Prognozowanie spłacalności umów leasingowych z wykorzystaniem maszynowego uczenia

Systemy wspomagania decyzji, ukierunkowane na ocenę ryzyka kredytowego opartą na metodach scoringowych lub podobnych, są często używane przez instytucje finansowe. Wykorzystywane są m.in. do przewidywania spłacalności umów leasingowych. Analizę dużych ilości szybko zmieniających się danych, często nieustrukturyzowanych, w celu oceny spłacalności zobowiązania przez klienta, można usprawnić poprzez zastosowanie narzędzi sztucznej inteligencji . Współcześnie w celu prognozowania spłacalności rat wykorzystywane są metody uczenia maszynowego. Problem ten jest bardzo często analizowany w literaturze przedmiotu, jednak pod uwagę brane są głównie produkty oferowane przez banki. Istnieje tylko kilka prac związanych z zagadnieniami leasingu. Jednakże metody prognozowania spłacalności związane z produktami bankowymi najczęściej nie pozwalają osiągnąć dobrych wyników w przypadku produktów leasingowych. Należy podkreślić, że przedmiotem leasingu jest przede wszystkim środek trwały, taki jak maszyna czy samochód. W związku z tym przy opracowywaniu metody prognozowania spłacalności umów leasingowych należy wykorzystać dodatkowe atrybuty środka trwałego. Ograniczeniami metod opartych na regresji lub drzewie decyzyjnym (Perera 2019) jest przede wszystkim niższy poziom generalizacji w porównaniu np. z sieciami neuronowymi.