Deductor Credit Scorecard Modeler. Построение скоринговой системы делится на две подзадачи: Deductor Credit Scorecard Modeler решает задачу построения. - презентация

1 Deductor Credit Scorecard Modeler

2 Построение скоринговой системы делится на две подзадачи: Deductor Credit Scorecard Modeler решает задачу построения карт. Задачи скоринга Построение скоринговых карт Встраивание карты в бизнес-процесс

3 Подготовка скоринговой выборки Анализ жизненных циклов счетов Сэмплинг Двумерный анализ – конечные классы (одобренные) Моделирование (предварительная карта) Добавление в выборку отказов (Reject Inference) Перестройка карт с учетом отказов (окончательная карта) Сравнение качества карт, выбор оптимальной, назначение балла отсечения Тестовая эксплуатация и мониторинг Разработка скоринговой карты

4 Предочищенные выборки Просрочки Флаги счетов Подготовка скоринговой выборки Настроенная структура витрины данных

5 Анализ счетов: винтаж и Винтажный анализ – расчет накопительной суммы потерь поколений счетов

6 Анализ счетов: матрица миграции 55% счетов, попавших в 1-й год в 60+, не улучшат свой статус

7 Undersampling: балансировка плохих/хороших счетов Разбиение на множества Исходная выборка Все данные – 100% Рабочее – 70% Плохие – 100% Хорошие – 40% Тестовое – 30% Без изменений Сэмплинг

8 Скоринговая карта строится на категориальных атрибутах –необходимо квантование. Конечные классы – механизм поиска компромисса между: Точностью Интерпретируемостью Значимостью Конечные классы

9 Конечные классы: настройка Выбор лучшего варианта квантования

10 Конечные классы: WoE Weight of Evidence – оценка предсказательной силы атрибута

11 Конечные классы: IV Information Value – выбор значимых атрибутов для построения скоринговой карты

12 Моделирование: карта Баллы скоринговой карты

13 Калибровка – преобразование модели логистической регрессии в скоринговую карту: Масштабирование – перевод коэффициентов в баллы (по умолчанию в стандарт FICO); Сдвиг и внесение поправки на априорные вероятности. Моделирование: калибровка

14 Reject Inference (анализ отклоненных заявок) – процедура включения в данные для построения скоринговой модели отклоненных заявок с целью смещения результата. Опциональный этап, в некоторых случаях может улучшить качество скоринговой карты. Рекомендуется при большом числе отказов в истории заявок. Reject Inference

15 Скоринговый балл для отказанных заявок с использованием предварительной карты Определение статуса счета методами Reject Inference: Hard Cut-Off, Random Parceling Пополнение скоринговой выборки отказами Повторное моделирование Перекалибровка скоринговой карты Reject Inference: моделирование

16 Оценка качества карты

17 Gini = B / (A + B) Индекс Джини – интегральная характеристика, позволяющая судить о прогностической силе скоринговой карты Качество карты: индекс GINI Портфель, упорядоченный по баллу карты Плохие Хорошие Доля от всех плохих Плохие Хорошие Случайное угадывание B - скоринговая карта A – идеальная модель

18 Качество карты: Статистика K-S Статистика Колмогорова- Смирнова – максимальное расстояние между функциями распределения хороших и плохих

19 Выбор порогового балла 3 базовых способа расчета порогового балла

20 Перед внедрением скоринговой карты нужно убедиться, что текущий поток клиентов соответствует клиентам, на которых производилось моделирование. Отсутствие сдвига в совокупностях нужно проверять на регулярной основе и после внедрения скоринговой карты в процессы принятия решений. Тестирование и мониторинг

21 Индекс сдвига популяции – PSI Index

22 Выдача кредитов Скоринг Заявки Мониторинг, перекалибровка и возможность «горячей» замены карт. Интеграция в кредитный конвейер не входит в состав данного решения. Тестирование и мониторинг

23 Учебники, руководства Базовое дистанционное обучение, 1-2 месяца Очный тренинг – теория и практика скоринга, 4 дня Обучение риск-аналитиков

24 Deductor Credit Scorecard Modeler позволяет: в 5-6 раз сократить трудозатраты аналитиков обосновать корректность каждого этапа построения карты адаптировать без программирования, в том числе методами Data Mining Ключевые преимущества

25 Базель II предоставляет банкам возможность использовать внутренние рейтинги при расчете достаточности капитала для покрытия кредитных рисков. Кредитный скоринг позволяет рассчитать: вероятность дефолта контрагента (PD) Ожидаемые (EL) и неожидаемые (UL) потери Количественное выражение рисков Подготовка к Базелю II

26 Решение позволяет выполнить минимальные требования Базель II в части кредитных рисков: Скоринговый балл – количественная оценка риска заемщика и транзакции Обоснование рейтинговых критериев на базе статистики кредитов Регулярный пересмотр и корректировка рейтингов Требования Базель II

27 Потребительский кредит Кредитные карты Ипотека Автокредит Микрозаймы Deductor в банках

28 basegroup.ru