Većina banaka u Hrvatskoj još uvijek koristi logističku regresiju za kreditno bodovanje. Ne zato što je najmoćnija, nego zato što regulator može pratiti što se dogodi s vašim zahtjevom.
Gdje nastaje problem s crnim kutijama
Gradijentno pojačavanje (XGBoost, LightGBM) daje bolje rezultate na testnim skupovima. Ali kada klijent pita zašto je odbijen, model ne zna objasniti — a zakon zahtijeva objašnjenje.
Tu ulazi SHAP (SHapley Additive exPlanations). Metoda rastavlja predikciju modela na doprinose pojedinih varijabli za svaki konkretan slučaj.
Konkretni primjer iz prakse
Jedna regionalna štedionica u Austriji primijenila je SHAP na portfelj od oko 18.000 zahtjeva godišnje. Analitičar Tibor Fekete dokumentirao je da je varijabla omjer_duga_i_prihoda u 34% slučajeva bila dominantni negativni faktor — ali samo kod zahtjeva podnesenih u prosincu.
Sezonski obrazac nije bio vidljiv u agregatnim statistikama. SHAP ga je otkrio na razini pojedinačnih slučajeva.
Što to znači za troškove
Manje žalbi znači manje ručnih pregleda. Jedan pregled košta prosječno između 40 i 120 eura u radnom vremenu analitičara.
Ako interpretabilnost smanji broj žalbi za 15 do 20 posto, povrat investicije u alat postaje vidljiv unutar prve godine. Nije garancija — ovisi o veličini portfelja i internim procesima.
Ograničenja koja se često prešućuju
SHAP vrijednosti su lokalne aproksimacije, ne kauzalni dokazi. Regulatoru možete pokazati koji su faktori doprinijeli odluci, ali ne i zašto model smatra taj faktor važnim.
Za institucije koje žele istinsku regulatornu usklađenost, interpretabilnost modela je neophodan, ali ne i dovoljan uvjet.
