Від прогнозування до підтримки прийняття рішень: еволюція кредитного скорингу із застосуванням штучного інтелекту в мікрофінансуванні

Анотація

У статті досліджено еволюцію кредитного скорингу із застосуванням штучного інтелекту у мікрофінансуванні, де обмежена доступність кредитної історії, інформаційна асиметрія, неоднорідність позичальників, неформальність економічної діяльності та нестабільність даних ускладнюють оцінювання кредитного ризику. Розвиток машинного навчання, нейромережевих, ансамблевих і гібридних моделей розширює можливості автоматизованого прогнозування, але водночас посилює вимоги до якості даних, інтерпретованості та практичної придатності результатів. Метою дослідження є систематизація та конфігуративне узагальнення досліджень кредитного скорингу із застосуванням штучного інтелекту у мікрофінансуванні, виявлення структурних та інформаційних умов його розвитку, простеження еволюції підходів до моделювання та їх операціоналізації, а також виявлення нерозв’язаних суперечностей і методологічних прогалин. Методологічну основу становить систематичний огляд літератури з конфігуративним тематичним синтезом. Аналіз здійснено за трьома аналітичними категоріями та п’ятьма вимірами: структурні умови й дані, підготовка даних і формування ознак, моделювання, пояснюваність та відповідальне застосування штучного інтелекту, упровадження моделей і результати. Результати показують домінування гібридних підходів, обмежену представленість пояснюваного штучного інтелекту та значно меншу увагу до підготовки даних і побудови простору ознак. Кредитний скоринг у частині досліджень виходить за межі прогнозування дефолту й використовується для диференціації умов кредитування, підтримки рішень кредитних працівників та автоматизованого цифрового кредитування. Виявлено методологічні прогалини та нерозв'язані суперечності між прогнозною здатністю, прозорістю, якістю та стабільністю даних, а також практичною адаптацією моделей. Аналіз доводить, що штучний інтелект розширює можливості кредитного скорингу, але не усуває обмежень мікрофінансового середовища; подальші дослідження мають одночасно враховувати прогнозну здатність, стабільність даних, інтерпретованість, невизначеність і практичну придатність моделей.