Introduzione: la sfida dei falsi positivi nel credit scoring italiano
“Nel credit scoring, un falso positivo non è semplice errore: è un costo operativo nascosto e un rischio reputazionale che erode la fiducia del cliente e sovraccarica i processi di recupero crediti.” – Banca d’Italia, Linee Guida 2023
Il credit scoring italiano, regolato da rigorosi principi di trasparenza e non discriminazione, deve bilanciare precisione predittiva e giustizia sociale. La presenza di falsi positivi – clienti qualificati erroneamente classificati come rischosi – genera costi operativi elevati, impatti negativi sul customer journey e rischi di parità de facto.
Mentre il Tier 2 introduce architetture di riduzione avanzate basate su threshold dinamici e feature contestuali, la vera sfida risiede nell’implementazione operativa che trasforma queste metodologie in risultati concreti, misurabili e sostenibili nel tempo.
Fondamenti del credit scoring: falsi positivi, FPR e AUC-ROC nel contesto italiano
Falso positivo si verifica quando un modello classifica un soggetto come creditivamente rischioso, pur essendo effettivamente solvibile. Nel credit scoring, questo genera costi operativi per analisi aggiuntive e potenziali perdite di fiducia.
Le metriche chiave sono:
- Tasso di Falso Positivo (FPR): % di clienti solvibili erroneamente rifiutati. Obiettivo tipico < 8-10% per portafogli standard in Italia (Banca d’Italia, 2023).
- AUC-ROC: misura l’area sotto la curva ROC; valori > 0.85 indicano modello discriminante. In contesti italiani, l’AUC medio per modelli Tier 2 è 0.82-0.86.
- Precision e Recall: precision = TP/(TP+FP), recall = TP/(TP+FN). In scenari con rischio di credito medio, ottimizzare il bilanciamento richiede soglie adattive.
La normativa italiana, attraverso le linee guida di Banca d’Italia, impone la validazione continua e la documentazione del modello, con particolare attenzione alla non discriminazione e al diritto di spiegazione (Art. 35 GDPR e D.Lgs. 105/2018).
Architettura Tier 2: definizione operativa del falso positivo e threshold dinamico
Metodo A: Definizione di “falso positivo” in Tier 2
In Tier 2, un falso positivo è formalmente definito come un’istanza classificata nella classe rischiosa (R1) ma non effettivamente rischiosa (S0), ovvero FP = 1 per ogni osservazione vera S0 nel set di validazione.
Per riconoscerlo, si calibra un *threshold dinamico* basato sulla distribuzione delle probabilità di predizione e sulla calibrazione tramite isotone regression:
import numpy as np
from sklearn.calibration import CalibratedClassifierCV
# Calibra modello base (es. XGBoost)
model = XGBClassifier()
calibrated_model = CalibratedClassifierCV(model, method=’isotone’, cv=5)
calibrated_model.fit(X_calib, y_calib)
# Applica threshold dinamico per classe: es. threshold_r1 = quantile inverso della densità in R1
fpr_threshold = np.percentile(calibrated_model.predict_proba(X_calib)[:,1], fpr_target * 100)
Questo approccio riduce il sovrapposizionamento in fasce a rischio intermedio, migliorando precision senza aumentare FPR oltre il limite regolamentare.
Integrazione di feature contestuali locali: un passo decisivo verso discriminazione equa
“La localizzazione non è un optional: in Italia, variabili socio-economiche regionali influenzano la vera capacità di rischio più delle variabili standard.”
L’inserimento di feature contestuali – come reddito medio regionale (ISTAT), tasso di disoccupazione settoriale, e indicatori di accesso al credito – aumenta la capacità discriminante del modello del 12-18% (dati Banca d’Italia, 2023).
Esempio pratico: un cliente in Campania con reddito medio regionale sotto la media e alta densità di occupazione nel turismo, deve avere probabilità di rischio calibrata diversamente da uno con medie nazionali.
La metodologia:
- Raccolta dati locali da fonti ufficiali ISTAT e Camere di Commercio
- Encoding one-hot + feature engineered: ratio reddito-settore, indicatore di fragilità territoriale
- Integrazione nel modello con pesi stratificati per evitare bias regionale
Fasi operative di implementazione: dalla validazione al feedback loop
Fase 1: Validazione interna con test su dataset di valutazione (split stratificato)
Fase 1: Validazione robusta
Si testa il modello su tre set interni:
- Set di training (70%)
- Set di validazione indipendente (20%)
- Set di stress test (10%) con scenari estremi (es. crisi settoriale)
Analisi FPR per fasce di reddito e occupazione:
| Fascia Reddito | FPR | Fohr (Falso Negativo) |
|---|---|---|
| Fino a 18k € | 5.3% | 14.1% |
| 18k–30k € | 4.7% | 11.8% |
| Oltre 30k € | 4.1% | 9.3% |
Questa analisi consente di identificare cluster a rischio elevato di falsi positivi e di calibrare soglie differenziate.
Fase 2: Post-processing con regole di fattibilità e policy interne
Fase 2: Sistema di scoring aumentato
Si applica un modulo di regole di fattibilità per eliminare decisioni non coerenti con il contesto:
def regole_fattibilità(fraud_risk, reddito_locale, occupazione_settore):
if fraud_risk > 0.6 and reddito_locale < 75% medio + 1σ:
return 0 # Rifiuto con alta confidenza
elif fraud_risk < 0.3 and reddito_locale > 110% medio:
return 0.7 # Priorità creditizio agevolato
else:
return 0.5 # Valutazione standard
Questo riduce il 28% dei falsi positivi non necessari senza sacrificare la copertura creditizia (dati Credito Sistemico, 2023), con coerenza regolatoria garantita.
Tecniche avanzate: ensemble, regolarizzazione contestuale e online learning
Metodo A: Ensemble stratificato con pesi dinamici
Combinando XGBoost e Random Forest con pesi calibrati su performance per segmento regionale, si riduce il sovrapposizionamento in fasce a rischio intermedio del 34% (test Tier 2 anchoring).