Big Data w finansach to analiza dużych, różnorodnych zbiorów danych, które trudno skutecznie przetwarzać tradycyjnymi metodami. Dane mogą dotyczyć płatności, spłat zobowiązań, korzystania z usług czy zmian cen na rynkach. Instytucje wykorzystują wyniki analizy między innymi do oceny ryzyka i wykrywania nietypowych zdarzeń. Samo zebranie wielu informacji nie daje jednak trafnej prognozy. Liczą się jakość danych, sposób ich interpretacji i to, czy wolno je wykorzystać w danym celu.
Skąd pochodzą dane i jak się je analizuje
Źródłem danych mogą być zapisy transakcji, historia obsługi zobowiązań, informacje o korzystaniu z aplikacji oraz dane rynkowe. Ich połączenie pozwala dostrzec zależności trudne do zauważenia w pojedynczym zestawieniu. Nie oznacza to, że każda instytucja zbiera wszystkie dostępne informacje. Zakres analizy zależy od zadania, jakości źródeł i zasad przetwarzania danych. Informacje o osobach wymagają przy tym innego podejścia niż dane o zmianach cen instrumentów finansowych.
Analiza zwykle zaczyna się od uporządkowania danych. Trzeba rozpoznać brakujące wartości, powtórzone zapisy i informacje zapisane w różnych formatach. Następnie analitycy szukają zależności lub przygotowują model, który ocenia nowe przypadki na podstawie wcześniejszych obserwacji. Wynik może mieć postać prognozy, oceny ryzyka albo sygnału do sprawdzenia zdarzenia. Nie jest dowodem, że przewidywane zdarzenie rzeczywiście nastąpi.
Do czego służą wyniki analizy
Przy ocenie wniosku kredytowego analiza może pomóc oszacować ryzyko niespłacenia zobowiązania. Model przypisuje znaczenie wybranym informacjom i zwraca wynik wspierający ocenę wniosku. Nie należy utożsamiać tego wyniku z decyzją o udzieleniu finansowania. Metody oparte na dużych zbiorach danych mogą wykorzystywać także uczenie maszynowe, lecz nie każda analiza Big Data jest sztuczną inteligencją. Osobnym tematem jest sztuczna inteligencja w ocenie kredytowej.
Unijny akt w sprawie sztucznej inteligencji zalicza systemy AI do oceny zdolności kredytowej i scoringu osób fizycznych do systemów wysokiego ryzyka. Wyjątkiem są systemy służące do wykrywania oszustw finansowych (załącznik III pkt 5 lit. b rozporządzenia (UE) 2024/1689). Niezależnie od metody bank musi na wniosek wyjaśnić na piśmie, jakie czynniki wpłynęły na ocenę zdolności kredytowej (art. 70a Prawa bankowego).
W płatnościach analiza pomaga wskazać operacje odbiegające od zwykłego wzorca. Nietypowa transakcja nie musi oznaczać oszustwa, dlatego taki sygnał wymaga właściwej interpretacji. Dane rynkowe mogą z kolei zasilać modele wspierające decyzje inwestycyjne. Sposób wykorzystania modelu zależy od przyjętej strategii i kontroli ryzyka. Przykładem odrębnego zastosowania danych rynkowych jest trading algorytmiczny, w którym program może składać zlecenia według ustalonych reguł.
Co analiza oznacza dla klienta i małej firmy
Klient może zauważyć skutki analizy danych, gdy otrzyma propozycję usługi albo jego operacja zostanie skierowana do dodatkowej weryfikacji. Przedsiębiorca może zetknąć się z nią podczas oceny wniosku o finansowanie. Zwykle nie widzą oni całego modelu ani wszystkich informacji, które wpłynęły na jego wynik. Dlatego praktyczne pytanie brzmi nie tylko „co wyliczono?”, lecz także „jakie dane wykorzystano i co oznacza otrzymany wynik?”.
Dane o zachowaniu klientów mogą pomagać w dopasowaniu komunikacji lub oferty. Trafniejsza propozycja nie jest jednak gwarantowaną korzyścią dla odbiorcy. Model może błędnie przypisać potrzebę na podstawie niepełnych informacji albo utrwalonych wzorców. Także mała firma może wyglądać nietypowo w porównaniu z większością podobnych podmiotów. W takich sytuacjach znaczenie ma możliwość sprawdzenia danych wejściowych i oceny wyniku w jego właściwym kontekście.
Jakie są ograniczenia i zasady wykorzystania danych
Gdy informacje dotyczą możliwej do zidentyfikowania osoby, ich przetwarzanie podlega RODO. Administrator musi mieć odpowiednią podstawę prawną przetwarzania danych osobowych oraz przestrzegać zasad ograniczenia celu i minimalizacji danych. Zgoda nie jest jedyną możliwą podstawą przetwarzania. To, że dane są technicznie dostępne, nie oznacza więc swobody ich łączenia i używania do dowolnego zadania. Szczególną uwagę trzeba poświęcić także pochodzeniu danych i temu, czy pozostają aktualne.
Osobie, której dane dotyczą, przysługuje prawo dostępu do jej danych osobowych. W określonych sytuacjach może ona również wnieść sprzeciw wobec przetwarzania. Decyzje oparte wyłącznie na zautomatyzowanym przetwarzaniu, które wywołują skutki prawne lub podobnie istotnie wpływają na osobę, podlegają szczególnym zasadom RODO. Jeśli taka decyzja opiera się na umowie lub zgodzie, osoba ma co najmniej prawo do interwencji człowieka. Może też przedstawić swoje stanowisko i zakwestionować decyzję (art. 22 ust. 3 RODO). Niezależnie od przepisów model wymaga kontroli jakości. Błędne dane, zmiana zachowań klientów albo źle dobrane kryteria mogą obniżyć trafność wyniku.
Najczęstsze pytania
Nie. Big Data dotyczy pracy z dużymi, różnorodnymi zbiorami danych. Sztuczna inteligencja określa rodzaj metod, które mogą te dane analizować. Duży zbiór można badać bez użycia AI, a model AI można zastosować do znacznie mniejszego zbioru.
Analiza może dostarczyć wyniku pomocnego przy ocenie wniosku, ale sam wynik nie jest równoznaczny z przyznaniem lub odmową finansowania. Znaczenie mają również zasady podejmowania decyzji i poprawność użytych danych. Pomyłka w danych może wpłynąć na ocenę konkretnego wniosku.
Nie. System może oznaczyć jako nietypową także prawidłową płatność, która różni się od wcześniejszych zachowań. Sygnał wskazuje potrzebę sprawdzenia zdarzenia, a nie przesądza o jego przyczynie. Trafność zależy między innymi od danych i sposobu działania modelu.
Nie zawsze. Zgoda nie jest jedyną podstawą prawną przetwarzania danych osobowych. Właściwa podstawa zależy od celu i okoliczności wykorzystania informacji. Samo posiadanie danych nie pozwala jednak używać ich do dowolnej analizy.
Źródła:
