Rynek bankowy: Skoring praktyczny, nie tylko kredytowy

Znajomość odpowiedzi na to pytanie pozwala kształtować skuteczniejszą strategię działania instytucji finansowych oraz lepiej wykorzystać dostępne zasoby i potencjał rynku. Najlepiej jest jej szukać wewnątrz własnej organizacji. Odpowiedzi na wiele pytań ukryte są w olbrzymich ilościach informacji zgromadzonych w systemach informatycznych. Dobrym sposobem ich wydobycia jest wykorzystanie metod statystycznych oraz data mining.

MODELE SKORINGOWE

Jednym z najpopularniejszych rodzajów modeli statystycznych wykorzystywanych w bankowości są modele skoringowe. Parametry modeli skoringowych po oszacowaniu na historycznym zbiorze obserwacji możemy wykorzystywać do klasyfikowania nowych i obecnych klientów. Modele te wykorzystywane są jako narzędzia wspierające proces kredytowy, oceniają wiarygodność kredytową klientów bądź skłonność do nadużyć. Warto zauważyć, że wykorzystywane są nie tylko w obszarze zarządzania ryzykiem, ale np. również w procesie utrzymania klienta, gdzie wskazują osoby najbardziej zagrożone odejściem. Kolejny obszar to wsparcie procesu sprzedaży – za ich pomocą można optymalizować ofertę sprzedaży dla konkretnej grupy klientów. Model skoringowy potrafi wskazać osoby, które z największym prawdopodobieństwem odpowiedzą na ofertę poszczególnych produktów. Skoring sprawdza się, kiedy chcemy podzielić naszych klientów na dwie kategorie: spłaci kredyt lub nie spłaci, odpowie na ofertę lub nie odpowie, przyniesie zysk ewentualnie nie będzie dochodowy, zagrożony odejściem lub pozostanie klientem.

Ogólnie mówiąc, na podstawie cech klienta, np. demograficznych, behawioralnych itp., budujemy model skoringowy, który przewiduje prawdopodobieństwo przynależności do pożądanej przez nas kategorii.

Zazwyczaj, zwłaszcza w skoringu kredytowym, model taki należy zamienić na kartę skoringową, w której dla każdej z cech analizowana osoba otrzymuje punkty, sumowane w jedną syntetyczną ocenę. Od pewnego czasu, ze względu na coraz lepszą dostępność dobrej jakości danych w poszczególnych instytucjach finansowych, jakość uzyskiwanych przewidywań oraz koszty, stosowana jest przede wszystkim metoda statystyczno-ekspercka.

Modele skoringowe można budować przy użyciu wielu mniej lub bardziej zaawansowanych metod statystycznych i data mining. Do najpopularniejszych należy zaliczyć regresję logistyczną, drzewa klasyfikacyjne oraz różne odmiany drzew – drzewa wzmacniane (boosting trees) czy losowy las (random forest).

Wykorzystywać można również sieci neuronowe, metodę wektorów nośnych (suport vector machines) czy najbliższych sąsiadów i wiele innych. Już same nazwy tych procedur analitycznych brzmią dziwnie i egzotycznie. Jak zatem zastosować je w praktyce? Na szczęście są odpowiednie narzędzia, które pozwolą nawet mniej doświadczonym analitykom ...