система, която да работи по най-добрия за него начин, неизменно предполага гъвкавост и адаптивност дори при подхода към дадени групи, на които може да се отпуска кредит. „Хората със защитени доходи – например жените по майчинство, пенсионерите и т.н., в момента изплуват като по-малко рискови на фона на някои други сектори, да речем, ресторантьорският бранш. Това, че всеки месец се извършват корекции на оценката, позволява да се откриват веднага разместванията на такива пластове“, посочва Ефремов.

На някои това може да звучи сложно, но услугата А4Lending е супер лесно приложима: тя е изцяло cloud-базирана и е достъпна от целия свят. Системата на клиента се свързва с А4Lending и започва обмен на данни. В рамките на 3 секунди се връща решение, което бива имплементирано веднага. Това позволява практическото постигане на почти 100% автоматизация при вземането на решения.

Когато избухва пандемията, както разказват от А4Е, немалко ползватели на подобни услуги решават да ударят спирачки и да минат на „ръчен режим“ – вероятно заради паника, вероятно заради желанието поне нещо да е под твой контрол. Оказва се обаче, че това не работи добре – забавя вземането на решения и увеличава грешките. „Един от нашите клиенти, използващ системата ни, реши да не спира. Дори удвои автоматизираните решения и три месеца по-късно, поне според нас, спечели от това, защото рискът му не се промени съществено, а той остана на пазара и „завзе“ нови територии“, разказва Хаджичонев. Още нещо, което облекчава клиентите и им дава възможност спокойно да оставят решенията в ръцете на машината, е изборът на технологията, с която работи системата на А4Lending – при нея акцент е даването на обосновка. „Когато оставиш една машина да взема решения за бизнеса ти вместо теб, поне в първоначалния период на работа, човек би искал да разбере обосновката“, посочва Хаджичонев. И допълва, че А4Lending всъщност е доста близка и до друга услуга от портфолиото на компанията – А4Insurance. „Това, което нашата система прави, е, че облекчава актюерската работа чрез автоматизация на голяма част от процеса. Например във Vienna Insurance Group възможността за автоматизация е близо 60% и само 40% остават в ръцете на актюера. Но дори тогава той разполага със „смляна“ информация, като системата е предоставила оценката за риск на договора, както и основните причини и тяхното влияние дали да се вземе едно или друго решение“, казва Хаджичонев.

Добра система в нужда се познава

Този модел освен за фирми за бързи кредити и за застрахователни компании всъщност работи чудесно и в банковия сектор, защото е базиран на всички правила, които една банка би искала да се спазват. Въпросът е до каква степен банковите институции са готови да прескочат консерватизма си и да се доверят на автоматизираното вземане на решения. Някои вече го правят, и то в одитинга на собствените си системи. „Много голям процент от банките имат собствени аналитични екипи, също съставени от математици, които разработват модели. Наш потенциален клиент дойде с модели, създадени от data scientists, и с казус: одиторите на банката имат проблем да потвърдят дали те са достатъчно добри. Въпросът е дали можем на базата на нашата експертиза да автоматизираме работата на математиците. Можем, и то срещу много конкурентна цена, да генерираме модели, които да валидират следната хипотеза: ако моделът, създаден от хората, е толкова добър, колкото нашия, или повече, значи всичко е наред. Но ако не е, значи клиентът има проблем. Всъщност одитингът на една банка може по много разумен и достъпен начин да използва нас, за да може веднъж в годината да провери вътрешните си модели, сравнявайки ги с изцяло машинно генерирани такива“, казва Хаджичонев.

А ако имаше как предците ни край пещерния огън да получат знак ex machina, така да се каже, че срещу тях ще изскочи заек, а не саблезъб тигър, никак нямаше да се колебаят да се възползват от „подсказване“. Защото понякога резултатът от решението наистина е въпрос на живот и смърт. Дори хиляди години по-късно. Разликата е, че днес бизнес еволюцията дава „знака“ и тя отдавна знае, че нещата не се правят просто „по усет“.

***

А4Е в числа: