analiza statystyczna ankiet

Modele scoringowe. Czym jest scoring i jakie ma zastosowanie?

meto

 

Modele scoringowe. Czym jest scoring i jakie ma zastosowanie?

Model scoringowy jest systemem oceny pozwalającej na utworzenie klasyfikowania klientów banku na podstawie wybranych cech. Metodologia credit scoringu to procedury weryfikacji statystycznej mającej na celu ocenę i podjęcie decyzji o przynależności klienta do dwóch klas: (1) klienta złego, (2) klienta dobrego. Modele scoringowe nie mają na celu ustalenia zdolności kredytowej (choć teoretycznie mogą to robić w innym układzie funkcyjnym), ale mają za cel przewidzenie tego czy klient banku spłaci w przyszłości swoje zobowiązanie kredytowe. To co system scoringowy ma na celu to nie wyjaśnienie modelowanego zjawiska (tak jak to robi się w badaniach naukowych), ale maksymalizowanie poprawności klasyfikacji obserwacji do wyżej wymienionych dwóch grup obserwacji. Koniec końców system scoringowy ma przewidzieć (co jest po części tylko wyjaśnieniem) spłatę pożyczki lub kredytu.

Model scoringowy ocenia rozsądność przydzielenia kredytu klientówi. Opiera się to o ocenę:

– chęci terminowej spłaty

– tej samej chęci wyrażonej w długoterminowej perspektywie czasowej

– opisaniu scenariusza dotyczącego rozwoju finansowego klienta

System scoringowy dostarcza najbardziej sprawidliwe narzędzie pozwalające na decydowaniu o tym komu pzydzielić, a komu nie nie przydzielać kredytu/ pożyczki.

Jakie są plusy korzystania z metody oceny Scoringowej ?

Pierwszym, chyba najważniejszym plusem jest poprawienie zysków i ograniczenie ryzyka w portfelu kredytowym. Drugim jest przyspieszona i sprawiedliwa decyzja polegająca na przydzieleniu lub nie odpowiednim osobom pożyczki lub kredytu. Kolejną korzyścią jest zredukowanie obciążeń finansowych wynikających z mniej zaawansowanych sposobów oceny.

Pola stosowania modelu scoringowego w instytucji pożyczkowej.

– ocena aplikacji klientów o kredyt

– wyższe zyski

– przyspieszenie i standaryzacja procedury podejmowania decyzji kredytowej

– możliwość oceny fraudów

– manipulowanie kosztami kredytu

– wgląd w potencjał wypłacalności klienta

– działania promocyjne i ofertowe

Typy modeli scoringowych.

– Scoring aplikacyjny stosuje się w kontekście klientów nieznanych lub przy nowych działaniach ze sstrony banku) Dzieję się to przy aplikowaniu klienta o kredyt. W skład oceny wchodzi klient oraz sam wniosek. Wnioskowanie odbywa się w kontekście oceny statusu finansowego oraz pozycji społecznej. W skład oceny zawyczaj wchodzi płeć, wiek, wykształcenie, zarobki, stan cywilny, typ prac itp. Itd.

– Scoring behawioralny stosuje się go w kontekście klientów od dawna będących klientami banku. Ocenia się zachowania klienta wyrażone w parametrach związanych z jego rachunkiem. Zazwyczaj ocenia się klienta z perspektywy roku. Jest on wykonywano tylko raz. Pojęcie tego modelu scoringowego pochodzi od zachowania per-se. Ocenie scoringowej klient jest poddawany cały czas i odnosi się on do tych klientów z którymi kontekt został nawiązany na zasadzie wspólnej relacji. Często w kontekście oceny przez ten scoring wystepują takie zmienne jak czas relacji z bankiem, liczba aktywnych rachunków, zmienność środków na koncie w czasie, średni obrót pieniędzy, poślizgi czasowe w wywiązywaniu się ze zobowiąza.

– Scoring (jako metoda klasyfikacyjna) stosuje się go w procedurach promowania i wykrywania przestępstw bankowych.

Rodzaje kart scoringowych.

Scoringowa Karta Ekspercka

Karta ta opiera się o intuicje dotyczące klienta. Jest subiektywna ocena typu obserwuję i decyduję. Słabą stroną tego scoringu jest mała moc predykcyjna oraz brak możliwości poradzenia sobie z ogromem potencjalnie dostępnych danych. Plusami takiej karty scoringowej jest to, że lepszy jest rydz niż nic. Może być także zapoczątkowaniem idei porządkowania i zestawiania danych.

Scoringowa Karta Generyczna

Ta Karta Scoringowa zawiera w sobie oceny zebrane z różnych sektorów rynku i różnych dostawców informacji o klientach. Minusem takiej karty jest słaba moc predykcyjna oraz różnice polagające na zróżnicowaniu między rynkami z których pobiera się dane, a rynkiem działania danej instytucji. Plusem tej karty jest to, że jest o wiele lepsza od braku karty oraz karty eksperckiej oraz posiada jakaś statystyczną logikę.

Statystyczna Karta Scoringowa.

Jest to karta która w swej konstrukcji wykorzystuje tylko dane zagregowane przez instytujcę. Jej minusami są przeogromne wymagania dotyczące liczebności danych i ich jakości. Dane te oraz zmienne muszą być dokładnie weryfikowane by ograniczyć możliwość popełnienia niekorzystnych decyzji. Z minusów jest to, że karta scoringowa raz skonstruowana nie podlega dodatkowym modyfikacjom, chyba, że aktualizacją. Bardzo korzystną cechą scoringu statystycznego jest bardzo dokładna i skuteczna predykcja bazująca na rzeczywistych cechach i zachowaniach klientów.

Kroki konstrukcji statystycznego modelu scoringowego.

– kumulacja danych o klientach

– charakteryztyka klienta złego i dobrego.

– selekcja populacji na podstawie której konstuowany będzie model scoringowy

– eksploracja danych

– selekcja zmiennych do konstrukcji modelu statystycznego

– zbudowanie modelu statystycznego

– ocena podjętych kroków wraz z oceną modelu statystycznego – klasyfikacyjnego

– ustalenie tresholdu

– implementacja

– kontrola karty scoringowej

czerwony alarm pogotowie statystyczne

Kryterium informacyjne

meto

 

Kryterium informacyjne

Jeśli chcemy w prosty sposób wybrać zmienne, które mają największą moc predykcyjną w stosunku do naszej zmiennej zależnej warto jest wziąć pod uwagę kryterium informacyjne. Jest to bardzo prosty do obliczenia współczynnik i w przypadku gdy naszą zmienną zależną jest dobry/zły kredytobiorca możemy bez używania skomplikowanych narzędzi przeprowadzić w ten sposób prostą selekcję zmiennych. A w przypadku gdy stosujemy później modele vintage’owe taki wybór zmiennych okazuje się często być wystarczający.

Zatem jak obliczyć wartość IV?  Najpierw musimy zdecydować jaki klient jest dobry a jaki zły. Następnie obliczamy WOE (Weight of Evidence). WOE = ln (%złych/%dobrych). Natomiast wzór na IV przedstawia się następująco:

IV = ∑(%złych – %dobrych)*WOE

Prosty przykład wyznaczania IV przedstawia poniższa tabela.

 

IV------>
0,36178
Przedziały
Liczba złych k.
Liczba dobrych k.
% złych
% dobrych
WOE
MIV
0-1k
197
354
11%
31%
-1,01919
0,20192
1-3k
450
367
26%
32%
-0,22921
0,01509
3-5k
582
234
33%
20%
0,47805
0,06004
5k+
532
187
30%
16%
0,61243
0,08473
Łącznie
1761
1142

Ogólnie przyjmuje się, że wartość IV poniżej 0,02 świadczy o braku zdolności predykcyjnej danej cechy a wartości powyżej 0,3 świadczą już o dużej wartości predykcyjnej.

Wystarczy zatem wyliczyć IV dla posiadanych zmiennych i wybrać te z najwyższą IV.  W pakiecie R z pomocą przychodzi nam funkcja iv.mult z pakietu woe, która przyjmuje parametry  iv.mult(nazwa zbioru danych, nazwa zmiennej zależnej, TRUE (jeśli chcemy wyświetlić wartości IV)).

Więcej info na:

Modelowanie ryzyka kredytowego czym jest ryzyko kredytowe credit scoring analiza ryzyka kredytowego
Ryzyko kredytowe
Metody oceny zdolności kredytowej
Drzewa decyzyjne
Liniowa analiza dyskryminacji
Analiza regresji logistycznej

Ryzyko kredytowe i psychologia. Psychologia zachowań i osobowości w ocenie zdolności kredytowej Credit Risk & Personality/