10 minut 
Preskryptywny underwriting zmienia fundamentalne pytanie w ocenie ryzyka kredytowego. Zamiast binarnego „czy pożyczyć?”, instytucje finansowe pytają: „na jakich warunkach pożyczyć, żeby ryzyko było akceptowalne?”. To podejście dotyczy przede wszystkim finansowania MŚP, ale znajduje zastosowanie również w segmentach takich jak consumer finance, leasing, factoring czy BNPL, gdzie konstrukcja oferty istotnie wpływa na ryzyko po uruchomieniu finansowania.
Kluczowa obserwacja jest prosta: decyzja kredytowa sama w sobie zmienia sytuację finansową klienta - wpływa na bilans, płynność oraz strukturę zadłużenia. Klasyczne liczenie PD (Probability of Default) „na dziś” pomija ten efekt. W artykule pokażemy, jak przeprowadzić preskryptywny underwriting w oparciu o połączenie symulacji pro‑forma, modeli uczenia maszynowego oraz polityk ryzyka.
Czym jest preskryptywny underwriting?
Preskryptywny underwriting zmienia sposób podejmowania decyzji kredytowych, bo nie ocenia wyłącznie ryzyka klienta „na dziś”. Zamiast tego odpowiada na pytanie, jakie warunki finansowania można zaproponować, aby po wypłacie pożyczki ryzyko pozostało akceptowalne.
Różnica między podejściami wygląda następująco:
Podejście | Pytanie | Co oceniamy? | Zastosowanie w procesie |
|---|---|---|---|
Predykcyjne | Jakie jest dziś PD klienta? | Ryzyko klienta w obecnej sytuacji | Ocena akceptowalności klienta względem polityki ryzyka |
Preskryptywne | Jakie będzie PD przy ofercie X? | Ryzyko klienta po udzieleniu finansowania | Dobór optymalnych warunków oferty (kwota, tenor, cena) |
W preskryptywnym underwritingu ryzyko kredytowe (PD) zależy nie tylko od profilu klienta (branża, skala działalności, struktura bilansu), ale również od parametrów samej oferty - takich jak kwota finansowania, tenor czy koszt długu.
Aby to uchwycić, system wykorzystuje symulacje pro forma bilansu oraz rachunku zysków i strat po wypłacie finansowania. Dzięki temu możliwe jest odzwierciedlenie realnej sytuacji finansowej klienta już po podjęciu decyzji kredytowej. Następnie modele machine learning szacują ryzyko kredytowe osobno dla każdego wariantu oferty.
Przykład: ta sama firma może mieć PD na poziomie 25% przy pożyczce 1,5 mln PLN na 5 lat, ale tylko 8% przy finansowaniu 500 tys. PLN na 3 lata.
Dlaczego klasyczny underwriting nie wystarcza w 2026 roku?
Klasyczny underwriting ocenia ryzyko klienta na podstawie danych finansowych „tu i teraz”. Problem polega na tym, że sama decyzja kredytowa zmienia sytuację firmy - wpływa na poziom gotówki, strukturę zadłużenia oraz koszty finansowe. Ocena oparta wyłącznie na stanie bieżącym nie uwzględnia więc ryzyka, które instytucja modyfikuje udzielając finansowania.
W efekcie PD przestaje być stałą cechą klienta, a staje się funkcją warunków oferty. Brak warstwy preskryptywnej w underwritingu prowadzi do:
- odrzucania klientów, których ryzyko byłoby akceptowalne przy innej konstrukcji oferty,
- ręcznego i czasochłonnego dopasowywania warunków oferty między analitykiem, sprzedażą i klientem,
- ograniczonej skalowalności oraz problemów ze spójnością i audytowalnością decyzji.
Jak działa preskryptywny underwriting krok po kroku?
Proces składa się z 5 etapów:
Etap 1. Daje wejściowe i ich przygotowanie
Proces zaczyna się od zebrania danych finansowych firmy - bilansu, rachunku zysków i strat, a jeśli są dostępne, również danych o przepływach pieniężnych. Na tym etapie weryfikowana jest jakość i spójność danych: poprawność struktur bilansu i RZiS, ciągłość i logika trendów w czasie, kompletność pozycji oraz identyfikacja anomalii. Następnie z danych wyliczane są kluczowe wskaźniki finansowe, takie jak płynność, zadłużenie, rentowność oraz zdolność obsługi długu (np. DSCR [Debt Service Coverage Ratio] i ICR [Interest Coverage Ratio]), które stanowią punkt wyjścia do dalszej analizy.
Etap 2. Scenariusz „bez finansowania” i „po finansowaniu” (pro‑forma)
W kolejnym kroku porównywane są dwa stany. Najpierw opisywana jest sytuacja bieżąca - aktualne wskaźniki finansowe i PD klienta bez nowej pożyczki. Następnie budowany jest scenariusz pro‑forma, czyli symulacja sytuacji finansowej po wypłacie finansowania. Uwzględnia ona wzrost gotówki, wzrost zadłużenia, pojawienie się rat kapitałowych i kosztów odsetkowych oraz ich wpływ na wynik finansowy w horyzoncie najbliższych 12 miesięcy. Dzięki temu analiza nie opiera się wyłącznie na stanie „na dziś”, lecz na realnej sytuacji po decyzji kredytowej.
Etap 3. Model ML – predykcja PD w scenariuszu
Na danych pro‑forma uruchamiany jest model uczenia maszynowego, który szacuje PD dla konkretnego wariantu oferty. Model traktuje PD jako funkcję zarówno cech firmy, jak i parametrów finansowania - takich jak kwota, tenor, rata czy koszt długu. Wynikiem jest PD przypisane do danego scenariusza wraz z informacją o niepewności estymacji, co pozwala ocenić stabilność wyniku.
Etap 4. Warstwa preskryptywna – rekomendacja warunków
Na tym etapie przechodzimy od pojedynczej predykcji do projektowania oferty. Analizowane i porównywane są różne warianty finansowania - kombinacje kwoty, okresu spłaty i (jeśli ma to zastosowanie) ceny. Celem jest wybranie takich warunków, przy których ryzyko po udzieleniu pożyczki mieści się w polityce kredytowej (PD i EL [Expected Loss] poniżej progów, bezpieczna obsługa długu mierzona DSCR/ICR), a jednocześnie oferta pozostaje rentowna i zgodna z limitami ekspozycji, koncentracji portfela oraz regułami wykluczeń. Wynikiem tego etapu jest bezpieczny zakres parametrów finansowania oraz jeden rekomendowany wariant oferty.
Etap 5. Wyjaśnienie decyzji (audytowalne)
Ostatni etap odpowiada na pytanie „dlaczego właśnie tak”. Wskazywane są czynniki finansowe i parametry oferty, które miały największy wpływ na zmianę PD, oraz pokazane jest, jak wynik zmieniłby się przy alternatywnych warunkach finansowania. Na tej podstawie system automatycznie generuje krótką, zrozumiałą notatkę kredytową, która wyjaśnia logikę rekomendacji.
Pro-forma po pożyczce: co zmieniamy w bilansie i RZiS
Analiza pro‑forma pokazuje, jak zmieniają się podstawowe pozycje bilansu i rachunku zysków i strat (RZiS) w horyzoncie najbliższych 12 miesięcy. Poniżej przedstawiamy kluczowe zmiany:
Bilans
- Cash (gotówka): ↑ wzrasta o kwotę pożyczki ( K ), czyli
Cash = Cash₀ + K - Debt (zadłużenie): ↑ rośnie o kwotę pożyczki ( K ), czyli
Debt = Debt₀ + K - Debt current (zadłużenie krótkoterminowe ≤ 12M): obejmuje część rat kapitałowych, które przypadają do spłaty w ciągu 12 miesięcy zgodnie z harmonogramem spłat.
RZiS (horyzont 12 miesięcy)
- Interest expense (koszty odsetkowe): ↑ zwiększają się o odsetki od nowego zadłużenia, co można wyrazić wzorem:
Interest expense = Interest₀ + r × avg(Debt)
gdzie ( r ) to stopa procentowa, a avg(Debt to średnie zadłużenie w okresie. - Profit before tax / Net profit: ↓ spada o dodatkowe koszty odsetkowe, co wpływa na obniżenie zysku netto.
Wskaźniki finansowe – zmiany po pożyczce
Płynność (bilansowa)
- Current Ratio (CR):
Current Ratio = Current Assets / Current Liabilities
↑ Zwykle wzrasta, ponieważ aktywa obrotowe rosną o gotówkę, jednak może się obniżyć, jeśli znacząca część długu zostanie zakwalifikowana jako zobowiązania bieżące (CL). - Quick Ratio:
Quick Ratio = (CA – zapasy) / CL zwykle ↑
↑ Zmiany podobne do Current Ratio.
Dźwignia finansowa (bilansowa)
- Debt to Equity (D/E):
D/E = Debt / Equity
↑ Wzrasta. - Net Debt:
Net Debt = Debt – Cash
↑ Może początkowo pozostać na podobnym poziomie (dług i gotówka rosną jednocześnie), a rośnie w miarę wykorzystania środków.
Zdolność obsługi odsetek (RZiS)
- Interest Coverage Ratio (ICR):
ICR = EBIT / Interest
↓ Spada, ponieważ rosną koszty odsetkowe. - Leverage operacyjny (bilans + RZiS)
Debt/EBITDA (lub Net Debt/EBITDA)
↑ Wzrast, bo rośnie dług.
Rentowność (bilansowa i RZiS)
- Net margin:
Net margin = Net profit / Revenue
↓ Spada z powodu wyższych kosztów odsetkowych. - ROA (Return on Assets):
ROA = Net profit / Assets
↓ Zwykle maleje, gdyż zysk netto spada, a aktywa rosną. - ROE (Return on Equity):
ROE = Net profit / Equity
↓ Z reguły spada, gdyż zysk netto maleje, a dźwignia finansowa rośnie.
Podsumowując, analiza pro-forma po pożyczce pozwala na zrozumienie wpływu finansowania na kluczowe wskaźniki firmy, co jest niezbędne do właściwego zaprojektowania warunków finansowania i oceny ryzyka w procesie preskryptywnego underwritingu.
Reakcje firm na finansowanie: co pokazuje analiza Algolytics?
Na podstawie symulacji pro‑forma oraz estymacji PD dla różnych wariantów oferty można wyróżnić trzy typowe profile reakcji firm na pożyczkę. Wybraliśmy do analizy podmioty o przychodach od 2 do 20 milionów zł.
Neutralne (ΔPD ≈ 0) – „pożyczka nie zmienia sytuacji firmy”
W tym profilu znajdują się najczęściej firmy rosnące w umiarkowanym tempie, dla których kwota finansowania jest proporcjonalna do skali działalności. Cechy obserwowane w analizie to:
- roczny wzrost aktywów ≥ 125k
- kwota pożyczki < 375 000 (lub duża kwota, ale bez wysokich zobowiązań krótkoterminowych)
Interpretacja: nowy dług jest „wchłaniany” przez skalę działalności, a kluczowe wskaźniki finansowe nie ulegają istotnemu pogorszeniu. W efekcie szacowane PD pozostaje na zbliżonym poziomie.
Rekomendacja: w tym profilu ryzyko pozostaje stabilne, dlatego kluczowe jest dobranie parametrów oferty - ceny, tenoru i limitu - tak, aby była jak najbardziej opłacalna biznesowo, przy zachowaniu akceptowalnego poziomu ryzyka.
Poprawa (ΔPD < 0) – „pożyczka poprawia sytuację firmy”
Profil ten obejmuje firmy, w których finansowanie prowadzi do poprawy profilu ryzyka po udzieleniu pożyczki. W analizie spełnione są następujące warunki:
- -450k≤ roczny wzrost aktywów < 125k
- kwota pożyczki≥ 175 000
- Wzrost aktywów trwałych ≥ 0
Interpretacja: odpowiednio skonstruowana pożyczka poprawia profil obrotowy / płynnościowy firmy, co przekłada się na spadek szacowanego PD po udzieleniu finansowania.
Rekomendacja: możliwe jest rozważenie wyższego limitu lub skrócenia procesu decyzyjnego („time‑to‑yes”), przy jednoczesnej kontroli granic dźwigni i kosztu długu, aby nie przesunąć firmy do profilu neutralnego lub pogorszenia.
Pogorszenie (ΔPD > 0) – „pożyczka pogarsza sytuację firmy”
Ten profil dotyczy firm, w których finansowanie - zwłaszcza w dużej kwocie - zwiększa presję krótkoterminową. W analizie często są to przedsiębiorstwa, które spełniają następujące warunki:
- roczny wzrost aktywów ≥ 125k
- kapitał własny ≥ 215k
- kwota pożyczki ≥ 375 000
- zobowiązania krótkoterminowe ogółem ≥ 760k
Interpretacja: przy wysokich zobowiązaniach krótkoterminowych duża pożyczka powoduje, że firma musi spłacać więcej, niż jest w stanie bezpiecznie udźwignąć w krótkim czasie, dlatego PD rośnie po wypłacie finansowania.
Rekomendacja: zamiast odrzucenia klienta, kluczowa jest zmiana konstrukcji finansowania - np. transzowanie wypłaty, zmniejszenie kwoty, wydłużenie tenoru, karencja w spłacie kapitału lub celowe refinansowanie części zobowiązań krótkoterminowych. Dodatkowo warto wprowadzić warunki umowne, które pozwalają na bieżąco kontrolować płynność firmy i poziom zadłużenia w trakcie trwania umowy.
Wniosek: zrozumienie profilu reakcji firmy na finansowanie pozwala projektować oferty, które są jednocześnie bezpieczne z perspektywy ryzyka i dopasowane do realnych potrzeb przedsiębiorstwa. Preskryptywny underwriting nie eliminuje „trudniejszych” profili - pozwala je obsłużyć w sposób świadomy i kontrolowany.
Rola Algolytics w preskryptywnym underwritingu
Algolytics dostarcza technologię potrzebną do wdrożenia preskryptywnego underwritingu w praktyce.
Proces obejmuje:
- budowę modeli ML, w których PD jest funkcją cech klienta oraz parametrów finansowania (kwota, tenor, koszt długu),
- symulacje pro‑forma bilansu i RZiS, wykorzystywane do oceny wpływu pożyczki na ryzyko po jej wypłacie,
- automatyczną analizę wariantów oferty w ramach jednego procesu decyzyjnego,
- wdrożenie i utrzymanie modeli w środowisku produkcyjnym (MLOps),
- zapewnienie wyjaśnialności decyzji - XAI (Explainable AI) odpowiada na pytanie „co wpłynęło na wynik”, kontrfakty pokazują „co by się zmieniło przy innych warunkach”, a LLM przekłada te informacje na zwięzłe uzasadnienie decyzji w formie notatki kredytowej.
W tym ujęciu preskryptywny underwriting nie jest osobnym modułem, lecz efektem integracji danych, symulacji pro‑forma oraz modeli ML, które wspólnie tworzą spójny i audytowalny mechanizm decyzyjny, dostosowany do polityki ryzyka danej instytucji.
Chcesz sprawdzić to w praktyce?
Algolytics realizuje pilotaże preskryptywnego underwritingu dla portfeli MŚP, consumer finance oraz leasingu. Skontaktuj się z nami, aby omówić Twój konkretny przypadek.
