wykorzystanie i monitorowanie scoringu · 2013. 12. 20. · analiza danych • data mining •...

StatSoft Polska Sp. z o.o. • ul. Kraszewskiego 36 • 30-110 Kraków • www.StatSoft.pl

Analiza danych • Data mining • Sterowanie jakością • Analityka przez Internet

Wykorzystanie i monitorowanie scoringu

Tomasz SudakowskiBiuro Informacji Kredytowej S.A.

2© Copyright StatSoft Polska, 2007

Wykorzystanie i monitorowanie scoringu

obszary wykorzystania scoringu w Banku miejsce scoringu w procesie decyzyjnymsposoby ustalania punktu cut-offmiary efektywności modelu a oczekiwania Bankumonitorowanie modelu scoringowego


obszary wykorzystania scoringu w Bankuocena scoringowa

Klienci Banku

110 - 120

120 - 130

130 - 140

140 - 150

150 - 160

160 - 170

170 - 180

180 - 190

190 - 200

200 - 210

prawdopodobieństwo wystąpienia modelowanego zjawiska

średnie

niskie

wysokie


obszary wykorzystania scoringu w Bankumożna zatem mówić o scoringu:

marketingowymaplikacyjnymbehawioralnym

kontynuacji kredytowejodejścia klientaprzedwindykacyjnymoceny ryzyka kredytowego

aplikacyjnymbehawioralnymbiura kredytowego

antyfraudowym………


miejsce scoringu w procesie decyzyjnym

Klienci Bankuproces

decyzyjnyscenariusz 1

scenariusz 2

scenariusz 3

scenariusz n

reguły

………………..


scoring behawioralny oceny ryzyka

scoring aplikacyjny oceny ryzyka

ocena zdolności kredytowej

informacja z wewnętrznych baz

informacja z MIG-BR

scoring odejścia

scoring marketingowy

scoringprzedwindykacyjny

scoring BIK

scoring kontynuacji kredytowej

miejsce scoringu w procesie decyzyjnym

scoring antyfraudowy

raport kredytowy BIKw tym informacja z MIG-BZ i BIG



/ scoring BIK

scoring aplikacyjny oceny ryzyka

ocena zdolności kredytowej

miejsce scoringu w procesie decyzyjnymprzykład procesu oceny wniosków kredytowych

akceptacja

odrzucenie

informacja z wewnętrznych baz

informacja z MIG-BR

scoring antyfraudowy

reguły

raport kredytowy BIKw tym informacja z MIG-BZ i BIG


miejsce scoringu w procesie decyzyjnymmacierze scoringowe

75040030025015010050>700

600 3002501501005025651 – 700

500250175100502010601 – 650

3501501205020106551 – 600

200120100301574501 – 550

1007050151052401 – 500

40302010521000 – 400

>735720 –734

690 –719

660 –689

630 –659

600–629

000 –599

ocen

a pu

nkto

wa

BIKSco

300

200

100

50

25

10

2

Oddsdobry/zły

500250100301052Oddsdobry/zły

ocena punktowa Banku


miejsce scoringu w procesie decyzyjnymłączenie modeli

18 - 20 21 – 30 31 – 40 41 - 50 >50 brak informacji

10 15 20 25 20 15< 1 1 – 3 4 – 10 >10 brak

informacji10 15 20 15 10

własne wynajęte z rodzicami służbowe brak informacji

30 15 20 15 20=< 250 251 – 350 351 – 450 >450 KKU brak

informacji0 5 10 20 10 5

ocena punktowa BIKSco

status zamieszkania

staż pracy

wiek


miejsce scoringu w procesie decyzyjnymakcja marketingowa

informacja z wewnętrznych baz oraz MIG-BR, MIG-BZ, BIG

raport monitorujący BIK

reguły

czyszczenie danych

Klienci Banku

reguły / macierze scorinngowe

scoring odejścia


/ scoring BIK


scoring kontynuacji kredytowej

250-300

120-140

140-160

180-200

160-180

100-120

350-400300-350200-250


scor

ing

ryzy

ka


punkt odcięcia (cut-off) jest to minimalna liczba punktów, która jest wymagana do akceptacji wniosku (klienta)

sposoby ustalania punktu cut-off

punkt cut-off powinien być ustalony tak, aby:

⇒ zminimalizować udział „złych” kredytów w portfelu

⇒ zapewnić pożądany poziom akceptowalności wniosków

⇒ maksymalizować zyski

scoring oceny ryzyka


sposoby ustalania punktu cut-offzbyt niski punkt odcięcia

zbyt wysoki punkt odcięcia

wysoka akceptowalność wniosków niski udział złych kredytów

duży udział złych kredytów

niższe zyski (ewentualnie strata) z uwagi na dużą liczbę udzielonych złych kredytów

brak istotnych zmian w stosunku do sytuacji, kiedy nie jest stosowany scoring

niska akceptowalność wniosków

niższe zyski z uwagi na dużą liczbę odrzuceń potencjalnie dobrych kredytów


sposoby ustalania punktu cut-off% rozkład klientów wg punktacji i statusu

0

5

10

15

20

25

100-110 110-120 120-130 130-140 140-150 150-160 160-170 170-180 180-190 190-200

punkty

% k

lient

ów

dobryzły

Cut-off


sposoby ustalania punktu cut-offrozkład klientów wg punktacji i statusu

0

20

40

60

80

100

120

140

160

180

200

100-110 110-120 120-130 130-140 140-150 150-160 160-170 170-180 180-190 190-200

punkty

liczb

a kl

ient

ów

dobryzły

Cut-off


sposoby ustalania punktu cut-off% akceptowanych klientów wg punktu cut-off

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

100-110 110-120 120-130 130-140 140-150 150-160 160-170 170-180 180-190 190-200

punkt cut-off

% k

lient

ów

dobryzły

Cut-off


sposoby ustalania punktu cut-offzysk w zależności od punktu cut-off

-300

-200

-100

0

100

200

300

100-110 110-120 120-130 130-140 140-150 150-160 160-170 170-180 180-190 190-200

punkt cut-off

zysk

Cut-off


sposoby ustalania punktu cut-offpoziom akceptacji oraz udzial złych wśród

zaakceptowanych klientów w zależności od punktu cut-off

0%

1%

2%

3%

4%

5%

6%

7%

8%

9%

10%

100-110 110-120 120-130 130-140 140-150 150-160 160-170 170-180 180-190 190-200punkt cut-off

udzi

ał zły

ch k

lient

ów

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

pozi

om a

kcep

tacj

i

cut-off 125poziom akceptacji 87%udział złych 7,1%

cut-off 140poziom akceptacji 69%

udział złych 5,0%cut-off 146poziom akceptacji 60%

udział złych 4,5%


miary efektywności modelu a oczekiwania Banku

0%

20%

40%

60%

80%

100%

100 120 140 160 180 200

punkty

skum

ulow

any

% k

lient

ów

dobryzły

0%

20%

40%

60%

80%

100%

100 120 140 160 180 200

punkty

skum

ulow

any

% k

lient

ów

dobryzły

0%

20%

40%

60%

80%

100%

100 120 140 160 180 200

punkty

skum

ulow

any

% k

lient

ów

dobryzły

KS=73%

KS=70%

KS=68%

model 1 model 2

model 3

który model jest najlepszy?



0%

20%

40%

60%

80%

100%

100 120 140 160 180 200

punkty

skum

ulow

any

% k

lient

ów

dobryzłypoziom akc.

0%

20%

40%

60%

80%

100%

100 120 140 160 180 200

punkty

skum

ulow

any

% k

lient

ów

dobryzłypoziom akc

0%

20%

40%

60%

80%

100%

100 120 140 160 180 200

punkty

skum

ulow

any

% k

lient

ów

dobryzłypoziom akc

KS=73%

KS=70%

KS=68%

model 1 model 2

model 3

który model jest najlepszy?


0%

20%

40%

60%

80%

100%

0% 20% 40% 60% 80% 100%

skumulowany % wszystkich

skum

ulow

any

% zły

ch

0%

20%

40%

60%

80%

100%

0% 20% 40% 60% 80% 100%


skum

ulow

any

% zły

ch


0%

20%

40%

60%

80%

100%

0% 20% 40% 60% 80% 100%


skum

ulow

any

% zły

ch model 1 model 2

model 3

GINI 74% GINI 74%

GINI 74% który model jest najlepszy?


0%

20%

40%

60%

80%

100%

0% 20% 40% 60% 80% 100%


skum

ulow

any

% zły

ch

model 1

model 2

model 3


Cut-off


monitorowanie modelu scoringowego

istotne zmiany w populacji wnioskodawcówzmiana warunków oferowanego produktuwpływ konkurencji zmiana przepisów zewnętrznychzmiana stylu życia klientówzmiana możliwości kredytowania się klientów

duży udział przełamań decyzjidezaktualizacja modelu – naturalna utrata zdolności prognostycznych modeludziałania przestępcze inspektorów kredytowychodtajnienie tablicy scoringowej

elementy, które mogą wpływać na nieprawidłowe działanie modelu scoringowego lub nieoczekiwane wyniki jego działania to m.in.:



punkty % wniosków z populacji bazowej% wniosków z

populacji badanejWSP - współczynnik stabilności populacji

110-120 21 17 0,008

120-140 22 21 0,000

140-160 43 44 0,000

160-180 9 15 0,031

180-200 5 3 0,010

RAZEM 100 100 0,050

stabilność populacji

( )[ ] ( ){ }∑ −⋅= bazowejbadanejbazowejbadanejWSP %%%/%lnznaczenie współczynnika WSP:0 - 0.1 - stabilność bez zmian0.1 - 0.25 - stabilność lekko zachwiana>0.25 - istotnie zachwiana stabilność populacji


monitorowanie modelu scoringowegostabilność cechy

( )[ ]∑ ⋅−= punktacjabazowejbadanejWSC %%wyliczona wartość -2,45 oznacza, że wnioskodawcy z populacji badanej otrzymali średnio za cechę „wiek” o 2,5 pkt. mniej niż ci z populacji bazowej

wiek % wniosków z populacji bazowej% wniosków z

populacji badanej punktyWSC – współczynnik

stabilności cechy21 i mniej 10 15 15

25

35

50

35

X

0,750

22 - 29 15 22 1,750

30 - 39 40 38 -0,700

40 - 49 20 15 -2,500

50 i więcej 15 10 -1,750

RAZEM 100 100 -2,450



status zatrudnienia

% wniosków z populacji bazowej

% wniosków z populacji badanej punkty

WSC – współczynnik stabilności cechy

na czas określony 10 20 20

40

30

X

2

na czas nieokreślony 70 90 4

emerytura/renta 20 0 -6

RAZEM 100 100 0

stabilność cechy

współczynnik stabilności cechy nie zawsze odzwierciedla zmiany wrozkładzie jej wariantów, wskazuje jedynie jak ew. zmiany wpływają na stabilność punktacji uzyskiwanej w całej populacji wnioskodawców



punkty liczba wniosków % akceptacja odrzucenie%

akceptacji%

przełamańudziałzłych

100-109 60 4,0% 13 47 21,7% 21,7% 0,0%

110-119 83 5,5% 24 59 28,9% 28,9% 4,2%

120*-129 112 7,5% 99 13 88,4% 11,6% 5,0%

130-139 210 14,0% 198 12 94,3% 5,7% 3,2%

140-149 453 30,2% 432 21 95,4% 4,6% 2,9%

150-169 230 15,3% 225 5 97,8% 2,2% 2,4%

170-179 198 13,2% 194 4 98,0% 2,0% 2,0%

180 i więcej 156 10,4% 154 2 98,7% 1,3% 1,7%

RAZEM 1 502 100,0% 1 339 163 89,1% 10,9% 2,9%< cut-off 143 9,5% 37 106 25,9% 25,9% 2,7%

>= cut-off 1 359 90,5% 1 302 57 95,8% 4,2% 2,9%

raport końcowych (rzeczywistych) decyzji

* punkt cut-off = 120


monitorowanie modelu scoringowegosiła modelu

0%

20%

40%

60%

80%

100%

0% 20% 40% 60% 80% 100%


skum

ulow

any

% zły

ch

0%

20%

40%

60%

80%

100%

0% 20% 40

skumulosk

umul

owan

y %

zły

ch% 60% 80% 100%

wany % wszystkich

Cut-off

GINI = 74% GINI = 23%

model 3

bezwzględne stosowanie punktu odcięcia

KS = 68% KS = 24%

model 3


monitorowanie modelu scoringowegojak zatem badać utrzymanie zdolności prognostycznych modelu?

monitorowanie założonych efektów:poziom akceptacji wnioskówdocelowy udział złychrentowność akcji kredytowej

odpowiednie przygotowanie danych, wykluczenia analogiczne do etapu budowy modelu np.:

usunięcie kredytów wyłudzonychwyeliminowanie błędnych danychuwzględnienie powodu niespłacania kredytów

pozyskanie danych o wnioskach odrzuconych śledzenie i rejestrowanie zmian mogących mieć wpływ na działaniemodelu, w tym zachwianie struktury punktowej w populacji klientów


monitorowanie portfela kredytówudział kredytów złych na koniec miesiącadata udz.

kredytu sie-06 wrz-06 paź-06 lis-06 gru-06 sty-07 lut-07maj-06 2,5 2,6 3,0 3,6 4,1 5,6 6,8cze-06 2,1 2,2 2,3 2,5 3,8 4,5 5,9

lip-06 - 1,8 2,0 2,1 2,3 2,5 2,9sie-06 - - 1,5 1,8 2,0 2,3 2,6

wrz-06 - - - 1,4 1,8 2,1 2,2paź-06 - - - - 1,5 1,8 2,3

lis-06 - - - - - 1,3 1,5gru-06 - - - - - - 1,3sty-07 2,5 2,6 3,0 3,6 4,1 5,6 6,8

czy udzielamy coraz „lepszych” kredytów?




lip-06 - 1,8 2,0 2,1 2,3 2,5 2,9sie-06 - - 1,5 1,8 2,0 2,3 2,6

wrz-06 - - - 1,4 1,8 2,1 2,2paź-06 - - - - 1,5 1,8 2,3

lis-06 - - - - - 1,3 1,5gru-06 - - - - - - 1,3sty-07 2,5 2,6 3,0 3,6 4,1 5,6 6,8

czy kredyty z lipca są „lepsze” od kredytów udzielonych w sierpniu?




lip-06 - 1,8 2,0 2,1 2,3 2,5 2,9sie-06 - - 1,5 1,8 2,0 2,3 2,6

wrz-06 - - - 1,4 1,8 2,1 2,2paź-06 - - - - 1,5 1,8 2,3

lis-06 - - - - - 1,3 1,5gru-06 - - - - - - 1,3sty-07 2,5 2,6 3,0 3,6 4,1 5,6 6,8

czy kredyty z maja są „lepsze” od kredytów udzielonych w sierpniu?


data zdarzenie2006/02 zmiana punktu cut-off ze 130 na 125 punktów2006/04 promocja kredytów mieszkaniowych w konkurencyjnym

banku2006/04 zmiana reguł przeglądania wniosków (ręczna ocena

wszystkich wnioskodawców z dochodem > 5 000)2006/09 rozpoczęcie wykorzystywania oceny BIKSco2006/05 akcja marketingowa – list z promocyjną ofertą do klientów,

którzy spłacili kredyt w ostatnich miesiącach2006/07 zmiana oprocentowania kredytów z 10% na 8,5%2006/08 wprowadzenie nowej metodologii oceny zdolności

kredytowej2006/10 zmiana przepisów zewnętrznych dot. ulgi budowlanej2006/11 szkolenia inspektorów kredytowych dotyczące wyłudzeń

kredytów

rejestr zdarzeń mogących mieć wpływ na działanie modelu


dziękuję za uwagę

Wykorzystanie i monitorowanie scoringu Wykorzystanie i monitorowanie scoringu obszary wykorzystania scoringu w Bankuobszary wykorzystania scoringu w Bankumiejsce scoringu w procesie decyzyjnymmiary efektywności modelu a oczekiwania Bankumiary efektywności modelu a oczekiwania Bankumiary efektywności modelu a oczekiwania Bankumiary efektywności modelu a oczekiwania Bankumonitorowanie modelu scoringowegomonitorowanie modelu scoringowegomonitorowanie modelu scoringowegomonitorowanie modelu scoringowegomonitorowanie modelu scoringowegomonitorowanie modelu scoringowegomonitorowanie modelu scoringowegomonitorowanie portfela kredytówmonitorowanie portfela kredytówmonitorowanie portfela kredytów

wykorzystanie i monitorowanie scoringu · 2013. 12. 20. · analiza danych • data mining •...

Documents