Cantitativ vs. calitativ: modele, expert judgment și abordări hibride
Secțiunea 1 · Lecția 2 — Cantitativ vs. calitativ: modele, expert judgment și abordări hibride
În lecția asta rezolvi “marea dilemă” din credit: cifrele sau judecata de expert?
Spoiler: nu e “sau”. E și — dar puse în ordinea corectă și guvernate corect.
Vei înțelege când modelele sunt super-putere, când sunt capcană, cum arată expert judgment sănătos și cum construiești o abordare hibridă care trece și testul business-ului, și testul guvernanței, și testul realității.
Iar pe partea AI: vei vedea cum folosești AI ca “copilot” pentru consistență, documentare și semnale — fără să-i dai volanul.
0) Hook: “Modelul zice X” – ok. Dar cine răspunde când X e greșit?
În credit, există o frază care sună “profesionist”, dar poate fi periculoasă:
“Modelul zice că e ok.”
Pentru că imediat vine întrebarea logică: “Și dacă nu e ok?”
Modelul nu răspunde în comitet. Modelul nu semnează decizia. Modelul nu suportă pierderea.
Responsabilitatea rămâne la oameni, la proces și la guvernanță.
Asta nu înseamnă că “modelul e inutil”. Din contră: un model bun îți oferă ceva ce oamenii, singuri, nu pot face la scară: consistență și comparabilitate pe mii/milioane de expuneri.
Dar ca să-l folosești corect, trebuie să înțelegi exact ce este și ce nu este.
Modelul este un instrument de măsurare. Decizia este un act de guvernanță.
🎬 Mică scenă: “Excel vs intuiție” (și cine pierde)
Analist A: “Îmi place firma, cred că e ok.”
Analist B: “Scorul e slab, deci nu.”
Comitet: “Ok, dar… care e mecanismul de plată? Ce se întâmplă în stres? Ce date susțin? Ce condiții punem?”
Morala: când discuția e “îmi place” vs “scor”, toată lumea pierde. Câștigă când discuția e “evidence + structură + control”.
1) Cantitativ vs calitativ – definiții pe bune (fără poezie)
Cantitativ înseamnă că măsori riscul cu ajutorul datelor și al unor metode statistice/ML: scoruri, ratinguri, PD/LGD/EAD, modele de comportament, early warning, stres numeric.
Calitativ înseamnă că măsori/descrii riscul folosind informații care nu intră direct într-o formulă: management quality, guvernanță, transparență, poziționare competitivă, risc de industrie, evenimente, controverse, dependențe cheie, contracte, litigii, riscuri operaționale, șocuri exogene.
În lumea reală, riscul de credit e aproape întotdeauna hibrid, pentru că:
- Nu ai niciodată toate datele perfecte (cantitativ “curat” e un ideal).
- Nu poți pune totul în cifre (calitativul contează, mai ales la corporates / proiecte / situații speciale).
- Modelul are limite: poate să rateze schimbări de regim, evenimente rare, “game changers”.
“Cantitativ” nu înseamnă “adevăr absolut”. Înseamnă “estimare pe baza istoricului și a ipotezelor”.
2) Ce face un model, de fapt? (și de ce pare “magic”)
Un model de risc de credit ia un set de semnale (features) despre client/tranzacție/portofoliu și produce un output:
scor, rating, PD, categorie, alertă. “Magia” percepută vine din faptul că el combină multe semnale simultan.
Dar în spate e simplu: modelul caută tipare în date. Dacă în istoricul tău clienții cu anumite caracteristici au intrat mai des în default, modelul învață să asocieze acele caracteristici cu risc mai mare.
De aceea, 3 lucruri sunt decisive:
- Definiția default-ului (eticheta): dacă e inconsistentă, modelul învață “noise”.
- Calitatea și reprezentativitatea datelor: dacă datele nu acoperă realitatea, modelul generalizează prost.
- Guvernanța: cum validezi, monitorizezi, actualizezi și limitezi folosirea.
🧩 “Modelul e bun, dar lumea s-a schimbat” – de ce se întâmplă?
Modelele învață din trecut. Dacă apare o schimbare de regim (criză, schimbare de piață, shock de dobânzi, schimbări legale), relațiile din trecut pot să nu mai țină. Asta se numește, în limbaj simplu, “drift”:
datele curente nu mai seamănă cu cele pe care a fost învățat modelul.
3) Când cantitativul e super-putere (și când devine capcană)
3.1 Super-putere: volum mare + decizie repetabilă
În retail sau în zone cu volum mare, cantitativul este “coloana vertebrală” pentru că: nu poți evalua manual zeci/sute de mii de aplicații.
Acolo, modelul aduce:
- Consistență – aceleași reguli pentru toți.
- Viteză – decizie în secunde.
- Auditabilitate – știi ce semnale au contat și poți explica.
- Optimizare – poți calibra cut-offs, pricing, limits, pe baza performanței.
3.2 Capcană: “spurious” și “proxy” (când modelul învață altceva decât crezi)
Modelul poate învăța corelații care nu sunt cauzale. Exemplu simplu: dacă un atribut (ex. un tip de produs, un canal, o regiune) a fost asociat istoric cu risc mai mare, modelul îl poate penaliza chiar dacă în prezent situația s-a schimbat.
Sau poate folosi un “proxy” pentru ceva sensibil/indirect: un indicator poate “mima” altă realitate și poate induce bias. De aceea, interpretabilitatea, testele de stabilitate și guvernanța sunt obligatorii.
Un scor bun nu e un “OK” automat. Un scor slab nu e un “NU” automat. Scorul este un semnal — tu decizi cum îl folosești în proces.
4) Expert judgment: cum arată “judecata sănătoasă” (și cum arată “părerea”)
Expert judgment (EJ) este necesar mai ales când: datele sunt incomplete, cazul este atipic, există evenimente curente care nu apar în istoric sau când structura tranzacției are elemente speciale.
Problema: EJ poate fi extraordinar sau poate fi dezastru. Diferența dintre “judecată sănătoasă” și “părere” este: evidence + logică + disciplină.
4.1 EJ sănătos (3 condiții)
- E bazat pe evidence: documente, contracte, trenduri, explicații verificabile, comparabile.
- E coerent și repetabil: dacă doi experți diferiți văd aceeași informație, concluziile nu sunt “random”.
- E guvernat: există reguli de override, praguri, aprobare, tracking, backtesting.
4.2 EJ “periculos” (3 semne)
- “Simt eu” fără date sau fără logică.
- Inconsistență: aceeași situație primește verdicte diferite, fără explicație.
- Lipsă de ownership: nu se urmărește rezultatul (a fost override bun sau prost?).
📌 Checklist EJ (gata de folosit în comitet
2) Ce evidence avem? (documente, contracte, cash-flow, comportament, piață)
3) Ce risc concret adresăm? (default, refinanțare, lichiditate, colateral, concentrare)
4) Ce ipoteze facem? (scenarii, sensibilități, orizont)
5) Ce măsuri de control punem? (covenanți, monitorizare, limită, tranșe, colateral)
6) Cum urmărim outcome-ul? (override tracking, backtesting, revizuire)
5) Abordarea hibridă: cum combini model + judgment fără să creezi haos
Abordarea hibridă este “aurul” în credit: folosești modelul pentru consistență și volum, iar judgment-ul pentru context și excepții.
Dar ca să funcționeze, ai nevoie de o arhitectură clară:
- Modelul produce baseline: scor/rating/PD cu explicații.
- Judgment-ul intervine controlat: doar în condiții definite (override rules).
- Decizia se ancorează în structură: dacă e risc, îl “compensezi” cu covenanți, colateral, limită, tranșe, maturitate.
- Urmărești și înveți: override analysis + performance monitoring → îmbunătățești procesul și modelul.
Hibrid nu înseamnă “fiecare face cum vrea”. Hibrid înseamnă “model + reguli de override + control + învățare”.
🧠 “Override” – cum îl faci sănătos (și cum îl faci toxic)
Override sănătos = rar, justificat, documentat, urmărit.
Override toxic = frecvent, vag, fără tracking, folosit ca să “forțezi” decizia.
Dacă override-urile sunt multe și mereu “în sus” (îmbunătățesc scorul), ai o problemă de guvernanță sau de design al modelului/procesului.
6) Instrumente AI: cum le folosești ca să întărești hibridul (nu să-l strici)
AI-ul e genial pentru a aduce consistență și rapiditate în partea de “work”, dar devine periculos dacă îl lași să fie “judge”.
Într-un setup sănătos, AI are trei roluri principale:
- Asistent de analiză: extrage, rezumă, compară, semnalează, dar nu decide.
- Asistent de guvernanță: structurează justificări, verifică checklist-uri, cere lipsuri (“missing evidence”).
- Asistent de monitoring: detectează drift, schimbări, outliers, creează alerte și rapoarte.
🤖 Prompt pack (gata de folosit): “model + EJ, coerent”
„Ești analist de risc. Îți dau: scor/rating/PD și top 5 factori.
Scrie o explicație de max 10 bullet-uri, în limbaj simplu, fără jargon, fără inventat cifre.
Include: ce împinge riscul în sus, ce îl ține în jos, care e riscul principal, și ce întrebare de clarificare pui prima.”
„Îți dau justificarea unui override. Evaluează dacă e completă folosind checklist-ul EJ:
1) motiv, 2) evidence, 3) risc concret, 4) ipoteze, 5) controale, 6) tracking.
Returnează: (a) ce lipsește, (b) ce e neclar, (c) ce întrebare ai pune în comitet.
Regulă: nu inventa nimic.”
„Pe baza riscurilor identificate (fără a decide aprobarea), propune 5 măsuri de control:
covenanți, colateral, limită, tranșe, maturitate, monitorizare.
Pentru fiecare: explică ce risc reduce și cum se măsoară.”
7) Mini-caz (15–20 min): când modelul și expertul nu sunt de acord
Modelul dă un PD mai ridicat (scor slab) pentru o companie care tocmai a semnat un contract mare, pe 3 ani.
Expertul spune: “E contractul game changer, riscul scade.”
Întrebare: cum abordezi sănătos? (hint: nu “ignor modelul”, nu “ignori contractul”.)
Vezi răspuns-ghid
- 1) Clarifici evidence-ul: contractul e ferm? are condiții? penalități? dependență de un singur client?
- 2) Traduceți contractul în cash: termene de plată, marjă, CAPEX necesar, working capital impact.
- 3) Pui control în structură: tranșe condiționate de milestone-uri, covenanți de cash/DSCR, limită pe clientul major.
- 4) Documentezi override-ul dacă e cazul, cu ipoteze și plan de monitorizare.
- 5) Înveți din outcome: dacă astfel de contracte sunt frecvente și predictibile, poate e un semnal pentru îmbunătățirea modelului (feature/segmentare).
Conflictul model vs expert nu se rezolvă “prin autoritate”. Se rezolvă prin evidence + structură + guvernanță.
8) Mini-quiz (consolidare) — răspunsurile sunt ascunse
Țintă: 20–30 minute.
1) Adevărat/Fals: Un model bun elimină nevoia de expert judgment.
Vezi răspuns
2) Completează: Hibrid nu înseamnă “fiecare face cum vrea”, ci “model + ________ + control + învățare”.
Vezi răspuns
3) Alege 1: Care e semnul clasic de “override toxic”?
Vezi răspuns
4) Într-o propoziție: Rolul sănătos al AI în risc este să ________.
Vezi răspuns
9) Output-ul lecției: “Triada deciziei” (gata de lipit în proces)
Ca să nu te pierzi între cifre și opinii, reține triada de mai jos. E un mini-framework care “îți ține spatele” în comitet:
🧩 Triada deciziei (Model – Judgment – Structură)
– Ce spune modelul? (scor/PD + top factori)
– Ce risc principal indică? (cash, leverage, comportament, volatilitate)
– Ce informație relevantă nu este captată de model?
– Ce evidence avem și cum o verificăm?
– Ce ipoteze facem și pe ce orizont?
– Ce măsură punem ca să controlăm riscul principal?
(covenanți / colateral / limită / tranșe / maturitate / monitorizare)
– Cum monitorizăm și când escaladăm?
Când triada e completă, discuția devine profesionistă. Când lipsește o piesă, apar “păreri”.
Recap rapid (de ținut minte)
Lecția 2 a pus ordine între cantitativ și calitativ. Modelele aduc consistență și scalare, dar nu sunt adevăr absolut. Expert judgment e necesar, dar trebuie să fie evidence-based și guvernat.
Iar abordarea hibridă câștigă când e clară: baseline de model + reguli de override + structură de control + învățare din outcome.
🧠 EJ = context
🛡️ Structură = control
🤖 AI = copilot
Să tratezi “hibrid” ca pe o portiță (“facem override că vrem”). Hibrid sănătos înseamnă reguli, evidence și tracking.
📝 Obiectivele lecției (bifează la final)
- Pot explica diferența cantitativ vs calitativ fără să cad în extreme
- Știu când modelul e super-putere și când poate fi capcană
- Pot folosi checklist-ul EJ ca să separ judecata de “părere”
- Pot descrie o abordare hibridă cu reguli de override și control
- Știu rolul sănătos al AI în proces (asistent, nu decident)