L’uso del machine learning per l’analisi del rischio di credito ha suscitato un vivace dibattito. Tale etichetta racchiude tecniche estremamente diverse, che non dovrebbero essere trattate allo stesso modo: gli approcci più consolidati e maturi garantiscono infatti un’elevata trasparenza e bassi rischi di eccessivo adattamento (overfitting). Questi modelli possono essere utilizzati per finalità di calcolo del capitale regolamentare, ma rispondono anche a finalità più ampie: ridurre i costi, accorciare i tempi di risposta, rafforzare il monitoraggio, migliorare i canali distributivi e rafforzare le relazioni con i clienti. Scoraggiarne l’uso può porre le banche in condizione di svantaggio rispetto agli operatori innovativi, a tutto detrimento della reale efficacia della vigilanza.
