You are on page 1of 202

Captulo 1 Introduccin1

Scorecards: General Resumen 5

Captulo 2Desarrollo Scorecard: El Pueblo


y el Proceso 11
Clases de Desarrollo del cuadro de mando 11
Scorecard Desarrollador 11
Producto o Gerente de Riesgo de Cartera / Crdito
Puntaje Manager 12
Gerente de Producto (s) 13
Gerente de Operaciones (s) 13
Project Manager 14
IT / IS Managers 15
Empresa de Riesgo / Gestin Corporativa de Riesgos
El personal (en su caso) 15
Staff Legal 16
Desarrollo Scorecard inteligente 16
Desarrollo e Implementacin Scorecard
Proceso: Descripcin general 17

Captulo 3 Proceso de Desarrollo Scorecard, nivel 1:


Preliminares y Ordenacin del Territorio 21
Crear Plan de Negocio 21
Identificar los objetivos organizacionales y Scorecard Papel 21
Desarrollo interno frente externo y tipo Scorecard23
Crear Plan de Proyecto 24
Identificar los riesgos del proyecto 25
Identificar el Equipo del Proyecto 25
Por Format "Scorecard"? 26

captulo 4 Proceso de Desarrollo Scorecard, nivel 2:


Revisin de datos y parmetros del proyecto29
Disponibilidad y Calidad de Datos29
Recoleccin de datos para la definicin de los parmetros de proyecto 30
Definicin de los parmetros del proyecto 31
Exclusiones 31
Rendimiento y la Muestra de Windows y Definicin "Bad" 32
Efectos de la estacionalidad 37
Definicin de "Bad" 38
Confirmacin de la definicin de "Bad" 40
"Good" y "Indeterminado" 43
Segmentacin 45
Basado en la experiencia (heurstico) Segmentacin 47
Segmentacin de base estadstica 50
Comparando Mejora 53
Segmentos Eleccin 55
Metodologa 56
Revisin del Plan de Implementacin 57

captulo 5 Proceso de Desarrollo Scorecard, Etapa 3:


Creacin de base de datos Desarrollo 59

Sample Desarrollo de Especificaciones 59


Seleccin de Caractersticas 60
Muestreo 63
Desarrollo / Validacin 63
Bueno / Malo / Rechazar 63
Recopilacin de datos Desarrollo y Construccin 65
Aleatoria y representativa de 65
Conjunto de datos no segmentado 65
Peculiaridades de datos 66
Ajuste de probabilidades previas 66
Mtodo de compensacin 68
Los pesos de muestreo 69

Captulo 6 Proceso de Desarrollo Scorecard, Etapa 4:


Desarrollo Scorecard73
Explorar datos74
Valores perdidos y Outliers74
Correlacin 76
Anlisis Tpico inicial 77
Medidas Estadsticas para 79
Tendencia Logical83
Negocios / Operacional Consideraciones 87
Contenido viii
Scorecard preliminar 88
Perfil de riesgo Concept 88
Regresin Logstica 89
Disear un cuadro de mando 92
Rechazar Inferencia 98
Razones para Rechazar Inferencia99
Rechazar las tcnicas de inferencia 102
Verificacin 112
Final Scorecard Produccin 113
Escala 113
Puntos Asignacin 118
La eleccin de un cuadro de mando 119
La clasificacin errnea 120
Fuerza Scorecard121
Validacin 127

captulo 7 Proceso de Desarrollo Scorecard, Etapa 5:


Gestin ScorecardReports131
Ganancias Tabla 132
Informes caractersticos 133

captulo 8 Proceso de Desarrollo Scorecard, Etapa 6:


Scorecard Implementacin135
Preimplantacin Validacin 135
136 Informe de estabilidad del sistema
Informe de anlisis de las caractersticas 139
Y si el Scorecard no valida? 141
142 Estrategia de Desarrollo
Consideraciones generales 142
Hacer Estrategia 143

Cortes Configuracin 146


Estrategia de Comunicacin para el Desarrollo 151
Acciones ajustados al riesgo 154
Normas de Poltica 157
Invalida 158

captulo 9 Proceso de Desarrollo Scorecard, Etapa 7:


Posterior a la implementacin161
Scorecard y Cartera Informes de Seguimiento 161
Gestin ScorecardReports 164
Informes de resultados de la cartera 177
Revisin 187
Bibliografa 189
ndice 191

CAPITULO 1
INTRODUCCIN
El aumento de la competencia y las crecientes presiones para la generacin de
ingresos
han llevado otorgamiento de crdito y otras instituciones financieras a buscar
formas ms eficaces para atraer a nuevos clientes solventes, y al
mismo tiempo, las prdidas de control. Esfuerzos de marketing agresivas se han
traducido en
una penetracin ms profunda de la piscina riesgo de clientes potenciales, y la
necesidad
para procesarlos con rapidez y eficacia ha llevado a una creciente
automatizacin de los
la solicitud de crdito y de seguros y procesos de adjudicacin. La
Risk Manager es ahora el reto de producir soluciones adjudicacin de riesgo
que no slo puede evaluar satisfactoriamente la solvencia, sino tambin
mantener el
costo de procesamiento por unidad baja, al tiempo que reduce los tiempos de
respuesta para los clientes.
Adems, la excelencia de servicio al cliente exige que esta automatizado
proceso sea capaz de minimizar la negacin del crdito al solvente

clientes, manteniendo a tantos delincuentes como las potencialmente


posible. En el sector de los seguros, la capacidad de mantener los precios de las
plizas
acorde con el riesgo de reclamaciones se vuelve ms importante como la
suscripcin
prdidas aumentan en toda la industria.
A nivel de gestin de clientes, las empresas se estn esforzando cada vez
ms duro para mantener a sus clientes existentes, ofrecindoles productos
adicionales
y servicios mejorados. Gestores de riesgos estn llamados a ayudar en la
la seleccin de la "derecha" (es decir, bajo riesgo) de los clientes de estos
tratamientos favorecidos.
Por el contrario, para los clientes que presentan un comportamiento negativo
(falta de pago,
fraude), gestores de riesgos necesitan disear estrategias no slo para
identificarlos, sino tambin tratar de manera efectiva para minimizar an ms
prdida y recuperar cualquier dinero que se debe, lo ms rpidamente posible.

Es en este ambiente que cuadros de mandos de riesgo ofrecen una potente,


empricamente
solucin a las necesidades del negocio derivado. Scorecards riesgo se han
utilizado
por una variedad de industrias para usos incluyendo la prediccin de la
delincuencia
falta de pago, es decir, la quiebra contra el fraude, reclamos (por el seguro), y
reembolso de las deudas de las cuentas de las colecciones. Metodologa de
calificacin
ofrece una forma objetiva de evaluar el riesgo, as como un enfoque coherente,
siempre que las anulaciones del sistema se reducen al mnimo.
En el pasado, las instituciones financieras adquieren tarjetas riesgo de crdito de
un puado de vendedores de riesgo de crdito. Se trataba de la institucin
financiera
entrega de los datos a los vendedores y los proveedores para luego desarrollar
una

scorecard predictivo para la entrega. Mientras que algunas empresas avanzadas


tienen
tenido modelizacin interna y las funciones de desarrollo del cuadro de mandos
de un largo
tiempo, la tendencia hacia tarjetas en desarrollo en la casa se ha convertido en
mucho ms extendido en los ltimos aos. Esto ocurri por diversos
razones.
En primer lugar, el software de aplicacin se convirti disponibles que permiten a
los usuarios
desarrollar cuadros de mando sin necesidad de invertir fuertemente en los
programadores avanzados
y la infraestructura. Funciones de minera de datos complejos se dispuso a
el clic de un ratn, que permite al usuario pasar ms tiempo aplicando
negocio y la experiencia de minera de datos con el problema, en lugar de la
depuracin
programas complicados. La disponibilidad de los poderosos "punto y
software Extraer-Transform-Load (ETL), haga clic en "basada activado eficiente
extraccin y preparacin de los datos para el desarrollo del cuadro de mando y
otras
la minera de datos. En segundo lugar, los avances en datos inteligentes y de
fcil acceso
almacenamiento han eliminado gran parte de la carga de reunir la necesaria
datos y ponerlo en una forma que es susceptible de anlisis.Una vez que las
herramientas estaban disponibles, el desarrollo de la casa se convirti en un
opcin viable para muchas instituciones pequeas y medianas. La
industria se podra realizar el retorno de la inversin (ROI) que el desarrollo del
cuadro de mando de la casa podra ayudar a cumplir el derecho
jugadores. La experiencia ha demostrado que el desarrollo interno scorecard de
crdito
se puede hacer ms rpido, ms barato, y con mucha ms flexibilidad que
antes. El desarrollo era ms barato, ya que el costo de mantener un inhouse
capacidad de la puntuacin de crdito es menos que el costo de comprar
cuadros de mando. Capacidad de desarrollo interno tambin permiti a las
empresas
desarrollar muchos ms cuadros de mando (con una mayor segmentacin) para
el
mismo gasto. Cuadros de mando tambin se podran desarrollar ms
rpidamente interna
recursos utilizando el software adecuado que significa que la costumbre
cuadros de mando pueden ser implementadas rpidamente, dando lugar a
menores prdidas.
Adems, las empresas se dieron cuenta de que su conocimiento superior de

datos internos y perspectivas de negocio les llev a desarrollar de mejor


rendimiento
cuadros de mando. Definicin de las definiciones de rendimiento de poblacin es
una crtica
parte de anotar la construccin del sistema, y la capacidad de variar las
definiciones para los
diferentes propsitos es la clave. Por ejemplo, una probabilidad de puntuacin
por defecto
diseados para fines de planificacin de capital podrn excluir moderadamente
delincuente
cuentas (60 das de atraso en dos ocasiones durante los ltimos 24 meses) que
se incluyen normalmente en "mala conducta" e ir por la definicin de Basilea
para los prstamos con probabilidades de default (asociado a prdidas y
ganancias, recuperacin,
ejecuciones hipotecarias, juicios o quiebras). Esto vara segn el tipo de
prstamo o lnea de comercio, por ejemplo, giratoria, plazos, de hipoteca, y as
sucesivamente. En la construccin de la muestra, algunas Scorecard
Desarrolladores eliminar
un gran nmero de cuentas asociadas con la inactividad, indeterminados
comportamiento, y as sucesivamente, y esta es otra rea en la que algunos
emprica
se justifica la investigacin y control.
Scorecards Mejor rendimiento tambin se produjo al tener la flexibilidad
experimentar con la segmentacin, y de seguir a travs de
el desarrollo del nmero y la configuracin de tarjetas de puntuacin ptima.
Desarrollo de scorecards interno tambin aumenta la base de conocimientos
dentro de las organizaciones. Los anlisis realizados revelan tesoros escondidos
de la informacin
que permiten una mejor comprensin de los comportamientos de riesgo de los
clientes,
y conducir a un mejor desarrollo de la estrategia.
En resumen, dejando modelos clave y las decisiones de muestreo a "externos
expertos "puede llegar a ser una ruta subptima en el mejor, y tambin pueden
ser
bastante costoso. Un ejemplo perfecto que viene a la mente es una entidad
financiera
que el desarrollo del cuadro de mando externalizado y se encontr en el sistema
aplicacin que los "cuadros de mando actualizados" rechazaron el 65% de
sus actuales y clientes de la repeticin, a pesar de que ellos desarrollaron
especfica
tarjetas individuales para los prestatarios actuales contra el ex. En ltima
instancia,
el problema se remonta a las definiciones de las buenas / malas rendimiento

y el hecho de que su "buen" cliente promedio paga tuvo delincuencia


caractersticas que normalmente se clasifican como mala conducta o
indeterminado, por lo menos! Por desgracia, haba cinco regionales
tarjetas para cada uno de los dos grupos, lo que al final de diez cuadros de
mando
han dejado de lado a un costo promedio de $ 27.000. Tambin hubo lluvia con
los clientes que fueron rechazados inicialmente hasta despus de 20 aos de
hacer negocios
con la empresa.
Este libro presenta un proceso centrado en las empresas para el desarrollo
y la aplicacin de cuadros de mando de prediccin de riesgo, uno que se basa en
una base slida de las estadsticas y de los principios de minera de datos.
Estadstica y
tcnicas de minera de datos y metodologas han sido discutidos en detalle
en varias publicaciones, y que no se tratarn en profundidad aqu. La clave
conceptos que se tratarn son:
La aplicacin de inteligencia de negocios para el desarrollo de scorecards
proceso, por lo que el desarrollo y la aplicacin de
cuadros de mando es visto como una solucin de inteligencia de negocios para
un negocio
problema. Buenas scorecards no se construyen pasando datos solamente
a travs de una serie de programas o algoritmos-que se construyen cuando
los datos se pasan a travs de la analtica y de negocios-entrenado
mente del usuario.
desarrollo de scorecards colaboracin, en el que los usuarios finales, sin
perjuicio
expertos en la materia, los ejecutores, modeladores y otras partes interesadas
trabajar de manera cohesiva y coherente para obtener mejores resultados.
El concepto de la construccin de un perfil de riesgo de cuadros de mando de
la capacidad que
contener variables predictivas que representan las principales categoras de
informacin.
Esto imita los procesos de pensamiento de los buenos jueces de riesgo,
que analizan la informacin de las solicitudes de crdito, o el cliente
comportamiento, y crear un perfil basado en los distintos tipos de informacin
disponible. Ellos no se tome una decisin con cuatro o cinco
piezas de informacin slo entonces por qu debera alguien construir un
cuadro de mando
que es de base estrecha?
Anticipar los impactos de las decisiones y la preparacin para ellos. Cada
decisin, ya sea en la definicin de la variable objetivo,

segmentacin, seleccin de variables, las transformaciones, la eleccin de


puntos de corte,
u otras estrategias-inicia una cadena de acontecimientos que afecta a otros
reas de la empresa, as como resultados futuros. Al hacer uso de

en la inteligencia empresarial, y que trabajan en colaboracin con


otros, el usuario aprender a anticipar el impacto de cada decisin
y prepararse en consecuencia para reducir al mnimo las interrupciones y
desagradable
sorpresas.
Vista de cuadros de mando como herramientas de soporte de decisiones.
Cuadros de mando deben ser
visto como una herramienta para ser utilizada para una mejor toma de
decisiones, y deben
ser creado con este punto de vista. Esto significa que deben ser entendidos
y controlada; desarrollo de scorecards no debe dar lugar a un complejo
modelo que no puede ser entendido lo suficiente para tomar decisiones
o realizar diagnsticos.
Pueden necesitar ser tratado con los proyectos de desarrollo del cuadro de
mandos individuales
diferente, dependiendo de la situacin particular de cada empresa. Este
por lo tanto, la metodologa debe ser visto como un conjunto de directrices ms
que como un conjunto de reglas definitivas que se deben seguir. Por ltimo, vale
la pena
sealando que el cumplimiento normativo desempea un papel importante para
garantizar
que las tarjetas utilizadas para la concesin de crditos al consumo son
estadsticamente slido,
empricamente derivados, y capaz de separar solvente de noncreditworthy
solicitantes a una estadsticamente significativa rate.1 Un excelente,
pero un poco anticuado, artculo sobre la puntuacin de crdito y la Igualdad de
crdito
Ley de Oportunidades se cita en la bibliografa (Hsia, 1978).
CUADROS DE MANDO: PANORAMA GENERAL
Calificacin de riesgo, al igual que otros modelos de prediccin, es una
herramienta que se utiliza para evaluar
el nivel de riesgo asociado con los solicitantes o clientes. Mientras lo hace
no identificar "buenas" (no el comportamiento negativo esperado) o "malo"
(negativo

comportamiento esperado) aplicaciones de forma individual, proporciona


estadsticas
probabilidades, o la probabilidad, de que un solicitante con cualquier puntuacin
otorgada ser
"Bueno" o "malo". Estas probabilidades o puntuaciones, junto con otras
empresas
consideraciones tales como las tasas de aprobacin previstos, ganancia, prdida
de clientes, y
prdidas, se utilizan a continuacin como base para la toma de decisiones.
En su forma ms simple, un cuadro de mando se compone de un conjunto de
caractersticas,
estadsticamente determinado que es predictivo de separar el bien y el mal
cuentas. Como referencia, Anexo 1.1 muestra una parte de un cuadro de mando.
cuadros de mando: visin general 5

Caractersticas cuadro de mando se pueden seleccionar de cualquiera de las


fuentes de
datos disponibles para el prestamista en el momento de la aplicacin. Ejemplos
de
tales caractersticas son la demografa (edad, tiempo en la residencia, el tiempo
en el trabajo, cdigo postal), la relacin existente (por ejemplo, el tiempo en el
banco, el nmero de

productos, desempeo de pago, reclamaciones previas), oficina de crdito (por


ejemplo,
consultas, oficios, la delincuencia, los registros pblicos), datos de bienes races,
y as
sucesivamente.
Cada atributo ("Edad" es una caracterstica y "23-25" es un atributo) es
puntos asignados sobre la base de anlisis estadsticos, teniendo en cuenta
varios factores tales como la fuerza de prediccin de las caractersticas, la
correlacin
entre las caractersticas y factores operacionales. La puntuacin total
de un solicitante es la suma de las puntuaciones de cada atributo presente en el
cuadro de mando para ese solicitante.
Anexo 1.2 es un ejemplo de uno de los informes de gestin producidos
durante el desarrollo del cuadro de mando.
La lnea con un crculo en la exposicin nos dice lo siguiente:

Para el rango de puntuacin de 245-250, la mala relacin marginal esperado es


1,2%. Es decir, el 1,2% de los solicitantes con una puntuacin de entre 245 y
250 Es probable que haya "malos".

La mala tasa acumulativa, es decir, la mala tasa de todos los solicitantes


por encima de 245-es 0,84%.
La tasa de aceptacin en el 245 es 17.44%, es decir, 17,44% de todos los
solicitantes
puntuacin por encima de 245.
Basado en factores descritos anteriormente, una empresa puede decidir
entonces, por
ejemplo, para rechazar todos los candidatos que obtengan una puntuacin por
debajo de 200, o para cargar
los precios ms altos en vista del mayor riesgo que presentan. "Bad" es
generalmente se define mediante indicadores de resultados negativos tales
como la quiebra,
el fraude, la delincuencia, write-off/chargeoff y actual neto negativo
Valor (VPN).
Informacin de resultados de riesgo, combinado con otros factores, como se
esperaba
tasa de aprobacin y los ingresos / beneficios potenciales en cada nivel de
riesgo, se pueden utilizar

para desarrollar nuevas estrategias de aplicacin que permitan maximizar los


ingresos y
minimizar la morosidad. Algunas de las estrategias para los solicitantes de alto
riesgo son:
Disminucin de crdito / servicios si el nivel de riesgo es demasiado alto
Asignacin de un lmite de crdito inicial ms baja en una tarjeta de crdito o
lnea de
crdito
Pedir al solicitante que presente un mayor pago inicial o depsito
para las hipotecas o prstamos para automviles
La carga de una mayor tasa de inters de un prstamo
La carga de una prima ms alta en las plizas de seguro
Pedirle al demandante que aporte una fianza para los servicios de utilidades
Ofrecer servicios de telefona mvil de prepago en lugar de pospago
Negar el acceso de llamadas internacionales de telecomunicaciones
empresas
Poner el solicitante en una "lista de vigilancia" para el potencial de fraude
actividad
Por el contrario, los candidatos de alta puntuacin puede dar tarifas
preferenciales y
mayores lmites de crdito, y se ofrecern actualizaciones de productos de
primera calidad, tales
como oro o platino tarjetas o productos adicionales ofrecidos por la empresa.

Las puntuaciones de aplicaciones tambin pueden ayudar en el establecimiento


de polticas de "diligencia debida".
Por ejemplo, un solicitante de puntuacin muy alta o muy baja puede ser
rechazada
o aprobados directa sin necesidad de obtener ms informacin sobre los bienes
races, verificacin de ingresos, o la valoracin de la seguridad subyacente.
Los ejemplos anteriores tratan especficamente de calificacin de riesgo en la
aplicacin
etapa. Calificacin de riesgos se utiliza de manera similar con los clientes
existentes en una
forma permanente. En este contexto, los datos de comportamiento del cliente
con la empresa
se utiliza para predecir la probabilidad de un comportamiento negativo. Basado
en
consideraciones de negocio similar a la mencionada anteriormente (por ejemplo,
espera que
riesgo y niveles de rentabilidad), diferentes tratamientos se pueden adaptar a
cuentas, tales como:
Ofrecer actualizaciones de productos y productos adicionales
El aumento de los lmites de crdito de las tarjetas de crdito y lneas de
crdito

Permitir que algunos clientes de crdito revolvente para ir ms all de su


lmites de crdito
Las transacciones potencialmente fraudulentas Las marcas
Ofrecer un mejor precio en prstamo / renovaciones de plizas de seguro
Decidir si desea o no vuelva a emitir una tarjeta de crdito caducada
precalificacin listas de marketing directo para la venta cruzada
Dirigir las cuentas morosas a los mtodos de recogida ms estrictas
o la subcontratacin a una agencia de cobros
Suspensin o revocacin de los servicios de telefona o lneas de crdito
Ponga una cuenta en una "lista de vigilancia" para una posible actividad
fraudulenta
Adems de ser desarrollado para su uso con los nuevos solicitantes (aplicacin
de puntuacin) o cuentas existentes (scoring de comportamiento), cuadros de
mando tambin puede
definirse en funcin del tipo de datos utilizados para desarrollarlas. Costumbre
cuadros de mando son los elaborados a partir de datos de los clientes de una
organizacin
exclusivamente. Por ejemplo, ABC Banco utiliza los datos de rendimiento

de sus propios clientes para construir un sistema de puntuacin para predecir la


quiebra. Se puede
utilizar datos internos o datos obtenidos a partir de una agencia de crdito para
este fin,
pero los datos son slo para sus propios clientes.
Tarjetas de datos genricos o agrupadas son los datos construidos utilizando de
prestamistas mltiples. Por ejemplo, cuatro bancos pequeos, ninguno de los
cuales tiene
datos suficientes para construir sus propios cuadros de mando personalizados,
deciden poner en comn su
los datos de los prstamos para automviles. A continuacin, construir un cuadro
de mando con esta informacin y compartir
, o personalizar las tarjetas basadas en las caractersticas nicas de su
carteras. Cuadros de mando construido a partir de datos de la Mesa de la
industria, y comercializados por
agencias de crdito, son un tipo de tarjetas genricas.
Puntuacin de riesgo, adems de ser una herramienta para evaluar los niveles
de riesgo, tiene
Tambin ha aplicado eficazmente en otras reas operativas, tales como:
Racionalizar el proceso de toma de decisiones, es decir, de alto riesgo y
aplicaciones borderline est dando al personal ms experimentado para
mayor escrutinio, mientras que las aplicaciones de bajo riesgo se asignan a
menor
personal. Esto se puede hacer en ramas, centros de adjudicacin de crditos,
y los departamentos de colecciones.

Reducir el tiempo de respuesta para la tramitacin de las solicitudes a travs


de
la toma de decisiones automatizadas
Evaluacin de la calidad de las carteras destinado a la adquisicin de
Configuracin de la asignacin de capital econmico y regulatorio
Ajuste de precios para la titulizacin de las carteras crediticias
La comparacin de la calidad de los negocios de diferentes canales / regiones /
proveedores
Calificacin de riesgo, por lo tanto, proporciona a los acreedores la oportunidad
de
la toma de decisiones coherente y objetiva, con base en derivados
empricamente
informacin. En combinacin con el conocimiento del negocio, modelos de
prediccin
tecnologas ofrecen a los gestores de riesgos con eficacia y mayor control

sobre el proceso de gestin de riesgos.


En el futuro, se espera que la puntuacin de crdito a desempear un papel ms
importante en
organizaciones bancarias grandes, debido a los requisitos de la nueva Basilea
Acuerdo de Capital (Basilea II). Esto tambin conducir a una reevaluacin de
metodologas y estrategias para cuadros de mandos, basado en la
recomendaciones del acuerdo final. En particular, los cambios pueden ser
requerida en la forma "mala" se define, y en la forma en la prediccin de destino
est conectado a "Probabilidad de Incumplimiento", "Exposicin al
Incumplimiento"
y "severidad".
Nota
1. Reglamento B, Seccin 202.2 (p) (1) (i-iv).

CAPITULO 2
DESARROLLO SCORECARD: EL
LA GENTE Y EL PROCESO
El proceso de desarrollo de cuadro de mando tiene que ser una colaboracin
uno entre la tecnologa de la informacin (TI), la minera de datos y de
funcionamiento
personal. Esto no slo crea mejores cuadros de mando, se asegura que el
soluciones son consistentes con la direccin del negocio, y permite la educacin
y transferencia de conocimiento en el proceso de desarrollo. Scorecard
el desarrollo no es un proceso de "recuadro negro", y no debe ser tratado como
tales. La experiencia ha demostrado que los cuadros de mando en desarrollo en
aislamiento puede
conducir a problemas tales como la inclusin de las caractersticas que ya no
estn
recogida, legalmente sospechar, o difciles de recoger operacionalmente, y la
elaboracin de

de estrategias que den lugar a "sorpresas" o son inaplicable. La


nivel de participacin de los miembros del personal vara, y diferentes miembros
del personal
se requieren en las distintas etapas clave del proceso. Al entender
los tipos de recursos que se requieren para un desarrollo scorecard exitoso
y la ejecucin del proyecto, tambin se empieza a apreciar el negocio
y consideraciones operativas que intervienen en este tipo de proyectos.
Clases de Desarrollo del Cuadro de Mando
Como mnimo, se requieren los siguientes participantes principales:
Scorecard Desarrollador
El Cuadro de Mando Developer es la persona que realiza la estadstica
anlisis necesarios para desarrollar cuadros de mando. Esta persona
generalmente presenta:

experiencia en el tema en el desempeo de la minera de datos y estadsticas


anlisis
Un conocimiento profundo de las distintas bases de datos en la empresa
Una comprensin profunda de los principios estadsticos, en particular,
las relacionadas con el modelado predictivo
Experiencia profesional en la implementacin y el uso de riesgo
modelos
Esta persona se asegura de que los datos se recogen de acuerdo con las
especificaciones,
que se adopten todas las peculiaridades de datos en cuenta, y que el desarrollo
de scorecards
proceso es estadsticamente vlido.
PRODUCTO O PORTFOLIO RISK MANAGER / DIRECTOR DE CREDIT
SCORING
El Gerente de Riesgos es responsable de la gestin de la empresa de

cartera y el uso de tarjetas. Esta persona generalmente presenta:


experiencia en el tema en el desarrollo e implementacin
de las estrategias de riesgo con el marcador
La comprensin en profundidad de las polticas y procedimientos de riesgos
corporativos
Un conocimiento profundo del perfil de riesgo de la empresa de
clientes y candidatos a productos / servicios
Una buena comprensin de las diversas plataformas de implementacin
para la calificacin de riesgo y la aplicacin de la estrategia de la empresa
Conocimiento de las cuestiones legales que rodean el uso de las caractersticas
particulares /
procesos para adjudicar las solicitudes de crdito
Conocimiento del proceso de solicitud de crdito y la gestin de clientes
los procesos en la empresa
Esta persona se asegura de que los flujos comerciales se tengan debidamente en
pensado en el diseo e implementacin de cuadros de mando. l o ella
tambin contribuira en gran medida al desarrollo de las estrategias y
para medir el posible impacto de estas estrategias en los clientes y el

diferentes reas de la organizacin. Gestores de riesgos tambin pueden ser


capaces de utilizar
algunas de sus experiencias al punto Scorecard Desarrolladores en particular,
direccin, o para prestar especial atencin a ciertos elementos de datos.
Gestores de riesgos con experiencia tambin son conscientes de los cambios
histricos en el
mercado, y ser capaz de ajustar los nmeros de rendimiento esperado si
requerida. Cuadros de mando se han desarrollado para ayudar en la toma de
decisiones y
anticipacin del cambio es la clave.
GERENTE DE PRODUCTO (S)
El jefe de producto es responsable de la gestin de la empresa de
producto (s), y por lo general tiene:
experiencia en el tema en el desarrollo e implementacin
de las estrategias de marketing de producto El conocimiento en profundidad de la base de clientes tpica de la empresa y
mercados objetivo
Conocimiento del desarrollo de futuros productos y direccin de marketing

Los gerentes de producto pueden ofrecer informacin clave en la base de


clientes, y ayudar a
durante la seleccin de segmentacin, seleccin de caractersticas y medicin
impacto de las estrategias. Tambin coordinan el diseo de nuevas aplicaciones
forma en que la nueva informacin se debe desechar. Segmentacin ofrece
la oportunidad de evaluar el riesgo de cada poblacin especfica-la
participacin de la comercializacin en este esfuerzo puede asegurar que la
segmentacin del cuadro de mando
est en lnea con los mercados de destino previstos de la organizacin.
Este enfoque produce los mejores resultados para los sectores ms valorados
y armoniza la comercializacin y el riesgo direcciones.
GERENTE DE OPERACIONES (S)
La Gerente de Operaciones es responsable de la gestin de los departamentos
tales como colecciones, procesamiento de la solicitud, adjudicacin (cuando
separarse de gestin de riesgos) y Reclamaciones. Cualquier estrategia de
desarrollo

utilizando cuadros de mando, tales como cambios en los niveles de corte,


tendrn un impacto en estos
departamentos. Los gerentes operativos tienen contacto directo con los clientes,
y suelen tener:
experiencia en el tema de la implementacin y ejecucin de
estrategias y procedimientos de la empresa
El conocimiento en profundidad de las cuestiones relacionadas con los clientes
Los gerentes operativos pueden alertar a los desarrolladores Scorecard en temas
tales como las dificultades en la recoleccin de datos y la interpretacin de la
primera lnea
personal, el impacto en la cartera de diversas estrategias, y otros temas
relacionados
a la aplicacin de cuadros de mando y estrategias. Personal de
Adjudicacin, Colecciones y departamentos de fraude tambin pueden ofrecer
conocimiento basado en la experiencia los factores que son predictivos de la
negativa
comportamiento, lo que ayuda en gran medida cuando la seleccin de
caractersticas para el anlisis.
Una buena prctica para el desarrollo de scorecards delincuencia es entrevistar
adjudicacin / staff colecciones durante el proyecto para recibir sus aportes. La
buena pregunta para hacerse es, "Qu caractersticas se ven en mal

cuentas, y han cambiado en los ltimos aos? "El objetivo


aqu es aprovechar la experiencia y descubrir ideas que pueden no ser evidentes
desde el anlisis de datos por s solo. Tarjetas de aplicacin se desarrollan
normalmente
en datos que pueden ser de dos aos, y el personal de las colecciones pueden
ser capaces
para identificar las tendencias o los cambios que deben ser incorporados en
anlisis. Este ejercicio tambin proporciona una oportunidad para poner a prueba
y validar
experiencia en la organizacin. Lo mismo se puede hacer con la adjudicacin
personal (analistas de crdito). Esto sera especialmente til para aquellos
el desarrollo de cuadros de mando por primera vez. Estas entrevistas permitirn
a aprovechar las experiencias existentes para identificar generalmente
predictivo
caractersticas.
GERENTE DE PROYECTOS
El director del proyecto es responsable de la gestin general de la
proyecto, incluyendo la creacin del plan del proyecto y los plazos, la integracin
de los procesos de desarrollo e implementacin, y la gestin de
otros recursos del proyecto. El director del proyecto por lo general tiene:
experiencia en el tema de la gestin de proyectos
Un conocimiento profundo de las reas corporativas relevantes involucrados
en el proyecto
IT / IS MANAGERS
Los gerentes de TI son responsables de la gestin de los distintos programas
y hardware utilizados en la empresa. A veces tienen
responsabilidades de los almacenes de datos corporativos aadido. Por lo
general tienen:
experiencia en el tema de los software y hardware
involucrados en la gestin de riesgos y la aplicacin de calificacin de riesgo
Conocimiento profundo de los datos y los procedimientos para introducir
corporativos
cambios en el procesamiento de datos
Conocimiento de procesamiento de datos de los proveedores de datos externos
Los gerentes de TI pueden alertar Scorecard desarrolladores a cuestiones
relacionadas con los datos
coleccin y codificacin-en particular cuando se introduce-y los nuevos datos
a las cuestiones de aplicacin relacionadas con las plataformas de software que
se utilizan para

implementar cuadros de mando y manipular datos. Ellos deben ser notificados


de
cambios para mantener un calendario para su aplicacin. En particular, cuando
cuadros de mando se estn desarrollando mediante transformaciones o clculos
complejos,
y tienen que ser implementadas en el software en tiempo real, la IT
departamento puede ser capaz de asesorar si estos clculos son ms all de la
capacidades del software. Lo mismo es cierto para las variables derivadas de
oficina
donde las derivaciones tienen que ser hechas en las interfaces centrales de
riesgo
o el uso de otro software.
EMPRESA DE RIESGO / GESTIN CORPORATIVA DE RIESGOS
EL PERSONAL (EN SU CASO)
Departamentos de riesgo de la empresa son responsables de la gestin de
ambos
riesgos financieros y operativos a nivel corporativo (en oposicin a la
nivel de producto). Por lo general son tambin participan en la asignacin de
capital, la supervisin
de la funcin de riesgo y cobertura. Por lo general tienen:

experiencia en el tema de las polticas corporativas de gestin de riesgos


y los niveles de tolerancia al riesgo
Conocimiento profundo de los impactos sobre la asignacin de capital /
cobertura,
y as sucesivamente, de las introducciones a los cambios en la adjudicacin de
riesgo
Conocimiento profundo de las prcticas actuariales
Personal de riesgos corporativos se recomienda por lo general cuando las nuevas
estrategias de cambiar el
perfil de riesgo de la cartera de la compaa. Aumentar o disminuir el riesgo
niveles afectan la cantidad de capital de una empresa tiene que asignar. Toma
importantes riesgos adicionales tambin pueden constituir una infraccin a la
empresa de
dicho destino de perfil de riesgo, y puede afectar a su propio crdito
calificacin. Personal de riesgos corporativos se asegurar de que todas las
estrategias de cumplimiento de

directrices corporativas de riesgos, y que la empresa est suficientemente


capitalizado
por su perfil de riesgo.
STAFF LEGAL
De concesin de crdito en la mayora de las jurisdicciones est sujeta a las
leyes y reglamentos
que determinar los mtodos que se pueden utilizar para evaluar la solvencia, y
caractersticas que no se pueden utilizar en este esfuerzo. Una buena prctica es
presentar una lista de segmentacin propuesto y las caractersticas del cuadro
de mandos para
el departamento legal, para asegurarse de que ninguno de ellos est en
contravencin
de las leyes y reglamentos existentes.
TARJETA INTELIGENTE
DESARROLLO
La participacin de estos recursos en el desarrollo de scorecards y ejecucin
proyecto ayuda a incorporar conocimiento colectivo organizacional
y la experiencia y produce cuadros de mando que son ms propensos a cumplir
con
los requerimientos del negocio. La mayor parte de esta inteligencia empresarial
no est documentado;
Por lo tanto, la nica manera eficaz de introducir en crdito
scoring es involucrar a los recursos pertinentes en el desarrollo y
proceso de implementacin en s. Esta es la base para el cuadro de mando
inteligente
desarrollo.

DESARROLLO SCORECARD Y
PROCESO DE IMPLEMENTACIN: INFORMACIN GENERAL
Cuando los participantes apropiados han sido seleccionados para desarrollar una
cuadro de mando, es til revisar las principales etapas del desarrollo de
scorecards
y el proceso de implementacin, y para asegurarse de que usted entiende
las tareas asociadas a cada etapa. La siguiente lista describe
las etapas y tareas. Las descripciones detalladas de cada etapa se encuentran
en los captulos

que siguen.
ETAPA 1. PRELIMINARES Y PLANIFICACIN
Crear un plan de negocios
Identificar los objetivos de la organizacin y el papel scorecard
Determinar el desarrollo y cuadro de mando interna frente externo
tipo
Crear un plan del proyecto
Identificar los riesgos del proyecto
Identificar el equipo y las responsabilidades del proyecto
ETAPA 2. DATOS DEL PROYECTO DE REVISIN Y PARMETROS
La disponibilidad y calidad de datos
La recoleccin de datos para la definicin de los parmetros del proyecto
Definicin de los parmetros del proyecto

NOTA:
Teniendo en cuenta que las diferentes empresas pueden tener diferentes ttulos
de similares
funciones, el material precedente est destinado a reflejar las fiestas tpicas
necesaria para asegurar que un sistema de puntuacin desarrollado es bien
equilibrado, con consideraciones
de diferentes grupos de inters en una empresa. Efectivo de participantes
puede variar.
La ventana de Rendimiento y ventana de muestra
Definicin de las categoras de rendimiento (objetivo)
Exclusiones
Segmentacin
Metodologa
Revisin del plan de implementacin
ETAPA 3. DESARROLLO DE BASE DE DATOS DE CREACIN
Especificaciones de muestras de Desarrollo

Muestreo
Recogida de datos sobre el desarrollo y la construccin
Ajuste de probabilidades a priori (factoring)
ETAPA 4. DESARROLLO CUADRO DE MANDO

Datos de Exploracin
Los valores y valores atpicos que faltan identificacin
Correlacin
anlisis de las caractersticas iniciales
scorecard preliminar
Rechazar la inferencia
La produccin final scorecard
Escalado Scorecard
La eleccin de un cuadro de mando
Validacin

ETAPA 5. INFORMES DE GESTIN DE TARJETA DE PUNTUACIN


Tablas de Ganancias
Informes caractersticos
ETAPA 6. APLICACIN CUADRO DE MANDO

Validacin de preimplantacin
Desarrollo de estrategias
Estrategia de Scoring
Establecer puntos de corte
Las reglas de directivas
Anulaciones

ETAPA 7. POSTERIOR A LA IMPLEMENTACIN


Cuadro de Mando y la cartera de los informes de seguimiento
Informes de gestin Scorecard
Informes de resultados de la cartera
desarrollo de scorecards y el proceso de aplicacin 19

CAPITULO 5
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 1: PRELIMINARES Y
PLANIFICACIN
Proyectos de desarrollo Scorecard no comienzan con la adquisicin de
datos. Desarrollo de scorecards inteligente requiere una planificacin adecuada
antes de
cualquier trabajo analtico puede comenzar. Esto incluye la identificacin de la
razn o
objetivo para el proyecto, la identificacin de los participantes clave en el
desarrollo
y la implementacin de las tarjetas, y la asignacin de tareas a los
estas personas para que todo el mundo es consciente de lo que se requiere de
ellos.
CREAR PLAN DE NEGOCIOS
IDENTIFICAR LOS OBJETIVOS ORGANIZACIONALES Y SCORECARD PAPEL
El primer paso en cualquier proyecto de desarrollo del cuadro de mando es la
identificacin
y priorizacin de los objetivos de la organizacin para ese proyecto. Este
proporciona un punto de enfoque y ayuda en la priorizacin de temas en
competencia (por ejemplo,
aumento de los ingresos frente a la disminucin de las prdidas) que surgen
durante el desarrollo.
Tambin asegura un proyecto viable y suave, uno sin "sorpresas" por ejemplo, decidir si se ajusta la aprobacin de la solicitud
puntaje de corte inferior para obtener ms cuentas o asignar ms para reducir
prdidas.

Ejemplos de objetivos de la organizacin son:


Reduccin de la morosidad / quiebra / reclamaciones / fraude
Aumento de las tasas de aprobacin o participacin de mercado en reas tales
como seguro
prstamos, donde la baja morosidad presenta oportunidades de expansin
Aumento de la rentabilidad
Aumento de la eficiencia operativa (por ejemplo, para mejorar la gestin del
flujo de trabajo
en un entorno de adjudicacin)
Ahorro de costes o de respuesta ms rpido a travs de la automatizacin de la
adjudicacin
utilizando cuadros de mando
Una mejor capacidad de prediccin (en comparacin con la costumbre o la
oficina existente
scorecard)
Objetivos organizacionales tambin tendr un impacto sobre la validacin postdesarrollo
que se hace y se determinar la seleccin de los "mejores" scorecard
donde ms de uno se ha desarrollado. Por lo general, la mayora de las
organizaciones
tendr una mezcla de objetivos, entre los de la lista anterior.
Un problema adicional que debe aclararse en esta etapa es la
extensin de la funcin del cuadro de mando en el proceso de adjudicacin, es
una sola
rbitro, o va a ser utilizado como una herramienta de apoyo a las decisiones?
Esto es particularmente
importante para las organizaciones que no han usado previamente riesgo
anotar, desde la introduccin de tarjetas probablemente tendr un
impacto en la cultura y las operaciones de la organizacin. Cuadros de mando
pueden ser

utilizado en el proceso de toma de decisiones en diferentes grados, dependiendo


el producto solicitado, la cultura y la estructura organizacional y legal
y cuestiones de cumplimiento. Por ejemplo, una compaa de tarjetas de crdito
podr utilizar
scorecards de riesgo como la herramienta primaria de adjudicacin, un nico
rbitro, con un
pequea parte-por ejemplo, el 3% de los solicitantes seleccionados (por lo
general
basndose en los resultados y las reglas de poltica) encaminado a un analista de
crdito para obtener informacin adicional
cheques. En este caso, se har la mayora de las decisiones
automticamente, y slo mediante la tarjeta de puntuacin, sin intervencin
humana
ms all de los datos de digitacin.
En el otro extremo del espectro, una compaa de hipotecas o un seguro
suscriptor puede usar la calificacin de riesgo como una de varias medidas para

evaluar la calidad crediticia (o riesgo de reclamaciones) de los solicitantes, con


importantes
la intervencin humana y las consideraciones de juicio.
La comprensin de estos temas ayudar en el diseo de cuadros de mando
eficaces
y las estrategias que sean apropiadas para la organizacin. El objetivo aqu
es posicionar tarjetas como parte de una toma de decisiones coherente y
consistente
proceso dentro de una organizacin. El contenido de la tarjeta de puntuacin
es preferible no duplicados en otro lugar. Por ejemplo, en un nico
ajuste rbitro, el cuadro de mando debe estar basada en el mayor nmero
independiente
elementos de datos como sea posible (en oposicin a un cuadro de mandos con
pocas caractersticas
representa limitados tipos de informacin). Conceptualmente, el cuadro de
mando
aqu debe imitar lo que un buen juez experimentado hara
buscar en una solicitud de crdito (es decir, una evaluacin global de la persona
de
solvencia). Por tanto, el cuadro de mando debe ser lo ms completa
un perfil de riesgo de un candidato posible.
En los entornos de soporte de decisiones, las caractersticas del cuadro de
mandos debe

complementar las otras consideraciones que se utilizan para evaluar el crdito.


Para
ejemplo, si se utilizan las reglas de poltica, a continuacin, los factores
contenidos en
las reglas de polticas de preferencia deben mantenerse fuera del cuadro de
mando. Es
para garantizar la coherencia y la eficacia en el uso de toda la informacin a la
mano. En
Adems, si anular tiene lugar, la comprensin de su alcance, y
algunos de los factores que se utilizan para reemplazar ayudar a identificar
cualquier
sesgada de datos.
DESARROLLO INTERNO FRENTE EXTERNO Y TIPO SCORECARD
En su caso, el plan de negocio debe abordar si las tarjetas
estn mejor desarrollados en la empresa o por proveedores externos y
proporcionar razonamiento.
Si no se dispone de datos suficientes para cuadros de mando personalizados,
esta decisin
puede depender de factores tales como la disponibilidad de recursos,
experiencia en scorecard
el desarrollo de un producto en particular, el marco temporal para la
comparacin interna
externa para el desarrollo, y el costo de adquisicin de tarjetas de puntuacin en
comparacin con
desarrollo interno.
En los casos en que no se dispone de datos suficientes o donde la accesibilidad y
calidad de los datos son cuestionables, tarjetas genricas de un externo
puede ser necesaria vendedor o bur de crdito. Otros casos de tarjetas
genricas
ocurre cuando una empresa es la comercializacin de un nuevo segmento, canal
o
producto para el que no dispone de datos anteriores, pero donde los datos de la
industria es
disponibles, cuando el volumen de negocios de un producto no justifica la
el costo de desarrollar un cuadro de mando personalizado, o cuando un
programa de lanzamiento de producto
no permite el tiempo suficiente para desarrollar un cuadro de mando
personalizado.
En algunos casos, puede que no sea posible utilizar estadsticamente
desarrollado

tarjetas, personalizadas o genricas. Esto es generalmente debido a volmenes


muy bajos,
a los beneficios percibidos que no justifican los costos asociados con cualquier
desarrollo de scorecards, o para un producto del que no hay un modelo genrico
disponible o apropiado. En estas circunstancias, puede ser necesario
desarrollar un modelo basado en el juicio de adjudicacin. Tales modelos son
tambin
conocido como "sistemas expertos" o "modelos basados en la experiencia."
El desarrollo de este modelo consiste en seleccionar un grupo de caractersticas
que se consideran buenos predictores de riesgo, y la asignacin de puntos a
cada atributo, al igual que con modelos desarrollados estadsticamente. El
ejercicio,
Sin embargo, se hace con base en la experiencia colectiva y la intuicin, y la
modelo resultante se implementa tpicamente en conjuncin con la poltica
reglas. Aunque no se ha desarrollado estadsticamente, el modelo experto puede
proporcionar una herramienta para la toma de decisiones ms coherente y
objetiva de
adjudicacin por jueces individuales.
El desarrollo de modelos de juicio debe hacerse con la participacin
de Marketing, adjudicacin, gestin de riesgos y otros
los departamentos pertinentes.
CREAR PLAN DE PROYECTO
El plan del proyecto debe incluir un mbito de aplicacin del proyecto
claramente definido y
plazos, y abordar cuestiones tales como los entregables y la implementacin
estrategia. El plan del proyecto debe incluir todos los riesgos previsibles
y los riesgos y garantizar la continuidad entre el desarrollo y post-desarrollo
procesos est presente. Esto es para permitir la transicin sin problemas desde
el equipo de desarrollo para los responsables de las pruebas, desarrollo de
estrategias,
y la implementacin. Una planificacin adecuada en esta etapa evitar
escenarios como cuadros de mando que est desarrollando un grupo, pero no es
implementado, debido a que el departamento de TI no se le dijo a tiempo, o
porque presentacin de informes para los nuevos cuadros de mando no puede
ser producido en el tiempo para
aplicacin. Todas las partes implicadas deben ser conscientes de lo que
que hay que hacer, por quin y cundo.
IDENTIFICAR LOS RIESGOS DEL PROYECTO

El xito de los proyectos de desarrollo del cuadro de mandos es dependiente de


diversos
procesos relacionados con cada proceso resultante slo podr iniciar una vez
el anterior se ha completado satisfactoriamente. Como un derivado
empricamente
solucin, el proceso tambin es totalmente dependiente de los datos de
desarrollo. Como
En consecuencia, hay varios riesgos asociados con el desarrollo de scorecards
proyectos, entre ellos:
falta de disponibilidad de los datos o datos insuficientes
Mala calidad de los datos (sucias o poco fiable)
Retrasos / dificultades en el acceso a los datos
Los datos no predictiva o dbil
Caractersticas Scorecard o derivaciones que no pueden ser manejados por
sistemas operativos
Los cambios de direccin / prioridades organizacionales
Los posibles retrasos en la ejecucin
Otros asuntos legales u operacionales
Los riesgos del proyecto, "mostrar" tapones, y otros factores que potencialmente
pueden
afectar a la calidad del cuadro de mando debe ser identificado en esta etapa y,
donde deben formularse necesario, los planes de copia de seguridad.
IDENTIFICAR EL EQUIPO DEL PROYECTO
El plan del proyecto tambin identifica a todas las partes interesadas en el
proyecto y
rene un equipo de proyecto multidepartamental. Una lista de equipo sugerido
vocales, ha dispuesto en el captulo 2.

La lista de los miembros del equipo del proyecto debe identificar los roles y
responsabilidades,
patrocinadores ejecutivos y miembros cuyos signoffs son obligatorios
para la finalizacin con xito de las diversas etapas de desarrollo. Una lista ms
amplia
Tambin se debe crear para aquellos que necesitan estar informados de
los resultados provisionales, los plazos y las estrategias propuestas. Estos son
tpicamente
departamentos que no tienen una funcin directa en el propio desarrollo, sino

que se ver afectada por los cambios en la estrategia.


Tras la aprobacin de un plan de negocios esbozar el caso de utilizar
cuadros de mando, el plan de proyecto completo, alcance y resultados se firman
fuera por los patrocinadores ejecutivos y gerentes de los departamentos que
realizan
el desarrollo de scorecards y la ejecucin reales.
El objetivo de esta planificacin empresarial no es crear adicional
capas burocrticas para desarrolladores Scorecard. El concepto es simple: en
grandes organizaciones donde los departamentos dispares comparten las tareas
realizadas
en el desarrollo, implementacin y gestin de cuadros de mando,
algn tipo de coordinacin es necesaria para la eficiencia y de la gestin de las
expectativas.
La reunin de entrega scorecard no es un buen momento para descubrir que
el cuadro de mando slo pas dos meses en el desarrollo no se puede
implementar.
Dicha planificacin empresarial no tiene por qu ser formal, siempre y cuando
todos los
cuestiones se han prestado suficiente atencin.
POR QU FORMAT "SCORECARD"?
Este libro trata sobre el desarrollo de un cuadro de mando tradicional,
se muestra en el Cuadro 1.1. Si bien se reconoce que los modelos predictivos son
desarrollado tambin en otros formatos, tales como cdigo de SAS y el cdigo C,
el
Formato de cuadro de mando es el ms utilizado en la industria. Algunos de los
las razones por las que se prefiere este formato son:
Este formato es el ms fcil de interpretar, y hace un llamamiento a una
amplia
gama de gestores de riesgos y analistas que todava no han avanzado
conocimiento de las estadsticas o de minera de datos.
Las razones para la disminucin, las puntuaciones bajas o altas puntuaciones
pueden explicarse
a los clientes, auditores, reguladores, la alta direccin y otros
El personal, en trminos de negocio simples.

El proceso de desarrollo de estos cuadros de mando no es un cuadro negro,


y es ampliamente entendido. Como tal, se puede satisfacer fcilmente cualquier
regulador
requisito en el mtodo de la transparencia.

El cuadro de mando es muy fcil de diagnosticar y monitorear, utilizando el


estndar
informes. La estructura del cuadro de mandos tambin significa que los analistas
pueden realizar estas funciones sin tener en profundidad
conocimientos de estadstica o de programacin. Esto hace que el cuadro de
mando
una herramienta eficaz para gestionar el riesgo.

CAPTULO 4
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 2: REVISIN DE DATOS Y
PARMETROS DEL PROYECTO
Esta etapa es probablemente la fase ms larga y ms mano de obra de
desarrollo de scorecards. Est diseado para determinar si la tarjeta de
puntuacin
desarrollo es factible y ajustar los parmetros de alto nivel para el proyecto.

Los parmetros incluyen exclusiones, definicin de objetivos, la ventana de la


muestra,
y la ventana de rendimiento.
DISPONIBILIDAD Y CALIDAD DE LOS DATOS
Esta fase se aborda por primera vez la cuestin de la disponibilidad de datos, en
los contextos de
calidad y cantidad. Se necesitan datos fiables y limpias para cuadro de mando
desarrollo, con un nmero mnimo aceptable de "bienes" y
"Males". Este proceso se hace ms fcil y ms eficiente que los datos son
alojado dentro de mercados de datos o almacenes de datos.
La cantidad de datos necesarios vara, pero en general, se debe cumplir con la
requisitos de la significacin estadstica y la aleatoriedad. En esta fase,
cifras exactas no son crticos, ya que depende de la definicin de "malo"
que se fijar en la siguiente fase. Sin embargo, como regla general, para la
aplicacin
desarrollo de scorecards no debe ser de aproximadamente 2000 "malo"
cuentas y 2000 "buenas" las cuentas que pueden ser seleccionados al azar para
cada cuadro de mando propuesto, a partir de un grupo de cuentas aprobadas
abri
dentro de un marco de tiempo definido. Para tarjetas de comportamiento, stos
seran

a partir de un grupo de cuentas que eran corriente en un punto dado en el


tiempo, o por lo
una cierta situacin de morosidad para la puntuacin colecciones. A ms de
2.000
aplicaciones disminuido tambin pueden ser necesarios para tarjetas de
aplicacin
donde rechazan inferencia se va a realizar. La prdida de la organizacin /
delincuencia /
reclamaciones, u otros informes de rendimiento, y el volumen de las solicitudes

debe proporcionar una idea inicial de que este objetivo se puede cumplir.
Tpicamente,
es ms difcil encontrar suficientes cuentas "malas" que los "buenos".
El equipo del proyecto tambin tendr que determinar si los datos internos
destinados para el desarrollo scorecard ha sido manipulado o no es confiable
debido a otras razones. Los datos demogrficos, y otras aplicaciones
elementos de datos que no son verificados, como los ingresos, son ms
susceptibles a
siendo tergiversado, pero artculos como bur de crdito de datos, bienes races
datos, los ratios financieros, y as sucesivamente son ms robustos y se pueden
utilizar. Si se
se determina, por ejemplo, que los datos de los formularios de solicitud o ramas
no es confiable, scorecards todava pueden desarrollarse nicamente de datos
de la Oficina.
Una vez que se determina que hay suficiente interna de buena calidad
Datos de proceder, las necesidades de datos externos deben ser evaluados,
cuantificados y
definido. La organizacin puede decidir desarrollar cuadros de mando basados
en
datos internos solo, o pueden optar por complementar estos datos de fuentes
externas
fuentes, tales como agencias de crdito, depsitos de reclamos centrales,
geodemogrficos
los proveedores de datos, y as sucesivamente. Algunas organizaciones obtienen
y conservar dichos datos para cada solicitante en bases de datos electrnicas.
En los casos
si no existen datos disponibles en formato electrnico, o se mantiene en base de
papel
formato, la organizacin puede tener que una de las llaves en bases de datos o
de compra
datos sobre una base "retroactiva" desde el proveedor externo. El tiempo
marco para los extractos de datos "retro" se especifica en la lnea con el
desempeo
y definiciones de ventana de muestra que se determine.
Al final de esta fase, cuando se determina que tanto la calidad y
cantidad de datos internos y externos se puede obtener, los datos iniciales
reunin para la definicin parmetros proyecto puede comenzar.
RECOPILACIN DE DATOS PARA LA DEFINICIN
DE PARMETROS DEL PROYECTO
Con el fin de definir los parmetros del proyecto para el desarrollo de scorecards
proyecto, los datos primero debe ser recogida en un formato de base de datos.
Proyecto

parmetros incluyen principalmente la determinacin de las definiciones de


"bueno"
y "malo", el establecimiento de las ventanas de rendimiento y de la muestra, y
definir exclusiones de datos para su uso en la produccin de la muestra de
desarrollo
y en el desarrollo del propio proceso.
Los siguientes elementos de datos se recogen normalmente para aplicaciones de
los dos a cinco aos anteriores, o de una muestra lo suficientemente grande:
Nmero de cuenta / identificacin
Fecha de presentacin o aplicado
Los atrasos / historial de reclamos durante la vigencia de la cuenta
Aceptar / rechazar indicador
Producto / canal y otros identificadores de segmento
Estado de cuenta corriente (por ejemplo, inactivo, cerrado, prdida, robo,
fraude,
etc)
Para el desarrollo del cuadro de mando comportamiento, las cuentas son
elegidos en un
punto en el tiempo, y su comportamiento analizados durante, por lo general, un
6 - o 12 perodo de meses.
Dado que uno de los objetivos secundarios de la siguiente fase es entender
el negocio, ms elementos de datos pertinentes se puede aadir segn sea
necesario.
Estos datos incluyen datos demogrficos por edad, geografa, y la relacin
existente;
horarios de las iniciativas especiales de adquisicin de clientes, valores promedio
de los diferentes indicadores de oficina basadas en, y cualesquiera otros criterios
que
ayudar a construir un perfil completo de su organizacin
base de clientes.
DEFINICIN DE LOS PARMETROS DEL PROYECTO
Los siguientes anlisis se llevan a cabo no slo para definir los parmetros del
proyecto,
pero tambin como una forma de entender el negocio a travs de los datos.
Exclusiones
Ciertos tipos de cuentas tienen que ser excluidos del desarrollo
muestra. En general, las cuentas utilizadas para el desarrollo son los que

anotara durante las operaciones normales de crdito que otorgan da a da, y


aquellos que constituya su cliente previsto. Las cuentas que
tener anormal funcionamiento-por ejemplo, los fraudes-y los que son
adjudicado mediante un criterio poco puntaje dependientes no deben ser
parte de cualquier muestra de desarrollo. Estos pueden incluir cuentas
designadas
tales como el personal, VIPs, fuera del pas, tarjetas preaprobadas, prdida /
robo,
fallecida, menor de edad, y las cancelaciones voluntarias dentro de la actuacin
ventana. Tenga en cuenta que algunos desarrolladores incluyen cuentas
canceladas
como "indeterminada", ya que estas cuentas fueron marcados y aprobados, y
por lo tanto, caer en la "puntuacin durante las operaciones normales del da a
da" categora.
Esta es una mejor aproximacin desde una perspectiva lgica. Si hay
reas geogrficas o mercados donde la empresa ya no opera,
Tambin deben excluirse los datos de estos mercados, por lo que el desarrollo
de datos representa el futuro estado de espera. Por ejemplo, un prstamo de
auto
empresa utiliza para el financiamiento de la compra de recreo
vehculos como motos de nieve, motos acuticas, vehculos todo terreno
(ATV). Sin embargo, hace un ao decidi centrarse en su auto personal bsico
financiacin de las empresas, y dej de financiar todos los dems activos. Para
scorecard
con fines de desarrollo, los datos sobre el desarrollo de esta empresa debe
slo incluyen las solicitudes de prstamos para autos personales. Todos los
dems deben ser
excluidos porque ya no ser parte de la poblacin solicitante
para esta empresa en el futuro cuando se implemente la tarjeta de puntuacin.
Otra manera de mirar las exclusiones es considerarlo como un sesgo en la
muestra
cuestin. Por ejemplo, si desea desarrollar un sistema de puntuacin que se
aplicar
a los residentes de las grandes ciudades, no sera incluir a aquellos que viven en
las zonas rurales de la muestra de desarrollo. Del mismo modo, cualquier cuenta
o solicitante
tipo que no va a ser marcado, o que no es un cliente normal,
no deben incluirse.
RENDIMIENTO Y LA MUESTRA DE WINDOWS Y DEFINICIN "BAD"

Cuadros de mando se desarrollan utilizando el supuesto de que "el desempeo


futuro
reflejar los resultados anteriores. "Con base en este supuesto, el
rendimiento de cuentas abiertas previamente se analiza con el fin de predecir
el rendimiento de las cuentas futuras. Con el fin de realizar este anlisis,
necesitamos recopilar datos para las cuentas abiertas en un momento
determinado
marco, y luego monitorear su desempeo para otro perodo especfico
de tiempo para determinar si eran buenos o malos. Los datos recogidos (el
Las variables) junto con buena / mala clasificacin (el objetivo) constituye el
muestra el desarrollo de la cual se desarrolla el cuadro de mando.
En la figura 4.1, se supone una nueva cuenta es aprobada y concedida crdito
en un momento determinado. En algn momento en el futuro, es necesario
determinar si esta cuenta haba sido bueno o malo (para asignar el rendimiento).
"Ventana de resultados" es la ventana de tiempo en la realizacin de
cuentas abiertas durante un perodo de tiempo particular (es decir, la ventana de
muestra)
se vigila para asignar la clase (destino). "Ventana de muestra" se refiere a
el marco de tiempo de los que se seleccionaron los casos positivos y negativos
conocidos
para la muestra de desarrollo. En algunos casos, como el fraude y la quiebra,
la clase de potencia ya se conoce o establecida previamente. Es
sigue siendo til, sin embargo, para realizar el anlisis se describe a
continuacin, con el fin de
determinar la ventana de rendimiento ideal.
Una manera simple de establecer ventanas de rendimiento y de la muestra es
analizar
pago o cumplimiento de morosidad de la cartera, y la trama
el desarrollo de los casos "malos", definidos en el tiempo. Una buena fuente de
este
datos es la cohorte mensual o trimestral o informe de anlisis de la vendimia
producido
en la mayora de departamentos de riesgo de crdito.
Un ejemplo de un anlisis vintage, para una definicin de "malo" de 90 das
delincuente y una ventana de resultados de nueve meses, se detallan en el
Anexo
4.2. Las cifras resaltan (que muestra el estado actual de la delincuencia por el
tiempo
en los libros de las cuentas abiertas en diferentes fechas) estn trazados para
este anlisis.
Un promedio de los ltimos seis cohortes (el nmero resaltado

y los cinco nmeros por encima de la misma) pueden tambin ser utilizados para
suavizar las variaciones.
Las cifras se refieren a la proporcin de las cuentas en mora despus de cierto
meses como clientes. Por ejemplo, en la primera lnea, 2,4% de las cuentas
Abierto en enero de 2003 fueron 90 das de mora despus de cinco meses como
clientes.
Anexo 4.3 es un grfico de mala tasa por mes abierto (tenencia) para un
Perodo de 14 meses.

Esta ilustracin muestra un ejemplo de una cartera tpica tarjeta de crdito


donde el mal tasa se ha trazado para las cuentas abiertas en un 14 meses
perodo. Esto demuestra la mala tasa de rpido desarrollo en los primeros meses
y a continuacin, como la estabilizacin de la edad cuenta se acerca a 12 meses.
La muestra de desarrollo es elegido luego de un perodo de tiempo en
la mala tasa se considera que es estable, o donde la cohorte se considerar
han madurado (es decir, donde la mala tasa comienza a estabilizarse). En la
anterior
ejemplo, una ventana buena muestra sera en cualquier lugar entre 12
y de 14 meses en el pasado (por ejemplo, de enero a marzo de 2003), que
tendra una ventana de rendimiento medio de 13 meses.
Seleccin de muestras de desarrollo de una cohorte madura se hace para
minimizar
las posibilidades de rendimiento de clasificacin errnea (es decir, todas las
cuentas tienen
ha dado suficiente tiempo a ir mal), y para asegurarse de que la definicin de
"malo"
como resultado de una muestra de inmadurez no subestimar la final
prev que los ndices negativos. Por ejemplo, si se elige la muestra de desarrollo
de cuentas abiertas hace siete meses, un 4,5% de la muestra
sera clasificado como malo. Una muestra de madurez de esta cartera debe
tener una mala tasa de alrededor de 6%. Por lo tanto algunas versiones de este
perodo
que son malos seran errneamente etiquetado como bueno si el desarrollo
la muestra se tomara de ese perodo.
El tiempo necesario para que las cuentas para madurar vara segn el producto y
"malo"

definicin seleccionada. Cuentas de tarjetas de crdito normalmente tienen un


vencimiento entre
18 y 24 meses, mientras que las cuentas de tres a cinco aos de edad son la
norma
para el desarrollo del cuadro de mando hipoteca. Esto es un poco de autocumplida
profeca, ya que las carteras de tarjetas de crdito son por naturaleza de un
riesgo ms alto que
los hipotecarios, y por lo tanto se producir el mismo nivel de la delincuencia
mucho ms rpido. Los clientes en dificultades son tambin ms propensos a
dejar de pagar
sus cuentas de tarjetas de crdito que a dejar de pagar sus hipotecas.
Del mismo modo, y por razones obvias, el anlisis hecho por una definicin
"malo" de
30 das en mora mostrar madurez ms rpido que una definicin "malo"
de 60 o 90 das. Cuadros de mando para las reclamaciones de seguros, el fraude,
la quiebra, y
otras definiciones probablemente tengan perfiles de estabilizacin nicos que
pueden ser
determinado mediante la realizacin de anlisis similares.
Tarjetas de comportamiento para el uso operacional se construyen normalmente
para un rendimiento
ventanas de 6 o 12 meses. Modelos Colecciones suelen
construido para las ventanas desempeo de un mes, pero cada vez ms,
las empresas estn construyendo estas tarjetas para ventanas ms cortas de hasta
dos semanas, para facilitar el desarrollo del recorrido de recogida ms oportuna
tratamientos. En el desarrollo de modelos predictivos para la regulacin especfica
requisitos, por ejemplo, el Acuerdo de Basilea II, el rendimiento
ventana puede ser dictado por el reglamento.
Cuando se construyen cuadros de mando de morosidad, este anlisis debe ser
repetido para varias definiciones pertinentes de morosidad. Esto se hace
debido a que las diferentes definiciones producirn diferentes recuentos de muestra.
Diversos factores, como la ventana de la muestra y la definicin de bien / mal
necesitar ser escamoteado en algunos casos para obtener una muestra lo suficientemente
grande
(Vase la seccin siguiente). En los casos de quiebra o chargeoff cuadros de mandos, slo
un anlisis es suficiente, ya que slo hay una posible definicin de
"Malo".
Siempre que sea posible, este anlisis debe hacerse a travs del "siempre malo"
definicin (es decir, la cuenta se considera que es "malo" si llega a la
define la situacin de morosidad en cualquier momento durante la ventana de rendimiento).
Si esto no es posible, normalmente debido a las dificultades de datos, a continuacin, una
Definicin "actual" del "malo" fuera suficiente, cuando la situacin de morosidad
de cuentas se ha tomado de la actuacin ms reciente de fin de mes.
Un ejemplo se ilustra en el Anexo 4.4, que muestra una delincuencia 24 meses
la historia de una cuenta en particular. Mes "24" es la corriente

mes y el nmero en cada celda "Delq" se refiere al nmero de meses


vencidos.
Usando una definicin "siempre malo", la situacin de morosidad de este
cuenta puede ser clasificado como tres meses de mora. Sin embargo, el uso de un
Definicin "current malo", esta cuenta sera clasificado como no delincuentes
(Es decir, cero meses de mora).

EFECTOS DE LA ESTACIONALIDAD
La variacin de las tasas de aplicacin y aprobacin a travs del tiempo, y el
efecto de cualquier estacionalidad, tambin debe establecerse en este punto. Es
para asegurar que la muestra de desarrollo (desde la ventana de muestra) hace
no incluir todos los datos de perodos "anormales", por lo que la muestra
utilizada
para el desarrollo est en consonancia con los perodos normales de trabajo, que
representa
el tpico "por la puerta" de la poblacin. El objetivo es
cumplir con la premisa de que "el futuro es como el pasado", por lo que la
muestra el desarrollo es representante de los solicitantes que se espera en el
futuro (es decir,
el cliente "normal"). En trminos prcticos, esto tambin ayuda a generar
precisos tasa / mala predicciones tasa de aprobacin, y ms importante, produce
cuadros de mando que ser robusto y soportar la prueba del tiempo. En realidad,
estos ejercicios se realizan en gran parte a coger comportamiento extremo, ya
que el establecimiento de
un estndar para la "normal" es difcil.
Hay varias formas de contrarrestar los efectos de los perodos anormales cuando
la poblacin solicitante no representa la normal "a travs de la
"poblacin de la puerta. En todos los casos, las razones de la anormalidad debe
primero

ser establecido. Esto se logra mejor a travs del anlisis comparando las
caractersticas
del cliente promedio con las caractersticas de los de la
ventana de muestra. Otras razones de los cambios del perfil tambin se puede
extraer de
informacin sobre las campaas de marketing activo en la ventana de muestra,
o cualquier otro factor que puede afectar el perfil de los solicitantes de crdito.
Para
ejemplo, la organizacin espera que los solicitantes de tarjetas de crdito estn
mayormente
hombres y mujeres maduros, pero descubre que los candidatos de su deseada
ventana de muestra de un mes son en su mayora hombres jvenes. Un anlisis
de la comercializacin
campaas demuestra que la compaa estaba trabajando activamente en las
aplicaciones
en un stand en un saln del automvil durante ese mes (automtico muestra
tpicamente
atraer a los hombres jvenes como clientes). Equipado con esta informacin, el
empresa puede entonces ampliar la ventana de muestra a tres o ms meses
tiempo, para suavizar los efectos de ese mes en particular.
Otra tcnica para "normalizar" los datos es para filtrar la fuente de
anormalidad. En el ejemplo anterior, si la empresa est segura de que
no se dirigir a los varones jvenes en el futuro, y que el rendimiento de
estos jvenes machos distorsionar su cartera de espera general, la
empresa puede optar por excluir a los hombres jvenes a partir de su desarrollo
muestra. La muestra de desarrollo resultante (y las estadsticas de la cartera) se
entonces estar en lnea con las operaciones normales del da a da de esta
empresa.
Los efectos de la estacionalidad tambin se pueden contrarrestar mediante la
adopcin de mltiples
ventanas de muestra, pero con cada uno que tiene una ventana de
funcionamiento igual.
Por ejemplo, tres muestras pueden tomarse de cada uno de enero, febrero,
y marzo de 2002, con las ventanas de rendimiento de 24 meses cada uno.
Por tanto, el "malo" para cada muestra se determinar para las actuaciones
a partir de enero, febrero y marzo de 2004, respectivamente. Esto es en
contraste para mantener la fecha el mismo para todas las muestras de la
observacin (por ejemplo,
determinacin del rendimiento a partir de febrero de 2004 para las tres cohortes
de
el ejemplo-que se traducir en cohortes con comportamientos diferentes
ventanas dentro de la misma muestra).

En los casos en que la toma de muestras escalonadas o la ampliacin de la


ventana de muestra
no es posible, y los motivos de anormalidad se conocen y
entiende que se limita a un mes particular, por ejemplo, es tambin
posible crear una muestra mediante la exclusin de los registros perifricos.
Esto, sin embargo,
requiere informacin detallada sobre las distribuciones existentes de
caractersticas
durante los periodos normales de trabajo, y se recomienda que una muestra de
los registros excluidos se analizarn las tendencias antes de ser desechado.
DEFINICIN DE "BAD"
Esta fase clasifica rendimiento de la cuenta en tres grupos principales:
"Malo", "bueno", y "indeterminada". Por quiebra, chargeoff o
el fraude, la definicin de "malo" es bastante sencillo. Para
contractualdelinquencybasados en las definiciones, sin embargo, hay muchas opciones basadas
sobre los niveles de delincuencia. Se ha mencionado que cada anlisis (como
se muestra en el Anexo 4.3) para diferentes definiciones de "malo" va a producir
un
diferente nmero de muestras para las cuentas "malas". El uso de algunos de los
factores
aparece al lado, una definicin apropiada es elegida para estos casos.
La definicin de lo que constituye una cuenta de "malo" depende de varios
consideraciones:
La definicin debe estar en consonancia con los objetivos organizacionales. Si
el objetivo es aumentar la rentabilidad, la definicin debe ser
puesta a punto de la delincuencia en la cuenta deja de ser rentable.
Esto se complica cuando las cuentas que son, por
ejemplo, crnicamente pagar tarde por un mes, pero no ruede hacia adelante
a dos o tres meses puede ser rentable. Para el seguro de
aplicaciones, un valor en dlares en reclamos pueden ser apropiados. Si la
delincuencia
deteccin es el objetivo, la definicin ser simple
(Por ejemplo, "jams" 60 o 90 das).
La definicin debe estar en lnea con el producto o el propsito de
el cual se construy el cuadro de mando, por ejemplo, la quiebra,
fraude, reclamos (reclamacin de ms de $ 1.000) y colecciones (menos del 50%
recuperado dentro de los tres meses).
A "apretado", ms estricta definicin, por ejemplo, "write-off"
o "120 das de atraso", proporciona una ms extremo (y precisa)
diferenciacin, pero en algunos casos puede producir tamaos de muestra bajas.

Una definicin de "looser" (por ejemplo, a 30 das de atraso) dar lugar a una
mayor
nmero de cuentas de la muestra, pero no puede ser un buen suficiente
diferenciador entre buenas y malas cuentas, y por lo tanto va a producir
un cuadro de mando dbil.
La definicin debe ser fcilmente interpretable y objeto de control (por
ejemplo, cada vez
90 das en mora, quiebra, confirm el fraude, la reclamacin de ms de $ 1.000).
Definiciones como "tres veces 30 das en mora o dos veces 60 das
delincuentes, o una vez 90 das o peores ", que pueden ser ms precisa
reflexiones, son mucho ms difciles de controlar y pueden no ser apropiadas
para todas las empresas. La eleccin de una definicin ms simple tambin hace
gestin ms fcil, y la toma de decisiones-los nmeros de tarificacin malos
reportado se comprender fcilmente (por ejemplo, 4% mala significa 4% de
cuentas han llegado a 90 das de morosidad durante su mandato).
Las empresas pueden tambin seleccionar definiciones basadas en las polticas
contables
en prdidas y ganancias.
En algunos casos, puede ser beneficioso tener definiciones coherentes de
"Mal" a travs de diversos segmentos y otros cuadros de mando en uso dentro
la empresa. Esto hace ms fcil para la gestin y la toma de
decisiones, sobre todo en entornos en los que muchos cuadros de mando son
utilizado. Junto con la ampliacin constante de las puntuaciones, lo que tambin
reduce
capacitacin y costos de programacin, cuando la reurbanizacin de tarjetas.

Puede haber requisitos regulatorios externos u otras que regulan


cmo se define la delincuencia (distinta de la organizacin del
definicin operativa propia). Requisitos de presentacin de informes
reglamentarios
para el nuevo Acuerdo de Capital de Basilea II es un ejemplo de esto: "malo"
definiciones en el futuro pueden ser obligados a estar vinculado al desarrollo
econmico
prdida, un nivel predeterminado especfico, o de un determinado nivel de
prdida esperada.
Basado en el nuevo acuerdo de capital de Basilea II, la definicin de
por defecto es generalmente 90 das en mora.
En algunos casos, las definiciones de "malos" son seleccionados por defecto,
debido a la falta
de los datos o de la historia (por ejemplo, una organizacin que slo mantiene
los registros de 12 meses

historia), por lo que la nica definicin de "malo" que mostr la madurez durante
anlisis (ver Anexo 4.3) era "da de mi vida 30." Algunas organizaciones no
secreto de los datos de pago mensual, y la nica opcin para la definicin de
"malo" es
situacin de morosidad actual (en comparacin con "nunca").
CONFIRMACIN DE LA DEFINICIN DE "BAD"
Una vez que una definicin inicial "malo" se identifica mediante el anlisis
descrito en
secciones anteriores, un anlisis ms detallado se puede hacer para confirmarlo,
para asegurarse
que los identificados son realmente realmente malo. Esto es ms relevante que
la
"Malo" asignacin de clase no es definitiva (es decir, sobre la base de un cierto
nivel de da
delincuente o cantidad recuperada). La confirmacin se puede hacer utilizando
juicio de expertos, anlisis, o una combinacin de ambos, dependiendo de la
recursos y datos disponibles. Es importante sealar que los mtodos
descrito puede proporcionar un nivel de comodidad para el anlisis realizado
previamente
no son medidas definitivas.
MTODO DE CONSENSOEl mtodo crtico o el consenso implica
diversos actores de riesgo, Marketing y reas operacionales conseguir
juntos y llegar a un consenso sobre la mejor definicin de una "mala"
cuenta, sobre la base de consideraciones experiencia y operativa, as como
el anlisis cubierto en las secciones anteriores.
MTODOS ANALTICOSdos mtodos analticos para confirmar las definiciones
"malos"
se describir:
1. Anlisis del tipo de rollo
2. Comparacin de la delincuencia actual en comparacin con peor

Adems de estos dos, el anlisis de rentabilidad tambin puede realizarse


para confirmar que los definidos como malo son rentables, o producir negativos
valor actual neto (VAN). Si bien esto se puede hacer fcilmente en monolneas
(Por ejemplo, proveedores de tarjetas al por menor), no es una tarea fcil en
multiproducto
ambientes, como los bancos.

ROLLO ANLISIS DE LA TARIFAanlisis del tipo de rollo implica comparar peor


delincuencia
en unas determinadas "x" meses anteriores con la de la "prxima x"
meses y, a continuacin, calcular el porcentaje de cuentas que mantienen
su peor delincuencia, mejora, o "devuelve" a la siguiente delincuencia
cubos.
Por ejemplo, Anexo 4.5 muestra la situacin de morosidad de un rotativo
cuenta durante un perodo de 24 meses, dividido en dos equivalentes de 12
meses
Perodos "prximos" "anterior" y.
En base a estos nmeros, el peor de morosidad de esta cuenta en el
Perodo "anterior" de doce meses es de tres meses en mora (en 10 meses),
y de dos meses de atraso (en 16 meses) en los "prximos" doce meses.
Esta informacin se recopila para todas las cuentas, y se representa entonces
como
se muestra en el Cuadro 4.6.
El propsito es identificar un "punto de no retorno" (es decir, el nivel
de la delincuencia en la que la mayora de las cuentas se vuelven incurables).
Tpicamente, una
gran mayora de las cuentas que llegan morosidad de 90 das no curanempeoran (poner al da), lo que confirma que esta definicin

de "malo" es apropiado. En el ejemplo anterior, slo alrededor del 18% de los


cuentas que fueron alguna vez 30 das en mora en los ltimos 12 meses
puesto al da ms de 60 y 90 + das de atraso, pero casi el 70% de
las cuentas que llegan rollo morosidad de 90 das hacia adelante en peor
delincuencia.
En este caso, la definicin de "siempre 90 das delincuente" de la "mala"
tiene ms sentido, ya que realmente asla a los que permanecen en mora.
Por el contrario, la definicin de 30 das "malos" no ser el adecuado, ya que
la mayor parte de esas cuentas para Hacer Retroceder (cura) para estar al
corriente. Poco concluyente
pruebas de este anlisis puede apuntar a potenciales status "indeterminado".
Vale la pena sealar que el II Acuerdo de Capital de Basilea define el "default"
como cualquier punto en el que el banco considera poco probable que el deudor
para pagar
total de la deuda, y especifica 90 das de mora como una definicin (individuales
los reguladores pueden cambiar esto a 180 para determinados productos).
COMPARACIN ACTUAL FRENTE A LA DELINCUENCIA PEOREste mtodo es
similar en
concepto para el anlisis de la velocidad de balanceo, pero es ms fcil de
ejecutar. En l se compara
la peor situacin de morosidad (nunca) de las cuentas con su ms reciente
situacin de morosidad. Al igual que con el anlisis de la velocidad de balanceo,
el objetivo en este caso es tambin
en busca de un "punto de no retorno". Un ejemplo se muestra en el Cuadro 4.7.
El ejemplo muestra una vez ms que, de todas las cuentas que nunca van a la
30 delincuencia da, la gran mayora-el 84%, no tienen la delincuencia en la
actualidad.

En contraste, el 60% de todas las cuentas que van a la delincuencia 90 das

alojarse en 90 das o empeoran. Esto confirma una vez ms que un 90 - o 120 definicin das de "malo" es una adecuada uno, siempre y cuando suficientes
casos de
males se pueden obtener.
Cabe sealar que los anlisis anteriores para determinar y confirmar
Definiciones de "malos" podran realizarse tanto para la aplicacin y
scorecards comportamiento. A pesar de tarjetas de comportamiento suelen ser
desarrollados
para predecir sobre una ventana de seis meses, todava es til para llevar a cabo
este anlisis para determinar las definiciones "malos".
"GOOD" Y "INDETERMINADO"
Una vez definidas las cuentas de "malos", el mismo anlisis realizado
anteriormente
se puede utilizar para definir una "buena" cuenta. De nuevo, esto debe estar en
lnea
con los objetivos de la organizacin y otros asuntos discutidos anteriormente.
Definicin
"Buenas" cuentas es menos analtica, y por lo general evidentes. Algunas de las
caractersticas
de un buen relato:
Nunca delincuente o delincuentes a un punto en adelante rodar tasa
es menor que, por ejemplo, 10%
VPN rentable, o positivo
No hay reclamaciones

Nunca quiebra
Ningn fraude
La tasa de recuperacin de, por ejemplo, 50% en colecciones
Un punto a destacar es que, mientras que las buenas cuentas deben conservar
su carcter
sobre la ventana de presentacin completa, una mala cuenta puede ser definida
al llegar a la etapa de la delincuencia especfica en cualquier momento de la
ejecucin
ventana (segn la definicin de "nunca").
Cuentas indeterminados son los que no caen en forma concluyente
o bien los "buenos" o "malos" categoras. Estas son las cuentas que no
tiene suficiente historial de rendimiento para la clasificacin, o que tienen alguna
delincuencia leve, con ndices de balanceo ni lo suficientemente bajo como para
ser clasificados como
bueno, ni lo suficientemente alto como para ser malo. Indeterminados pueden
incluir:
Cuentas que azotaron 30 - o morosidad de 60 das, pero no ruedan hacia
adelante
(Es decir, no son definitivamente malas)
Las cuentas inactivas y cancel voluntariamente, "ofrecer disminuyeron"
cuentas, solicitudes que fueron aprobadas pero no reservan y
otros que fueron aprobados, pero tienen un historial de rendimiento insuficiente
para la clasificacin
Cuentas con insuficiencia uso-por ejemplo, las cuentas de tarjetas de crdito
con un "gran equilibrio" de menos de $ 20
Las cuentas de seguros con las reclamaciones en virtud de un valor especfico
en dlares
Cuentas con VAN = 0
Tenga en cuenta que algunos Scorecard Desarrolladores asignar todos
cancelados y "no
tomado las "cuentas que rechaza o las excluyen, en el supuesto que se trataba
de
probablemente no destinados a sus clientes. Sin embargo, las cuentas que
cancelar voluntariamente
son sus clientes previstos y pueden haber cancelado debido al cliente
problemas de servicio. Si lo vuelven a aplicar, se les vuelven a puntuar y es
probable que
aprobado de nuevo. Por lo tanto, stos deben incluirse en el cuadro de mando
proceso de desarrollo como indeterminado.
Indeterminados slo se utilizan en la definicin de "malo" puede ser
establecido varias formas, y por lo general no son necesarios en la definicin
es clara (por ejemplo, la quiebra). Como regla general, indeterminados
no debe exceder ms de 10% a 15% de la cartera.

Adicin indeterminados al conjunto de datos de desarrollo del modelo crea una


escenario para la clasificacin errnea. Por ejemplo, la asignacin de una
clasificacin de los

"Bueno" a una cuenta que tiene un rendimiento insuficiente puede resultar en


errores de clasificacin, y la subestimacin de las tasas malos.
En los casos en que la proporcin de indeterminados es muy alta (por ejemplo,
donde una gran parte de las cuentas inactivas est presente), los anlisis deben
hacer para abordar las causas fundamentales de inactividad-v.g.. presencia de
otras tarjetas
con lmites ms altos o tasas de inters ms bajas, la presencia de otras tarjetas
con
mejores programas de lealtad, o la inactividad con el resto de las tarjetas
tambin. Una vez
las razones por las que los clientes de tarjetas de crdito no estn usando el
producto son
detectadas, las medidas adecuadas se pueden tomar para remediar la situacin,
como
aumentar los lmites o el descenso de las tasas de inters para los mejores
clientes, ofreciendo
puntos de fidelidad bonos, que ofrecen descuentos en productos de tarjetas de
tiendas al por menor, o
cancelacin de tarjetas de crdito para las personas que aparecen inactivas en
todas sus otras
tarjetas de crdito tambin.
Slo las cuentas definidas como "bueno" y "malo" (y rechaza para su aplicacin
cuadro de mando) se utilizan en el desarrollo real de la tarjeta de puntuacin.
Indeterminados se aaden cuando la previsin para reflejar adecuadamente el
verdad "a travs de la puerta" de la poblacin, ya que estos son los candidatos
que se
se marcarn y juzgados, y por lo tanto todas las expectativas de tasas de
aprobacin
debe reflejar su presencia.
Una vez establecida la definicin de "malo", la cartera actual "malo"
tasa se registra para su uso en el desarrollo de modelos para los casos en
sobremuestreo
que se hace.
La discusin hasta este punto ha sido limitado a las cuentas donde el
el rendimiento es conocido. En casos tales como tarjetas de aplicacin, en su

rechazar inferencia es para ser utilizado, una categora de rendimiento adicional


necesita
para ser incluido en la muestra de desarrollo para aplicaciones "disminuido"
(Es decir, los que se neg crdito o servicios). Esto permite un desarrollo
muestra que se cree que refleja el rendimiento de toda la
poblacin demandante, y no slo la del aprobado. Rechazar inferencia
se cubre ms adelante en el captulo 6.
SEGMENTACIN
En algunos casos, el uso de varios cuadros de mando para una cartera
proporciona mejor el riesgo
diferenciacin de utilizar una tarjeta de puntuacin para todos. Este suele ser el

caso en el que una poblacin se compone de distintas subpoblaciones, y


donde un cuadro de mando no funciona de manera eficiente para todos ellos (es
decir, que
asumen que se requieren caractersticas diferentes para predecir el riesgo para
el
diferentes subpoblaciones en nuestra cartera). El proceso de identificacin
estas subpoblaciones se llama segmentacin. Hay dos formas principales en
que la segmentacin se puede hacer:
1. Generar ideas de segmentacin basado en la experiencia y la industria
conocimiento, y luego validar estas ideas usando analytics
2. Generacin de segmentos nicos utilizando tcnicas estadsticas como
agrupacin o rboles de decisin
En cualquier caso, cualquiera de los segmentos seleccionados deben ser
suficientemente grandes para permitir
muestreo significativo para el desarrollo de cuadro de mando independiente.
Segmentos que los
presentar un resultado de riesgo distintos, pero tienen volumen suficiente para
separar
desarrollo de scorecards, todava puede ser tratado de manera diferente con
diferentes
cortes u otras consideraciones de estrategia.
Tambin hay que sealar que en el desarrollo de cuadro de mando riesgo, una
"distinta"
poblacin no se reconoce como tal basado slo en su definicin
caractersticas (tales como la demografa), sino ms bien en su rendimiento.
El objetivo es definir los segmentos en funcin del rendimiento basado en el
riesgo,
no slo el perfil de riesgo.
Deteccin de comportamiento diferente en su propia es, sin embargo, no
suficiente

razn por la segmentacin. La diferencia tiene que traducirse en medible


afecta a las empresas (por ejemplo, las prdidas ms bajas, ndices de
aprobacin ms altos para
ese segmento). Un ejemplo de cmo medir esto se da en la
Seccin de este captulo "Mejora comparar".
Segmentacin, si el uso de la experiencia o de los mtodos estadsticos, en caso
de
Tambin se puede hacer con los planes de futuro en mente. Mayora de los
anlisis y la experiencia es
basado en el pasado, pero scorecards deben aplicarse en el futuro,
en futuras segmentos candidatos. Una forma de lograr esto es mediante el
ajuste de la segmentacin
sobre la base de, por ejemplo, el mercado objetivo previsto de la organizacin.
Tradicionalmente, la segmentacin se ha hecho para identificar un conjunto
ptimo
de segmentos que maximicen el rendimiento del enfoque sugerido
aqu es encontrar un conjunto de segmentos para los que la organizacin
requiere una ptima
rendimiento, tales como los mercados de destino. Este enfoque pone de relieve
la

importancia de tratar de maximizar el rendimiento cuando ms se necesita


desde una perspectiva empresarial y asegura que el desarrollo de scorecards
proceso maximiza el valor para el negocio. Esta es un rea donde el personal de
marketing
puede agregar valor y relevancia a los proyectos de desarrollo del cuadro de
mandos.
El II Acuerdo de Capital de Basilea tiene una visin pragmtica de la
segmentacin
mediante la definicin de segmentos como "grupos de riesgo homogneos." Esto
deja a individuo
bancos de todo el mundo con la opcin de definir su propia y nica
segmentos, sin una receta obligatoria para todos.
SEGMENTACIN BASADO EN LA EXPERIENCIA (HEURSTICO)
Segmentacin basado en la experiencia incluye ideas generadas en los negocios
conocimientos y experiencias, consideraciones operativas, y la industria
prcticas. Ejemplos de estas fuentes incluyen:
Departamentos de gestin Marketing / Riesgo de deteccin diferentes
perfiles de candidatos en un segmento especfico
Una cartera anot en el mismo cuadro de mandos con el mismo corte,

pero con segmentos de mostrar un comportamiento significativamente diferente


(por ejemplo,
mayores tasas de malas)
Desarrollo de nuevos subproducto
Necesidad de tratar a un grupo predefinido de manera diferente (por ejemplo,
el "grupo de oro"
de los clientes)
Direccin de marketing Futuro
reas de segmentacin tpicos usados en la industria son los que se basan en:
Demografa. Regional (provincia / estado, definicin interna,
urbano / rural, basado en el cdigo postal, el barrio), la edad, el cdigo de estilo
de vida,
tiempo en la oficina, la tenencia en el banco
Tipo de producto. Tarjetas de oro / platino, la duracin de la hipoteca, el
seguro
arrendamientos tipo, con garanta / garanta, nuevo frente se utiliza para el
automvil, el tamao
de prstamo
Fuentes de Negocios (canal). Frente a la tienda, tomar una, rama,
Internet, agencias de valores

Los datos disponibles. Fino / grueso (archivo fina denota no presentan


oficios)
y desinfectar archivo / sucia (dirty denota algo de rendimiento negativo) en
la oficina, revlver / transactor de productos renovables, SMS /
usuario de voz
Tipo de solicitante.Existing nuevo cliente /, la primera vez comprador de
casa /
hipoteca renovacin, grupos profesionales de comercio (por ejemplo, ingenieros,
mdicos,
etc)
Propiedad del producto. Los titulares de hipotecas solicitar tarjetas de
crdito en
el mismo banco
Una vez que se generan las ideas sobre la segmentacin, anlisis adicional debe
ser hecho por dos razones. En primer lugar, estas ideas deben ser confirmadas
con al

menos alguna evidencia emprica para proporcionar un nivel de confort. En


segundo lugar, el anlisis
puede ayudar a mejorar los segmentos que definen como archivo fina / gruesa,
postal
grupos de cdigos y jvenes / viejos edad, sugiriendo puntos de interrupcin
adecuadas
(Por ejemplo, pueden ayudar a responder a la pregunta "Qu es un archivo de la
nada?" O "Qu
es un candidato "joven"? ").
Un mtodo simple para confirmar las ideas de segmentacin y para establecer
la necesidad de segmentacin es analizar el comportamiento de riesgo de la
misma
caracterstica a travs de diferentes segmentos predefinidos. Si la misma
caracterstica
(Por ejemplo, "inquilino") predice de manera diferente a travs de segmentos
nicos, esto
puede presentar un caso para tarjetas segmentados. Sin embargo, si la
caracterstica
predice el riesgo de la misma manera a travs de diferentes segmentos, a
continuacin, adicional
cuadros de mando no son necesarios, ya que no hay diferenciacin.
Anexo 4.8 muestra las tasas observadas malos para Residential Estado y
Nmero de Operaciones de la Mesa, segmentados por edad por encima y por
debajo de 30.
Mala tasa Observado por atributos no segmentados tambin se muestra en la
columna
en el extremo derecho.
En el ejemplo, hay diferencias en las malas tasas de ambos inquilinos
y los que viven con sus padres, por encima y por debajo de 30. La misma
informacin
(Es decir, los atributos de "Rent" y "Padres") es la prediccin diferente
para los mayores y los candidatos ms jvenes. Esto demuestra que la
segmentacin por edad es
una buena idea. Tenga en cuenta que si se utiliza un solo cuadro de mandos,
todos los inquilinos de
ejemplo, podra obtener los mismos puntos. Con la segmentacin, inquilinos
anteriores
y por debajo de 30 obtendrn diferentes puntos, lo que lleva a una mejor
clasificacin de riesgo.

Lo mismo es cierto para los solicitantes con "0" y "4 +" oficios-el mismo
Informacin predice de manera diferente por encima y por debajo de los 30
aos. Tanto estos
ejemplos se basan en datos de Amrica del Norte, y son explicables.
Las personas que tienen ms de 30 aos de edad y an viven con sus padres
tienden
a ser mayores riesgos. Esto tambin es cierto para aquellos que tienen ms de
30 y tienen
no cotiza a la oficina de crdito (es decir, mantienen ningn producto de crdito
informada).
Esto puede ser ms esperado de personas ms jvenes, pero en el norte de
Amrica, se espera que uno ha obtenido y mostraron pago satisfactorio
el comportamiento de varios productos de crdito a los 30 aos, por lo que la
ausencia de operaciones de esta edad se considera de alto riesgo.
Otra forma de confirmar las ideas iniciales de segmentacin, e identificar
segmentos nicos, es mirar a tipos malos observados para diferentes
seleccionados
subpoblaciones. Este mtodo consiste en el anlisis de los tipos de malas para
los diferentes
atributos en las caractersticas seleccionadas, y luego identificar adecuada
segmentos basan en el rendimiento significativamente diferente.
Un ejemplo de un anlisis de este tipo se da en el Anexo 4.9. Esta exposicin
muestra ejemplos tpicos de las tres segmentaciones basadas en la edad, el
origen de
negocio, y el tipo de solicitante. En el ejemplo "Edad", que se puede ver
claramente
que el "Under 30" poblacin es significativamente peor desempeo que
los dos segmentos de ms de 30. En este caso, segmentaciones para "Ms del
30" /

"Under 30" tendr sentido. Agrupaciones ms finamente definidos por edad


puede
tambin se puede utilizar en lugar de los grupos definidos en trminos generales
que se muestran en el ejemplo,
si hay una necesidad de producir ms de dos segmentos.

En la "Fuente de los negocios" ejemplo, los cuatro atributos tienen diferente


tasas malas, y puede calificar como segmentos nicos. Sin embargo, la
Fuente de "Internet" puede ser en su infancia y una muy pequea porcin de la
cartera total. Tal vez tenga sentido para combinar el "Internet" y
Segmentos "Telfono" en este caso, y reconstruir el cuadro de mando una vez
que el
Negocio de Internet ha generado suficientes cuentas para justificar una separada
cuadro de mando. Mientras que este anlisis se utiliza para ilustrar la
segmentacin,
tambin se puede hacer sobre una base trimestral para identificar reas
potenciales de
la preocupacin por la delincuencia.
Tanto los mtodos descritos anteriormente son bastante simple de implementar,
y pueden dar una medida de la comodidad que los segmentos elegidos
travs de la experiencia y la intuicin son las adecuadas. Tambin pueden
ayudar a
seleccin de la derecha se rompe, por ejemplo, para la edad, como se muestra
en el Anexo
4.8-para las caractersticas utilizadas como base para la segmentacin.
SEGMENTACIN DE BASE ESTADSTICA

ClusteringClustering es una tcnica ampliamente utilizada para identificar a los


grupos que
son similares entre s con respecto a las variables de entrada. Clustering,
que puede ser utilizado para bases de datos de segmento, lugares objetos en
grupos, o
"Grupos," sugerido por los datos. Los objetos en cada grupo tienden a ser
similares entre s, en cierto sentido, y los objetos en diferentes grupos tienden
a ser diferentes. Dos de los mtodos usados para las agrupaciones de formulario son K-means
mapas de agrupamiento y la auto-organizacin (SOM).
Clustering se puede realizar sobre la base de las distancias euclidianas,
calculado a partir de una o ms variables cuantitativas. Las observaciones
se divide en grupos de tal manera que cada observacin pertenece a un mximo
un clster.
El SOM es inspirado por la forma en diversas impresiones sensoriales humanos
se asignan en el cerebro, de manera que las relaciones espaciales entre la entrada
estmulos corresponden a las relaciones espaciales entre las neuronas (es decir,
agrupaciones).
Anexo 4.10 ilustra clustering basado en dos variables. Se muestra el
puntos de datos que forman tres grupos distintos, o grupos. Un valor atpico es tambin
visible en la esquina inferior derecha.
Un ejemplo de una salida para un clster mediante esta tcnica es
muestra en la figura 4.11, donde el eje y es la media normalizada.
Este grupo muestra las siguientes caractersticas:
Baja de la edad media
Superior a consultas promedio en los ltimos seis meses
Tendencia a vivir en la regin A
No residentes en la regin B

Menos probabilidades de poseer su residencia


Es ms probable que tenga la morosidad en los ltimos seis meses
Otros grupos pueden ser analizadas por sus caractersticas que definen
utilizando
grficos similares. Un anlisis ms detallado, incluyendo la distribucin de las
caractersticas
dentro de cada grupo, tambin se puede realizar para obtener un conjunto de
reglas
para definir cada grupo nico. Para el ejemplo en el Anexo 4.11, grupos
se puede definir como:
los propietarios de viviendas jvenes en la Regin A
inquilinos jvenes en la Regin A
los propietarios de viviendas ms antiguas de la Regin A
inquilinos mayores en la regin A
Alternativamente, el agrupamiento puede estar basado en cualquiera de las
otras caractersticas
que proporcionan la mejor diferenciacin entre los grupos.

Cabe sealar que la agrupacin identifica a los grupos que son similares
en base a sus caractersticas, no el rendimiento. Por lo tanto, los grupos pueden
parecen ser diferentes, pero que pueden tener un rendimiento similar riesgo. Los grupos
por lo tanto, debe ser analizada ms all, utilizando, por ejemplo, la mala tasa
anlisis, para asegurar que la segmentacin es producido para grupos con
diferentes perfiles de rendimiento de riesgo.
RBOLES DE DECISIN Otra tcnica para llevar a cabo la segmentacin estadstica
es el uso de rboles de decisin. Los rboles de decisin aislar segmentos en funcin del
rendimiento
criterios (es decir, diferenciar entre "bueno" y "malo"). Ellos
Tambin son fciles de entender e interpretar. Adems de identificar
caractersticas de segmentacin, rboles de decisin tambin identifican ptima
puntos de corte para cada uno representando caracterstico-por lo tanto un poderoso
y un mtodo conveniente para la segmentacin. El ejemplo en el Anexo 4.12
muestra la segmentacin basada en dos niveles.
Los resultados muestran que hay cuatro posibles segmentos para esta cartera,
sobre la base de clientes existente / nuevo, la duracin de la tenencia, y la edad.

COMPARACIN DE MEJORAMIENTO
Tanto los anlisis basados en la experiencia y la estadstica darn ideas sobre el potencial
segmentacin, y puede confirmar que hay razones suficientes para
segmentacin-pero no cuantificar los beneficios de la segmentacin.

Hay maneras muy simples disponibles para estimar si la mejora


a travs de la segmentacin es que vale la pena.
El primer paso es para medir la mejora en el poder predictivo
a travs de la segmentacin. Esto se puede hacer usando una serie de
estadsticas
tales como el (KS), c-estadstica de Kolmogorov-Smirnov, y as sucesivamente.
Exhibir
4.13 muestra un ejemplo de este anlisis utilizando la estadstica-C (detalles en
la
el c-estadstica se describe ms adelante, en el captulo 6).
Esta exposicin muestra los clculos de c-estadstica para un cuadro de mando
no segmentado
y para los seis cuadros de mando segmentados de diversas maneras. "Total cstat"
se refiere a la c-stat para ese segmento de la base de un cuadro de mando no
segmentado.
"Seg c-stat" se refiere a la c-stat para ese segmento, con un cuadro de mando
incorporado
especficamente para ese segmento. En todos los casos, el uso de tarjetas
segmentados
rinde mejor poder predictivo de utilizar un cuadro de mando global.
Segmentacin
de tarjetas de platino / oro no di mejora significativa

probablemente debido a que el otorgante de crdito no diferencia


suficientemente entre
el oro y los clientes de tarjetas de platino histricamente. Los mejores
segmentos parecen
ser la tenencia basada en, probablemente debido a los datos de comportamiento
ms potentes disponibles
para el uso con los clientes existentes. Este anlisis se basa en un solo nivel
segmentacin; anlisis similar se puede hacer para la segmentacin ms
complejo
as. El usuario debe decidir qu nivel de mejora es
lo suficientemente importantes como para justificar el desarrollo y la aplicacin
supletoria
esfuerzo.
Esa pregunta se responde mejor con negocios, no estadstico, medidas.
Las empresas no estn a cargo de maximizar c-estadstica o KS-son
correr a partir de indicadores de rendimiento, tales como las tasas de
aprobacin, las ganancias, la prdida

tasas, y as sucesivamente. Por consiguiente, sera til para convertir mejor


poder predictivo en el rendimiento esperado de la cartera, como se muestra en
la
ejemplo en el Anexo 4.14.
La exposicin compara dos medidas de rendimiento comunes, a saber,
la tasa de aprobacin y la mala tasa esperada, para cada cuadro de mando
segmentado.
Tambin enumera el tamao aproximado de cada segmento. Uso de una plantilla
de tales
como este, uno puede decidir si la combinacin del tamao del segmento y
la mejora en el rendimiento es suficiente para justificar la tarjeta de puntuacin
adicional
aplicacin. Aprobacin y malos tipos utilizados para la comparacin
Debe basarse en una figura desempeo esperado, por ejemplo, si
el futuro ndice de aprobacin deseada es 70%, entonces los malos indicadores
de tasa debe

ser generado para este nmero. En el ejemplo anterior, la segmentacin


por tenencia proporciona mejoras en las tasas de malos del 5,7% al 4,2%, y
del 2,9% al 2,1% para los que tienen menos de dos aos y ms de dos
aos de tenencia con el banco, respectivamente. El uso de estas mejoras,
una idea de la reduccin de las prdidas en trminos de dlares se puede
estimar.
SEGMENTOS ELECCIN
Pero por qu no alguien poner en prctica todas las tarjetas construidas,
siempre
ya que hay una mejora en la potencia o rendimiento predictivo,
independientemente
de tamao?
Hay muchos factores a considerar en la aplicacin de cuadros de mando,
incluyendo:

El costo de desarrollo. Esto incluye el esfuerzo interno


y externamente para producir cuadros de mando con la documentacin
completa.
El costo de implementacin. Sistema de coste adicional scorecards
recursos para poner en prctica, sobre todo si las caractersticas no estndar
se utilizan, o si el cdigo complejo tiene que ser por escrito.
Procesamiento. Hay costos adicionales asociados con el procesamiento de
ms cuadros de mando.
Desarrollo de Estrategias y Vigilancia. Cada cuadro de mando requiere
un conjunto de estrategias asociadas, las reglas de poltica, y la vigilancia
informes. Creacin, gestin y mantenimiento de los mismos requieren recursos

que puede tener que ser contratados si se desarrollan muchos scorecards


y utilizado.
En el caso de las carteras de mayor tamao, los recursos y ahorros disponibles
pueden
significa que estos costos y esfuerzos son insignificantes. Sin embargo, en menor
carteras y organizaciones, este tipo de anlisis puede ser necesaria para
determinar
si la mejora en el rendimiento es lo suficientemente significativa como para
justificar
el esfuerzo adicional, la complejidad, y el coste requeridos.
METODOLOGA
Hay varias tcnicas matemticas disponibles para construir la prediccin del
riesgo
cuadros de mando, por ejemplo, la regresin logstica, redes neuronales,
rboles de decisin, etc. La tcnica ms apropiada para ser utilizado
puede depender de cuestiones tales como:
La calidad de los datos disponibles. Un rbol de decisin puede ser ms
apropiado
para casos en los que hay datos que faltan importantes, o donde
la relacin entre las caractersticas y objetivos no es lineal.
El tipo de resultados de destino, es decir, binario (bueno / malo) o continua
($ De beneficio / prdida).
Los tamaos de muestra disponibles.
Plataformas de ejecucin (es decir, si el procesamiento de la aplicacin
sistema es capaz de poner en prctica un tipo particular de cuadro de mando).
Para
ejemplo, un modelo de red neuronal puede ser ideal, pero inutilizable, si el
sistema de tratamiento de aplicacin no puede aplicarla.

Interpretabilidad de los resultados, tales como la facilidad con la que


regressiondeveloped
cuadros de mando basados en puntos se pueden mantener.
Cumplimiento legal en la metodologa, por lo general exigen los reguladores
locales
a ser transparente y explicable.
Capacidad de seguimiento y diagnosticar el rendimiento scorecard.
En este punto, el escalado y la estructura del cuadro de mando pueden ser
tambin
discutido (es decir, los posibles rangos de puntaje, apunta a duplicar las
probabilidades, si

la puntuacin en s representa la mala tasa esperada, etc.) La tcnica


y el formato deseado del cuadro de mando debe ser comunicada a la
Gerentes de Riesgos y de TI para asegurar que los datos y las cuestiones
tericas sobre la
tcnicas identificadas son entendidas de modo que los resultados de la tabla de
puntuacin
ejercicio de desarrollo se interpreta correctamente, y el cuadro de mando
sern aplicables cuando se desarrollan.
EXAMEN DEL PLAN DE IMPLEMENTACIN
La informacin obtenida en esta fase puede requerir cambios
el plan de ejecucin original y los plazos del proyecto. En particular,
si el nmero de cuadros de mando necesarios despus de un anlisis de
segmentacin es ms
lo que se esperaba, la metodologa propuesta es ms timeconsuming
o requiere cambios en las plataformas de ejecucin, o los datos
requisitos se expanden, el proyecto necesitar ms tiempo. Para garantizar
expectativas realistas, el anlisis y planes de aplicacin deben ser
revisado en este punto. Esto es crucial en las empresas donde las diferentes
reas
tienen responsabilidades para el desarrollo, pruebas, implementacin y
el seguimiento de los cuadros de mando. El director del proyecto asegura que los
cambios son
comprendidos y sus impactos en el plan original del proyecto cuantificados, as
que cada fase del proyecto lleva a la perfeccin en la siguiente.
Al final de esta fase, todos los requisitos de datos y documentacin plan de
proyecto
son completas y los trabajos relacionados con la construccin de bases de datos
puede comenzar.

CAPTULO 5
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 3: BASE DE DATOS DE DESARROLLO
CREACIN

Siguiendo los parmetros definidos en la Fase 2, la creacin de una base de


datos
desarrollo de scorecards ahora puede comenzar. Esta base de datos contendr
un conjunto
las caractersticas (o variables predictoras) ms un variable de destino para cada
caso, que luego se utiliza para el propio desarrollo de scorecards.
DESARROLLO DE ESPECIFICACIONES DE MUESTRA
Una vez que los parmetros de segmentacin, y la metodologa para el proyecto
se establecen, las especificaciones deben ser producidos para la creacin de
bases de datos de muestra de desarrollo para ser utilizados en la etapa de
modelado de datos.
Con base en los resultados de las fases anteriores, se especifican los siguientes
y documentado:
El nmero de tarjetas necesarias y la especificacin de cada segmento,
incluyendo instrucciones de codificacin sobre cmo identificar los distintos
segmentos
Definiciones de "malo", "bueno", y "indeterminada"
mala tasa de cartera y las tasas de aprobacin para cada segmento
Las ventanas de rendimiento y de la muestra
Definicin de exclusiones

Adems, se especifica lo siguiente y se aade en esta etapa:


Tamao de la muestra requerida para cada segmento y categora de
rendimiento
(Incluyendo "reducido" para tarjetas de aplicacin)
Lista detallada de caractersticas, a partir de fuentes internas y externas,
requerido en la muestra de desarrollo para cada segmento
Caractersticas de derivados

SELECCIN DE CARACTERSTICAS
La seleccin de las caractersticas que debe incluirse en la muestra de desarrollo
es una parte fundamental del proceso de desarrollo. Este paso, cuando las
caractersticas
son seleccionados con cuidado, refuerza la necesidad de un cierto negocio
pensado para ser puesto en cada fase del proyecto de desarrollo del cuadro de
mando.
La alternativa es importar una instantnea de datamarts enteras u otros
repositorios de datos en el desarrollo de scorecards es la base de datos que
ineficiente, ya diferencia de seleccin de caractersticas, no aumenta la
el conocimiento del usuario de los datos internos. Caractersticas son
preseleccionados para
hacer que el proceso sea eficiente y deben ser seleccionados en base a una
variedad de
factores, entre ellos:
SE ESPERA PODER PREDICTIVO. Esta informacin se deriva de
experiencia colectiva (colecciones y analistas de riesgo), previa
anlisis y proyectos de desarrollo del cuadro de mandos. Aqu es donde las
entrevistas
jueces y coleccionistas pueden ayudar en gran medida.
FIABILIDAD Y ROBUSTEZ. Algunos datos no confirmados pueden ser
manipulado o es propenso a la manipulacin (por ejemplo, ingresos),
especialmente
en los casos en que la entrada de datos se realiza por el personal motivado para
vender
productos, tales como sucursales bancarias o intermediarios de crdito. En
algunos casos
puede ser un costo prohibitivo para confirmar estos datos (por ejemplo, en un
bajo valor
artculos producto de prstamo), y por lo tanto, estos datos no deben ser
incluido.
FACILIDAD EN LA COLECCIN. Los elementos de datos en los formularios de
solicitud que
son opcionales (y por lo tanto se dejan en blanco los solicitantes) deberan

Tambin debe evitarse, y slo se considera para cuadros de mandos si estn


carcter obligatorio.
INTERPRETABILIDAD. Algunas caractersticas, como la ocupacin y
tipo de industria, son propensos a la interpretacin subjetiva. Diferente
la gente puede poner a la misma persona en diferentes ocupacin o industria

tipos, y a medida que crecen las ocupaciones no tradicionales, se hace difcil


a los tragamonedas en los tipos de ocupacin tradicionales. Esta es la razn
que, en la mayora de las instituciones, la categora "otros" a menudo tiene tanto
un 75% de todos los casos de ocupacin. Incluso en los casos en que tales
caractersticas
han demostrado ser predictivo, las preocupaciones sobre el futuro
interpretacin puede llevar su robustez en tela de juicio. Una excepcin
se puede hacer cuando la interpretacin subjetiva con el respaldo de
experiencia de riesgo de crdito. Un ejemplo de esto es un campo como "gestin
calidad ", que puede ser utilizado en cuadros de mandos para las pequeas
empresas
(Tambin conocido como "pequeas y medianas empresas", o
PYME). Si bien este es un campo subjetivo, se ha dictado la sentencia (o
debe ser) por jueces con experiencia, que permite a este campo para
ser utilizado con un nivel de confianza ms alto que los mencionados
anteriormente.
LA INTERVENCIN HUMANA. Esto se refiere a las caractersticas que tienen
sido influenciado significativamente por la intervencin humana (por ejemplo, la
quiebra
Los indicadores deben ser evitados en quiebra han sido
disminuido como poltica). Si bien rechazar la inferencia puede remediar esta
situacin
hasta cierto punto, la regla de poltica y las caractersticas del cuadro de mandos
debe ser preferiblemente independiente de coherencia.
CUESTIONES LEGALES QUE RODEAN EL USO DE CIERTOS TIPOS DE
INFORMACIN. Si hay caractersticas que se han recogido
histricamente (por ejemplo, estado civil, sexo, etc), pero es legal o
polticamente sospechoso, es mejor dejarlos fuera del desarrollo de scorecards.
CREACIN DE RELACIONES BASADAS EN EL RAZONAMIENTO DE
NEGOCIOS. Usuarios
necesidad de evitar el enfoque de "bombardeo" de la creacin de relaciones
que consiste en tomar todas las variables del conjunto de datos, que se dividen
por
todo lo dems y, a continuacin, la generacin de una lista de relaciones que
pueden estar

predictivo, pero son inexplicables. Cualquier relacin creado tiene que ser
justificada. Por ejemplo, la proporcin de consultas de la oficina de crdito en el
ltimo

tres meses dividido por consultas en los ltimos doce meses proporciona
una indicacin de hungriness crdito a corto plazo en comparacin con
hungriness crdito a largo plazo. Del mismo modo, a corto plazo a largo plazo
comparaciones de otros indicadores, como compras, pagos, utilizacin,
saldos, proporciones de pago, y otros, han demostrado ser
buenos indicadores de riesgo-todo se debe a razones de negocios.
DISPONIBILIDAD FUTURO. Asegrese de que cualquier elemento de datos se
considera
para el desarrollo del cuadro de mando se recogern en el futuro.
CAMBIOS EN EL ENTORNO COMPETITIVO. Caractersticas que
No se puede considerar fuerte hoy pueden ser predictores fuertes en
el futuro debido a las tendencias de la industria, tales como mayores lneas de
crdito o nuevos
productos.
Ahora se sabe que el cuadro de mando se desarrollar sobre la base de datos
dos o tres aos de edad, y se espera que est en uso por aproximadamente
los prximos dos aos. Futuras tendencias pasadas y esperadas debera por
tanto tambin
ser considerado en este momento. Una forma de hacerlo es consultar con el
crdito
agencias de informacin sobre cmo ha cambiado en los ltimos dos o tres
ao-por ejemplo, si los indicadores como el balance, el nmero de operaciones,
utilizacin de lneas de crdito, y la hora en la oficina cambiaron
significativamente durante
los ltimos aos y si muestran una tendencia al alza oa la baja. Mientras
esto no va a cambiar los datos de desarrollo, que se puede utilizar para gestionar
las expectativas
y disear estrategias apropiadas. Por ejemplo, un aumento en
la competencia aumentar el nmero medio de consultas un solicitante
tiene en la oficina. Scorecards desarrollados con datos histricos tratarn
aquellos con, por ejemplo, ms de cuatro consultas en 12 meses como de alto
riesgo,
en funcin del rendimiento histrico. Sin embargo, los nuevos datos pueden
sugerir que
que tiene cuatro consultas est ahora asociado con el rendimiento normal, de
riesgo medio.
Por consiguiente, uno tiene la opcin de cambiar el
asignacin de puntaje para consultas artificialmente, o ajuste el punto de corte
en el reconocimiento
de estos cambios en la tendencia. Al menos, esto crea una conciencia
de este tema, que luego puede ser abordado en lugar de ignorar.
La amplitud de los temas tratados en esta tarea una vez ms de relieve la
necesidad

Scorecard para Desarrolladores de cooperar y consultar con otros miembros


del equipo del proyecto.
MUESTREO
Hay dos tareas que requieren toma de muestras en el desarrollo del cuadro de
mando,
a saber, la divisin de la muestra total en el desarrollo y validacin
conjuntos de datos, y decidir la proporcin de bienes, males, y rechaza a
incluir en las muestras totales.
DESARROLLO / VALIDACIN
Hay varias maneras de dividir el desarrollo (de la muestra en la que el
cuadro de mando es desarrollada) y ("hold") de datos de validacin.
Normalmente, el 70%
a 80% de la muestra se utiliza para desarrollar cada cuadro de mando; el
restante
20% a 30% se ajusta a un lado y luego se usa para probar de forma
independiente o validar
el cuadro de mando. Cuando las muestras son pequeas, el cuadro de mando se
puede desarrollar
el uso de 100% de la muestra y validado usando varios aleatoriamente
muestras seleccionadas de 50% a 80% cada uno.
BUENO / MALO / RECHAZAR
Como se mencion anteriormente, por lo general alrededor de 2.000 cada uno
de los bienes, males y rechazos son suficientes para el desarrollo scorecard. Este
mtodo se llama
sobremuestreo y es ampliamente utilizado en la industria. Ajustes por
sobremuestreo
(Que se describen ms adelante en este captulo) ms tarde se aplican para
conseguir realistas
pronsticos. Un beneficio adicional del uso de una muestra lo suficientemente
grande es que se
reduce el impacto de multicolinealidad y hace que el resultado de logstica
regresin estadsticamente significant.1
Proporcional de muestreo tambin se puede utilizar, siempre y cuando no son lo
suficientemente
casos de bienes y males de validez estadstica. Utilizando muestreo proporcional,

por ejemplo, en una cartera con una mala tasa de 4%, se necesitara un
muestra el desarrollo que tiene una distribucin de 4% de males (por ejemplo,
4,000 males
y 96.000 bienes). No hay necesidad de ajustar este conjunto de datos antes de
probabilidades,
ya que la muestra ya refleja las probabilidades reales.
Tambin hay varias tcnicas estadsticas disponibles para determinar
tamao de las muestras ptimas basadas en el nmero de caractersticas bajo consideracin
y la variabilidad de estas caractersticas.
Un mtodo consiste en determinar las curvas de potencia (por ejemplo, usando PROC
ENERGA / GLMPOWER / PSS en SAS). Alternativamente, uno de los dos
siguientes clculos se pueden utilizar:
Suponga que quiere ser 95% seguro de que la verdadera poblacin
media de una variable est dentro de un nmero determinado de unidades de los aproximadamente
decir a calcular a partir de la muestra, por ejemplo, usted quiere tener un 95%
Confiamos en que la media de la poblacin de la distancia media se conduce
al trabajo es a diez millas de la estimacin:

Teniendo en cuenta: z = z-estadstica para el nivel de confianza deseado (por ejemplo, 1,96 para
Confianza del 95%)
= desviacin estndar de la poblacin (generalmente desconocida)
d es la anchura (la mitad) del intervalo deseado
En el ejemplo anterior, si a estimar a ser 15, entonces n = (1,96 *
15/10) 2? 9. Es decir, se necesita una muestra de 9. Si usted estima ser
30, entonces n = (1,96 * 30/10) 2= 35.
Si se puede especificar la proporcin deseada (p) de las personas en su objetivo
poblacin como ms o menos de la proporcin a estimar a partir de su
muestra, a continuacin, el siguiente le da el tamao apropiado de la muestra:

Teniendo en cuenta: z = z-estadstica para el nivel de confianza deseado (por ejemplo, 1,96 para
Confianza del 95%)
p = la proporcin para lograr
d = la mitad de la amplitud del intervalo de confianza deseado (por ejemplo, dentro de d% de
la proporcin a estimar a partir de la muestra)
Por ejemplo, suponiendo que el peor de los casos (que genera la
tamao ms grande posible de la muestra) de 50/50, y una proporcin deseada de 5%, n =
[1.962 (0,5 (1-0,5))] / 0,052=385.
Debe, sin embargo, tener en cuenta que estos son los tamaos mnimos de la muestra.

Los usuarios deben seguir el mtodo de muestreo que se sienten ms cmodos

64 proceso de desarrollo del cuadro de mando, la etapa 3


con, siempre y cuando los tamaos de muestra son suficientes para garantizar
estadstica satisfactoria y los resultados del negocio. Cuando scorecards
caractersticos son agrupados
siendo desarrollado (como se detalla en el libro), el objetivo final de cualquier
mtodo de muestreo utilizado debera ser que cada grupo tiene un nmero
suficiente
de bienes y males para hacer el anlisis significativo. Esto incluye el clculo
del "peso de la evidencia" (AY) para los grupos individuales, as como
establecer la tendencia WOE en atributos.
RECOPILACIN DE DATOS DESARROLLO
Y CONSTRUCCIN
Basado en la especificacin de la muestra de desarrollo, toda aplicacin
requerida
(O datos de cuenta de tarjetas de comportamiento) y los datos de rendimiento
son recopilados
de las diferentes fuentes (por ejemplo, bases de datos internas, bur de crdito,
repositorios de reclamaciones, bases de datos de bienes races, etc.) Si algunos
de los
datos requeridos se mantiene en formato no electrnico, es posible que
necesitar tener la clave
pulg El resultado final de este ejercicio es un conjunto de datos que contiene
seleccionado
variables descriptivas (caractersticas) y una variable objetivo (bueno / malo
indicador). Al igual que con la preparacin para otros ejercicios de modelizacin,
la siguiente
puntos son dignos de mencin.
ALEATORIA Y REPRESENTATIVA
La seleccin de las solicitudes y de las cuentas debe ser aleatoria, representativa
del segmento para que el cuadro de mando se va a desarrollar (es decir,
representativa de la poblacin que se marcarn en el futuro), y
deben excluir los tipos de cuenta especificados. Un conjunto de datos se desve
hacia un determinado regin o grupo de edad puede no ser eficaz para el
solicitante general
poblacin, ya que puede penalizar a otros o hacerlos parecer una menor relacin
riesgo.

CONJUNTO DE DATOS NO SEGMENTADO


Para los proyectos que se estn desarrollando ms de un cuadro de mando, una
separada
conjunto de datos tiene que ser construida para todos los segmentos, as como
uno
que es no segmentado. El conjunto de datos no segmentado se utiliza para el
anlisis de
medir cualquier "ascensor", adicional o ventaja proporcionada por segmentada
cuadros de mando, como la que se muestra en el Cuadro 4.14.
PECULIARIDADES DE DATOS
Al recopilar estos datos, el usuario debe ser consciente de la histrica
cambios en las bases de datos, especialmente en el perodo de tiempo durante y
despus
la ventana de muestra. La mayora de los analistas que se han ocupado de los
datos financieros en
instituciones son dolorosamente conscientes de situaciones en formatos o de
recopilacin de datos
ha cambiado, por ejemplo, el cdigo para cancelar esa deuda pas de
"W" a "C", la situacin de vivienda se recoge en el campo hasta el 32 de
diciembre de
Ahora es en el campo 22, "otras cartas" ya no se recogen, desde el pasado
Marzo, cdigos ocupacin agrupacin cambi hace cuatro meses, y
as sucesivamente. El conocimiento de dichos cambios se asegura de que el
cdigo o consultas
escrito a generar el ejemplo en realidad obtener los datos que se especifican, y
asegura
"Sin sorpresas".
En la mayora de las organizaciones, las peculiaridades de datos no estn
documentados. Este
hojas de minera de datos a merced de su propia memoria, o el colectivo
los recuerdos de aquellos que han trabajado en la organizacin de una longitud
de
tiempo. Claramente, este tipo de situaciones no son ni sostenible ni eficiente.
Lo ideal sera que cada base de datos en las organizaciones deben tener un
asociado
Datos Listado de cambios, que documenta todos los cambios a la base de datos
desde
inicio. Cambios como los mencionados en el prrafo anterior puede

entonces ya no habr sorpresas, ya que todos los que trabajan con bases de
datos tiene
acceder a datos conocidos peculiaridades.
AJUSTE DE PROBABILIDADES A PRIORI
Sobremuestreo es una prctica habitual para la mayora de los ejercicios de
modelado predictivo
(Y, especialmente, al modelar eventos raros), y se refiere a los casos en que la
proporcin de casos positivos y negativos en la muestra de desarrollo es
diferente
de que en la poblacin real. Sobremuestreo tambin se conoce como separada,
sesgada, el muestreo basado en eleccin, estratificado, o resultado-dependiente.
En tales casos, ser necesario la muestra el desarrollo de ser ajustada por
probabilidades previas. Este mtodo, tambin conocido como "factorizacin," se
utiliza para
estadsticamente ajustar las muestras de casos de desarrollo cuenta de forma
que la
muestra de mala tasa (y la tasa de aprobacin) refleja la mala tasa de poblacin
real.
Esto es til tanto en el proceso de desarrollo y en la generacin de
informes de gestin de cuadros de mando, como la tabla de ganancias. Ajuste
de sobremuestreo produce previsiones realistas y da ideas sobre
rendimiento de la cuenta durante el atributo proporcionar agrupaciones-por lo
tanto un
valiosa ventaja de negocio, as como los beneficios estadsticos. Ajustes por
sobremuestreo tambin son necesarios para la generacin de la validacin del
modelo verdadero y
Estadsticas de resistencia, tales como la prueba de Kolmogorov-Smirnov, cestadstica, Gini y
as sucesivamente.
Por consiguiente, el ajuste es til cuando las previsiones tienen que ser
producidos.
No es necesario si el objetivo del ejercicio de modelacin es
investigar las relaciones entre las variables y un objetivo, o que slo
se requiere que el rango de los resultados (es decir, donde un mayor puntaje es
necesaria para denotar menor riesgo, pero no necesariamente una mala tasa
especfica). Lo
Es seguro asumir que para la mayora el desarrollo de scorecards de crdito, este
ajuste
ser necesario. El puntaje de crdito se utiliza para tomar decisiones realistas,
para hacer clculos muy especficos, y establecer puntos de corte, y por lo tanto,
requiere relaciones entre partitura y malos tipos que se conocen.

Por ejemplo, si la muestra de desarrollo consta de 2000 cada uno de los


bienes, males, y rechaza, la mala frecuencia de muestreo y la tasa de aprobacin
seran
50% y 67%. Suponiendo que la tasa de aprobacin actual es 70,5% y real
mala tasa de poblacin es de 12,4%, la muestra a un factor 10.000 "a travs de
la poblacin de la puerta "se muestra en el Cuadro 5.1.
Durante el ajuste de sobremuestreo se puede hacer antes o despus de la
modelo est equipado, en el desarrollo de cuadros de mandos agrupados
variables, es beneficioso
hacerlo antes del ejercicio de agrupamiento. Esto es para que las relaciones
entre las variables y el objetivo se puede evaluar mejor la
distribucin realista de mala tasa y la tasa de aprobacin de atributo puede
proporcionar
informacin sobre si las reglas de poltica o de otra intervencin manual de
ha afectado artificialmente el rendimiento (por ejemplo, si un negativo conocido
atributo tiene un ndice de aprobacin bajo y una baja tasa de malo, o si un
positivo conocido
atributo tiene una alta tasa de malo). Tambin proporciona una comprobacin de
validez de
las agrupaciones hechas, para que cada grupo tiene una suficiente diferencia
rendimiento.
Hay dos mtodos principales para ajustar por sobremuestreo: utilizando un
desviacin y el uso de pesos muestrales.

MTODO DE COMPENSACIN
La funcin logit estndar utilizado en la regresin para el muestreo conjunto es:

Donde pi, k y xk son la probabilidad posterior, los coeficientes de regresin,


y variables, respectivamente.
Cuando sobremuestreo, los logits se desplazan por un desplazamiento, ln (10 /
01),
y la nueva funcin logit (la pseudomodel) se convierte en:

Cuando 1 y 0 son proporcin de clases objetivo en la muestra, y 1


y 0 son proporcin de clases de objetivos en el poblacin.2
Lo anterior es para el ajuste antes de colocar el modelo. El ajustado

probabilidad posterior similar se puede calcular despus de ajustar el modelo,


mediante el uso de:

Donde p ^ * i es la estimacin no ajustada de probabilidad posterior.


Ambos ajustes se pueden hacer en SAS Enterprise Miner
utilizando el vector de probabilidades antes, o alternativamente en el SAS PROC
Paso LOGISTIC usando una opcin de desplazamiento, 3 como se muestra en el
Cuadro 5.2. Nota
que en ambos casos, el "desplazamiento calc" es ln (10 / 01).
LOS PESOS DE MUESTREO
En el ajuste de sobremuestreo usando los pesos de muestreo, cada caso se
multiplica

por un peso determinado para hacer la muestra refleja cierto poblacin. La


pesos en este caso son 11 y 00 para clases de objetivos 1 y 0,
respectivamente.
Alternativamente, el peso de cada mal se puede ajustar a 1, y del peso de
cada bien se fija en p (bueno) / p (malo), donde p (bueno) y p (malo) son el
probabilidades de bienes y males en la poblacin real. Por ejemplo, si

la tasa de malo, es decir, p (malo) de una cartera es del 4%, y el desarrollo


muestra contiene 2.000 bienes y males 2000, la muestra ser ajustada
mostrar 2.000 males y 48.000 (es decir, 0.96/0.04 * 2000) mercancas.
Este mtodo se puede aplicar mediante el uso de la opcin "sampwt" en SAS
programacin o una variable de frecuencia en SAS Enterprise Miner. Un
ejemplo, el uso de programacin SAS se muestra en el Anexo 5.3.4
Cabe sealar que el parmetro de regresin resultante estima
ser diferente cuando se usan los dos mtodos de ajuste anteriores.

En general, cuando se ha especificado correctamente el modelo lineal-logstica,


la
mtodo de compensacin se considera superior. Cuando el modelo logstico es
una aproximacin
de algn modelo no lineal, a continuacin, los pesos son better.5 Estadsticos
prefieren utilizar el mtodo de compensacin en el desarrollo no agrupado
modelos predictivos variables. En el caso de la variable agrupados, basado en
puntos
cuadros de mando, sin embargo, el mtodo de peso es mejor, ya que corrige el
parmetro
estimaciones utilizadas para obtener resultados, en lugar de limitarse a corregir
la
probabilidades predichas. La normalizacin que se produce cuando se toman
muestras
se utilizan pesas tambin causa menos distorsin en los valores de p y los
errores estndar.
NOTAS FINALES
1. C. H. Achen. 1982. Interpretacin y uso de regresin. Beverly Hills, CA: SAGE.
2. A. J. Scott y C. J. Wild. 1986. "Modelos de regresin logstica de montaje bajo
caseControl o eleccin de muestreo basado. "Journal of the Royal Statistical Society B,
48,
170-182, A. J. Scott y C. J. Wild. 1997. "Modelos de regresin de montaje a CaseControlar los datos de mxima verosimilitud. "Biometrika, 84, 57-71.
3. W. J. E. Potts y M. J. Patetta. 2001. Modelos predictivos mediante regresin
logstica:
Notas del curso. Cary, Carolina del Norte: SAS Institute.
4. Ibid.
5. A. J. Scott y C. J. Wild. 1986. "Modelos de regresin logstica de montaje bajo
caseControl o eleccin de muestreo basado en ". 170-182.

CAPTULO 6
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 4: DESARROLLO SCORECARD
Una vez que la base de datos de desarrollo se construye, el Scorecard
Desarrollador
debe tener una base de datos que incluye un conjunto de caractersticas y un
variable de destino. Hay varios mtodos que pueden ser utilizados para
desarrollar
cuadros de mando de estos datos. Todos ellos implican establecer y cuantificar
la relacin entre las caractersticas y el buen / mal funcionamiento
(Objetivo). Cuadros de mando o modelos tambin se pueden producir en
diferentes
formatos como cdigo SAS o cdigo C.
Este captulo tratar exclusivamente con el desarrollo de modelos con
atributos agrupados y una aplicacin nica de regresin logstica. Nosotros
Tambin llevar a cabo rechazar la inferencia y el cuadro de mando se han
reducido
puntos. El resultado ser un sistema de puntuacin que se parece a la mostrada
en la

Anexo 1.1. Este mtodo equilibra los dos requisitos clave para el xito
desarrollo de scorecards: necesidad de una base estadstica slida y un
enfoque de negocios realista.
Anexo 6.1 muestra el flujo del proceso que se seguir utilizando este
metodologa. Tenga en cuenta que se trata de una aplicacin de cuadro de
mando, el comportamiento
cuadros de mando se desarrollan utilizando el mismo flujo de proceso, pero sin
rechazar la inferencia. Para tarjetas de comportamiento, por lo tanto, se podra
llevar a cabo
anlisis de las caractersticas iniciales y luego pasar directamente a la tarjeta de
puntuacin final,
etapa.

EXPLORAR DATOS
Una buena prctica antes de iniciar el trabajo de modelado actual es explorar
los datos de la muestra. Estadsticas simples tales como la distribucin de los
valores, la media /
mediana, proporcin que falta, y el rango de valores para cada caracterstica
puede ofrecer una gran comprensin de la empresa, y la revisin de ellos es una
buena

ejercicio para el control de integridad de los datos. Tcnicas visuales a menudo


son excelentes
para este trabajo. Distribuciones de datos de la muestra tambin se deben
comparar
con las distribuciones generales de la cartera para confirmar que la muestra es
representativa
de la cartera. Los datos tambin se deben revisar para la interpretacin
(Por ejemplo, para asegurar que "0", y no representa los valores que faltan cero),
y para
confirman que todos los valores especiales tales como 99 o 999 estn
documentados. Este
paso confirma una vez ms que los datos se han recogido tal como se especifica,
y que
todos los aspectos de los datos se entienden, incluyendo peculiaridades de
datos.
VALORES PERDIDOS Y VALORES ATPICOS
Datos de la industria ms financieros contienen valores perdidos o valores que
hacen
No tiene sentido que una caracterstica particular. Estos pueden ser o bien
campos
que no fueron capturados, se suspendieron, no estaban disponibles o eran
No rellenado por los solicitantes, los valores errneamente con clave, o
simplemente outliers denotan
casos extremos.
Mientras que algunas tcnicas estadsticas tales como rboles de decisin son
neutrales al

valores perdidos, la regresin logstica requiere conjuntos de datos completos sin


los datos que faltan (es decir, el anlisis de casos completos). Hay cuatro formas
principales para
hacer frente a los valores que faltan:
1. Excluir todos los datos con valores perdidos, este es completo anlisis de
casos,
y en la mayora de los casos de la industria financiera, probablemente resultar
en muy
pocos datos para trabajar.
2. Excluir las caractersticas o los registros que tienen importantes (por ejemplo,
ms de 50%) los valores del modelo de falta, especialmente si el
se espera que el nivel de falta de seguir en el futuro.

3. Incluye caractersticas con valores perdidos en la tabla de puntuacin. La


"Desaparecidos", entonces se puede tratar como un atributo independiente,
agrupados,
y utilizado en la regresin como una entrada. El cuadro de mando se puede
entonces
permite asignar pesos a este atributo. En algunos casos esta
peso asignado puede ser cercana al valor de "neutral" o media, pero
en los casos en que el peso est ms cerca de otro atributo, puede
arrojar luz sobre la naturaleza exacta de los valores perdidos.
4. Imputar valores perdidos utilizando tcnicas estadsticas.
Mientras que la segunda opcin puede ser ms conveniente, opcin 3 ofrece
muchos beneficios. Las opciones 1, 2 y 4 suponen que los datos que faltan no
tiene
valor que no hay ms informacin se puede extraer del anlisis de la
los datos que faltan. Esto no es necesariamente cierto valores faltantes pueden
ser parte de
una tendencia, unida a otras caractersticas o indicativos de mal desempeo.
Los valores perdidos no suelen ser aleatorios. Por ejemplo, aquellos que
son nuevos en el trabajo pueden ser ms propensos a abandonar los "Aos en
Empleo "en blanco en un formulario de solicitud. Si las caractersticas o
registros con valores perdidos se excluyen, ninguna de estas ideas puede ser
hecho. Por lo tanto se recomienda que los datos que faltan se incluirn en el
anlisis y asignar los puntos de la tarjeta de puntuacin final. Este mtodo
reconoce
que la falta de datos contiene informacin de un cierto valor, y que hay
es el beneficio empresarial en la inclusin de dichos datos en su anlisis.
Adems,
puntos habiendo asignado para el valor perdido en el cuadro de mando
facilitarn
la puntuacin de los aspirantes que dejar campos en blanco en las aplicaciones
de forma
en el futuro. Al menos, los datos que faltan se deben analizar primero, y si se
valores perdidos y valores atpicos
se encontr que era aleatorio y desempeo neutral, puede ser excluida o
imputado.
Algunos software de minera de datos, tales como SAS Enterprise Miner, contiene
algoritmos para imputar los datos faltantes. Tales algoritmos son basado en
rboles
imputacin y la sustitucin con los valores medios o medianos. Imputacin
mtodos que tengan en cuenta los valores de otras caractersticas y los registros
son
recomendado para el desarrollo de scorecards. Asignacin "ms frecuente"

o valores "medios" a los valores que faltan causar alzas en los datos, y la
diferenciacin
entre los datos con los valores y los datos medios asignados que de hecho
haba dicho valor no ser posible, por lo tanto la informacin empresarial puede
se perder. Puede ser igualmente beneficioso para asignar valores especiales a
la falta
(Por ejemplo, 99 o 999, o algo ms all del rango normal) y
incluirlos en el anlisis.
Los valores atpicos son valores que se encuentran fuera de la gama normal de
valor para una
cierta caracterstica. Por ejemplo, una distribucin de edad puede mostrar todos
la poblacin dentro de la gama de 18 y 55, con unos pocos a 99, 112, y
134. Si bien estos pueden ser verdad, es ms probable el resultado de errantes
manipulacin por el personal. Estos nmeros pueden afectar negativamente a la
regresin
resultados, y son generalmente excluidos. En algunos casos, estos pueden ser
asignados
los valores medios, ya que por lo general son pequeos en nmero y no
afectar negativamente a los resultados. En todos los casos, sin embargo, deben
ser valores atpicos
investigado en primer lugar, ya que pueden indicar problemas tales como el
fraude.
CORRELACIN
El anlisis de las caractersticas iniciales, se describe en la siguiente seccin,
slo
mira a las caractersticas individuales-no correlacin, multicolinealidad o
asociaciones parciales se consideran en este punto. Sin embargo, la correlacin
existe y necesita ser manejado. Una vez ms, hay varias maneras a
identificar correlacin. Uno de tales mtodos est usando PROC en VARCLUS1
SAS. Este procedimiento SAS utiliza un tipo de anlisis de componentes
principales
para identificar los grupos de caractersticas que se correlacionan. Uno puede
entonces
seleccionar una o ms caractersticas de cada grupo, y tericamente,
representar toda la informacin contenida en las otras caractersticas en
cada uno de los grupos. Dicha seleccin se puede hacer sobre la base de las
salidas de
el PROC que representa la cantidad de informacin de cada clster

explicado por cada variable y la distancia de la variable de la

grupo siguiente, o una combinacin de las dos medidas. Adems, las empresas
consideraciones tambin se deben utilizar en la seleccin de las variables de
este
ejercicio, de modo que las variables finales elegidos sean compatibles con el
negocio
realidad.
PROC VARCLUS es mejor que usar cifras de correlacin simple, como
se considera colinealidad as como la correlacin, y por lo tanto es una mejor
acercarse a la eleccin de las variables para el desarrollo de scorecards. Esto es
consistente
con el objetivo general, que es el desarrollo de un cuadro de mando,
no slo un ejercicio de correlacin.
Multicolinealidad (MC), no es una preocupacin importante en el desarrollo de
modelos para fines predictivos con grandes conjuntos de datos. Los efectos de la
MC en
la reduccin de la potencia estadstica de un modelo se puede superar mediante
el uso de un
muestra lo suficientemente grande de tal manera que los efectos independientes
de cada entrada puede todava
ser estimado con fiabilidad. En este caso, los parmetros estimados obtenidos
a travs de mnimos cuadrados ordinarios (OLS) ser reliable.2
La identificacin de correlacin se puede realizar antes o despus de la
caracterstica inicial
anlisis, pero antes de la etapa de regresin. Tanto la correlacin
y los pasos de agrupacin proporcionan valiosa informacin sobre los datos en la
mano,
y son ms que simples ejercicios estadsticos. Mientras que la reduccin del
nmero
de las caractersticas para ser agrupados (marcando la correlacin primero) es
una
ahorro de tiempo, tambin se le priva de la oportunidad de ver la naturaleza
de la relacin entre muchas de las caractersticas y el rendimiento.
Por lo tanto, el mejor enfoque es probable que una combinacin de la
eliminacin
algunas caractersticas y elegir ms de una caracterstica de
cada "cluster" correlacionada con base en la intuicin comercial y operativa.
Esto sirve para equilibrar la necesidad de la eficiencia con la oportunidad de
hacerse una idea de los datos.
ANLISIS CARACTERSTICA INICIAL
Anlisis de las caractersticas iniciales implica dos tareas principales. El primer
paso es
evaluar la fuerza de cada caracterstica individual como un predictor de

rendimiento. Esto tambin se conoce como la deteccin univariante, y se hace


para
descartar a las caractersticas dbiles o ilgica.
Las caractersticas ms fuertes se agrupan. Esto se aplica a
atributos en las caractersticas tanto continuas y discretas, y se hace
por una razn obvia. La agrupacin se realiza debido a que se requiere a
producir el formato de cuadro de mando se muestra en el Cuadro 1.1.
Cuadros de mando tambin pueden ser, y son, producen usando continua
(No agrupada) caractersticas. Sin embargo, agrupndolos ofrece algunas
ventajas:
Ofrece una manera ms fcil para hacer frente a los valores atpicos con
variables de intervalo,
y clases raras.
Agrupacin hace que sea fcil de entender las relaciones, y por lo tanto
ganar mucho ms conocimiento de la cartera. Un grfico indicando el
relacin entre los atributos de una caracterstica y el rendimiento
es una herramienta mucho ms poderosa que una simple variable
estadstica de la fuerza. Permite a los usuarios para explicar la naturaleza de
esta relacin,
adems de la fuerza de la relacin.
dependencia no lineal se puede modelar con modelos lineales.
Permite un control sin precedentes sobre el proceso de desarrollo de
por la configuracin de los grupos, uno da forma a la composicin final de la
cuadro de mando.
El proceso de los caracteres de agrupamiento permite al usuario desarrollar
conocimientos sobre el comportamiento de los indicadores de riesgo y aumenta
el conocimiento
de la cartera, lo que puede ayudar en el desarrollo de mejores estrategias
para la gestin de carteras.
Una vez que las caractersticas ms fuertes se agrupan y se clasifican, variables
seleccin se realiza. Al final del anlisis de las caractersticas iniciales, la
Scorecard Desarrollador tendr un conjunto de caractersticas agrupadas fuertes,
siendo preferible que representen tipos de informacin independientes, para su
uso en el
paso de regresin.
La fuerza de una caracterstica se mide usando cuatro criterios principales:
El poder predictivo de cada atributo. El peso de la evidencia
(AY) medida se utiliza para este propsito.
El alcance y la tendencia del peso de la evidencia a travs de atributos
agrupados
dentro de una caracterstica.

La capacidad de prediccin de la caracterstica. El Valor de la Informacin (IV)


medida se utiliza para esto.
Consideraciones operacionales y de negocios (por ejemplo, utilizando una
lgica de
agrupar los cdigos postales o agrupacin coeficiente del servicio de la deuda
para coincidir
con los lmites de la poltica de empresa).
Algunos analistas se ejecutan otros algoritmos de seleccin de variables (por
ejemplo, los que
clasificar poder predictivo usando Chi cuadrado o R-cuadrado) antes de la
agrupacin
caractersticas. Esto les da una indicacin de la caracterstica
fuerza por medios independientes, as como los alerta en caso de que
la figura de Valor de la informacin es de alta / baja en comparacin con otras
medidas.
El proceso de anlisis de las caractersticas iniciales puede ser interactivo, y
participacin de los usuarios de negocios y personal de operaciones debe ser
fomentado.
En particular, pueden ofrecer nuevas perspectivas sobre cualquier imprevisto
o patrones de comportamiento ilgico y mejorar la agrupacin de todas las
variables.
El primer paso en la realizacin de este anlisis es para llevar a cabo
agrupamiento inicial
de las variables, y Rank orden por va intravenosa o alguna otra medida de
fuerza.
Esto se puede hacer usando una serie de tcnicas se van a agrupar. En SAS
La puntuacin de crdito, el Nodo Agrupacin interactivo se puede utilizar para
esto.
Si se utilizan otras aplicaciones, una buena manera de empezar es bin variables
nominales
en 50 grupos iguales o as, y para calcular el AY y IV para la
atributos y caractersticas agrupados. Entonces se puede usar cualquier hoja de
clculo
software para afinar las agrupaciones de las caractersticas ms fuertes basados
sobre los principios que se describe en la siguiente seccin. Del mismo modo
para categrica
caractersticas, el ay de cada atributo nico y el IV de cada
caracterstica se puede calcular. Uno puede entonces pasar tiempo perfeccionar
el
agrupacin de estas caractersticas que superan un mnimo aceptable

fuerza. Los rboles de decisin tambin se utilizan con frecuencia para las
variables de agrupacin. Ms
usuarios, sin embargo, los utilizan para generar ideas iniciales, y luego usar
alternativo
aplicaciones de software interactiva para afinar las agrupaciones.
MEDIDAS ESTADSTICAS
Anexo 6.2 muestra un grfico tpico utilizado en el anlisis de las caractersticas
agrupados.
El ejemplo muestra la "edad" caracterstica despus de que haya sido

agrupados. En la exposicin, "TotDistr", "Distr Bien" y "DistrBad"


referirse a la distribucin porcentual de modo de columna del total, bueno, y
casos graves, respectivamente. Por ejemplo, 17,5% de todos los casos, 18,81%
de los
bienes, y 5,21% de los males caen en el grupo de edad 35-44.
Un par de cosas a tener en cuenta en el Anexo 6.2:
"Missing" se agrupa por separado. El peso de este grupo implica
que la mayora de los datos que faltan proviene de un grupo de edad entre
23 y 29.
Un "mnimo 5% en cada cubo" regla general se ha aplicado a
permitir un anlisis significativo.
No hay grupos con 0 cuenta para bien o para mal.
La tasa de mal y WOE la desgracia son lo suficientemente diferentes de un
grupo
a la siguiente (es decir, la agrupacin se ha hecho en una manera de maximizar
diferenciacin entre bienes y males). Este es uno de los

objetivos de este ejercicio-para identificar y atributos separados que


diferenciar bien. Mientras que el valor absoluto de la WOE es
importante, la diferencia entre el WOE de los grupos es clave para
el establecimiento de la diferenciacin. Cuanto mayor sea la diferencia entre
grupos posteriores, mayor ser la capacidad predictiva de esta caracterstica.
El WOE de los valores no perdidos tambin sigue una distribucin lgica,
pasando de negativo a positivo, sin retrocesos.

El WOE, como se mencion anteriormente, las medidas de la fuerza de cada


atributo o atributos agrupados, en la separacin de las buenas y malas cuentas.
Lo
es una medida de la diferencia entre la proporcin de bienes y males
en cada atributo (es decir, las probabilidades de que una persona con ese
atributo de ser
bueno o malo). El WOE se basa en el registro del clculo de probabilidades:
(Distr Bueno / Distr me gusta)
que mide la probabilidad de ser bueno (por ejemplo, para el atributo 23-26
anteriormente, esto sera 13.61/28.13 = 0,48). Una persona 23-26 aos tiene
0.48:1 probabilidades de ser bueno.
Una forma ms fcil de usar para calcular AY, y uno que se utiliza en
Anexo 6.2, es:

La multiplicacin por 100 se hace para que los nmeros ms fciles de trabajar
con. Los nmeros negativos implican que el atributo particular est aislando un
mayor proporcin de males que bienes.
Valor de la informacin, total o fuerza de la caracterstica, proviene de
teora de la informacin, y 3 se mide mediante la frmula:

Tenga en cuenta que "DistrGood" y "DistrBad" se utilizan en esta frmula en


formato decimal, por ejemplo, 0,136 y 0,28.

En base a esta metodologa, una regla de oro en cuanto a IV es:


Menos del 0.02: unpredictive
0,02 a 0,1: dbil
0,1 a 0,3: media
0.3 +: fuerte
Caractersticas con IV mayor que 0,5 se deben comprobar para overpredictingo bien se pueden mantener al margen del proceso de modelado, o
utiliza de una manera controlada, tal como se describir ms adelante en la
Seccin "Scorecard preliminar".
IV es una medida ampliamente utilizada en la industria, y diferentes practicantes
tener diferentes reglas generales relativas a lo que constituye dbil o
caractersticas fuertes.
Dnde se est desarrollando el cuadro de mando con caractersticas
nongrouped,
estadsticas para evaluar la fuerza de prediccin incluyen R-cuadrado y
Chi-cuadrado. Ambos mtodos utilizan criterios de bondad de ajuste para evaluar
caractersticas. La tcnica de R-cuadrado utiliza una seleccin por pasos
mtodo que rechaza caractersticas que no cumplen incrementales
R-cuadrado incremento cortes. Un corte tpico de paso a paso R-cuadrado es
0.005. Chi-cuadrado opera de una manera similar, con un mnimo tpico
valor de corte de 0,5. Los puntos de corte se puede aumentar si demasiadas
caractersticas
son retenidos en el modelo. Al igual que con la tcnica que utiliza agrupados
variables, el objetivo en este caso es seleccionar las caractersticas de la
regresin (o
otra etapa de modelado).
Una vez ms, es importante tener en cuenta que el cribado univariado, ya sea
utilizando agrupacin o no, no tiene en cuenta las asociaciones parciales y
interacciones entre las caractersticas de entrada. Asociacin parcial se produce
cuando el efecto de uno cambios caractersticos en la presencia de
otra. Mtodos multivariantes que consideran subconjuntos conjuntas pueden ser
preferibles
en este caso. En cualquier caso, el propsito de hacer el ejercicio es la
misma-la eleccin de un conjunto de variables fuertes para la entrada en
regresin (o
otra tcnica, segn sea apropiado).
Algunos software de modelado ofrece opciones a las caractersticas del grupo de
los mtodos R-cuadrado y chi-cuadrado, y para probar las interacciones de
categrica
entradas. Ejemplos de interacciones bidireccionales que se pueden probar son
ingreso * situacin de residencia, edad * ingresos, y as sucesivamente. Esta
metodologa
va ms all del anlisis de las caractersticas individuales y puede producir ms

resultados de gran alcance al considerar las interacciones entre las


caractersticas.
Los trminos de interaccin son tambin una forma de lidiar con la
segmentacin.
Una salida tpica de un anlisis R-cuadrado se muestra en el Cuadro 6.3,
donde se muestra el aumento incremental en el valor de R al cuadrado como
caractersticas
se aaden al modelo de partida con la edad y terminando con el ingreso.

TENDENCIA LGICO
La fuerza estadstica, medida en trminos de WOE y IV, es, sin embargo,
no es el nico factor en la eleccin de una caracterstica para su posterior
anlisis, o
designndolo como un predictor fuerte. En cuadros de mandos agrupados, el
atributo
fortalezas deben tambin estar en un orden lgico y tiene sentido operativo.
Para
ejemplo, la distribucin de peso atributo para la edad, del Anexo 6.2,
se representa en el Cuadro 6.4.
Como se puede ver claramente, adems de "desaparecidos", los otros grupos
miembros
esta caracterstica tiene una relacin lineal con WOE es decir, se
denotar una relacin lineal y lgica entre los atributos en edad
y la proporcin de males. Esto confirma la experiencia empresarial, tanto en el
sectores de crdito y seguros de que las personas ms jvenes tienden a ser, en
general,

de un riesgo mayor que la poblacin de ms edad. El establecimiento de tales


lgica (no
relaciones necesariamente lineales) a travs de agrupacin es el propsito de la
ejercicio de anlisis de carcter inicial. El proceso de llegar a una lgica
tendencia es uno de ensayo y error, en el que uno equilibra la creacin de lgica
tendencias al tiempo que mantiene un valor suficiente IV.
Experimentar con diferentes agrupaciones mayora elimina reversiones
(Donde la tendencia se invierte) y otras relaciones ilgicas.
Las tendencias generales se puede ver observando la relacin entre
WOE y crudo (no agrupada) atributos agrupacin slo suaviza

la curva. En algunos casos, sin embargo, las inversiones pueden estar reflejando
real
comportamiento o datos, y enmascarndolos puede reducir la dotacin de
la caracterstica. Estos deben ser investigadas primero, para ver si hay una
explicacin de negocios vlida para dicho comportamiento. En general, la
agrupacin sirve
para reducir el "sobreajuste", mediante el cual las peculiaridades de los datos se
modelan en lugar
que la tendencia general en la capacidad predictiva. Cuando las relaciones no
lineales vlidos
producen, deben ser utilizados si una explicacin mediante la experiencia o
tendencias de la industria se pueden hacer. Una vez ms, lo que debe ser
confirmada es que
una tendencia general o perfil se est modelando, y no caprichos de datos.
Experiencia de negocios es la mejor prueba de ello. Por ejemplo, en el norte de
Amrica, "carga abierta giratoria" (la utilizacin de operaciones giratorias) tiene

una curva en forma de pltano con respecto a la afliccin WOE . Muy baja
utilizacin
cuentas son de alto riesgo, entonces el riesgo disminuye hasta un punto, y
finalmente riesgo comienza a aumentar a medida que aumenta la utilizacin.
Otras relaciones vlidas
puede ser "U" en forma de, y estos deben ser lo que, siempre y cuando
la relacin puede ser explicada.
Las variables nominales se agrupan para poner atributos con WOE similares
juntos, y, al igual que con las variables continuas, para maximizar la diferencia
de un grupo a la siguiente.

Evidentemente, este proceso puede ser objeto de abuso cuando se hace por
alguien que
no est familiarizado con el negocio, lo que pone de relieve una vez ms la
necesidad de
que es un proceso de colaboracin con otros miembros del equipo del proyecto.
Prueba 6.5 ilustra un ejemplo de una tendencia ilgica. En este particular,
conjunto de datos, esta caracterstica es dbil y no muestra ninguna relacin
lgica
entre la edad y el buen / mal desempeo.
Anexo 6.6 muestra dos relaciones ay, ambos de los cuales son lgicas.
Sin embargo, la lnea ms inclinada (marcadores cuadrados) representa una
prediccin ms fuerte
relacin entre la edad y el rendimiento. Esto se reflejar en
su nmero IV.
Anlisis de las caractersticas iniciales implica la creacin de relaciones lgicas
empresariales
a travs de agrupamiento de atributos que exceden los criterios mnimos IV.
El enfoque alternativo, puramente estadstico consiste en establecer
relaciones que slo maximizan IV u otras medidas, ya sean
agrupados o no. El enfoque basado en el negocio es mejor por varias razones,
incluyendo:
Las relaciones lgicas garantizar que las ponderaciones finales despus
regresin tiene sentido. Esto tambin asegura que cuando los atributos son
puntos asignados para generar una tabla de puntuacin, estos puntos son
lgicos

(Por ejemplo, una persona mayor recibe puntos altos que una persona ms
joven
siempre).
Las relaciones lgicas garantizar la aceptacin de los usuarios internos y
departamentos de operaciones. Cuando el cuadro de mando confirma en general
experiencia, que proporciona un mayor nivel de confianza en automtico
la toma de decisiones.
Las relaciones lgicas confirman experiencia empresarial, por lo que ir un

un paso ms all de una evaluacin puramente estadstico. Esto permite que el


el uso de la experiencia de negocio para mejorar el modelado predictivo y
hace que sea relevante para el uso comercial.
, relaciones generalizar ms importantes, agrupndolos en un
manera lgica reduce sobreajuste. Usted est modelando ya no
cada capricho de los datos mediante la asignacin de un nmero ilimitado de
pesos a los atributos agrupados. Ahora, usted corre el riesgo de clasificacin y
tendencias de modelado, de modo que el cuadro de mando puede ahora ser
aplicada a un
poblacin entrante con algo de elasticidad (capaz de soportar algunos
cambios en la poblacin) y que permanezcan estables durante un largo
perodo de tiempo. Una preocupacin legtima en este caso sera el de la
generalizacin,
por lo que el modelo parece funcionar incluso cuando
los cambios en la poblacin dicten lo contrario. La solucin a

este problema es la construccin de un perfil de riesgo ampliamente basado, y


no un cuadro de mando con un nmero limitado de caractersticas. El uso a largo
plazo
que diferencia el desarrollo de scorecards riesgo de crdito de la
comercializacin
modelos, que a menudo se construyen para campaas especficas y
desechado. Por lo tanto, uno no puede permitirse caprichos modelo.
NEGOCIOS / OPERACIONAL CONSIDERACIONES
Consideraciones estadsticas y la lgica empresarial se han discutido las medidas
usado para atributos de grupo. La tercera consideracin es de negocios o
relevancia operativa.
Para nonnumerical es discreto que los valores nominales, tales como postal
cdigos o cdigos de estilo de vida, las agrupaciones se realizan normalmente
sobre la base de similares pesos para producir una tendencia lgica (es decir,
con atributos similares
pesos se agrupan juntos). Las agrupaciones tambin deben ser investigados
sobre la base de consideraciones operacionales provincial, regional, urbano /
rural, y otros
tales como las regiones de negocio corporativos. Por ejemplo, si usted es
la construccin de un sistema de puntuacin para predecir default de las
hipotecas, la agrupacin de los servicios postales
cdigos deben ser realizadas por los mercados de bienes races similares. Puede
ser que el

riesgo asociado con los prestatarios depende del mercado inmobiliario,


que tiende a diferir en las grandes zonas urbanas y zonas rurales. Por ejemplo,
en los Estados Unidos, puede no tener sentido para el grupo de Nueva York o
California como estado o regin, ya que el mercado inmobiliario no es uniforme.
Agrupacin de Nueva York, Los Angeles y San Francisco en conjunto,
y las zonas rurales de ambos estados en conjunto, tiene mucho ms sentido.
En algunos casos, tambin tiene sentido que rompe simultneamente con la
poltica
reglas. Por ejemplo, si una poltica de la empresa requiere prstamos con
servicio de la deuda
proporciones mayores que el 42% que se hace referencia, a continuacin, que la
relacin servicio de la deuda deben agruparse con un descanso en el 42%. Los
beneficios de la agrupacin en el
tal forma es que la distorsin causada por la regla de poltica en el cuadro de
mando
se reduce al mnimo, ya que los afectados por la regla de poltica estn ahora
aislados
un poco. Estas agrupaciones tambin pueden probar la sabidura convencional y
polticas anteriores de ejemplo, para ver si la regla del 42% tiene sentido en
ese momento, o si estara mejor situado en una proporcin del servicio de la
deuda ms alta
para maximizar la discriminacin riesgo.
SCORECARD PRELIMINAR
Anlisis caracterstica inicial identifica un conjunto de caractersticas fuertes que
los
debe ser considerado para el modelo final, y los transforma en
agrupados formato variable. En la etapa preliminar de cuadro de mando, varios
tcnicas de modelado predictivo se pueden utilizar para seleccionar un conjunto
de caractersticas
que, en conjunto, ofrecen el mayor poder predictivo. Algunos de los
tcnicas utilizadas en la industria son de regresin logstica, rboles de decisin,
y redes neuronales. En general, los cuadros de mandos finales producidos en
este
etapa debe consistir de entre 8 y 15 caractersticas. Esto se hace
para garantizar un sistema de puntuacin estable cuyos poderes de prediccin
ser fuerte
incluso si el perfil de una o dos caractersticas no son para cambiar. Cuadros de
Mando
con muy pocas caractersticas son generalmente incapaces de soportar el
prueba del tiempo, ya que son susceptibles a cambios menores en el solicitante
perfil.

Independientemente de la tcnica de modelado utilizado, este proceso debe


producir
un cuadro de mando que consiste en la combinacin ptima de caractersticas,
teniendo en cuenta aspectos tales como:
Correlacin entre las caractersticas
Resistencia a la estadstica final del cuadro de mando
interpretacin de las caractersticas de la sucursal / adjudicacin
departamento
Aplicabilidad
La transparencia de la metodologa de los requisitos reglamentarios
PERFIL DE RIESGO CONCEPT
Cuadros de mando se pueden desarrollar con varios objetivos en mente la
maximizacin
medidas estadsticas, la eficiencia (usando las variables menor nmero), y as
sucesivamente. En trminos de negocio, cuadros de mando deben ser
desarrollados para imitar la
proceso de pensamiento de un juez eficaz experimentado o analista de riesgo. La
buen juez nunca se ver en apenas cuatro o cinco cosas de una
formulario de solicitud, o historial de la cuenta para tomar una decisin. Lo que
l o ella
es ms probable que hacer es mirar a una serie de medidas clave, para formar
un perfil de riesgo

del sujeto. Por qu se deben desarrollar cuadros de mando o modelos que


incluir slo cuatro o cinco variables o caractersticas?
El objetivo del proceso de desarrollo del cuadro de mando se describen en esta
seccin es la construccin de un perfil de riesgo global del cliente. Este
enfoque de amplia base no slo hace que el cuadro de mando ms predictiva,
que
tambin hace que sea ms estable y menos susceptible a los cambios en un
particular
zona. Un perfil de riesgos debera incluir las caractersticas que representan
como
muchos tipos de datos independientes como sea posible. Un cuadro de la tarjeta
de crdito, por
ejemplo, debe incluir algunos datos demogrficos, como la edad, residenciales
estado, regin, y la hora en el empleo, algunas de las caractersticas centrales
de riesgo
que representa la tenencia, consultas, oficios, comportamiento de pago,
informacin financiera, y los registros pblicos, un cierto grado de capacidad de

servicio de la deuda, como proporcin del servicio de la deuda bruta, y, en su


caso, en la residencia
datos de rendimiento para los clientes existentes.
El concepto de perfil de riesgo tambin ayuda en la toma de control posterior
de la tarjeta de puntuacin ms relevante. La mayora de los analistas de riesgos
correran informes
tales como "la estabilidad del sistema" o "estabilidad de la poblacin" sobre una
base mensual
para confirmar la validez de la tarjeta de puntuacin de solicitante o de la cuenta
corriente
poblaciones. Lo que estos informes estn midiendo efectivamente es el cambio
en la poblacin como se define por las caractersticas slo en el cuadro de
mandos. La
scorecard perfil de riesgo de base amplia sera ms realista capturar
cambios reales en la poblacin, en lugar de indicar el cambio artificialmente
o la estabilidad, como puede ser el caso con cuadros de mando limitadavariables.
Creacin de un cuadro de mando sobre la base de un perfil de riesgo es, en
teora, no es diferente
de otros ejercicios de modelado predictivo-la diferencia es slo en el
mtodo para llegar a la ltima serie de caractersticas. La mayora de las
tcnicas
mencionado en los captulos anteriores, puede, y deben ser, manipulado
para incluir los temas discutidos en los prrafos anteriores, ya que se ejecuta
modelar algoritmos sin intervencin es poco probable que resulte en un riesgo
perfil. El resto de esta seccin se ocupar de los mtodos utilizados en la
tcnica de regresin logstica para construir este tipo de tarjetas del perfil de
riesgo.
REGRESIN LOGSTICA
La regresin logstica es una tcnica comn para desarrollar cuadros de mando
en la mayora de las aplicaciones de la industria financiera, donde la variable
predicha es

categrica. En los casos en que la variable predicha es continua, lineal


Se utiliz la regresin. El resto de esta seccin se ocupar de uso mltiple
regresin logstica para predecir un resultado binario (bueno / malo).
La regresin logstica, como la mayora de los otros mtodos de modelado predictivo,
utiliza un conjunto de caractersticas de prediccin para predecir la probabilidad (o la probabilidad)
de un resultado especfico (el objetivo). La ecuacin para el logit
transformacin de una probabilidad de un evento se muestra por:

p = probabilidad posterior de "evento", dado entradas


x = variables de entrada
0 = interseccin de la lnea de regresin
k = parmetros
Transformacin Logit es registro de la Casa, es decir, log (p (evento) / p (no acontecimiento)),
y se utiliza para linealizar probabilidad posterior y el resultado lmite
de probabilidades estimadas en el modelo a entre 0 y 1. Mximo
probabilidad se utiliza para estimar los parmetros 1 a k. Estos parmetros estimados
medir la tasa de cambio de logit para un cambio unitario en la
variable de entrada (ajustado por otros insumos), es decir, que son, de hecho, la
pendientes de la recta de regresin entre el objetivo y sus respectivos
variables de entrada x1 a xk. Los parmetros son dependientes de la unidad de
la entrada (por ejemplo, un nmero de porcentaje en comparacin con los ingresos), y la necesidad de
ser estandarizados para facilitar el anlisis. Esto puede hacerse usando varios mtodos,
incluyendo el uso de estimaciones estandarizadas. Otra manera es pasar por alto
la unidad de entrada por completo, y llevar a cabo la regresin no contra la
de entrada, sino ms bien en contra de la AFLICCIN (WOE) de cada agrupacin creada en el anterior
paso.
Regresin necesita tener un objetivo, y una serie de entradas. Estas entradas
puede tener diversas formas. La forma ms comn es el uso de la entrada bruta
datos para las variables numricas y crear variables ficticias para categrica
datos. Estimaciones normalizadas se utilizan a continuacin en el anlisis para neutralizar
los efectos de las unidades de las variables de entrada. Este enfoque es, sin embargo, no es relevante
cuando es necesario desarrollar cuadros de mando variables agrupadas .

En el caso de los cuadros de mandos agrupados variables, las entradas pueden


ser en la forma
de los valores medios de grupo para las variables numricas, tales como la edad
media de cada uno
grupo, o algn medio ponderado, o ficticia variables de categora
grupos. Uso de variables ficticias para las variables categricas tiene una grave
inconveniente: se supone que la diferencia de una variable categrica
grupo a la siguiente es la misma. Una mejor manera de lidiar con las variables
agrupadas
es utilizar el WOE de cada agrupacin como la de entrada. Esto no slo resuelve
el

problemas de diferentes unidades de entrada, pero tambin tiene en cuenta la


exacta
tendencia y la magnitud de la relacin de un grupo a otro. Tambin
ayuda en el desarrollo de cuadros de mando, manteniendo cada caracterstica
intacta. Adems, si la agrupacin se hace bien, este ser tambin asegurar que
la asignacin de puntos a cada grupo durante el raspado scorecard es lgico
y representa la diferencia en las relaciones entre los grupos.
Regresin se puede ejecutar para averiguar el modelo de mejor funcionamiento
posible de todos
opciones disponibles. Esto se conoce comnmente como "posible" regresin
tcnicas y es computacionalmente intensivas, sobre todo si hay una gran
cantidad
de caractersticas de entrada independientes. Mucho ms comnmente
utilizados son los
tres tipos de tcnicas de regresin logstica paso a paso:
SELECCIN HACIA ADELANTE. En primer lugar se selecciona el mejor una
caracterstica
modelo basado en el poder de prediccin individual de cada caracterstica,
luego aade nuevas caractersticas a este modelo para crear
el mejor dos, tres, cuatro, y as sucesivamente modelos caractersticos
incremental,
hasta que no hay caractersticas restantes tienen valores de p de menos
a algn nivel significativo (por ejemplo, 0.5) o univariado Chi Square
por encima de un nivel determinado. Este mtodo es eficiente, pero puede ser
dbil si hay demasiadas caractersticas o alta correlacin.
ELIMINACIN HACIA ATRS. Lo contrario de la seleccin hacia adelante,
esto
mtodo comienza con todas las caractersticas en el modelo y secuencialmente
elimina las caractersticas que se consideran el menos significativo,
dadas las otras caractersticas en el modelo, hasta que todo el
caractersticas restantes tienen un valor de p por debajo de un nivel significativo
(Por ejemplo, 0,1) o sobre la base de alguna otra medida de significacin
multivariante.
Este mtodo permite que las variables de menor importancia una mayor
oportunidad de entrar en el modelo, mucho ms que hacia delante o por etapas,
mediante el cual una o dos variables poderosos pueden dominar.
PASO A PASO. Una combinacin de las dos tcnicas anteriores, esta

consiste en agregar y quitar caractersticas dinmicamente desde


se llega a la tarjeta de puntuacin en cada paso hasta que la mejor combinacin.
La
usuario puede configurar los valores de p mnimos (o Chi cuadrado) que se
requieren para ser

aadido al modelo, o para ser mantenido en el modelo.


DISEO DE UN CUADRO DE MANDO
Si bien es posible construir un cuadro de mando, poniendo todas las
caractersticas
en el modelo de regresin y la generacin de un resultado estadsticamente
ptima,
este mtodo no puede producir resultados que son operacionalmente ideal.
El desarrollador de cuadro de mando se suele depender de algunas medidas
estadsticas
como por ejemplo los valores de p, Chi Cuadrado, R-cuadrado, y otros para
determinar
la calidad de los resultados. Hay, sin embargo, algunos objetivos de negocio
que deben ser considerados en el desarrollo de cuadros de mando.
El primer objetivo es elegir el mejor conjunto de caractersticas, y construir el
perfil de riesgo ms completa. El concepto de crear un perfil de riesgo
se ha discutido anteriormente en este captulo. Idealmente, este perfil debe ser
construido utilizando como muchos elementos de datos independientes como
sea posible, por ejemplo,
demografa, datos relacionados con el tiempo, datos financieros, consultas bur
de crdito,
comercios, los patrones de pago, y as sucesivamente. El proceso de desarrollo
debe
abordan cuestiones como la correlacin y colinealidad, y otros factores
que afectan a la fiabilidad del modelo mismo.
El cuadro de mando desarrollado debe ser coherente con el apoyo a las
decisiones
estructura de la organizacin. Si el modelo es un nico rbitro, la necesidad de
crear un perfil de riesgo global es an mayor. Si se est
utilizado como una herramienta de apoyo a las decisiones, entonces las
caractersticas que se incluirn
en el cuadro de mando debe ser coherente con otras medidas utilizadas, y no
oponerse a ellos. Por ejemplo, la inclusin de caractersticas como la quiebra,
TDSR, la delincuencia anterior, y as sucesivamente, que son tpicamente
incluido en las reglas de poltica, debe reducirse al mnimo.
El ejemplo en el Cuadro 6.7 muestra las caractersticas de una aplicacin
scorecard delincuencia que es un perfil de riesgo global. Tenga en cuenta que
incluye caractersticas que representan diversos tipos de informacin, tanto
a partir de fuentes internas y externas. La inclusin del ratio de

investigaciones en los ltimos 12 y 3 meses se realiza para evaluar a corto y


largo plazo
hungriness crdito. Estos dos tambin podran haber sido incluidos de forma
independiente.
"Bancarrota" y "registros pblicos" no se incluyeron en
el cuadro de mando, ya que se utilizan en las reglas de poltica de rechazar
automticamente
los solicitantes. Se utiliza "Tiempo en la industria" en lugar de "Tiempo en el
empleo"
desde el tiempo en el mismo sector o en el empleo continuo es una mejor
indicador del riesgo de que el tiempo en el trabajo ms actual, especialmente en
reas urbanas con una fuerza de trabajo mvil. La relacin de las investigaciones
en la ltima
doce meses anteriores al nmero de comercios abiertos durante el mismo
tiempo
perodo es una medida de la tasa de xito de la demandante en la obtencin de
crdito. Uno
juez riesgo entrevist llama a esto "promedio de bateo". del solicitante
Tal un cuadro de mando no es generalmente el resultado de un algoritmo de
regresin piloto automtico.
Entonces, cmo hacemos para que un cuadro de mando de esta manera?
Diseamos una.
El desarrollador de cuadro de mando tiene varios mtodos con los que para
influir en el
forma final del modelo. Estos incluyen caractersticas obligan en,
por lo que las caractersticas consideradas operacionalmente necesario o
"imprescindible"
se ven obligados en el cuadro de mando desde el principio, y la manipulacin de
la regresin a

maximizar las posibilidades de ciertas caractersticas que entran en el modelo


final.
Una forma de lograr ello es necesario examinar las caractersticas de entrada
en el modelo por etapas, donde las caractersticas a tener en cuenta en el

se especifican individualmente cada paso. Esto no es diferente de paso a paso


regresin. Un ejemplo se muestra en el Cuadro 6.8.
Usando esta tcnica, el programa de regresin selecciona primero caractersticas
Del mismo paso, usando ya sea por pasos, hacia adelante, hacia atrs o logstica
regresin. Caractersticas que pasan el criterio mnimo (por ejemplo, p-valor
del parmetro estimaciones basadas en un cierto nivel de significacin) se
aaden a la
cuadro de mando primera (o eliminado primero, en el caso de la regresin hacia
atrs). En
el ejemplo mostrado, "edad", "tiempo en esa direccin", "tiempo en el banco" y
"tiempo
en el empleo "se retrocedido en la primera iteracin, teniendo en
cuenta de correlacin. Supongamos que la "edad" viene por tener el ms fuerte
A continuacin, se aade el poder predictivo-"edad" al modelo.
En la segunda iteracin en el mismo nivel, el algoritmo considerar
las tres caractersticas restantes, teniendo en cuenta la capacidad predictiva
ya modelado por "edad". Si cualquiera o la totalidad de la restante
caractersticas agregan suficiente valor predictivo para el cuadro de mandos,
que
sera aadido. La regresin se detendra cuando hay ms caractersticas
podra ser aadido o eliminado del modelo.
Todas las caractersticas que han entrado en el modelo en el paso 1 se iniciar
en
el modelo en el paso 2. La regresin en esta etapa, a considerar la regin,
cdigo postal y provincia, se iniciar con las caractersticas de la etapa 1
ya en el modelo. Una vez ms, medidas tales como p-valores y el significado
niveles se utilizarn para determinar el modelo en este paso.
Anlisis similares a continuacin, se realizaron en cada nivel posterior hasta
se produce un cuadro de mando final. Caractersticas de entrar en el modelo
anterior en
medidas se vern obligados en el modelo en los pasos siguientes.
Las medidas estadsticas como la Plaza Chi o estimaciones estandarizadas

puede ser utilizado para medir la fuerza del modelo predictivo en cada
iteracin.
Un usuario experimentado puede controlar este proceso para maximizar la
posibilidades de acabar con un cuadro de mando perfil de riesgo. Relativamente
dbil
y las caractersticas preferidas "" pueden colocarse en los pasos anteriores para
maximizar
sus posibilidades de adicin en el modelo, y para maximizar el
la influencia de ciertas variables ponindolos en primer lugar y luego dejar que
los otros aaden sus respectivos puntos fuertes de prediccin.
Caractersticas ms fuertes se colocan en la parte inferior, y no pueden entrar en
el cuadro de mando, ya que su contenido predictivo puede haber sido modelado
por uno o varios otros criterios. El uso de varios criterios ms dbiles
modelo de la conducta de un criterio fuerte se hace para la estabilidad, sin
perder fuerza predictiva (por ejemplo, cinco caractersticas aadiendo 200
puntos
cada uno para el cuadro de mandos son preferibles a dos caractersticas
aadiendo 500
cada uno). El modelo ser tan eficaz, pero con una amplia base correspondiente
a la idea de crear un perfil de riesgo.
Criterios similares se colocan en el mismo paso (por ejemplo, edad, tiempo en el
trabajo,
tiempo en casa, o consultas tres meses, seis meses y doce meses) por lo
que la correlacin entre las caractersticas se puede considerar an ms,
y la mejor entre las caractersticas correlacionadas, entrar en el cuadro de
mandos.
Razones relacionadas tambin deben ser puestos en el mismo paso que el tipo
de informacin
del numerador y el denominador. Adems, teniendo en cuenta la
diferentes tipos de informacin independientes de forma individual en cada paso
maximiza
las posibilidades de que al menos una variable de cada tipo de informacin

entrar en el cuadro de mando final.


La regresin se repite usando varias combinaciones de caractersticas
en las diferentes etapas y con diferentes niveles de significacin en un proceso
iterativo
procesar para obtener mayor resistencia scorecard. Caractersticas pueden ser
trasladado a los pasos superiores o inferiores para producir diferentes
combinaciones de
cuadros de mando. Estas tarjetas son evaluadas posteriormente mediante
criterios empresariales,
mezcla de caractersticas, y las medidas estadsticas de la fuerza.
Una forma prctica de hacerlo es utilizar la opcin de modelos de ordenamiento
regresin paso a paso. Hay dos enfoques que se pueden utilizar:
1. Regresin simple
2. Regresin mltiple

REGRESIN SIMPLE Una carrera de regresin se realiza y las caractersticas


se colocan en orden, segn el tipo de informacin y la intensidad.
Anexo 6.9 proporciona un ejemplo.
Coloca los tipos de informacin general ms dbiles en la parte superior (basado
en el promedio
IV) y los ms fuertes en la parte inferior. Dentro de cada informacin
tipo, las caractersticas se pueden pedir a los ms dbiles a los ms fuertes.
Esta clasificacin de cada caracterstica tambin se puede hacer uso de IV. La
ejemplo en el Anexo 6.9 muestra las caractersticas clasifican de dbil a
ms fuerte basa en general IV. Dentro de cada caracterstica, tal como el Tiempo
o preguntas, no ocupando ms hecho en base a la IV dentro de cada
tipo de informacin. Esta sera la secuencia en la que la regresin se
considerar cada caracterstica. Este es un punto de partida, y la secuencia
debe ser ajustado en carreras de regresin posteriores hasta que los resultados
deseados
se obtienen. Otra forma de clasificar a ordenar las caractersticas de un solo
regresin es colocar las caractersticas con el fin de IV, desde el ms bajo
al ms alto, independientemente del tipo de informacin.

REGRESIN MLTIPLE El uso de este enfoque, el paso de regresin en s es


repite, considerando cada una diferente tipo de informacin exclusivamente a
cada paso.
Los tipos de informacin general ms dbiles son considerados por primera vez
en primera
pasos de regresin.
Dentro de cada regresin, las caractersticas se ordenan de los ms dbiles
a ms fuerte.
Caractersticas que entran en el cuadro de mando en los pasos anteriores se
ven obligados
en la tarjeta de puntuacin en todos los pasos siguientes.
En SAS, ordenadas de regresin como el que se muestra en la figura 6.9 puede
realizarse en PROC LOGISTIC utilizando el "= SECUENCIAL"
opcin. La opcin "INCLUDE =" puede ser usado para forzar caractersticas
para permanecer en el cuadro de mando, mientras que la opcin "START ="
comienza el paso a paso
regresin con los primeros x variables especificadas (no en cualquier particular,
orden), pero esas variables pueden ser removidos en adelante steps.4

Realizacin de regresin con secuencias especficas, como esto puede ser


realizado en SAS Enterprise Miner utilizando el "Modelo de pedido" en la opcin
la regresin node.5
De nuevo, como con el proceso de agrupamiento, este enfoque de cuadro de
mando
desarrollo es susceptible al abuso debido a su flexibilidad. Una comprensin
de los componentes estadsticos, as como los datos que se trabajaron
con, reducir las posibilidades de abuso. Este enfoque debe ser experimentado
con el uso de varias combinaciones diferentes de entender los datos
dinmica antes de la produccin final de cuadro de mando.
Este proceso combina el modelado estadstico (es decir, la regresin) con
consideraciones comerciales en "disear" un cuadro de mandos que es fuerte y
estable,
contiene caractersticas de diversas fuentes, y representa diferentes
tipos de informacin independientes que juntas forman un perfil de riesgo
(Por ejemplo, la demografa, las investigaciones, el rendimiento anterior, oficios,
etc.)
Tenga en cuenta que la regresin se realiza con el conjunto ms fuerte de las
caractersticas
elegido en el anlisis inicial caractersticas, y que todos los dbiles
criterios han sido eliminados. Todas las pruebas de significacin se siguen en
la seleccin de la composicin final del cuadro de mando, pero que no es el nico
criterio de inclusin. El cuadro de mando producido tiene medible
fuerza e impacto. Lo ms importante, es una herramienta de trabajo til que
puede ser utilizado por los gestores de riesgos y otros tomadores de decisiones
para crear ajustado al riesgo
estrategias. Otras prestaciones se mencionen en el "Perfil de riesgo
Seccin Concept ".
Una vez que la lista de caractersticas para su inclusin en el cuadro de mando
es
obtiene, a continuacin, estas caractersticas pueden ser retrocedido de nuevo
como un grupo, a
obtener parmetros de regresin final. Se siguen procesos similares para
cada cuadro de mandos que hay que construir, en el caso de segmentaciones.
Tpicamente, varios cuadros de mando utilizando diferentes combinaciones de
caractersticas
se construyen para cada segmento y evaluar los objetivos estratgicos
para determinar la eleccin final. Un cuadro con una menor "poder" puede
entregar un mejor desempeo para el objetivo estratgico (por ejemplo, una
mayor
por lo tanto, beneficios) que otro con una energa ms alta, y es una valiosa
ejercicio para comparar varias tarjetas de esta manera en lugar de confiar

nicamente en las medidas estadsticas. Tenga en cuenta que los criterios de


seleccin del cuadro de mandos
y validacin ser cubierto en las secciones siguientes.
La salida de esta fase es de varios cuadros de mando diferentes, que comprende
una lista de las caractersticas y los parmetros de regresin respectivos cada
uno.
RECHAZAR INFERENCIA
Todos los anlisis de desarrollo de modelos realizados hasta este momento se
encontraban en
cuentas con el rendimiento conocido. Estos se conocen comnmente como
el "KnownGood / Bad Muestra." se desarrollan cuadros de mandos de aplicacin
para predecir el comportamiento de todos los solicitantes, y el uso de un modelo
basado en
solicitantes aprobados anteriormente slo pueden ser inexactos ("sesgo de la
muestra").
Esto es particularmente cierto cuando aceptan anterior / decisiones cada fueron
sistemticos y no fueron al azar, es decir, la poblacin acepta
es una muestra sesgada y no representativa de los rechazos. Un mtodo
que se necesita para tener en cuenta los casos en que se desconoce el
comportamiento. Nota
que se estaban desarrollando si scorecards comportamiento, esta fase no sera
ser necesario.
Rechazar inferencia es un proceso mediante el cual el rendimiento de la
anteriormente
solicitudes rechazadas se analizan para estimar su comportamiento (por
ejemplo, para asignar
clase de rendimiento). As como hay algunos males de la poblacin que es
aprobado, habr algunos productos que han sido rechazadas. Este
proceso le da relevancia al proceso de desarrollo de scorecards, recreando
el rendimiento poblacin para una tasa de aprobacin 100% (es decir, la
obtencin
las "probabilidades de poblacin").
6.10 Anexo muestra cmo se crea esto. El lado izquierdo de la exposicin
muestra la imagen antes de la deduccin, con productos conocidos, males, y se
redujo
aplicaciones. Con el fin de desarrollar un sistema de puntuacin aplicable al total
solicitantes, la imagen debe ser similar a la de la derecha, que representa
total de postulantes calificados como buenos o malos.
RAZONES PARA RECHAZAR INFERENCIA
La primera razn para rechazar la realizacin de inferencia es que de relevancia-

ignorando rechaza producira un cuadro de mandos que no es aplicable a la


poblacin solicitante. La cuestin de sesgo de la muestra se ha mencionado.
Rechazar inferencia tambin incorpora la influencia de la decisin anterior
haciendo en el proceso de desarrollo de scorecards. Esto es particularmente
cierto
en entornos de sucursal / suscripcin, donde se adjudican las aplicaciones
manualmente por los directores de sucursales o por suscriptores. Por ejemplo,
considere
un escenario en el 1000 fuera de 10.000 solicitantes de crdito tienen
algunos delincuencia grave. Jueces rechazan 940 y aceptan 60 de
estos solicitantes. Cumplimiento posterior muestra que la mayor parte de la 60
solicitantes aceptados se desempean bien y se clasifican como "bueno", que es

No es de extraar teniendo en cuenta que eran "palmitas." Si un cuadro de


mando es
ahora desarrollado utilizando los bienes y males conocidos, se nos dice que
aquellos que tienen la delincuencia grave son muy buenos riesgos crediticios.
Rechazar
inferencia puede neutralizar los efectos de distorsin de tales cherry-picking,
e incluso las reglas de la poltica, mediante la incorporacin de la posibilidad de
palmitas
caso de ser aceptado en su buen / mal desempeo.
Desde la perspectiva de la toma de decisiones, permite rechazar la inferencia
exacta
y las previsiones de rendimiento esperados realistas para todos los solicitantes
(es decir,
las personas a las que se desarrolla el cuadro de mando). Por ejemplo,
considerar un banco que ha aprobado tradicionalmente a todos los solicitantes
que obtuvieron

200 puntos por encima y el uso de su tarjeta de puntuacin existente. El banco


ahora se siente
que ha sido demasiado conservador y desea para aprobar los que
puntuacin de 170-200. Si el banco no ha aprobado estos solicitantes en el
pasado, cmo va a saber el nivel de incremento de riesgo que se est moviendo
el punto de corte ms bajo? Rechazar la inferencia, por lo que les permite
estimar la
malas tasas por puntuacin de los que fueron rechazados con anterioridad, les
ayudar a
tomar esta decisin. Tambin crea oportunidades para un mejor rendimiento
futuro
a travs de la identificacin de la "serie de intercambio." El juego de intercambio
es el intercambio
de los males conocidos con productos inferidas, como se muestra en el Cuadro
6.11. Inferido
bienes son aquellos que fueron rechazados con anterioridad, pero se han
identificado
como productos potenciales utilizando rechazar la inferencia. Estos son los tipos
de solicitantes
que se aprobar en el futuro. Esto, junto con la disminucin de
los males conocidos ("swaps" males conocidos para los bienes inferidos),
permitir una
otorgante de crdito la oportunidad de aprobar el mismo nmero de personas
pero obtener un mejor rendimiento gracias a una mejor seleccin. Estos son
negocios
factores que permiten una mejor y ms informada toma de decisiones,
subrayando el hecho de que rechazan la inferencia es algo ms que un ejercicio
para
cumplir con los principios estadsticos-que tiene relevancia empresarial
significativo.
Tambin es importante reconocer que rechazar inferencia implica

prediccin de un desconocido, y siempre llevar consigo un cierto grado de


incertidumbre.
El nivel de incertidumbre se puede reducir mediante el uso de mejores tcnicas,
y por el uso juicioso. Los usuarios deben entender que rechazan
inferencia puede conducir a una mejor toma de decisiones, pero no lo es, y
posiblemente
nunca ser 100% exacto.
La poblacin con bienes y males conocidos y deducir,
conocido como el "AllGoodBad" conjunto de datos, se utiliza para la tarjeta de
puntuacin final,
produccin. La muestra es factorizada de nuevo despus de rechazar la
inferencia, como se muestra
en el Anexo 6.12. Basndonos en nuestra suposicin anterior de un 70,5% real
tasa de aprobacin y una mala tasa de poblacin real del 12,4%, la muestra de
inferencia
muestra una mala tasa global del 17,9% para una tasa de aprobacin del 100%.
Nota
que la tasa de malo para la poblacin inferido es de aproximadamente 31%
(914/2, 950).
Esta es una comprobacin de relevancia para asegurar que rechazar la inferencia
que se ha hecho
correctamente. Si la poblacin inferido tiene una tasa ms baja que el mal
conocido
poblacin, ello implicara que los rechazos son, de hecho, de la mejor calidad
a los aprobados por la empresa.
CUANDO RECHAZAR INFERENCIA DEBE USARSE EL IMPACTO Y LA
IMPORTANCIA
de rechazar la inferencia en el proceso de desarrollo del cuadro de mando
dependen
en la tasa de aceptacin de la solicitud y el nivel de confianza en la anterior
criterios de concesin de crditos. Un nivel muy alto de confianza, junto

con una alta tasa de aprobacin (lo que permite el supuesto de "todo rechaza =
malo ") y un muy bajo nivel de confianza (supone cerca de adjudicacin al azar)
reducir la necesidad de rechazar la inferencia. En los prstamos sub-prime,
incluso
una tasa de aprobacin del medio puede permitir que el supuesto de "todos
rechaza = malo"
que hacer si el nivel de confianza en la adjudicacin es alta.
Rechazar la inferencia es tambin menos importante en entornos con alta
las tasas de aprobacin y correspondientemente altas tasas de malos, ya que la
aprobacin
poblacin est bastante cerca de la poblacin demandante, y puede ser
utilizado de forma segura como un indicador de la "a travs de la puerta" de la
poblacin. Lo mismo
Es cierto para los entornos en los que se toman las decisiones al azar o
el uso de una herramienta de adjudicacin inexacta. En los casos con altas tasas
de aprobacin
y muy bajas tasas de malos, es decir, lo que denota un fallo bastante fuerte
proceso, sino que tambin puede suponer con seguridad que todos los rechazos
son males. Rechazar
inferencia no har una diferencia significativa aqu tampoco.
En ambientes con dos tasas de aprobacin bajas o medias y bajas
tasas malas, rechazar la inferencia ayuda a identificar oportunidades para
aumentar
la cuota de mercado con estrategias ajustadas al riesgo. En este caso, si el
prestamista se siente
que no son lo suficientemente solicitantes solventes que son actualmente
rechazando ("dejar dinero sobre la mesa"), rechazar la inferencia ayudar
en la identificacin de los solicitantes. Rechazar inferencia tambin tendr un
impacto significativo en los casos en que existe confianza en la adjudicacin

proceso, pero tambin se cree que los tipos malos podran ser derribadas
mediante una mejor seleccin
RECHAZAR LAS TCNICAS DE INFERENCIA
Hay varias tcnicas utilizadas en la industria para llevar a cabo rechazar
inferencia. Algunos se discuten a continuacin.
ASIGNAR TODO RECHAZA BADS Este mtodo generalmente no es
satisfactorio
porque sabemos que una parte significativa de los rechazos tendra
sido buena informacin sobre la competencia, basada en la recogida a travs de
crdito
archivos de oficina, as como estudios de anulacin aleatorios realizados por los
emisores de ms de
los aos. La nica situacin en la que esto sera aceptable es aquella en la
que las tasas de aprobacin son muy altos, por ejemplo, 97%, y hay una
alto grado de confianza en el proceso de adjudicacin. En este caso, la
suposicin de que todas las rechaza son mal se puede hacer con un poco de
confianza.
ASIGNAR REJECTS EN LA MISMA PROPORCIN DE LOS BIENES A BADS
COMO SE REFLEJA
EN LOS ACCEPTES Para que este mtodo sea vlida, se debe asumir que
no hay absolutamente ninguna consistencia en el sistema actual de seleccin, el
cual
implica que las decisiones se han tomado al azar hasta ahora.
IGNORAR LA RECHAZA TOTAL Construye el sistema de puntuacin de
aceptacin
slo los solicitantes. Esto implica un proceso de dos pasos: (1) primero Acceptes
seleccione
como en la actualidad, y (2) a continuacin, anotar todas las cuentas se aceptan
y rechazan los
que estn por debajo del lmite predeterminado. Esto representa
sistemticamente
segunda adivinar el sistema actual, que sera ineficaz, ineficiente,
e impopular con los que desarrollaron, o que todava tienen confianza
, la pantalla actual del crdito.
APROBAR TODAS LAS APLICACIONES Este es el nico mtodo para averiguar
la
rendimiento real (en oposicin a inferida) de cuentas rechazadas. Lo
implica la aprobacin de todas las solicitudes de un determinado perodo de
tiempo (por ejemplo,

tres meses). Esto permite la recogida de una muestra de la verdadera


"A travs de la puerta" de la poblacin y su desempeo. Ni que decir tiene,
las solicitudes aprobadas deben ser representativos de todos los rangos de
puntuacin, por lo que
de no subestimar o exagerar la mala tasa de rechazos. Si bien esto
mtodo es tal vez el ms cientfica y simple, la nocin de que se aprueba
solicitantes que se sabe que son de muy alto riesgo puede ser desalentador (el
mtodo tambin se conoce como "compra de datos" por esta razn). Hay, sin
embargo,
no hay necesidad de aprobar todas y cada solicitante durante un largo perodo
de tiempo. Considere el hecho de que, como mnimo, unos 2.000 son males
necesaria para el desarrollo de scorecards. Si 500 de ellos son ser de
continuacin de corte, y la mala tasa de cuentas por debajo de corte es de 25%,
entonces
2.000 solicitantes por debajo de corte tendr que ser aprobado. Entre las
opciones de
para la recogida de estos datos son:
La aprobacin de todos los solicitantes de un perodo especfico, suficiente
para generar
una muestra de 500

Aprobar todas las aplicaciones anteriores de corte, pero slo al azar


seleccionados los de abajo
Aprobar todas las aplicaciones de un mximo de 10 o 20 puntos por debajo del
punto de corte, y
toma de muestras al azar el resto, con el fin de obtener una mejor muestra de
aplicaciones en la zona de toma de decisiones (es decir, donde las decisiones de
corte
son susceptibles de ser cometidos)
En entornos de gran volumen, tambin es recomendable que este tipo de
aplicaciones
ser recogido a travs de unos pocos meses, para minimizar las variaciones
estacionales.
Otra estrategia para reducir las prdidas es la concesin de prstamos
inferiores / lneas de crdito a
los de abajo de corte. Es de destacar el hecho de que en ciertas jurisdicciones,
puede haber obstculos legales a este mtodo. La aprobacin de algunos y la
disminucin de
otros con caractersticas similares, o solicitantes de la aprobacin de azar

puede presentar problemas.


SIMILARES EN LA EMPRESA O BUREAU DATOS MTODO BASADO EN ESTE
MTODO
implica el uso de in-house datos de rendimiento para los solicitantes disminuy
de
un producto, pero aprobado para un producto similar con el mismo prestamista.
La
mtodo relacionado usa rendimiento a las agencias de crdito de los redujo en
un acreedor, pero aprobado para un producto similar en otra parte.
Por ejemplo, un banco puede obtener una lista de candidatos que se redujo por
lnea de crdito, pero se aprobaron una tarjeta de crdito en el mismo banco o
similar,
un emisor de tarjetas de crdito puede obtener una lista de los solicitantes que
declin, pero
que fueron aprobados por otras compaas de tarjetas de crdito. La
delincuencia
rendimiento de estas cuentas en la otra empresa de tarjetas o con similares
productos de la casa pueden ser monitoreados a travs de su oficina de crdito
informes o archivos mensuales de rendimiento. El rendimiento con otros
productos
o empresas se toma como un indicador de cmo los solicitantes rechazados
habra realizado si hubieran sido aceptados en un principio.
Este mtodo se aproxima al rendimiento real, pero tiene algunos inconvenientes.
En primer lugar, los obstculos regulatorios pueden impedir que un acreedor
obtenga
registros de la oficina de crdito de los solicitantes rechazados (en algunas
jurisdicciones,
es un lmite de tiempo para esto). Esto puede, sin embargo, ser posible si el
disminuyeron
solicitante es un cliente existente de un banco multiproducto, cuyo crdito
oficina de registro se obtiene a intervalos regulares por el banco. Una vez ms,
en
jurisdicciones en las que el uso de los registros de informacin crediticia est
regulada estrictamente,
esto puede no ser posible. Los solicitantes seleccionados tambin deben obtener
similares
crdito durante un perodo de tiempo similar (es decir, poco despus de ser
reducido). Adems,
la definicin de "malo" elegido a travs del anlisis de los bienes y males
conocidos
se debe utilizar para estas cuentas utilizando diferentes fuentes de datos, que

puede no ser fcil de hacer. Los solicitantes se redujo en una institucin o


un producto son tambin propensos a ser disminuido en otra parte, reduciendo
as el
potencial de tamao de la muestra.
AUMENTO EN JUDGMENTAL HISTRICAMENTE LA TOMA DE DECISIONES
MEDIO AMBIENTE (CUTOFFSOFT) Este mtodo pretende que a la gente
con caractersticas similares y contar los rechazos que le asigne este proceso.
La idea es que el aumento de las personas rechazadas en una determinada
puntuacin
se comportar esencialmente el mismo que los aceptados en esa puntuacin. La
mtodo consiste en un primer edificio Aceptar / Rechazar sistema de puntuacin,
lo que demuestra la falta de coherencia en el sistema de otorgamiento de crdito
actual.
Dentro de cada intervalo de puntuacin, el nmero de solicitantes aceptados y
rechazados son ingresados. El factor de aumento se define como: (A + R) / A,
donde A = nmero de Acceptes en el intervalo, y R = nmero de
rechaza en el intervalo. El algoritmo de la computadora para el aumento es
entonces:
CONFIGURACIN
Definir el nmero de intervalos de puntuacin
Calcular los factores de aumento para todos los intervalos de puntuacin
LOOP
Seleccione un punto de muestra acceptee
Puntuacin del punto de muestra en cuestin
Recuperar el factor de aumento para ese intervalo de puntuacin (de
Configuracin paso 2)
Identificar el grupo de performance para el punto de muestra en cuestin
Tally el punto de muestreo como bienes de "n" o males, en funcin de la
categora de rendimiento (del paso 6)
Se han examinado todas los Acceptados? (No-vaya al paso 3, Sel proceso se lleva a cabo)
Despus de que se han aplicado los factores de aumento, el nmero de
aumentada bienes (AG) y males aumentada (AB) se pueden calcular y
las probabilidades de poblacin (AG / AB) son necesariamente una combinacin
convexa de
las probabilidades de poblacin acceptee (G / B) y las rechazan probabilidades
de poblacin
[(AG-G) / (AB-B)]. Una proporcin tpica de las probabilidades de poblacin
acceptee a

las probabilidades de rechazo de la poblacin es de 1,5 a 4,0. En un ejemplo


hipottico, supongamos
hay 10.000 solicitantes que vienen a travs de la puerta. Suponer
adems, que por lo general hay 3.500 rechazos y 6500 Acceptes, compuestas
de 300 males y 6.200 bienes. Supongamos, adems, que despus del aumento
hay bienes aumentada (AG) de 9400 y aumentada
males (AB) de 600. Esto implica que entre el 3500 rechaza, hay
300 males y 3.200 bienes, y podemos calcular las siguientes probabilidades
proporciones:
Probabilidades totales de poblacin: 9400/600 = 15,7 a 1
Acceptee probabilidades de poblacin: 6200/300 = 20,7 a 1
Rechazar las cifras de poblacin: 3200/300 = 10,7 a 1
En este caso hipottico, la poblacin acceptee es el doble de la calidad
de la poblacin rechazar. El resultado es que el aumento ha permitido
el desarrollador scorecard intercambiar algunos de los males aceptados por una
parte
de los productos aceptados.
AUMENTO SIMPLE Este mtodo, tambin conocido como "punto de corte duro,"
incluye los siguientes pasos:
PASO 1 Crear un modelo utilizando bienes y males (conocidos en cuenta que
este
es lo que se ha hecho en la seccin anterior de este captulo).
PASO 2 Puntuacin rechaza el uso de este modelo y establecer una previsin de
su
malas tasas o p (malo).
PASO 3 Establecer un nivel de tasa de mal previsto anteriormente, que una
cuenta es
considerado "malo", y todos los solicitantes por debajo de este nivel se clasifican
por el contrario
como "bueno". A punto de seleccin es buena y consistente en la
espera mal tipo marginal del solicitante peor calidad son
dispuesto a aprobar hoy.
PASO 4 Aadir los bienes y males inferidos a los bienes / males conocidos
y remodelacin.

Este mtodo es simple, pero tiene algunos inconvenientes. La clasificacin de los


rechaza en bienes y males puede ser arbitraria, a pesar de que se puede utilizar

iteraciones con diferentes puntos de corte y las reglas del pulgar simples para
hacer la cordura
controles (por ejemplo, mala tasa de la poblacin rechaz deberan de dos a
cuatro
veces la de la acepta). El sabe bien / mal scorecard aqu necesita
que ser fuerte, ya que es la nica cosa que se utiliza para asignar la clase. Este
mtodo tambin no tiene en cuenta la probabilidad de rechazo es
aprobado, y por lo tanto rechaza se incorporan a la conocida en una relacin 1:1
base. El siguiente mtodo tiene como objetivo remediar este inconveniente en
particular.
AUMENTO 26 Este mtodo ajusta los pesos de la conocida
bueno / malo modelo de una estimacin de la probabilidad de aceptacin (es
decir,
la probabilidad de ser incluida en la poblacin conocida). Es
hecho en dos etapas:
PASO 1 Un modelo de aceptacin / descenso est construido para obtener la
probabilidad de
aceptar o rechazar en cada caso.
PASO 2 Usando slo los bienes y males conocidos (es decir, la acepta), una
bueno / malo modelo est construido con la distribucin de la poblacin ajustada
con lo establecido previamente de aceptacin / rechazo pesos. Esto se hace
de tal manera que las nuevas ponderaciones de los casos son inversamente
proporcionales
a la probabilidad de aceptacin, de modo que los casos se pesan a ms
representar con precisin la poblacin total.
Este mtodo reconoce la necesidad de ajustar el p (aprobar) y es mejor
que el simple aumento. Una tcnica similar que utiliza el rechazado
poblacin se explica ms adelante en "Aumento de Fuzzy".
PARCELACIN Este mtodo es similar a la simple aumento, pero en su lugar
de clasificar todas las rechaza en un determinado puntaje de bueno o malo, que
les asigna
en proporcin a la mala tasa prevista en ese aspecto. Anexo 6.13 ilustra
un ejemplo:
Las primeras cuatro columnas en la exhibicin son distribuciones por puntuacin
de la
"Conocida bueno / malo" de la muestra, utilizando la conocida buena / mala
scorecard. La
"Rechazar" la columna representa la distribucin de rechazos tan marcado por la

conoce bien / mal scorecard. Las dos ltimas columnas representan el azar
asignacin de la anot rechaza en clases "malas" "bueno" y.
Por ejemplo, si hay 7.334 rechazos en el rango de puntuacin de 190-199,
y la mala tasa esperada es de 10,0%, 733 rechaza sern asignados como "malo"
y los restantes 6601 como "bueno". La asignacin de clases dentro de
cada banda de puntaje es al azar.
Sin embargo, el sentido de negocios sugiere que, dado que la proporcin de
bienes y males en la rechaza no puede ser la misma que la de la aprueba
(Rechaza debera ser peor), un enfoque conservador es asignar un mayor
proporcin de rechazos tan malo. Un enfoque y reglas generales iterativo
se puede utilizar aqu para asegurar que la mala tasa global de la rechaza es
entre dos a cuatro veces la de la aprobado, en un mnimo. La
factor de mayor se puede obtener si el crdito anterior concesin se consider
apretado.
Este mtodo tambin es bastante rpido y simple de implementar. Al igual que
con
sencilla aumento, la conocida buena / mala scorecard aqu tiene que ser
buena, ya que es la nica cosa que se utiliza para asignar la clase. Adems,
la asignacin necesita ser ajustado (por ejemplo, basado en el conservador
enfoque anterior) para que el mal ritmo de los rechazos no es sencillo.
AUMENTO DE FUZZY Este mtodo tambin es similar a la simple aumento,
pero en lugar de asignar una "buena" o "mala" clase, que asigna a cada
rechazar una parcial "buena" y una clase parcial "malo". El proceso completo
implica
clasificacin y el aumento de uso de los siguientes pasos:
PASO 1 CLASIFICACIN.
Puntuacin rechaza el modelo de bueno / malo conocido.

Determinar p (bueno) y p (malo) de cada rechazo basado en espera


malas tasas.
Asignar rechazan cada uno como un buen parcial y un mal parcial (es decir, la
creacin de
dos casos ponderados de cada rechazan).
Pese a mercancas rechazadas con p (bueno) y rechazaron males con
p (malo). Al igual que con parcelacin, anotaron cada uno rechace le puede
asignar un
mayor espera p (malo) como medida conservadora.
PASO 2 AUMENTO.
Combine rechaza con la acepte, el ajuste de la tasa de aprobacin,
p (aprobar).
Por ejemplo, la frecuencia de una "buena" de rechaza = p (bueno)
peso, donde "peso" es la probabilidad de rechazo de un ser
incluido en el conjunto de datos aumentada.
La ponderacin adicional en el paso de aumento se realiza desde
combinando acepta y rechaza inferido en un uno-a-uno hara
implica que ambos tienen las mismas posibilidades de estar en el conjunto de
datos.
Este mtodo no incorpora slo la probabilidad de rechazar un ser
mala, sino tambin su probabilidad de ser aceptado en el primer lugar. Este es
un
mejor enfoque, ya que asigna una cierta medida de importancia a un rechazo en
la muestra final. Adems, utilizando la clasificacin parcial lo hace mejor
que los mtodos que utilizan medidas arbitrarias para hacerlo.
ITERATIVO RECLASSIFICATION Este mtodo consiste en la construccin de
una primera
modelo de bueno / malo conocido, que asignan las clases basadas en ap (mala)
(como en sencilla
aumento), combinando rechaza los acepte, y repitiendo
se alcanza el proceso hasta una cierta convergencia.
Los pasos son los siguientes:
PASO 1 Construir un conocido buena / mala scorecard.
PASO 2 Puntuacin rechaza y asignar clase basada en un mnimo esperado
mala evaluar o elegido p (malo).
PASO 3 Combinar el inferido rechaza y no acepta, y reconstruir
cuadro de mando.

PASO 4 reevaluacin de los rechazos y reasignar clase, entonces combinar y


reconstruir la tabla de puntuacin.

PASO 5 Repita este proceso hasta que las estimaciones de parmetros (y p


(malo))
converger.
Tenga en cuenta que una manera de modificar este enfoque es utilizar parcial
buenas / malas clasificaciones en lugar de clasificar sobre la base de una
arbitraria
p (malo).
La convergencia se puede medir mediante el uso de estimaciones de los
parmetros o P (mala)
para cada grupo de puntuacin o para cada ejecucin, o mediante el uso de una
grfica de log (odds)
contra de la calificacin, como se muestra en el Cuadro 6.14. Las lneas
discontinuas representan iteraciones.
Cada iteracin debe estar por debajo de la lnea conocida bueno / malo (KGB),
lo que confirma que la poblacin combinada tiene una tasa mayor mal que
la acepta solo. Si la lnea de combinacin de datos est por encima de la KGB
line, ello implicara que los rechazos son de mejor calidad que la
acepta.
VECINO MS CERCANO (CLUSTERING) Esta tcnica utiliza la agrupacin de
identificar los bienes y males en una muestra de rechazo, y no depender de
ningn previamente
modelos construidos. Los pasos a seguir son bastante simples:

PASO 1 Crear dos conjuntos de grupos-uno por cada uno de los bienes
conocidos y
males.
PASO 2 Ejecutar rechaza a travs de ambos grupos.
PASO 3 Comparar distancias euclidianas asignar el rendimiento ms probable
(Es decir, si un desecho se acerca ms a un grupo "bueno" que un "mal"
uno, entonces es probable que es un bien).
PASO 4 Combine acepta y rechaza para crear el conjunto de datos inferido, y
remodelacin.
Como medidas adicionales para refinar este enfoque, el ajuste de p (aprobar)
puede
se aade al crear el conjunto de datos inferido, y las clasificaciones parciales
se puede hacer. Este mtodo tambin es relativamente fcil de hacer con el
derecho
herramientas. Su inconveniente es que las medidas son relativos-en
comparacin con la
otras opciones que se mencionan en los apartados anteriores.
RAZONAMIENTO BASADO EN MEMORIA o basado en casos basado en
memoria, el razonamiento
sigue un proceso de dos pasos para asignar clase. En primer lugar, se identifican
los casos similares,
casos, por ejemplo, buenos y malos en una muestra. A continuacin, utiliza el
aprendizaje
desde el primer paso para asignar la clase a un nuevo rcord. Este proceso imita
el patrn de pensamiento que la gente pasar por si estuvieran realizando
manual de rechazar la inferencia. Por ejemplo, una persona que revisa muchos
conocido buenas y malas cuentas y documentos por las caractersticas de
ambos. l
o ella pasa a travs de un conjunto de rechazados e identifica los que
tienen caractersticas similares a los bienes o males conocidos.
Los pasos a seguir en la realizacin de rechazar la inferencia con memorybased
razonamiento son:
PASO 1 Siga clustering utilizando los bienes conocidos, males y
rechazos. SAS Enterprise Miner, por ejemplo, utiliza el k-ms cercano
algoritmo de vecino para categorizar las observaciones en su memoria
Nodo de Razonamiento Basado en.
PASO 2 La distancia entre cada una conocida buena / mala observacin
y el rechazo se mide a continuacin, caso (llamado un "sonda"). El k
conocidas observaciones buenas / malas que tienen la menor distancia
euclidiana
a un caso rechazar son luego el vecino k-ms cercano a ese rechazo.

PASO 3 Las clases de objetivos (bueno / malo de la mezcla) de los k-vecinos ms


cercanos
a continuacin se utilizan para asignar una probabilidad de bueno / malo a cada
rechazar caso.
PASO 4 Crear una muestra combinada y remodelacin.
Por ejemplo, si el valor de k se ajusta a 10, y los diez vecinos ms cercanos
al rechazar siete son buenos y tres casos graves, la posterior
probabilidad, p (malo), de ese rechazo es del 30%. Esto puede ser utilizado para
hacer ya sea
clasificacin parcial para cada caso o rechazar la clasificacin completa basada
en
algn nivel de p (malo).
VERIFICACIN
Una vez rechazar inferencia se ha completado, el anlisis simple puede
realizarse para verificar
los resultados. Esto incluye:
Comparacin de malas tasas / cuotas de muestras inferidos y conocido y
la aplicacin de reglas de la industria de pulgar como se discuti previamente.
Rechazar
inferencia se puede ejecutar con distintos parmetros hasta que estas reglas de
pulgar estn satisfechos. Las reglas generales deben aplicarse basa
en la tasa de aprobacin y el nivel de confianza en el crdito anterior
concesin. Por ejemplo, si el crdito anterior concesin era bueno,
y la tasa de aprobacin tambin fue alta, el inferir rechaza
deberan tener una mala tasa de al menos tres o cuatro veces la de la
aprueba. Una tasa de aprobacin medio puede producir un mal tipo inferido
slo dos veces la de aprueba.
Comparando el peso de la evidencia o malos ndices de atributos agrupados
para conjuntos de datos anteriores y postinferred. Atributos de baja
las tasas de aceptacin y alta WOE deben mostrar los cambios en su
peso de la evidencia consistente con experiencia empresarial, o en un
manera explicable lo contrario.
Diferentes rechazan tcnicas de inferencia y parmetros tambin pueden ser
probado el uso de "falso" rechaza. Este consiste en dividir la poblacin aprobado
en arbitraria acepta y rechaza, por ejemplo, un 70/30 de divisin. La

modelo desarrollado en la muestra "aprobado" 70%, entonces se puede utilizar


para
inferir el rendimiento del 30% restante. Dado que el rendimiento real
del 30% "rechaza" que ya se sabe, la clasificacin errnea puede
ser utilizado para medir el desempeo de cada mtodo de rechazar la inferencia.
Una vez rechazar la inferencia se ha completado, la combinacin de datos (de
aprueba y rechaza inferido) se crean y se utilizan para la siguiente fase de
desarrollo de scorecards. Ahora que el sesgo de la muestra se ha resuelto, esta
final
cuadro de mando es aplicable a la totalidad "a travs de la puerta" de la
poblacin.
PRODUCCIN FINAL SCORECARD
Las tarjetas finales se producen entonces mediante la ejecucin de la misma
caracterstica inicial
anlisis y algoritmos estadsticos (por ejemplo, regresin) en la
postinferred conjunto de datos, para generar el conjunto final de caractersticas
para la
cuadro de mando. Tenga en cuenta que no est limitado a las caractersticas
seleccionadas
en el cuadro de mando preliminar en esta fase. Algunas caractersticas pueden
aparece ms dbil y algunos ms fuertes despus de rechazar la inferencia, por
lo que el proceso de
caractersticas de la seleccin tiene que ser repetido, teniendo en cuenta la
totalidad de
conjunto de datos de desarrollo.
En este punto, supongamos que una tabla de puntuacin final se ha producido
por
la realizacin de anlisis de las caractersticas iniciales y regresin logstica para
la
"AllGoodBad" conjunto de datos. Lo que tenemos ahora es un conjunto de
caractersticas,
junto con la salida de regresin logstica como la interseccin,
estimaciones de los parmetros y estadsticas de rendimiento del modelo.
Otras cuestiones que ahora deben abordarse son la ampliacin de la
resultados, la validez de la asignacin de puntos, errores de clasificacin y
cuadro de mando
fuerza.
ESCALADA

uadros de mando se pueden producir en muchos formatos (por ejemplo, SAS y


cdigo C,
puntos del sistema, etc.) En algunos casos, como tarjeta de puntuacin en lnea
o en tiempo real
uso que a menudo depende de las plataformas de ejecucin, reguladora
instrucciones que requieran la prestacin de razones para el declive, la facilidad
de uso,
y otros factores mencionados en la seccin "Por qu" Scorecard "Format"
en el Captulo 3 del cuadro de mando tiene que ser producida en un formato
concreto
(Ver Cuadro 1.1). En este caso, necesita ser aplicado de escala. Escalada
se refiere a la gama y el formato de las puntuaciones en un cuadro de mandos y
la tasa de
cambios en las cuotas de los aumentos en la puntuacin. Puntajes Scorecard
puede tomar varios
formas con calificaciones numricas decimales o discreta:
Cuando la puntuacin es el bueno / malo par o probabilidad de mal (por
ejemplo,
puntuacin de 6 significa un 06:01% de posibilidades par o 6 de incumplimiento)
Con una escala mnima y / o mxima numrico definido (por ejemplo, -1,
0-1000, 150-350) con un odds ratio especificado en un cierto punto
(Por ejemplo, las probabilidades de 5:01 a 500) y la tasa especfica de cambio de
las probabilidades (por ejemplo,
duplicar cada 50 puntos)
La eleccin de la escala no afecta a la fuerza de prediccin de la
cuadro de mando. Se trata de una decisin operativa sobre la base de
consideraciones tales como:
Aplicabilidad de la tarjeta de puntuacin en el proceso de solicitud
software. Cierto software slo puede implementar cuadros de mando en el
formato se muestra en el Cuadro 1.1.
La facilidad de comprensin por parte del personal (por ejemplo, nmeros
discretos son ms fciles de
trabajar).
Continuidad con tarjetas existentes o de otros cuadros de mando en la
empresa. Esto evita el reciclaje en el uso e interpretacin de cuadro de mando
de las puntuaciones.
Hay varias escalas en uso en la industria. Uno de los ms comunes
es un cuadro de mando con las puntuaciones discretas escala logartmica, con el
probabilidades duplicando en cada 20 puntos. Un ejemplo de tal escala se
muestra
en el Anexo 6.15.
ESCALA DE CLCULO En general, la relacin entre las probabilidades y

las puntuaciones se pueden presentar como una transformacin lineal:

Puntuacin = Factor Offset + ln (odds)

Dnde se est desarrollando el cuadro de mando con probabilidades especificadas en una


puntuacin y "puntos de duplicar las probabilidades" que se especifican (DOP), y el factor de
compensacin puede fcilmente se calcular utilizando las siguientes ecuaciones:

Puntuacin = Offset + Factor * ln (odds)


Partitura + pdo = Offset + Factor * ln (2 * probabilidades)
Resolviendo las ecuaciones anteriores para pdo, obtenemos
DOP = Factor * ln (2), por lo tanto
Factor = pdo / ln (2);

Desplazamiento = puntuacin? {Factor * ln (Odds)}


Por ejemplo, si se est ampliando un cuadro de mandos que el usuario desea
probabilidades de 50:1 a 600 puntos y queran que las probabilidades se duplique cada 20
puntos (es decir, DOP = 20), y el factor de desplazamiento seran:
Factor = 20 / ln (2) = 28,8539
Offset = 600 - {28.8539 ln (50)} = 487.123
Y cada puntuacin correspondiente a cada lote de apuestas especiales (o cada atributo)
puede ser calculado como:

Puntuacin = 487.123 + 28.8539 ln (odds)


La misma frmula puede usarse para escalar cuadros de mandos que o triples
cuadruplicar las probabilidades cada pocos puntos. "Puntos de duplicar las probabilidades"
sin embargo, es la escala ms ampliamente utilizado en la industria de riesgo de crdito.
Esta frmula se puede utilizar para generar puntuaciones para cualquier caso, el uso de
cualquier
modelo que puede generar una probabilidad de malos, o probabilidades. Esto hara
incluir modelos desarrollados con tcnicas distintas de regresin, como se ha
ha discutido en este libro.
Desde el cuadro de mando aqu se est desarrollando con el peso de la evidencia
como entrada, la relacin anterior puede ser modificado como:

AY = peso de la evidencia para cada atributo se agrupan


= coeficiente de regresin para cada caracterstica
un trmino de interseccin = de regresin logstica
n = nmero de caractersticas
k = nmero de grupos (de atributos) en cada caracterstica
La frmula se calcula la puntuacin que se asignar a cada
atributo se agrupan, para cada caracterstica en la tarjeta de puntuacin desarrollado,
y sumando todas las puntuaciones para cada atributo proporcionara entonces la

puntuacin final. En este punto vale la pena sealar que la tendencia y la diferencia
entre los pesos de las pruebas en los atributos agrupados afectar a la
puntos asignados utilizando este enfoque. Esto pone de relieve la importancia
colocado tanto en el mantenimiento de una tendencia lgica de dolor y tratando de maximizar
las diferencias en la AY de los grupos sucesivos.

CDIGOS ADVERSOS En algunas jurisdicciones, especialmente en los Estados Unidos,


los prestamistas estn obligados a dar a los prestatarios razones para rechazar su solicitud.
Esto se hace usando los cdigos adversos. Usando la metodologa para
la asignacin de las puntuaciones anteriores, cdigos adversos pueden ser generados
mediante la obtencin de primera
una "puntuacin neutral." El puntaje neutral sera el resultado cuando la
WOE es 0. En la ecuacin anterior, una vez que el factor de desplazamiento y son
obtenido, se puede sustituir WOE= 0 en la ecuacin para obtener el neutro
puntuacin. La ecuacin para la puntuacin neutra es por lo tanto:

Cualquier caracterstica por la que las puntuaciones por debajo de la demandante neutral
puntuacin es entonces una razn potencial para la disminucin, ya que la probabilidad de
estar
mal sobre la base de esta caracterstica es ms de 50% (nota, en AY = 0,
la probabilidad de ser bueno o malo es el 50%). Un ejemplo de cmo se
solicitante califica en una tarjeta de puntuacin se muestra en el Cuadro 6.16. La exposicin
Tambin proporciona la calificacin neutral para este cuadro de mando.

Basado en los resultados de este solicitante, sus tres principales razones para el
declive
sera Consultas 3 Meses, Cdigo Postal, y su utilizacin. Estos son
las tres caractersticas ms bajo de puntuacin por debajo de la puntuacin
neutral.
Algunas instituciones tambin calculan el "puntaje neutral" sobre la base de la
puntaje promedio ponderado de cada atributo. Un ejemplo de los valores
ponderados
clculo de la media de "Tiempo en la residencia" se muestra en el Cuadro 6.17.
La media ponderada se calcula usando la frmula:

El cdigo adversa se genera mediante atributos que el solicitante


puntuaciones por debajo de la puntuacin media ponderada calculada.
Clasificacin en la
este caso se puede hacer mediante el clculo de la diferencia porcentual entre
la puntuacin del solicitante y de la media ponderada, para todas las
caractersticas
cuando el solicitante ha marcado por debajo de la media ponderada de los tresmayores diferencias se convertiran entonces en las tres principales razones para
el declive.
PUNTOS ASIGNACIN
Una vez que se produce el cuadro de mando final, la asignacin de los puntos
para cada
atributo y la fuerza global de la tarjeta de puntuacin, se deben revisar.
La asignacin de puntajes tiene que ser lgicos, siguiendo las tendencias
establecidas
en el anlisis de las caractersticas iniciales. Un ejemplo de asignacin de
puntaje
dos tarjetas desarrolladas por separado se muestra por "edad" en el Anexo 6.18.
Scorecard 1 tiene una distribucin lgica, conforme aumenta la edad, los
solicitantes son
dado ms puntos. Esto encaja bien con la distribucin del peso de atributo
y con experiencia en los negocios. Cuadro de mando 2, sin embargo, contiene un

reversin al atributo "27-29". Esto podra haber sido causado por la correlacin
o alguna peculiaridad en los datos de la muestra. Esto tambin sucede cuando
dos
grupos tienen pesos que no estn lo suficientemente separadas. Tenga en
cuenta que si el
es seguido enfoque descrito en este libro, con la agrupacin lgica y
regresin utilizando WOE, este tipo de inversin no va a suceder. Estos tienden
que se produzca cuando se utilizan los datos en bruto como insumo en regresin
y, a continuacin,
las puntuaciones se asignan utilizando otros mtodos. Dado que este es el nico
reversin
en esta caracterstica, y el resto de la asignacin de puntos es lgico, una
alteracin crtico de la asignacin de puntos se realiza normalmente.
Dependiendo de la severidad de la reversin, y el orden de los puntos
asignacin para el resto de los atributos, caractersticas de reagrupamiento y un
puede ser necesaria la revisin de la regresin paso a paso.
Este ejercicio se convierte en un proceso hasta una estadstica y repetitivo
operacionalmente se produce scorecard aceptable.
LA ELECCIN DE UN CUADRO DE MANDO

La mayora de Desarrolladores cuadro de mando produciran por lo menos dos o


tres diferentes
cuadros de mando como parte de cualquier proyecto. El desarrollo de varias
tarjetas diferentes
se convierte en una opcin ms fcil, dada la cantidad de control y
flexibilidad asociada con el mtodo de desarrollo se muestra en este libro.
La eleccin de un sistema de puntuacin final, entre ellos consiste en responder
a dos
cuestiones, a saber: Qu tarjeta de puntuacin es el mejor? y, Qu tan bueno
es el
cuadro de mando? Las preguntas se responden utilizando una combinacin de
estadstica
y medidas de negocios.

LA CLASIFICACIN ERRNEA
Cuadros de mando estn diseados para predecir la probabilidad de un caso de ser bueno
o malo. Ms importante an, como modelos predictivos, que se utilizan para diferenciar
entre los casos positivos y negativos. Estadsticas son una clasificacin errnea
buena forma de determinar si un cuadro de mando est proporcionando la diferenciacin
derecha.
Por razones operativas, las empresas normalmente eligen un
nivel mnimo de la tasa de mala aceptable (basado en una puntuacin) como un "punto de
corte".
Solicitantes con puntuaciones por debajo del punto de corte se redujo de crdito o servicios,
o etiquetado como fraudes potenciales. Como resultado de ello, siempre hay una posibilidad
de que un
bien real se pueden clasificar como malo, por lo que rechaz, y vice
versa. Lo mismo es cierto para los cuadros de mando de comportamiento donde un punto de
corte se utiliza para
decidir las acciones positivas o negativas en ciertas cuentas. Para garantizar una mejor
servicio al cliente, la tarjeta de puntuacin final, aqu tiene que ser elegido como
que el nivel de tales errores de clasificacin se reduce al mnimo.
Hay varias medidas utilizadas para medir el nivel de tales errores de clasificacin,
y comparar las diferentes tarjetas. Estas medidas comparan la
nmero de verdaderos bienes y males con el nmero de productos previstos y
males de un cierto lmite. "Bienes" y "malos" aqu se refieren a los casos anteriores
y por debajo de la de corte propuesto.
Las medidas se basan en una confusin (o errores de clasificacin) de la matriz,
como se ilustra en el Cuadro 6.19.
Una mejor tarjeta de puntuacin sera aquel en el que se maximizan los casos "reales",
y por el contrario, los casos "falsos" minimizados. Hay cuatro principales
medidas utilizadas para medir errores de clasificacin:

Precisin: (verdaderos positivos y negativos) / (total de casos)


Tasa de error: (falsos positivos y negativos) / (total de casos)
Sensibilidad: (verdaderos positivos) / (total de positivos verdaderos)
Especificidad: (verdaderos negativos) / (total de negativos reales)

Estas estadsticas pueden ser interpretadas en trminos de negocio:


Falso Positivo-La aceptacin de males
Verdadero Positivo-Aceptacin de los bienes
Bienes negativo Disminucin False
Los verdaderos males Negativo-Decline
En base a estas medidas, una empresa puede decidir entonces, por ejemplo, a
maximizar el rechazo de males. En este caso, tpicamente donde los cuadros de
mando
se estn construyendo para reducir las prdidas, elegira el cuadro de mandos
que
maximiza la especificidad. En el caso de que la empresa desea obtener
mayor participacin en el mercado y no le importa que se aprueba algunos
males, puede
minimizar el rechazo de la mercanca por la eleccin de la tarjeta de puntuacin
que maximiza
sensibilidad. Por consiguiente, las estadsticas aqu se utilizan en el contexto
de los objetivos de negocio para el que se desarrolla el cuadro de mando.
Esto debera reforzar la importancia de decidir sobre un objetivo para
desarrollo de scorecards, como se discuti en la seccin "Creacin de Empresas
Seccin Plan "del Captulo 3.
Cuando varios modelos se han desarrollado para la comparacin, estos
las estadsticas se deben generar para cada uno, en base a puntos de corte
similares (por ejemplo,
sobre la base de 70% de tasa de aprobacin definitiva o mala tasa de 5%).
Tenga en cuenta que en el cuadro de mandos se ha desarrollado sin ajustar

de sobremuestreo, los nmeros de la matriz de errores de clasificacin necesitan


ser
ajustado para reflejar los cargos correspondientes. Esto se hace mediante la
multiplicacin celular
cuenta de ponderacin de la muestra 1 y 2, como se muestra en el Cuadro
6.20.
FUERZA SCORECARD
Fuerza Scorecard es la medida estadstica de capacidad predictiva scorecard.
La mayor parte de las medidas comnmente utilizados en la industria son para
comparativa
propsitos, y no absoluta. Estas medidas se utilizan normalmente en
conjuntamente con las medidas de clasificacin errnea, como se detalla en el
anterior
seccin y estratgica consideraciones para seleccionar la tarjeta de puntuacin
preferida final.
En algunos casos, se comparan los cuadros de mando utilizados previamente o
actual

contra los nuevos en construccin. Hay que tener cuidado con este tipo de
comparaciones,
como los cambios en los datos, perfiles de candidatos, as como las estrategias
de marketing
pueden hacer estas comparaciones irrelevantes o dbil en el mejor. Por ejemplo,
si la tarjeta de puntuacin actual se ha vuelto inestable e inutilizable, sera

no sea importante para comparar, por ejemplo, el KS de este cuadro de mando


con
el anterior, cuando se desarroll. Cuadros de mando siempre se deben
desarrollar
en un "mximo empeo" dados los datos. Hay empresas que se remontan
en la historia y el uso de los nuevos y existentes tarjetas de marcar un
grupo de cuentas y, a continuacin, realizar el seguimiento del desempeo de
los cuadros de mando.
De nuevo, si la tarjeta de puntuacin actual no es estable, este ejercicio es
completamente
irrelevante para las circunstancias actuales. En caso de que sea necesario
referencia el modelo actual, la mejor manera sera desarrollar modelos
usando varios enfoques que utilizan los mismos datos. Por ejemplo, uno
podra construir cuadros de mando mediante regresin logstica con las variables
agrupadas,
regresin logstica con datos en bruto, la red neuronal, y un rbol de decisin,
y luego comparar el poder predictivo de cada uno. De esta manera, la fuerza
o debilidad del mtodo y modelo preferido estara indicada mejor.
Entre los mtodos utilizados para comparar scorecard poder predictivo
incluir estadsticas como:
AIC (Criterio de Informacin de Akaike). Sanciona para agregar
parmetros en el modelo. Se prefieren valores bajos de AIC.
SBC (SchwarzBayesian criterio). El SBC tambin penaliza
para la adicin de parmetros para el modelo. Se prefieren valores bajos de SBC.
En el caso de "perfil de riesgo" cuadros de mando construido con la
mtodos descritos en este libro, el SBC y AIC no puede ser la
mejores mtodos para medir la fuerza, ya que aqu la prima ha sido
colocado en tener un cuadro de mando de base amplia en lugar de uno con
las caractersticas mnimas absolutas.
KOLMOGOROV-SMIRNOV (KS). Mide la vertical mxima
separacin (desviacin) entre las distribuciones acumulativas
de bienes y males. La debilidad de este mtodo es que la separacin
se mide slo en un punto (que puede no ser
alrededor del punto de corte esperado), y no en toda la partitura
rango. Si el cuadro de mando de corte previsto es en la parte superior o inferior
rango de calificaciones, este mtodo puede no ser un buen indicador de la
Comparacin de cuadro de mando. En tales casos, podra ser mejor comparar
la desviacin en el lmite previsto, ya que es donde la mxima
es ms necesaria la separacin. Anexo 6.21 muestra un ejemplo de
Clculo KS para dos tarjetas donde mide la mxima KS
ocurrir en las puntuaciones de 205 y 215, respectivamente. Scorecard "A"
es ms fuerte que el cuadro de mando "B" desde "A" tiene una desviacin
mxima

de alrededor de 41% en comparacin con aproximadamente el 15% para cuadro


de mando "B"
C-ESTADSTICA. Este es el ms poderoso no paramtrico de dos muestras
prueba, y la medida es equivalente al rea bajo la

Curva caracterstica de operacin (ROC), el coeficiente de Gini y el


Wilcoxon-Mann-Whitney8 prueba. Mide el rendimiento clasificador
en todos los rangos de puntaje y es una mejor medida de la general
fuerza scorecard. El c-estadstica mide el rea bajo la
La sensibilidad frente a (1 - especificidad) Curva para todo el rango de clasificacin. Un
ejemplo de un cuadro de mando comparacin con el c-estadstica se da en
Anexo 6.22, donde Scorecard "A" es ms fuerte, ya que tiene una mayor
rea bajo la curva ROC de Scorecard "B."
La lnea de "random" indica estadstico c = 0,5. Por lo tanto, para un cuadro de mando
a ser mejor que la seleccin aleatoria, el c-estadstica debe estar por encima de
0.5. En la mayora de los casos en que se estn utilizando bien los datos, un c-estadstica de
0,7 y
supra se considera adecuada.
En algunas soluciones de desarrollo de cuadro de mando, como SAS Credit
Marcar puntos, se genera automticamente esta estadstica. El cdigo que se muestra en
Prueba 6.23 muestra un ejemplo de algunas SAS code9 que se puede escribir
para calcular el c-estadstica.

CURVA DE LORENZ. Una medida similar a la curva ROC se utiliza en la


industria para comparar modelos es graficar la distribucin de los "malos"

casos y casos totales por deciles en todos los rangos de puntaje. Es


conocida como la curva de Lorenz, y las medidas de la eficacia de un cuadro de
mando

aislados de los males y los bienes en deciles seleccionados. Un ejemplo


de una curva de Lorenz se muestra en el Cuadro 6.24.
En la figura 6.24, por la parte inferior del 60% de la muestra total, Scorecard
"A" asla aproximadamente el 90% de todos los males, mientras que la tarjeta de
puntuacin "B" slo asla
alrededor del 80%. Por lo tanto, cuadro de mando "A" muestra mayor
dinamismo.
Tenga en cuenta que la relacin entre el rea entre la curva de Lorenz y de un
cuadro de mando
la lnea de 45 grados, en toda el rea triangular bajo la lnea de 45 grados,
Tambin es equivalente al ndice de Gini.
Es importante para comparar el rendimiento scorecard en operacionalmente
deciles lgicos, lo que significa que si la tasa de aprobacin esperada es
alrededor del 60%, entonces el rendimiento se debe comparar en el percentil
60%
marcar. Comparar el rendimiento en el 10% ms bajo es irrelevante
cuando lo que se necesita en la aplicacin es el mejor rendimiento, en 60% en
este caso. Sin embargo, cuando se trata de cuadros de mando, tales como la
quiebra o
respuesta, haciendo comparaciones en los percentiles ms bajos tiene sentido
y debe hacerse-ya que en estos casos, el objetivo es aislar la
peor / mejor algunos artistas para la accin.

Al igual que con otras decisiones que se han hecho durante el scorecard
proceso de desarrollo, la de seleccionar un sistema de puntuacin final tambin
debe ser

hecho con los objetivos de desarrollo de scorecards en mente. Esto puede


llame para su posterior anlisis para determinar qu tarjeta de puntuacin, por
ejemplo,
maximiza falsos positivos lucro o minimiza (para tarjetas de fraude), a una
elegido de corte. El objetivo es elegir primero el cuadro de mandos que mejor
ayuda a la compaa a alcanzar sus objetivos estratgicos y, a continuacin,
confirme
que tiene un poder estadstico aceptable.
Hay otras medidas disponibles para medir scorecard
fuerza, incluyendo:
TABLA DE GANANCIAS. Valor predicho positivo acumulado vs distribucin
de positivos previstos (profundidad).
RESTAURANTE / CURVA DE CONCENTRACIN. Sensibilidad vs profundidad.

Levante =
Valor predicho positivo/% De positivos en la muestra

COSTES DE CLASIFICACIN ERRNEA. Cuando se asignan las prdidas de


falso positivo
y los casos de falsos negativos. La regla de decisin ptima minimiza
del total previsto cost.10
REGLA DE BAYES. Esto minimiza el costo esperado (es decir, la clasificacin
errnea totales
costo). La regla de Bayes y costes de clasificacin errnea son difciles de
aplicar en la prctica, debido a problemas en la obtencin de la prdida de
precisin
nmeros.
RELACIN COSTO. Relacin de costo es la relacin del coste de clasificacin
errnea de un
riesgo de crdito malo como un buen riesgo (falso negativo) para el coste de
clasificacin errnea
un buen riesgo como malo (falso positivo). Cuando se utiliza para calcular
el punto de corte, la relacin coste tiende a un mximo de la suma de los dos
proporciones de clasificacin correcta. Esto se hace mediante el trazado de la
la proporcin de costo contra la sensibilidad y la especificidad. El punto en el que
dos curvas cumplen tiende a ser el punto en el que tanto la sensibilidad y
especificidad se maximizan.

D DE SOMERS, GAMMA, TAU-A. En base a los nmeros de concordante


y las parejas discordantes. Estas medidas estn relacionadas con la
c-estadstica.
VALIDACIN
Una vez que se ha seleccionado la tarjeta de puntuacin final, los resultados de
la modelizacin
deber ser validado. La validacin se realiza para confirmar que el
modelo desarrollado es aplicable a la poblacin sujeto, y para asegurar
que el modelo no se ha overfitted. Como se mencion anteriormente, se
recomienda
que el modelado se realiz con un 70% o al azar
80% de la muestra de desarrollo, mientras que el restante 30% o 20%
"Muestra de reserva" se mantendr para su validacin. Si el cuadro de mando
est siendo
desarroll en una pequea muestra, puede ser necesario desarrollar en
100% de la muestra, y validar en varios seleccionados al azar a 50%
80% de las muestras.
El primer mtodo de validacin es comparar las distribuciones de anot
bienes y males a travs de las dos muestras. Anexo 6.25 se muestra un ejemplo
de validacin realizado en una muestra de reserva de 20%, y en comparacin
con la
muestra el desarrollo.

El cuadro de mando se considera validado si los dos conjuntos de datos no son


significativamente
diferente. Por lo general, un examen visual de las dos curvas es
suficiente para este propsito. Sin embargo, cualquier medida de bondad de
ajuste, tales
como mtodo de mnimos cuadrados o el valor de la informacin tambin puede
ser utilizada.
Un segundo mtodo de validacin es comparar las estadsticas de desarrollo
para el desarrollo y las muestras de validacin. Un ejemplo se da en
Anexo 6.26.
El cuadro de mando se considera validado donde no hay diferencia significativa
entre las estadsticas para las dos muestras.
Un mtodo adicional para realizar la validacin es comparar la divergencia
estadstica para el desarrollo y la validacin de las muestras no aceptantes.
Divergencia
se puede calcular usando la frmula:
Nota:
Una validacin de preimplantacin ms tambin se lleva a cabo por separado a
confirmar que el perfil de reciente solicitante es similar a la de el desarrollo
muestra. Esto se discutir ms adelante en el captulo 8.

donde Meang, meanB, Varg y varB son los medios y las diferencias de la
anot poblaciones buenos y malos, respectivamente.
La validacin tambin puede realizarse mediante la comparacin de la relacin
de bueno / malo
por rango de puntuacin para el desarrollo y la validacin de las muestras. Si no
hay
diferencia significativa en las tasas de malas por puntuacin de las dos
poblaciones,
el cuadro de mandos se considera validado.
Diferencias significativas en ninguno de los mtodos anteriores requieren
su posterior anlisis. Por lo general, las caractersticas con grandes rangos de
puntaje presentan
problemas, ya que un pequeo cambio en la distribucin de la poblacin pueden
causar una

cambio significativo en las puntuaciones. Lo mismo es cierto para los cuadros de


mando desarrollados con
muestras pequeas y las desarrolladas en muestras aleatorias. Estos son en
Adems del desarrollo de modelo de malo, si las caractersticas seleccionadas
para el modelo han overfit los datos.

NOTAS FINALES
1. SAS InstituteInc 1990. Gua de Procedimientos SAS, versin 6, primera edicin.
Cary, Carolina del Norte:
SAS Institute.
2. Kent Leahy. "Multicolinealidad: cuando la solucin es el problema." En el OP
Rud. 2001. Datos Cookbook Minera. Hoboken, NJ: John Wiley&Sons.
3. S. Kulback. 1959. Teora de la Informacin y Estadstica. Hoboken, NJ: John
Wiley &
Sons.
4. SAS Institute Inc. 2004. SAS 9.1.3 Ayuda y Documentacin. Cary, Carolina del
Norte: SAS
Instituto.
5. Ibid.
6. G. G. Chandler y J. Y. Coffman. 1977. "Uso de la puntuacin de crdito para
mejorar la

Papel Implicaciones Legales y Estadstico ", presentado; Calidad de Crditos al


Consumidor.
en las reuniones de la Asociacin de Administracin Financiera, Seattle,
Washington.
7. G. J. McLachlan. 1975. "Procedimiento iterativo Reclasificacin para construir
un
Asintticamente regla ptima de asignacin en el anlisis discriminante. "Journal
of
Asociacin Americana de Estadstica 70, 365-369.
8. D. J. mano. 1997. Construccin y evaluacin de las normas de clasificacin.
Hoboken, NJ:
John Wiley & Sons.
9. W. J. E. Potts y M. J. Patetta. 2001. Modelos predictivos mediante regresin
logstica:
Notas del curso. Cary, Carolina del Norte: SAS Institute.
10. G. J. McLachlan. 1992. Anlisis discriminante y estadstico Reconocimiento de
Patrones.
Hoboken, NJ: John Wiley & Sons, B. D. Ripley. 1996. Reconocimiento de Formas e
Redes Neuronales. Cambridge, UK: Cambridge University Press; DJ Hand.
Construccin y evaluacin de las normas de clasificacin.

CAPTULO 7
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 5: GESTIN SCORECARD
INFORMES
Una vez seleccionada la tarjeta de puntuacin final, una suite completa de
gestin
se elaboraron informes. Estos informes son herramientas de gestin, que se
utiliza para la fabricacin de
decisiones operacionales tales como decidir el corte scorecard, el diseo

adquisicin de cuenta y las estrategias de gestin y control


rendimiento scorecard futuro. Estos informes debern ser diseados y
producido para ayudar a los usuarios empresariales a responder preguntas tales
como: "Dnde
debo configurar mi corte para cumplir mis objetivos? "y" Qu impacto tendr
que tienen en mi cartera? "Por lo tanto, una buena prctica es conseguir el final
de entrada de los usuarios en lo que informa que encontraran til para la toma
de decisiones,
y usar eso como una gua para la produccin de informes.
Estos suelen incluir puntuacin de desarrollo y las caractersticas del cuadro de
mandos
distribuciones, malos cuadros tarifarios / de aprobacin previstos, y los efectos
de
el cuadro de mando en subpoblaciones clave. Estas gestin scorecard
informes se ejecutan en el conjunto de datos de desarrollo de scorecards,
incluyendo indeterminados
e inferidos rechaza en su caso.
Adems de estos informes de gestin, documentacin scorecard
debe ser producido detallando los anlisis realizados en cada fase clave
del proyecto (por ejemplo, desarrollo de casos de negocio, la definicin de bien /
mal /
indeterminado, las exclusiones, la segmentacin, el muestreo y la recoleccin de
datos,
anlisis inicial caracterstico, el desarrollo del modelo, rechazar la inferencia,

Estadsticas del cuadro de mandos de rendimiento y validacin), y el resultado


generado.
Esto sirve como material de referencia para la evolucin futura de los cuadros de
mandos,
requisitos de auditora y cumplimiento, futuros empleados y
solucin de problemas, si surgen problemas scorecard.
TABLA GANANCIAS

Una tabla de ganancias incluye una distribucin del total de casos, el bien y mal
por
puntajes individuales o rangos de puntuacin. Un ejemplo de una seccin de una
ganancias
mesa, utilizando las puntuaciones individuales, se muestra en el Cuadro 7.1.
Tablas de ganancias se producen en toda la muestra, as como para seleccionado
subpoblaciones. La informacin clave en esta tabla es la siguiente:
Los tipos de malos esperados para cada rango de puntuacin o puntaje (es
decir, el intervalo
o mal tipo marginal)
Los tipos de malos esperados para todos los candidatos que superen un cierto
puntaje (es decir,
mala tasa acumulada)
Las tasas de aprobacin previstos en cada puntuacin
Esta informacin se utiliza en conjuncin con financiera y operativa
Consideraciones a tomar decisiones es de corte-que, basndose en una mala
esperado
rate o aprobacin, a qu corte debe ser aprobado nuevos candidatos?
El objetivo de producir ganancias de tablas para subpoblaciones es identificar
efectos anormales en segmentos crticos de negocio, por ejemplo, por lo general,
scorecards desarrollados en una poblacin madura penalizarn ms joven
clientes (un caso para tarjetas segmentados). Subpoblaciones tpico puede
incluir geogrfica, fuente de negocio, la edad actual / nuevos clientes,
segmentos para ser dirigidos en futuras campaas, etc.

La distribucin de la poblacin de la muestra por puntuacin tambin se utiliza


como un
base para la estabilidad scorecard y los informes finales puntuacin utilizado
para cuadro de mando
monitoreo (que se tratarn en el captulo 9).
INFORMES CARACTERSTICOS
Estos informes proporcionan distribuciones para cada caracterstica incluida en

el cuadro de mando, as como la tasa de aprobacin y mala tasa para cada


atributo
segn puntuacin. Un ejemplo de un informe caracterstica se muestra en el
Cuadro 7.2.
La parte superior de la exposicin se utiliza como base para la caracterstica
informes de anlisis (vase el Captulo 9) realizaron como parte de cuadro de
mando normal
monitoreo. La parte inferior se utiliza para determinar los efectos de cualquier
propuesta
punto de corte en la poblacin por atributos del cuadro de mandos, as como
segmentos
considerado valioso para la organizacin. En la figura 7.2, si el punto de corte
se ha fijado en 212, se aprob slo el 58% de los 18-22 aos de edad, en
comparacin
a una tasa de aprobacin del 92% de las personas 44 aos y ms. Esto puede
ser
aceptable para algunas organizaciones, pero quizs no a uno en busca de
atraer a candidatos ms jvenes. Informes similares producidos para mostrar la
mala tasa esperada para cada segmento, por el punto de corte, le avisar de
negocios
usuarios a cualquier subpoblacin demasiado arriesgado ser aprobados.
Opciones para
tal escenario sera la de tratar de desarrollar un cuadro de mando segmentado
candidatos ms jvenes, para maximizar el rendimiento en este segmento, o
para usar
la misma puntuacin con diferentes puntos de corte para diferentes segmentos.

Una variante de la caracterstica de informe-en el que su distribucin en el


desarrollo,

y la tasa de aceptacin por segmentos se generan por las caractersticas


no incluidos en el cuadro de mando-es tambin muy recomendable.
Estas caractersticas deben ser elegidos para representar a las subpoblaciones
clave
o de los mercados de destino, para medir los efectos de cualquier cortes en un
segmento particular
con ms detalle. Dichos informes pueden usar para personalizar estrategia para
cada segmento, incluyendo el establecimiento de diferentes puntos de corte
para cada uno.
La produccin de estos informes normalmente marca el final de la tabla de
puntuacin
proyecto de desarrollo. En los siguientes captulos se ocuparn de cmo estos
cuadros de mando se implementan y se utilizan para la toma de decisiones.

CAPTULO 8
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 6: CUADRO DE MANDO
IMPLEMENTACIN

Esta seccin se ocupa de los anlisis post-desarrollo y cubrir tres


reas principales:
1. La comprensin de los anlisis y las consideraciones comerciales en la
aplicacin de
scorecards riesgo.
2. Entender cmo se utilizan los cuadros de mando e informes de gestin.
3. La comprensin de cmo se desarrolla la estrategia.
VALIDACIN DE PREIMPLANTACIN
Actividades despus de preimplantacin desarrollo de scorecards incluyen
pruebas
la precisin de puntuacin y la validacin de cliente. Esta validacin es
similar a la realizada como parte del desarrollo cuadro de mando, pero con
diferentes objetivos. Considerando que el objetivo era previamente para
confirmar la
solidez de la tarjeta de puntuacin mediante la comparacin de las
distribuciones de desarrollo
y conjuntos de datos de validacin, el objetivo aqu es para confirmar que el
cuadro de mando
desarrollado es vlido para la poblacin actual solicitante. En algunos casos
donde la muestra de desarrollo es de dos o tres aos, los cambios significativos
en el Perfil del contratante pueda haber ocurrido, y necesitan ser identificados.
La
resultados de esta validacin tambin se utilizan como parte del anlisis para
establecer puntos de corte.

Antes de que se puede realizar la validacin, todo nuevo interior y exterior


caractersticas del cuadro de mandos tienen que ser programados en datos
externos
interfaces (por ejemplo, la oficina de crdito), as como en el procesamiento de
la solicitud

y los sistemas de toma de decisiones de modo que estas caractersticas se


pueden utilizar
para la puntuacin.
Una vez que todas las caractersticas se han programado, prueba de precisin
del cuadro de mando se puede hacer. Informes de validacin se pueden producir
en el marco
de las pruebas de precisin para hacer el proceso ms eficiente. Idealmente, la
prueba
se debe hacer en el mismo entorno en el que el cuadro de mando es
ser aplicado (es decir, en las regiones de prueba del sistema de produccin). Si
el
rea de prueba no est disponible, los programas en, por ejemplo, cdigo de SAS
necesitan estar
escrito para simular puntuacin y generar distribuciones de la poblacin. Este,
Sin embargo, no da una representacin exacta de cmo el actual
sistema de produccin va a interpretar las diversas caractersticas de
puntuacin,
especialmente calculados, y puede conducir a predicciones incorrectas. Es
por lo tanto, esencial que la prueba de precisin como se estrechamente
alineado con
condiciones reales de produccin como sea posible.
Una vez que la precisin anotar se ha establecido, la validacin de aplicaciones
para usuario
informes pueden ser generados por anotar aplicaciones recientes utilizando la
nueva
cuadro de mando, y la comparacin de sus distribuciones con la del desarrollo
muestra. Por lo general, anotando slo el ms reciente grupo de aplicaciones
est hecho para esto. Sin embargo, es una buena prctica hacer este anlisis
para varios
perodos recientes en los que se dispone de datos (por ejemplo, el mes pasado,
el pasado
a tres meses, seis meses, etc) con el fin de detectar cualquier emergente
tendencias, o para confirmar que las desviaciones en un mes en particular no lo
hacen
representan una tendencia a largo plazo.
Normalmente, se producen estabilidad y caractersticos informes de anlisis del
sistema
para esto. Estos informes pueden ser generados tanto para la aplicacin y
scorecards comportamiento.
INFORME SOBRE LA ESTABILIDAD DEL SISTEMA

Un ejemplo de un informe de la estabilidad del sistema se muestra en el Cuadro


8.1. Nota
que el informe de la estabilidad del sistema tambin se conoce como la
poblacin veces
estabilidad o informe de estabilidad scorecard.

El "Real%" y "% esperado" columnas denotan la distribucin


de los casos para muestras recientes y el desarrollo, respectivamente, para cada
uno de los
la puntuacin oscila especificado.
El ndice tal como se muestra mide la magnitud del cambio de la poblacin
entre los solicitantes recientes y esperados (en el ejemplo de desarrollo).
Este ndice se calcula como:

(% Real - % Esperado) ln (% real /% esperado)


para todos los rangos de puntaje.
En general, un ndice de menos de 0,10 no muestra ningn cambio significativo,
0,10-0,25 denota un pequeo cambio que necesita ser investigado, y un
ndice superior a 0,25 puntos a un cambio significativo en la poblacin
demandante.
Otros mtodos, como el Chi cuadrado con un nivel de significacin,
tambin puede ser utilizado para medir la magnitud del desplazamiento. El
mtodo
se muestra en el Cuadro 8.1 es uno usado ampliamente en la industria.
Una manera an ms para confirmar la naturaleza del cambio de la poblacin es
para ver

un grfico de las distribuciones actuales frente esperado solicitante por


puntuacin.
Esto puede proporcionar informacin adicional (por ejemplo, si el cambio en la
resultados es hacia abajo, hacia arriba, o curtosis).
El ndice anterior no es un fin-toda medida. Factores tales como las tendencias
(Is
el cambio de una ocurrencia o algo ms a largo plazo temporal?)

magnitud del desplazamiento, y las razones para el cambio tambin se deben


tener en
cuenta antes de decidir si un cambio de la poblacin es importante.
Los cambios en las puntuaciones pueden deberse a varias razones:
El cambio en el perfil de candidato independiente (por ejemplo, el cambio
demogrfico).
Las campaas de marketing de nicho, la competencia, etc. Por ejemplo,
si los solicitantes del mes reciente eran notablemente ms joven o
se concentraron en un rea en particular, esto puede ser debido a centrado
actividad de marketing. Cambios en el producto, tales como la adicin de
programas de fidelizacin, los cambios en la estructura de tasas, "ningn inters
para seis
mes edulcorantes de tipo ", o cambio de canales no tradicionales, puede
tambin atraen a otro tipo de solicitante. La competencia externa, en particular
de nuevos participantes en el mercado que se dirigen a una estrecha
demogrfica-como monoline compaas de tarjetas de crdito que se dirigen
profesionales-tambin puede afectar a la composicin de sus candidatos. En
scoring de comportamiento, las autorizaciones ms agresivas o una lnea de
crdito
estrategias de gestin, la introduccin de programas de lealtad, revisin de
intereses,
venta cruzada, y otras actividades pueden cambiar el perfil de los
clientes existentes.
Error en la codificacin. Esto es tpicamente un error sistemtico.
Los errores en la captura de datos, por lo que los datos representan una
aleatoria
o muestra incorrectamente segmentado o exclusiones de la
muestra el desarrollo estn incluidos.
Un punto a tener en cuenta es que para que un informe de la estabilidad del
sistema puro, el solicitante
poblacin debe ser generado utilizando los mismos criterios de exclusin que el
muestra el desarrollo. Las empresas, sin embargo, realizar un segundo conjunto
de

anlisis de la tabla de puntuacin de corte en la que se incluyen todos los


solicitantes.
Esto es para proporcionar un anlisis ms realista de la tasa prevista de
aprobacin,
y de los efectos de la corte en segmentos clave.
El informe de la estabilidad del sistema slo indica si un cambio tiene
se produjo, y da una indicacin de la magnitud. Por decisin de negocios
hacer, averiguar el origen del cambio de la poblacin es mucho ms
importante, ya que slo permite que las medidas correctivas que deben tomarse
en
necesario.

Nuevas investigaciones para determinar la causa del cambio se puede hacer


a travs de:
Realizar un anlisis de las caractersticas de analizar los cambios en la tabla de puntuacin
caractersticas
Anlisis de los cambios en las caractersticas nonscorecard que se cree
tener un impacto en la calidad de solicitante y los que pueden
explicar las razones subyacentes de los cambios caractersticos del cuadro de mandos (ms
sobre esto en la siguiente seccin)
La recopilacin de informacin sobre las campaas de marketing y otros recientes
iniciativas

INFORME DE ANLISIS TPICO


El informe de anlisis de caractersticas proporciona informacin sobre los cambios en
caractersticas de la distribucin de la tarjeta de puntuacin (y otros), y el impacto
en los resultados debido a ese cambio. Un ejemplo de un anlisis de las caractersticas
de "Age" se muestra en el Cuadro 8.2.
"Se esperaba%" y "Actual%" de nuevo se refieren a la distribucin de la
desarrollo reciente y muestras, respectivamente. El ndice se calcula aqu
simplemente por:

(% Real - % Esperado) x (Puntos)


para todos los rangos de puntaje.
Anexo 8.2 muestra un cambio hacia un aspirante ms joven, lo que resulta en
solicitantes con calificaciones sobre 2,63 puntos menos que en el desarrollo para la edad.

Los anlisis sobre todas las caractersticas del cuadro de mandos se realizan de
la misma manera
para sealar ms ampliamente las razones de los cambios de puntuacin.
Anlisis similares para comparar el desarrollo frente a las distribuciones actuales
se llevan a cabo por otras caractersticas, incluyendo:
Las caractersticas que no se encuentran en el cuadro de mando, pero se cree
que
tener un impacto en la calidad del solicitante. Estas caractersticas incluyen
fuertes
que no hicieron en el cuadro de mandos. Por ejemplo,
si los cambios en las caractersticas del cuadro de mandos apuntan a un
deterioro
calidad de los candidatos, la revisin de estas caractersticas nonscorecard
fuertes
ayudar a confirmar que el movimiento. Esto asegura que los
juicios sobre la calidad del solicitante se hacen con una variedad ms amplia de
informacin y por lo tanto ms robusto.
Las caractersticas que son similares a los de la tarjeta de puntuacin. Para
ejemplo, si la "edad" se encuentra en el cuadro de mandos, el seguimiento de
otros relacionados con el tiempo
caractersticas, tales como el tiempo en el empleo o la direccin, y la edad de
antiguo comercio puede explicar otras razones para el cambio en el solicitante
perfil. Si "consultas en los ltimos 6 meses" se encuentra en el cuadro de
mandos, el seguimiento
consultas en los ltimos tres y doce meses ayudarn a promover
explicar el cambio en las investigaciones. Caractersticas relacionadas todos
deberamos
moverse en la misma direccin (por ejemplo, los solicitantes mayores deben
tener
tenencias superiores en el trabajo o los archivos ms antiguos en la oficina).
Ejemplos de
otros tipos de informacin a las que se puede hacer esto incluyen los oficios,

demografa, consultas y los ratios financieros.


Cuando se utilicen relaciones en el cuadro de mandos, la distribucin de la
denominador y el numerador tambin deben ser rastreados para explicar
cambios en la relacin en s. Por ejemplo, si la utilizacin (balance
dividido por el lmite de crdito) ha disminuido, puede ser debido a cualquiera de
saldos
movimiento inferior o lmites de crdito se incremente.
Una vez ms, estos anlisis deben ser realizados para comparar el desarrollo
datos con los datos histricos recientes en los ltimos uno a seis meses, para
detectar
las tendencias y para validar que los cambios en las distribuciones no son
temporales
fenmeno.
Los cambios en las caractersticas anotadas y nonscored deben ser coherentes

y explicable con la lgica y las consideraciones comerciales. Si, por ejemplo,


El anlisis muestra que los solicitantes sean cada vez ms jvenes, sin embargo,
tienen una mayor "tiempo
en el empleo, "los errores de codificacin pueden estar ocurriendo. Tales cambios
ilgicos
debe ser investigado y explicado.
Y SI EL SCORECARD NO VALIDA?
Si el anlisis demuestra que la poblacin se ha desplazado de manera
significativa, el usuario es
dejado con algunas opciones. Reurbanizacin de la tarjeta de puntuacin puede
no ser una opcin viable
eleccin, ya que la muestra de datos de este nuevo desarrollo es probable que
venga
desde el mismo perodo que el cuadro de mando original, que no validan.
En tales casos, los usuarios pueden ajustar sus expectativas de la poblacin
demandante
basado en las nuevas distribuciones y ajustar ms de corte y otros
estrategias en consecuencia. Esto significa regenerar la gestin del cuadro de
mando
informes, como se indica en el apartado anterior, con la nueva distribucin total
nmeros, pero manteniendo la relacin de probabilidades en cada puntuacin
misma. En base a los anlisis cualitativos y cuantitativos, las malas expectativas
de tipo de
a continuacin, se puede cambiar tambin. Por ejemplo, si se considera que

la poblacin es de calidad inferior, las medidas conservadoras esperados


se pueden tomar para aumentar la tasa de "malos" expectativas y prstamo /
lnea de crdito
cantidades pueden reducirse en los mrgenes.
El anlisis cualitativo que hacer en este punto se basa en las razones
para los cambios en las puntuaciones. Por ejemplo, si todos los anlisis apuntan
a una ms joven
solicitante con niveles ms altos de delincuencia y menos estabilidad, los
el rendimiento esperado es obvia. En algunos casos, los cambios pueden ser
menos
as. Por ejemplo, los casos en que "la utilizacin de la lnea de crdito" se ha ido
por lo general
abajo denotan un menor riesgo. Esto podra ser debido a una disminucin en los
saldos
(Que se muestra realmente menor riesgo), o a un aumento del crdito disponible
lmites debido a la presin competitiva entre los bancos (que pueden no ser
indicativa de riesgo reducido). Entender estas razones turnos puntuacin
ayudar a hacer una evaluacin educada del rendimiento esperado.
Si las razones de los cambios puntuacin se entienden bien, cambia de anotar
puntos asignados tambin se puede intentar. Por ejemplo, en la industria
resultados de la competencia en los aumentos de lneas de crdito en general,
que artificialmente
disminuye la utilizacin, un menor nmero de puntos se pueden asignar a las
personas con menor
la utilizacin, para reflejar un riesgo superior a lo que se sugiere en el cuadro de
mandos.
Esto no es algo que debe ser tratado sin un conocimiento profundo
de las razones de los puntos de puntuacin de cambio, y es slo un "mejor
ajuste"
solucin de negocio a un problema. Otra opcin es aislar la razn
de cambio, y desarrollar un cuadro de mando separada de ella. Por ejemplo, el
banco
tradicionalmente dirigida personas con un historial de crdito establecido, pero
tiene
recientemente comenz a cortejar a los que son nuevos deudores. El primer
paso es, de
Por supuesto, hablar de marketing u otros departamentos de averiguarlo.
La cartera se puede dividir en dos segmentos, uno para la establecida
y la otra para los nuevos deudores, y dos cuadros de mandos independientes
desarrollados.
Tenga en cuenta que si el nuevo mercado deudor es totalmente nuevo para el
banco,
tendr que obtener una tarjeta de puntuacin genrica para empezar.

Tambin existen tcnicas estadsticas en virtud del cual el desarrollo


distribuciones de ejemplo se pueden "ajustar" a ser similares a ms
distribuciones recientes. Sin embargo, esto slo se ajusta las caractersticas, y
no puede representar el comportamiento desempeo de la muestra original.
La validacin de preimplantacin se completa una vez que se establezca
que el cuadro de mando es vlida para la poblacin actual solicitante. En este
punto, el trabajo de desarrollo de la estrategia puede comenzar.
DESARROLLO DE LA ESTRATEGIA
CONSIDERACIONES GENERALES
Cuadros de mando se desarrollan para ciertos objetivos de negocio. Una vez que
el
cuadro de mando se desarrolla, el usuario tiene que decidir cmo se va a utilizar
para
alcanzar esos objetivos. Esto implica la realizacin de anlisis correspondiente y
la puesta
decisiones en funcin del riesgo de, cuestiones tales como la puntuacin mnima
para
aprobacin (de corte), las lneas de crdito iniciales o los aumentos de lneas de
crdito automatizadas,
establecer las condiciones que se establecen normas de poltica, y la aplicacin
de
Estrategias "Challenger" en su caso. Por lo general, la validacin de aplicaciones
para usuario
se utilizan los informes en relacin con los informes de rendimiento esperados
para este propsito.
Desarrollo de la estrategia es la toma de decisiones, y, como en todas las
decisiones
hacer, hay varias cosas en general se debe tener en cuenta durante la
desarrollo de la estrategia:

EFECTOS EN LOS SEGMENTOS CLAVE. Cualquier estrategia implementada,


o la decisin
hecho, deben ser analizados por sus efectos en segmentos clave (por ejemplo,
regional, demogrfico, y el canal de distribucin). "Segmentos clave"
se refiere especialmente a aquellos segmentos considerados valioso para la
empresa,
o importantes mercados de destino. Esto reduce las posibilidades de
sorpresas, y permite a la empresa a tomar medidas como el uso de la
misma tabla de puntuacin, pero con diferentes puntos de corte para ciertos
segmentos.

La importancia de este anlisis es an mayor cuando separada


cuadros de mandos no han sido desarrollados para estos segmentos, y donde
el perfil del solicitante vara significativamente entre sectores (por ejemplo,
clienteramavs Internet).
"WHAT-IF" ANLISIS. Cuando las empresas estn utilizando una toma de
decisiones
motor, necesita "what-if" anlisis que se hizo por "Challenger"
estrategias. El propsito es obtener una primera idea de la
efectos de la nueva estrategia prevista en el negocio en marcha,
si va a funcionar mejor que el "Campen" existente y
el volumen de las cuentas de caer en cada escenario definido. Una vez ms,
el objetivo es tomar la decisin ms informada posible.
REGLAS DE DIRECTIVA. Implementacin de nuevas estrategias otorga a la
empresa
una oportunidad para revisar y mejorar las reglas de poltica, especialmente
al poner en las nuevas tarjetas. Especial atencin debe ser
atencin a la alineacin de las decisiones sobre la base de puntuacin y reglas
de la poltica,
para que ellos no niegan entre s, y la eficacia de
cada uno pueden ser rastreados y evaluados de forma independiente.
SCORING ESTRATEGIA
En entornos en los que se utilice un nico cuadro de mando para un segmento,
la estrategia de puntuacin es bastante simple. Cada solicitante o cliente, es
calificado usando esa tarjeta de puntuacin y juzgados sobre la base de un valor
de corte establecido.
Sin embargo, donde se utilizan mltiples cuadros de mandos, varios mtodos
estn disponibles. Mltiples usos-cuadro de mando se produce cuando, por
ejemplo, una
solicitante se anot para la delincuencia, la desercin, la quiebra, y la
rentabilidad,
y cuando se utiliza una oficina de crdito o cualquier otra tarjeta de puntuacin
basado en el exterior
para complementar el modelo de la casa.
Hay tres mtodos principales para la implementacin de un marcador mltiple
solucin:
1. Secuencial
2. Matriz
3. Hbrido Matrix-secuencial
SECUENCIAL Con este mtodo, la demandante se califica en cada cuadro de mando
secuencialmente, con puntos de corte separados. Ver Anexo 8.3.
Anexo 8.3 muestra un ejemplo de flujo de puntuacin secuenciales donde tres
tarjetas se utilizan para juzgar cada aplicacin. Tenga en cuenta que, adems

para "pasar" y "fracaso", otras decisiones, tales como "se refieren", tambin puede ser
utilizado. Sin embargo, esta estrategia se implementa mejor en absoluto "obstculos"
se estn utilizando, por ejemplo, el solicitante debe pasar una quiebra
calificacin o una puntuacin mnima oficina para ser aprobados y no hay
zonas grises. All donde existen zonas grises (por ejemplo, las puntuaciones de los ingresos),
una matriz
estrategia es mejor.
MATRIZ En el mtodo de la matriz de puntuacin, se utilizan mltiples tarjetas
simultneamente con la toma de decisiones sobre la base de una combinacin de los puntos
de corte
para las diferentes tarjetas. El ejemplo en el Cuadro 8.4 muestra una
matriz de riesgo esperado y churn (o la disminucin), donde las reas grises tienen
sido establecido.
Este enfoque se usa ms frecuentemente en donde necesita una seleccin equilibrada
a partir de diferentes tipos de, preferiblemente independiente, informacin.
Una buena cuenta de un cuadro de mando puede equilibrar una mala puntuacin de
otra, por ejemplo, qu quiere aprobar un bajo riesgo de morosidad

solicitante que tambin tiene una alta probabilidad de desgaste, o quieres


aprobar a alguien que es probable que sea delincuente, pero tiene una baja
probabilidad
de rodar hacia adelante para la cancelacin?
En el ejemplo en el Cuadro 8.4 muestra:
Los solicitantes que tengan una puntuacin alta morosidad (que indica un
riesgo bajo) y
un alto churn puntuacin (que denota una baja probabilidad de prdida de
clientes) que es
aprobado
Los solicitantes con puntuaciones bajas, tanto para la delincuencia y churn ser
disminuido
Los solicitantes que se encuentren en la zona gris que se hace referencia para
obtener ms
escrutinio
Los solicitantes que tengan una puntuacin baja morosidad y un alto churn
puntuacin
(Es decir, que son de alto riesgo y tienen una baja probabilidad de agitacin)
est disminuido absoluta
El equilibrio depende de las prioridades y objetivos de la casa. Comn
ejemplos son costumbre en la casa frente a cuadros de mando de la Mesa (el
rendimiento
con el banco equilibrada por el rendimiento con otros acreedores), la
delincuencia
en comparacin con la rentabilidad, la delincuencia contra churn / desgaste, y la
delincuencia
frente a la quiebra / chargeoff (para aislar las cuentas que tienen un

tendencia a convertirse en delincuente, pero finalmente pagar). El aspecto clave


para

nota es que ambas medidas deben ser independientes el uno del otro y
preferentemente
ser el suministro de informacin competir.
En la figura 8.4, tres zonas separadas se han creado sobre la base de las
puntuaciones
tanto el riesgo en la empresa y cuadros de mando de ingresos. Del mismo modo,
cuando
apropiadas matrices, tridimensionales pueden ser diseados para ms
la toma de decisiones sofisticado.
HYBRIDMATRIX-SECUENCIAL En algunos escenarios mltiples, un cuadro de
mando
hbrido de los mtodos mencionados anteriormente se utiliza, por lo que los
solicitantes
estn precalificados mediante un enfoque secuencial, y luego puesto a travs de
una estrategia de matriz. Por ejemplo, los solicitantes pueden ser sometidos a
una quiebra
modelo de la primera, y al pasar por el punto de corte, se traslad a una matriz
estrategia consistente de la delincuencia / beneficio / churn puntuaciones. Este
enfoque es
ms simple que una matriz multidimensional, y ms verstil que
puntuacin secuencial. Lo mejor es usarlo en ms de tres independientes
cuadros de mando estn siendo utilizados, y pueden equilibrar varios intereses
en conflicto.
La estrategia hbrido tambin se puede utilizar en conjuncin con las reglas de
poltica a
precalificar a los solicitantes.
CORTES CONFIGURACIN
La mayora de las organizaciones que utilizan tarjetas fijan niveles mnimos de
puntuacin en
que estn dispuestos a aceptar a los candidatos (o calificar para cualquier
posterior
tratamiento cuenta con tarjetas de comportamiento). Este mnimo
puntuacin es referido como un "corte", y puede representar un riesgo de
umbral,
beneficio, o algn otro nivel, en funcin de los objetivos de la organizacin

en el uso de la tarjeta de puntuacin. Un ejemplo simple de una estrategia de


corte para la nueva
adquisicin de cuenta se muestra en el Cuadro 8.5.
En este caso, cualquier persona que puntuaciones por encima de 210 puntos con
el cuadro de mando
se acepta automticamente, cualquiera de puntuacin por debajo de 190 se
redujo, y
los de puntuacin en el medio se refiere a la adjudicacin manual para obtener
ms
escrutinio. En la cuenta de gestin de casos, pueden existir varios puntos de
corte
para acciones tales como diferentes acciones colecciones (de acciones blandas
ms
los estrictos) o para la asignacin de los lmites de crdito cada vez ms altos.
Ms
estrategias sofisticadas pueden ser desarrollados para aplicaciones ms
complejas
en la adquisicin de cuenta, por ejemplo:

Asignacin de los diferentes niveles de "Aceptar", basada en el nivel de la


debida
diligencia o la informacin adicional necesaria para dar su aprobacin final
a una aplicacin-por ejemplo, las evaluaciones pendientes de la hipoteca
prstamos, o en espera de la confirmacin del ingreso. En algunos casos, los
puntos de corte
se encuentra por encima del cual no se requiere la confirmacin del ingreso. Este
reduce la carga de trabajo para los clientes de bajo riesgo o de bajo valor
prstamos. Adems, los ms estrictos mtodos de confirmacin de ingreso,
tales como proporcionar una copia de su recibo de sueldo a una rama, puede ser

exige a los solicitantes de mayor riesgo, mientras que los de bajo riesgo pueden
ser
pidi que simplemente fax suyo pulg
Asignacin de un "lado bajo de corte duro" en una puntuacin por debajo del
cual anulando
(Revocando la sentencia scorecard) no est permitido. Por ejemplo,
un banco puede tener un corte final de 200 puntos para su aprobacin y
podr fijar un lado bajo de corte duro de 180. Esto significa que el personal de la
sucursal
o jueces pueden anular las solicitudes rechazadas que puntan
entre 180 y 200, si tienen una buena razn para hacerlo. Hay
por lo general no "corte highside duro." Las empresas siempre tienen prioridad
solicitantes basados en reglas de poltica, y as sucesivamente, sin importar lo
alta anotan.
ANLISIS DE CORTE Un punto de partida tpico para la seleccin de un punto
de corte adecuado
para tarjetas de aplicacin es el de analizar la relacin entre
espera la aprobacin y tarifas malos para las puntuaciones diferentes. Estos son
slo los
dos consideraciones bsicas. Un anlisis similar puede hacerse para conocer la

impacto de la seleccin de un punto de corte de los parmetros "relaciones de


intercambio", como la rentabilidad
y los ingresos, mala clase y los ingresos y otros indicadores relevantes.
Un buen mtodo para equilibrar el compromiso entre velocidad y el mal
tasa de aprobacin es identificar dos puntos clave en el rango de puntuacin:
1. El puntaje de corte que corresponde al mantenimiento de la actual
tasa de aprobacin (y produce la nueva mala tasa esperada), es decir,
responder a la pregunta "Cul ser mi mala tarifa si mantengo mi
tasa de aprobacin de la misma? "
2. Por el contrario, la puntuacin de corte que se corresponde con el
mantenimiento de la
mala tasa actual (y se obtiene la nueva tasa esperada aprobacin); que
es decir, responder a la pregunta "Cul ser mi nueva tasa de aprobacin si
guardar mi mala tasa de la misma? "
En general, cada nueva generacin de cuadros de mando debe ser desarrollado
mejor que el pasado, y el anterior anlisis debe producir resultados que
la organizacin obtiene un mal menor tasa para el mismo tipo de aprobacin o
un
mayor tasa de aprobacin mientras se mantiene constante la tasa de malo.

Exponer 8.6, una "carta compensacin", grafica el mal y tasa de aprobacin


a travs de un rango seleccionado de las puntuaciones, el uso de nmeros de las
tablas de ganancias
producido anteriormente. Tenga en cuenta que el anlisis anterior se debe hacer
utilizando las distribuciones candidatos ms actuales (por las tasas de
aprobacin),
con tasas de malos esperados de desarrollo. La exposicin muestra una
ejemplo, para una empresa cuya mala tasa actual es del 5% y
tasa de aprobacin de 55%.
Si el objetivo de scorecards en desarrollo es aumentar la cuota de mercado,
o si las prdidas no son motivo de preocupacin, la empresa puede optar por
mantener su
malos niveles de tasas actuales por elegir un punto de corte de 207, y lograr una
nueva,
mayor tasa de aprobacin de alrededor de 62%. Esto significa que la
organizacin puede
ser ms agresivos en la aprobacin de ms personas, sin embargo, mantener su
exposicin al riesgo
constante por hacer un mejor trabajo de seleccin de los candidatos para su
aprobacin. Nota
que esto ocurre debido a la presencia del "conjunto de intercambio", como se
discute en la
Seccin del captulo 6 "Inferencia Rechazar".
A la inversa, si el objetivo para el desarrollo de cuadro de mando es reducir
prdidas, la empresa puede optar por un corte de 213, manteniendo su
tasa de aprobacin, pero ganando un mal menor tasa esperada de alrededor de
2,5%. Este

significara que la empresa reducira su exposicin al riesgo, pero tomar


en el mismo nmero de nuevos clientes.
Cuando existe un objetivo especfico, una de las dos opciones anteriores pueden
ejercerse. Tpicamente, donde no hay objetivo especfico, las empresas
elegir puntos de corte entre los dos puntos de corte principales (207 y 213 en
Anexo 8.6), donde hay tanto una ganancia en la tasa de aprobacin y una
disminucin
de mala tasa esperada.
La eleccin del punto de corte no se limita a entre estos dos puntos (207
a 213 en el Anexo 8.6). Algunos optan por establecer un lmite inferior para
llegar ms alto
tasas de malos que los actuales, pero con la expectativa de una mayor
rentabilidad.
Por ejemplo, un administrador de cartera hipotecaria, con prdidas en la nica
puntos bsicos dgitos pueden decidir reducir el punto de corte y aumentar sus
prdidas
por unos cuantos puntos bsicos, a la espera de una mayor cuota de mercado
y una mayor rentabilidad global.
Tablas de compensacin como la que se muestra en el Cuadro 8.6 se pueden
representar por
otros intereses en conflicto, en funcin de los objetivos de desarrollo
cuadros de mando, por ejemplo, el riesgo / beneficio y el riesgo / churn.
MEDICIN DE IMPACTO Una vez seleccionado un corte preliminar, su impacto
en la
subpoblaciones y segmentos clave tiene que ser medido. Una vez ms, esto es

asegurar que se prevn todos los posibles resultados antes de una estrategia
final es
desarrollado. Informes tales como aquellos en los Anexos 7.1 y 7.2 se pueden
utilizar para
analizar las tasas de aprobacin previstos y las tasas de malos segn los criterios
del cuadro de mandos, como
as como segmentos importantes. Una forma sensata de identificar esos
segmentos es
para referirse a los departamentos de marketing para identificar futuros y
actuales destino
mercados, as como a la segmentacin anlisis realizados anteriormente que
identificar
sectores que se consideraban diferentes, pero no dan datos suficientes para
desarrollo de scorecards.

Para la puntuacin comportamiento, segmentos comprendern los grupos de


personas
que son susceptibles de ser blanco de acciones tales como colecciones,
renovacin,
y la gestin de la lnea de crdito.
Estos informes deben realizarse con muestras recientes de los solicitantes a
obtener una visin ms precisa de la conducta esperada aprobacin.
Se recomienda encarecidamente que estos informes se ejecutan sobre todo
cuando
caractersticas que contienen comportamiento negativo (por ejemplo, la quiebra)
se utilizan.
Esta es alinear expectativas de la organizacin y evitar preguntas tales
como "Cmo esta persona con una quiebra tengan aprobado?" Es imperativo
que los usuarios entiendan que en base a una ley de corte general elegido, hay
una posibilidad estadstica de que una cierta proporcin de las personas con la
quiebra
ser aprobado. Esta proporcin puede ser muy pequea, dependiendo de la
corte y la capacidad de la tarjeta de puntuacin para aislar a las personas con
las quiebras
en los rangos de puntajes ms bajos.
Tambin hay que entender que se ha hecho, si una decisin de corte
con un perfil de riesgo general en mente, estos solicitantes con quiebras
debe haber anotado lo suficientemente alto como de otras caractersticas para
alcanzar el lmite
puntuacin. Un ejemplo de este tipo de anlisis se muestra en el Cuadro 8.7.
La exhibicin muestra que en el rango de puntos de corte est considerando,
entre el 8% y el 22% de los empresarios que han quebrado anteriores podr ser
aprobada. La organizacin
a continuacin, puede ajustar el punto de corte en funcin de su nivel de
comodidad. Sin embargo,
la nica manera de evitar que los fallidos anteriores de ser aprobado es
aplicar una regla de poltica dura. Si la organizacin cuenta con estas normas, las
caractersticas
con la quiebra de informacin no debe ser utilizado en cuadros de mandos,
como la aplicacin de la regla de poltica crear resultados sesgados y socavar
el rendimiento de la tarjeta de puntuacin. Esto debe ser entendido en el
principio, cuando se estn seleccionando las caractersticas para su inclusin en
el
scorecard (anlisis de las caractersticas iniciales).

En el caso en que se detecta el rendimiento indeseable para particular,


segmentos, el tomador de decisiones tiene algunas opciones, incluyendo;
Con la misma puntuacin, pero con diferentes puntos de corte para diferentes
segmentos. Por ejemplo, supongamos que hay cinco regiones del pas,
con diferentes malas tasas correspondientes a la propuesta general
punto de corte. Si la mala tasa objetivo general es, por ejemplo, 2,5%, uno
puede seleccionar el punto de corte apropiado para cada segmento que lo hara
dar lugar a una mala tasa prevista del 2,5% para cada uno. De esta manera, la
mejores segmentos seran recompensados con ndices de aprobacin ms altos,
mientras que los ms riesgosos se veran penalizados, pero con la general
objetivos de prdida de cartera intacta. El anlisis se puede hacer de manera
similar con
tasa de aprobacin se dirige en mente. El mismo modo de pensar se puede
aplicar a
resultados de comportamiento y estrategias para la asignacin de la lnea de
crdito o de revisin de precios.
Reurbanizacin de la tarjeta de puntuacin con diferentes caractersticas.
Adicin de reglas de poltica para evitar que ciertos segmentos de ser
aprobado, o de imponer normas ms estrictas para algunos segmentos.
Explorar nuevas segmentaciones de los segmentos que se overpenalized
o overrewarded. Una desviacin significativa de rendimiento "promedio"
indica la necesidad de segmentacin, especialmente si el
segmentos en cuestin son los particularmente importantes.
COMUNICACIN ESTRATEGIA DE DESARROLLO
La importancia de comprender el impacto de las estrategias ha sido discutido
en la seccin anterior. Una buena prctica es hacer que los distintos

partes interesadas (mencionados en la seccin "Clases de Desarrollo del cuadro


de mando"
en el Captulo 2) involucrado. Estos jugadores pueden ayudar a anticipar
cambios, y por lo tanto la preparacin para ello. Algunos ejemplos son:
MARKETING. Esta es una valiosa fuente de informacin para identificar la
tecla
segmentos y mejor predicen ningn impacto en las iniciativas de marketing.
La comercializacin tambin puede informar a la Gestin de Riesgos de cualquier
operacin de comercializacin en curso
y otras campaas de gestin de adquisicin / cuenta de que
pueden verse afectados negativamente por la introduccin de nuevos cuadros
de mando y cortes,
o que pueden explicar los cambios en los perfiles de candidatos o la cuenta (en
validacin preimplantacin).
IT. Los cambios previstos pueden requerir la participacin de TI y
aumentar los plazos de entrega a la aplicacin, sobre todo si son cuadros de
mando
cambiado, las nuevas tarjetas desarrolladas, o varias estrategias de corte
aprobado (con el correspondiente aumento de los informes requeridos). En
Adems, si se cambia la escala scorecard, puede ser obligado a
reprogramar las reglas de poltica codificados, estrategias basadas en los
resultados,
y otras interfaces necesarias para la toma de decisiones.
ADJUDICACIN / AUTORIZACIONES. Opciones de corte o reglas de poltica
que aumentan el nmero de "referencia" de los casos pueden resultar en
mayores volmenes
entrar en rama u otros centros de adjudicacin. Del mismo modo,
ms transacciones de tarjetas de crdito siendo empujados a autorizaciones
manuales
se requieren ms dotacin de personal en los centros de autorizacin para
mantener el servicio al cliente razonable. En algunos casos en los
aumento de la capacidad no es una opcin, las opciones de corte tendrn que
ser
hecho con esta limitacin en mente.
COBROS. En algunos casos, un acreedor puede correr riesgos adicionales
que aumentar el volumen de casos que entran en colecciones.
Estos pueden ser razonablemente pronosticadas, por lo que el personal de las
colecciones son
mejor preparados en el futuro para manejar el aumento de los volmenes.
Por ejemplo, un riesgo calculado se puede tomar de que la homologacin
tasa se increment significativamente (junto con la mala tasa esperada),
pero con expectativas de mayor rentabilidad. En este caso, Colecciones
departamentos pueden experimentar un aumento de volumen significativo

que puede requerir personal adicional que se contrata. Adems, teniendo


ms prdidas (pero con una mayor utilidad general debido a los mayores
ingresos)
podra ser una buena idea para el departamento de estrategia, pero no
para alguien que se compensa basa en la cantidad de
prdidas.
FINANZAS. La informacin necesaria para calcular la rentabilidad de
nuevas estrategias normalmente proviene de los departamentos de Finanzas.
RIESGO CORPORATIVO. Lneas de crdito ms altas requerirn ms capital
asignacin, precio basado en el riesgo puede requerir cambios en la cobertura.
En
vienen de los casos, las estrategias excesivamente agresivos pueden no cumplir
con las empresas
estndares de riesgo.
SERVICIO AL CLIENTE. Impactos negativos calculados en diversos segmentos
tendr que ser manejado. Por ejemplo, una campaa permanente
dirigidas a un determinado segmento, que se le pide que llame para solicitar
de productos, pueden verse afectados negativamente si se descubre que el
segmento
ser de alto riesgo durante el desarrollo scorecard. En este
caso, la empresa puede optar por prestar guiones escritos en el
Los agentes de servicio al cliente, y ofrecer puntos de bonificacin de
recompensa a los clientes
quien se neg, para minimizar este impacto. Del mismo modo, si
se hacen las reglas de poltica o cambios de corte que aumentan el volumen
de las cuentas o aplicaciones que entran en las autorizaciones o adjudicacin
centros, puede haber un tiempo de espera demasiado largo para los clientes
que quieren hacer una compra o que le gustara una
decisin sobre su solicitud.
EDUCACIN. Puede necesitar personal para ser formados para entender la
nueva
escala scorecard, cortes, y las estrategias. Tales costos de la educacin puede
ser rebajado en la normalizacin de la escala de tarjetas a travs de productos
y segmentos, de forma que los nuevos resultados significarn lo mismo que
los anteriores, y una veintena de, por ejemplo, 200 significarn la
mismo en todos los cuadros de mando. Otra estrategia para disminuir la
educacin
costos (y mejor preservar la confidencialidad de las calificaciones) es asignar
las puntuaciones a grados tales como A, B, C, D, y as sucesivamente. Cada
nuevo cuadro de mando
el desarrollo slo requerir el mapeo cambi en el
fuente, en lugar de re-educacin de masas. Miembros del personal apropiados

ver el grado, no la puntuacin y reglas de poltica asociados con


no tendr que ser cambiado cada grado.
LEGAL. Analizar el impacto de cortes de cierta geogrfica
reas pueden disipar los temores de la "lnea roja", y reducir las posibilidades de
que el
prestamista acusado de prcticas discriminatorias.
ACCIONES AJUSTADOS AL RIESGO
En este punto, tenemos un punto de corte, por lo que sabemos el nivel de riesgo
marginal
los solicitantes y de los de arriba del punto de corte elegido (la aprueba).
Desarrollo de estrategias utiliza esta informacin para crear ajustada al riesgo
estrategias o acciones para maximizar los objetivos de negocio. Estas acciones
se
difieren sobre la base de los productos ofrecidos. Las estrategias pueden ser
desarrolladas para los solicitantes
o vigentes cuentas-el objetivo de la creacin de la toma de riesgo ajustado
decisiones sigue siendo la misma. Por ejemplo, dependiendo de puntuacin y
otros criterios, varias estrategias se pueden desarrollar, tales como:
Fijacin de precios ajustada al riesgo de los prstamos y otros productos de
crdito y
primas de seguros para nuevas cuentas y tambin para la revisin de intereses
en los prstamos
subiendo para las renovaciones.
Ofrecer actualizaciones de productos (por ejemplo, tarjeta de oro, tarjeta de
platino) para mejor
clientes, o invitndolas a aplicar una tasa de inters ms baja
tarjeta basada en el riesgo.
Ajuste el nivel de pago / depsito para los productos financiados
tales como los prstamos para automviles e hipotecas, o el establecimiento de
condiciones de renovacin.
la venta cruzada de otros productos a mejores clientes a travs de
aprobaciones previas.
Tenga en cuenta que las calificaciones de riesgo y la propensin debe ser
siempre
se utiliza junto con la capacidad de servicio de la deuda en la venta cruzada.
Esto garantiza que las ofertas de venta cruzada se realizan a clientes que no
slo aceptar la oferta y corren un menor riesgo de incumplimiento, sino
tambin
puede hacer frente con el crdito adicional.

Dar mayor lnea de crdito o lmite de la tarjeta de crdito a mejores clientes,


tanto en la aplicacin y como un cliente existente (vase el ejemplo
en el Anexo 8.8).

Ajuste de la exposicin global de la empresa por cliente en funcin del riesgo


el perfil, para gestionar los riesgos de concentracin.
El uso de mtodos de recogida ms leves para los clientes de bajo riesgo (por
ejemplo,
el envo de cartas, usando marcadores automticos), y las acciones ms duras
para RIESGO ALTO
otros (por ejemplo, el envo a la agencia de coleccin).
Variacin de las condiciones de pago para los clientes comerciales (es decir,
una mejor
clientes a obtener trminos ms indulgentes, mientras que los de alto riesgo se
les pide
para el pago antes de las mercancas entregadas).
Permitir a los clientes de bajo riesgo para hacer compras en su crdito
tarjetas por encima de sus lmites, o cuando estn en las primeras etapas de la
delincuencia.
Investigacin para la aplicacin fraudulenta (es decir, utilizando las
puntuaciones de fraude),
o exigir plenos evaluaciones de bienes races para las hipotecas de alto riesgo.
Un ejemplo de una estrategia de crdito lmite de obtencin de una tarjeta de
crdito es
se muestra en el Cuadro 8.8.
Lo primero a destacar es que esta estrategia se basa en dos independientes
y las medidas pertinentes. La puntuacin de riesgo (a la izquierda) mide la
probabilidad
de impago de la deuda, y la relacin de servicio de la deuda mide la proporcin

del ingreso de una persona que est siendo utilizado para servicio de la deuda
(una indicacin de la o
su capacidad para llevar ms deuda). Un coeficiente del servicio de la deuda
ms baja es mejor, ya que
esto indica que la persona tiene ms de ingresos suficientes para hacer
pagos de la deuda. La estrategia muestra a los clientes con las puntuaciones
ms altas
y niveles de endeudamiento inferiores conseguir mayores lmites de crdito. Una
vez que las medidas
que se utilizar para determinar la asignacin de la lnea de crdito se
establecen,
el usuario tiene varias opciones para asignar la lnea de crdito actual. Algunos
ejemplos
incluir:
Determinar la prctica de asignacin de lnea actual, basado en las dos
medidas,
y luego usar el juicio basado en el consenso para asignar mayor
lneas a los mejores clientes y ms bajo para los de alto riesgo. Para
ejemplo, los mejores clientes pueden conseguir un aumento del 30%, y lo peor
queridos una disminucin del 30%. Una vez que la parte inferior izquierda (el
mejor) y la parte superior
cajas de la mano derecha (el peor) estn llenos, el resto puede ser llenado pulg
Determinar las lneas de mximos y mnimos de crdito del acreedor
est dispuesto a dar, y asignarlos a los mejores y los peores clientes
en la tabla. Rellene el resto sobre la base de los aumentos graduales o
disminuye.
Con base en la prdida total esperada para una cohorte, la probabilidad
esperada
de incumplimiento (PD), la prdida en caso de impago (LGD) y la exposicin
en los nmeros por defecto (EAD), se puede trabajar hacia atrs para asignar
exposiciones mximas ptimas (lmite de crdito) para cada celda de la
matriz anterior. Tendr que ser hecho para la distribucin de algunos supuestos
de prdida esperada para cada celda. Para simplificar, supongamos que
la prdida por cuenta de una celda es de $ 500. Si la probabilidad de
incumplimiento
es 6% y la prdida en caso de impago es del 97% del lmite, entonces la mxima
lmite de crdito para esta celda se puede calcular sobre la base de:
Prdida esperada = EAD x PD x LGD
500 = EAD x 0.05 x 0.97
EAD = $ 10,309
El objetivo de la presentacin de estas tres opciones es no recomendar
formas definitivas para asignar lneas de crdito. El primer punto es que la

seleccin de indicadores a ser utilizados en la toma de decisiones es clave.


Muchas organizaciones
utilizar puntuacin de riesgo slo para asignar lneas de crdito o la cantidad del
prstamo. Esto slo
presenta la mitad de la historia. Como Anexo 8.8 muestra, un equilibrio entre la
probabilidad
de reembolso y capacidad de pago tiene ms sentido. La segunda
el punto es que para cada decisin, hay que evaluar las opciones de la
ms simple a lo ms complejo. A veces las opciones ms sencillas, como

los primeros dos dados anteriormente, son los mejores. Las dos primeras
opciones son simples,
justificable, y se basa en dos medidas que tienen sentido.
NORMAS DE POLTICA
Normas de la poltica consisten en un conjunto de directrices corporativas
diseadas para apoyar
el proceso de toma de decisiones. Estos incluyen las normas legales y los riesgos
relacionados con
tales como los requisitos mnimos y las polticas de riesgo. Algunos ejemplos son:
Los requisitos de edad (por ejemplo, edad <18, entonces declive)
El empleo (por ejemplo, si no se utiliza, por cuenta propia o empleados
menos de un ao, a continuacin, rechazar o consultar)
Quiebra (por ejemplo, la reciente quiebra o bancarrota <dos aos
hace, a continuacin, consulte o rechazar)
Los lmites de morosidad (por ejemplo, ms de tres incumplimientos en el
oficina, a continuacin, descenso)
Tipo de aplicacin (por ejemplo, VIP o el personal de aplicacin, a continuacin,
se refiere)
Previo registro en la casa (por ejemplo, la anterior afirmacin que tuvo la culpa
o writeoff,
a continuacin, se refieren)
La lnea de crdito mnima de anulaciones o ciertos tipos de cuenta
(Por ejemplo, estudiantes o la anterior quiebra)
No aumentar la lnea de crdito, si se ha concedido en los ltimos seis
meses

Reglas de poltica son una parte necesaria y prudente de la gestin de riesgos.


Lo importante es que deben basarse en independiente y
medidas validadas. Ellos tampoco deben preferiblemente estar basadas en
scorecard
caractersticas, a fin de no socavar el proceso de calificacin. Para
ejemplo, si se toma la quiebra o la anterior delincuencia en cuenta en
el cuadro de mando, entonces preferiblemente estos criterios no se debe utilizar
en la poltica
reglas. En situaciones en las que el uso de tales reglas es crtica, entonces es
mejor construir cuadros de mando que utilizan otros criterios.
Reglas de poltica son tambin a menudo crtico, y rara vez probados
empricamente.
Existen algunas reglas de poltica simplemente porque alguien los puso en aos

hace, y nadie se molest en revisarlos despus. Siempre que sea posible,


deben ser revisados, probados y demostrado ser eficaces en el momento de
tiempo (por ejemplo, anualmente). Proyectos de desarrollo de cuadros de
mandos de crdito a veces puede
confirmar la eficacia de algunas reglas de poltica de la caracterstica inicial
fase de anlisis. Tenga en cuenta, sin embargo, que los datos postinferred debe
ser
utilizado, a fin de minimizar los efectos de la eleccin selectiva, ya que algunas
polticas
normas se utilizan como polticas negativa manta.
Normas de la poltica son los ms utilizados en el proceso dominante (es decir, la
inversin de
decisiones que se tomen con el punto de corte). Al igual que con las estrategias,
que deben ser
desarrollado con la colaboracin de los departamentos operativos, legales, y el
riesgo a fin de
para asegurar que se aborden todos los posibles efectos.
SUSTITUCIONES
Anulaciones se refieren a las decisiones manuales o automatizados que revierten
la
adoptado sobre la base de puntos de corte puntuacin (es decir, que contradice
la decisin
recomendado por el cuadro de mando). Esto sucede en la nueva puntuacin

solicitante.
Hay dos tipos de sustituciones:
1. LOWSIDE INVALIDA. Los solicitantes con puntuaciones menores de corte
que son
aprobado
2. MODIFICACIONES DE HIGHSIDE. Los solicitantes con calificaciones por
encima de corte que son
disminuido
Anulaciones, como las reglas de poltica, son una parte necesaria y prudente de
los riesgos
gestin, que deben ser utilizados correctamente. Una regla general para anular
es que se debe hacer sobre la base de la informacin significativa disponibles
independiente de la tarjeta de puntuacin. Desde tarjetas suelen ser
desarrollados usando
empricamente probado mtodos, y representan el anlisis de miles de
casos durante aos de funcionamiento, sera prudente ignorar que slo
cuando se sabe algo que el cuadro de mando no lo hace. Estas situaciones
incluir:
Las reglas de poltica de la empresa, como se explica anteriormente.
El conocimiento local. Por ejemplo, el personal de la sucursal de los bancos
pueden
conocer al solicitante y al medio ambiente local y ser capaz de utilizar

informacin como el ingreso familiar, la historia reciente de trabajo, la economa


local,
y as sucesivamente para hacer una mejor decisin. Esto puede ser tanto
positiva
informacin y negativo.
Rendimiento despectiva justificable. Por ejemplo, una persona era
pagos de desempleados y se perdi, pero ahora tiene un trabajo bien
remunerado,
o un estudiante perdi pagos de una deuda pequea durante las vacaciones.
Auditora y el papeleo de vencimiento. Por ejemplo, no ser capaz de
presentar documentos del prstamo hipotecario / car satisfactorios o la
confirmacin del ingreso.
Otras circunstancias excepcionales en las que el nivel de riesgo previsto
utilizando un sistema de puntuacin por s sola no es representativo.
Sustitucin de los niveles varan en funcin del producto y la cantidad de
intervencin humana permitido en el procesamiento de crdito. Por lo general,

de bajo valor /
productos de alto volumen en la toma de decisiones automatizada (es decir, una
nica
rbitro de la situacin) se utiliza, tales como tarjetas de crdito, tienen muy baja
override
tasas. Sin embargo, los productos de alto valor, tales como prstamos
comerciales e hipotecas,
que se procesan manualmente y requieren ms debida diligencia para
se lleva a cabo, tienen mayores tasas de anulacin. Tasas de Anulacin tambin
son ms altos
en entornos donde se utiliza el cuadro de mando como herramienta de soporte
de decisiones,
es decir, como uno de los muchos artculos miraron, en lugar de la nica base
para
la toma de decisiones. Adems, en los casos en que se desarrollan cuadros de
mando
con muy pocas caractersticas (en lugar de un amplio "perfil de riesgo" basada
scorecard), anulando tiende a ser alta. Esto es generalmente debido a que el
cuadro de mando slo captura unas cuantas cosas, y por lo tanto mucho ms
informacin
que queda fuera del cuadro de mando para anular, y porque tales
cuadros de mando de base estrecha generan menos confianza entre los jueces,
lo que aumenta la segunda conjetura del cuadro de mando.
En cualquiera de los casos, de lado bajo primordial debe mantenerse a un
mnimoy donde se permite, deber vigilarse, preferiblemente por
"Reemplazar el cdigo de razn" cuando estn disponibles. Adems, todos los
intentos
debe ser hecho de no permitir que un atributo "varios" de la anulacin
cdigo de razn, ya que esto puede convertirse en un sustituto de las
anulaciones de juicio,
en contraposicin a las anulaciones debido a factores ms legtimos tanto en el
alta
lateral y la parte baja. Esto es para asegurar que reemplazar realiza sobre la
base

desarrollo de la estrategia 159


de la experiencia (o falta de ella) y "corazonadas" se valida a travs del
desempeo,

y de frenado en caso necesario. Los reguladores tienden a querer anulaciones


para estar en el rango de 3% -5%, como mximo, en un entorno de puntuacin.
Es
importante vigilar razones especficas para sustituciones y tendencias del
monitor.
En los prstamos hipotecarios, el aumento de las tasas de anulacin para los
solicitantes de caer en clases protegidas son una bandera roja definida.

CAPITULO 9
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 7: POSTERIOR A LA IMPLEMENTACIN

Hay dos reas principales de las obras posteriores a la implementacin:


1. Reporting
2. Revisin
Scorecard y Portfolio
Informes de Seguimiento
Esta seccin trata de algunos de los informes estndar que se utilizan por los
profesionales de riesgo
cuadro de mando para controlar y desempeo de la cartera. La mayora
scorecard
y los informes de gestin de carteras que se producen estn asociados con
las estadsticas de rendimiento de la cartera y el cuadro de mando, tales como
las tasas de aprobacin, las malas
las tasas, las tasas de anulacin, y varios ndices. Hay, sin embargo, algunos
razones de negocios y los objetivos para los que estos informes deben ser
correr. Estos objetivos, y los informes que se utilizan para cumplir con ellas, se
detallan a continuacin.
Scorecard y los informes de gestin de aplicaciones:
Confirme que "el futuro es como el pasado." Scorecards se desarrollan
con un determinado solicitante o perfil de cliente en mente (representado
por calificacin o distribucin caracterstica). Esta suposicin necesita
ser validados de forma permanente.

La estabilidad del sistema (tambin llamada estabilidad de la poblacin y el


cuadro de mando
estabilidad) Informe
anlisis de las caractersticas Scorecard

anlisis de las caractersticas Nonscorecard


Monitorear e identificar las fuentes de cambio en los perfiles de los solicitantes
y aprueba (o clientes de scoring de comportamiento). Slo
sabiendo que un cambio ha tenido lugar es insuficiente, ya que no
dar lugar a ningn artculo recurribles. La fuente de (y razones) de la
cambio tambin debe ser identificado.
Scorecard y anlisis de las caractersticas nonscorecard
Anlisis de las campaas de la competencia y la comercializacin
Anlisis por regiones y otros sectores
El perfil de riesgo de la cancin de los clientes entrantes y los solicitantes.
Informe de la estabilidad del sistema
Scorecard y anlisis de las caractersticas nonscorecard
La puntuacin de distribucin del informe aprueba / clientes
Generar estadsticas de aceptacin / anulacin.
Informe final puntaje
Informe de anulacin
Para los informes de gestin de cartera:
Supervisar el rendimiento de riesgo de las cuentas.
Informe de la Delincuencia
Anlisis de la vendimia
Informe de la migracin Delincuencia
Tasa de rollo a travs de informe de tiempo
Monitorear e identificar las fuentes de la delincuencia y el beneficio. Como
comentado anteriormente, sabiendo que sus prdidas son procedentes de
le permite tomar decisiones en funcin del riesgo.
Informe de la Delincuencia, por regiones y otros sectores
Campaa de marketing y anlisis de la competencia
Estimar las tasas de prdidas futuras.
Anlisis de la vendimia y el informe de velocidad de balanceo
Evaluar las malas predicciones tasa y manejar las expectativas. Rastreo

desempeo real contra esperada permite ajustes para


previsiones de prdidas futuras.
Anlisis de la vendimia
Informe de la Delincuencia
Informe de la migracin Delincuencia

Lo anterior se aplica tanto a la aplicacin y scorecard comportamiento


informes.
Estructuras No hace falta decir, adecuada presentacin de informes y de
seguimiento deben estar en
colocar antes de la implementacin, por lo que los primeros resultados de la
nueva tarjeta de puntuacin o
implementacin de la estrategia puede ser rastreado. En las etapas iniciales de
la tarjeta de puntuacin
aplicacin en entornos de produccin, se recomienda que los
Se elaborarn informes semanales para que cualquier desviacin del
comportamiento esperado
se pueden identificar de forma rpida y subsanado. Cuando se determina
que los cuadros de mando o estrategias estn funcionando como se esperaba,
informes mensuales o trimestrales regular es suficiente.
Mientras que el negocio de crdito es dinmico, su ritmo es bastante lento.
Desemejante
riesgo de mercado, donde las fluctuaciones en los factores de riesgo se pueden
producir por el
, los indicadores de riesgo de crdito al por menor minutos y factores tienden a
cambiar con el
un perodo de tiempo mayor. Por tanto, es importante identificar las tendencias,
no peculiaridades, sobre todo cuando una decisin tiene que ser cambiado. En el
Seccin "Validacin de preimplantacin" en el Captulo 8, se recomend
que los informes de la estabilidad del sistema puede ejecutar en los solicitantes
de la
durar tres y seis meses, el razonamiento era coger las tendencias a largo plazo
antes de decidir si la tarjeta de puntuacin sigue siendo vlida o no. El
razonamiento
aqu no es diferente, ya sea tratando de decidir si la tarjeta de puntuacin
sigue siendo vlido, o para determinar si necesita un corte de un segmento
particular
ser cambiado, o emprender las delincuencia ms severa o autorizacin de
crdito
tratamiento para una cohorte o segmento en particular, tiene que ser
asegurarse de que los resultados son indicativos de una tendencia a largo plazo
continua
en lugar de un evento de una sola vez.
Por ltimo, como se ha subrayado en los captulos sobre el desarrollo de cuadro
de mando,
las razones de negocio para los cambios en los perfiles y las actuaciones deben
ser
explicado. No basta con mirar las estadsticas de aprobacin, el mal
tasas o ndices a la estabilidad podr realizar informado / ajustada al riesgo
decisiones, debe ser capaz de explicar por qu las cosas estn sucediendo.

INFORMES DE GESTIN SCORECARD


Estos informes son a menudo llamados informes "front-end", ya que se utilizan
para rastrear las solicitudes recibidas.
SYSTEM / POBLACIN / SCORECARD STABILITY REPORT Este reporte tiene
sido cubierto previamente (en el captulo 8) para la validacin de
preimplantacin.
Durante la validacin preimplantacin, la puntuacin de las distribuciones de
el ltimo lote de los solicitantes se compararon con los del desarrollo
muestra para medir las diferencias. El objetivo y el mtodo
aqu son exactamente los mismos. Este informe tambin compara las
distribuciones de
puntuacin de la poblacin actual solicitante ("real") con las de la
muestra el desarrollo ("espera"). Esto se hace para detectar cambios en el
perfil solicitante, representado por la distribucin de aplicaciones por
puntuacin. El informe se puede modificar fcilmente para la puntuacin de
comportamiento mediante la comparacin
distribuciones de los clientes existentes con las distribuciones de
puntuacin de la muestra de desarrollo. Esta comparacin proporciona dos
piezas
de la informacin:
1. Se valida el "el futuro se refleja en el pasado" asuncin
(Es decir, malas predicciones de velocidad se basan en un futuro perfil solicitante
que es similar a la utilizada para el modelado predictivo). Mientras
no es concluyente, la evidencia de la similitud proporciona un nivel de
comodidad.
2. Se proporciona una indicacin de la calidad de los solicitantes / cuentas
(Por ejemplo, si los cambios en las puntuaciones son a la baja, que puede
apuntar a un
deterioro de la calidad del conjunto de solicitantes o clientes existentes).
Informes sobre la estabilidad del sistema se producen generalmente mensual,
sin embargo,
informacin trimestral puede ser suficiente para carteras estables. Un punto a
nota es que para un informe la estabilidad del sistema puro, la poblacin
solicitante
debe ser generado utilizando los mismos criterios de exclusin que el desarrollo
muestra. Las empresas que optan por marcar exclusiones, sin embargo, realizan
una segunda serie de anlisis para el corte de cuadro de mando, en el que todos
los solicitantes
estn incluidos. Esto es para proporcionar un anlisis ms realista de la esperada
tasa de aprobacin, y de los efectos de la corte en los segmentos clave.
Un ejemplo de un informe de la estabilidad del sistema se muestra en el Cuadro

9.1. Nota

que el informe de la estabilidad del sistema tambin se conoce como la


poblacin veces
estabilidad o informe de estabilidad scorecard.
El "Real%" y "% esperado" columnas denotan la distribucin
de los casos para muestras recientes y el desarrollo, respectivamente, para cada
uno de los
la puntuacin oscila especificado. Tenga en cuenta que en la muestra, los
resultados han sido
agrupados de tal manera que cada cubo contiene puntuacin de 10% de la
"esperada"
poblacin. Esto se ha hecho para la eficiencia, de modo que cualquier desplaza
hacia arriba
o hacia abajo puede ser fcilmente identificado (mediante el establecimiento de
la base para cada grupo
al 10%).
Existen dos tipos de anlisis que se pueden hacer con el Anexo 9.1.
En primer lugar, la naturaleza del cambio de la poblacin se puede confirmar
mediante la visualizacin de un
grfico de los candidatos / cuenta distribuciones reales en comparacin con lo
esperado por
puntuacin. Esto puede proporcionar informacin adicional (por ejemplo, si el
cambio
en las puntuaciones es hacia abajo, hacia arriba, o curtosis). Adems, la
visualizacin de
distribucin por perodos histricos, adems del mes ms reciente
o trimestre, por ejemplo, para los ltimos tres meses, seis meses, y
etctera-en el mismo grfico le ayudar en el seguimiento de las tendencias a
largo plazo.
Esto indicar si, por ejemplo, no es lento deterioro
calidad o si la distribucin tiende a seguir las variaciones cclicas. La
cambio que es una tendencia a largo plazo puede ser tomado como un evento
estable y
tanto reaccionado a los cambios de poltica y otras decisiones. Este es un

mejor manera de guiar la toma de decisiones, en lugar de reaccionar a mensual


variaciones que no son estables.

Anexo 9.2 se comparan las distribuciones de esperar, la mayora actual


real, real de tres meses, y el real de las ultimas seis meses
el mismo grfico. Los nmeros para la corriente actual y la esperada han sido
tomado del Anexo 9.1. Anexo 9.2 muestra claramente que los solicitantes tengan
han anotar consistentemente ms alto en los ltimos seis meses.
En segundo lugar, la magnitud real del desplazamiento se puede medir
matemticamente.
Esto no es nada ms que la medicin de la diferencia entre
dos distribuciones. Un mtodo de hacer esto es mediante el uso de una industria
medida estndar, como se muestra en el Cuadro 8.7. El ndice como medidas
mostradas
la magnitud del cambio de la poblacin entre los solicitantes recientes
y se espera (en el ejemplo de desarrollo). Este ndice se calcula como:

(% Real - % Esperado) ln (% real /% esperado)


para todos los rangos de puntaje.
Este clculo es exactamente igual que para el valor de la Informacin, ha visto
anteriormente

Ms de 0,25 puntos a un cambio significativo en la poblacin demandante.


Otros mtodos, como el Chi cuadrado con un nivel de significacin,
tambin puede ser utilizado para medir la magnitud del desplazamiento. El
mtodo
se muestra aqu es que se usa ampliamente por los gestores de riesgos de
crdito.
Este ndice no es un fin-de toda medida, sino que slo proporciona una indicacin
general.
De hecho, slo nos dice si se ha producido un cambio o no, y
proporciona una indicacin de la magnitud del desplazamiento. Factores tales
como
tendencias (Es el cambio de una ocurrencia temporal o algo ms a largo plazo?)
magnitud del desplazamiento, y las razones para el cambio deben tomarse
en cuenta antes de decidir si un cambio de la poblacin es importante. De
el punto de vista de ser capaz de utilizar este informe para generar decisiones, la
ms importante tarea es encontrar las razones de los cambios en
puntuaciones.
Los cambios en las puntuaciones pueden deberse a varias razones:
El cambio en el perfil de candidato independiente (por ejemplo, demogrficos
cambio).
La dinmica del mercado que incluyen cosas tales como campaas de
marketing,
la competencia del lugar, y el diseo de productos. Por ejemplo, si la reciente
solicitantes de meses eran notablemente ms joven o se concentraron
en un rea en particular, esto puede ser debido a la actividad de marketing
centrado.

Los cambios en el diseo de productos, tales como la incorporacin de los


programas de fidelizacin,
cambios en la estructura de tarifas, "ningn inters durante seis meses" de tipo
edulcorantes, o cambio de canales no tradicionales tambin pueden atraer a otra
persona
tipo de solicitante. La competencia externa atraer a un particular,
demogrfica tambin puede afectar a la composicin de sus candidatos.
Algunos ejemplos son las instituciones que los clientes objetivo a travs de
productos
diseo (por ejemplo, el uso de publicidad y los telfonos para atraer de Telco
pequeos clientes), programas de fidelizacin, y las tasas de inters ms altas.
Uno
banco que no tiene un programa de fidelizacin asociado a su crdito
Tarjeta encontr que la calidad de demandante tuvo consistentemente peor
con el tiempo, el anlisis mostr que la mayora de sus candidatos fueron los
que fueron rechazados por los bancos que ofrecen programas de fidelizacin con
su tarjeta de crdito (es decir, aquellos que podan, consigui tarjetas de crdito
que ofrecen

prestaciones sociales, mientras que los que no pudieron fuimos a este particular,
banco). En scoring de comportamiento, las autorizaciones ms agresivos o
estrategias de gestin de lneas de crdito, la introduccin de programas de
fidelizacin,
revisin de precios, la venta cruzada, y otras actividades pueden cambiar
el perfil de calificacin de los clientes existentes.
Error en la codificacin. Esto es tpicamente un error sistemtico.
Los errores en la captura de datos, por lo que los datos representan una
aleatoria
o muestra incorrectamente segmentada, o cuando las exclusiones de
la muestra de desarrollo estn incluidos.
Hay varias maneras de realizar una mayor investigacin para identificar
la causa del cambio. Estos incluyen:
Realizar un anlisis de las caractersticas scorecard para analizar los cambios
en
caractersticas en el cuadro de mandos. (Esto puede sonar obvio, pero esto
se lleva a cabo debido a que los resultados se basan en la tabla de puntuacin.

Una vez ms, este


subraya la importancia de crear un "perfil de riesgo" ampliamente basada en
cuadro de mando para que los cambios indicados en estos anlisis reflejan la
realidad
y no estn simplemente causado por las fluctuaciones en uno o dos
caractersticas de un cuadro de mando de base estrecha.)
Anlisis de los cambios en las caractersticas nonscorecard. Estos se dividen en
tres categoras principales:
caractersticas fuertes que no entraron en el cuadro de mandos. (Desde
estos son soldados rasos de riesgo, sus distribuciones deben confirmar
cualitativamente
si la poblacin est mejorando o empeorando.)
Caractersticas relacionadas con las que se encuentran en el cuadro de
mandos.
(Estos deben moverse en la misma direccin que los de la
cuadro de mando, proporcionando as la confirmacin de los cambios en el
cuadro de mando
caractersticas.)
numeradores y denominadores para las relaciones en cuadro de
mandos.
La recopilacin de informacin sobre los cambios en las regulaciones,
marketing reciente
campaas internas como por la competencia, y el producto
cambios para ambos.
SCORECARD INFORME DE ANLISIS CARACTERSTICA La caracterstica
scorecard
informe de anlisis compara las distribuciones actuales versus desarrollo para

cada caracterstica del cuadro de mando, y el impacto en la cuenta de cualquier


distribucin
turnos. Este informe puede identificar an ms las razones de cualquier cambio
en las puntuaciones, y se produce generalmente trimestral o cada vez que el
sistema de
informe de estabilidad indica un cambio significativo. Al igual que con la
estabilidad del sistema
informe, es ms recomendable comparar las distribuciones esperadas con los
desde el perodo ms reciente, as como los perodos histricos, para detectar
tendencias.
Un ejemplo de un anlisis de las caractersticas de puntuacin para "Edad" se

muestra
en el Anexo 9.3.
"Se esperaba%" y "Actual%" de nuevo se refieren a la distribucin de la
desarrollo reciente y muestras, respectivamente. Hay dos anlisis
que se pueden realizar con estos datos. En primer lugar, la esperada y la actual,
as como histricos, las distribuciones de cada caracterstica se pueden trazar en
un grfico, como el que se muestra en el Cuadro 9.2. Esto proporcionar una
visual
indicacin de la naturaleza del cambio.
En segundo lugar, se puede calcular la magnitud de ese cambio
matemticamente. En
este caso, se calcular el impacto de este cambio en trminos de resultados.
Este
impacto o el ndice caracterstico cuadro de mandos, se calcula simplemente a
travs de:

(% Real - % Esperado) x (Puntos)


para todos los rangos de puntaje.
Tenga en cuenta que la inclusin de un "% Acepte por criterios" columna en este
anlisis
puede proporcionar una indicacin de si la tarjeta de puntuacin es sistemtica
discriminacin
en contra de un segmento particular.
Anexo 9.3 muestra un cambio hacia un aspirante ms joven, lo que resulta en
solicitantes con calificaciones sobre 2,63 puntos menos de lo esperado para su
edad.

Informes similares se producen para todas las caractersticas de la tarjeta de

puntuacin,
y generalmente se coloca en una pgina para ser analizados. Un ejemplo de este
(A partir de un cuadro de mando aplicacin parcial) se muestra en el Cuadro 9.4.
Analizando las caractersticas que se muestran anteriormente, se puede concluir:
Los solicitantes son cada vez ms jvenes (por lo tanto, ms arriesgada).
Ellos estn viviendo en sus residencias menos (riesgoso). Otros relacionados
con el tiempo
caractersticas fuera del cuadro de mando tambin deben apuntar en la
misma direccin.
No se han movido geogrficamente.
Tienen un nmero significativamente mayor de consultas en el crdito
oficina en los ltimos seis meses (ms riesgoso). Anlisis de investigaciones en
el
ltimos tres meses y los ltimos doce meses se confirme si
este es un fenmeno a corto plazo, o algo ms permanente.

El nmero de incumplimientos de la oficina de los datos es mayor (ms


riesgoso).
Otras caractersticas relacionadas con la Mesa de morosidad deben confirmar
esto.
Utilizacin de crdito renovable a partir de datos de la Mesa es menor (menos
riesgoso).
Mientras que el resto de los indicadores apuntan a una piscina de mayor riesgo
de los solicitantes,
los niveles de utilizacin indican lo contrario. Las tendencias de este tipo son
contraintuitivo
y debe ser investigado. En este caso, los saldos y crditos
lneas (es decir, el numerador y el denominador para el clculo de utilizacin)
se les dio seguimiento por separado. Mientras saldos promedio mostraron un
ligero aumento
respecto a los niveles histricos, las lneas de crdito han aumentado en una
cantidad mayor.
Esto ha sucedido en un entorno altamente competitivo en el que los bancos
ha aumentado las lneas de crdito de los clientes a ser ms competitivos,
obviamente, sin tener en cuenta el aumento de riesgo de su
clientes. Por lo tanto, los solicitantes estaban anotando ms alto para la
utilizacin, pero esto
no representa un menor riesgo.
Esto pone de relieve la necesidad de aadir razonamiento empresarial para
anlisis puntuacin,
ms all del simple clculo de los cambios de puntuacin.
En casos como estos, donde el Gerente de Riesgo es consciente de que los
solicitantes
estn logrando mejores resultados de lo que deberan, algunas opciones que
pueden ser
considerados son:
Reducir los puntos asignados para la utilizacin, para los solicitantes de mayor
riesgo.
Aumentar la corte.
Ajustar las tasas de prdida / mala esperados para reflejar un riesgo real
superior
lo que se indica con las puntuaciones.
Por consiguiente, el anlisis anterior se ha mejorado a partir de un clculo
sencillo
de la puntuacin cambia a algo parecido a un indicador clave de riesgo (KRI) anlisis del tipo de los solicitantes (o clientes, para tarjetas de comportamiento).
Una extensin natural de este anlisis es comparar el desarrollo y
distribuciones actuales de otras caractersticas fuera del cuadro de mando.

Estos pueden incluir:


Las caractersticas que no se encuentran en el cuadro de mando, pero se cree
que
tener un impacto en la calidad del solicitante. Estos incluyen una fuerte
caractersticas

que no lo hacen en el cuadro de mandos. Por ejemplo, si


los cambios en las caractersticas del cuadro de mandos apuntan a un deterioro
de la calidad
de los solicitantes, la revisin de estas caractersticas nonscorecard fuertes
ayudar a confirmar que el movimiento. Esto asegura que los
juicios sobre la calidad del solicitante se hacen con una variedad ms amplia de
informacin y por lo tanto ms robusto.
Las caractersticas que son similares a los de la tarjeta de puntuacin. Para
ejemplo, si la "edad" se encuentra en el cuadro de mandos, el seguimiento de
otros relacionados con el tiempo
caractersticas, tales como el tiempo en el empleo o la direccin, y la edad de
antiguo comercio puede explicar otras razones para el cambio en el solicitante
perfil. Si "consultas en los ltimos 6 meses" se encuentra en el cuadro de
mandos, el seguimiento
investigaciones en los ltimos 3 y 12 meses ayudarn a explicar con ms detalle
el cambio en las investigaciones. En el ejemplo en el Anexo 9.4, la distribucin
de "consultas en los ltimos 12 meses" no mostraron significativa
cambiar. Esto significaba que el aumento de las consultas puede ser debido a
aumentar la competencia en los ltimos seis meses, o puede significar que
factores como el cambio del producto o la comercializacin en los ltimos seis
meses
puede atraer a un solicitante ms crdito hambriento. Caractersticas
relacionadas
todos deberamos avanzar en la misma direccin (por ejemplo, los solicitantes
mayores
debe tener tenencias superiores en el trabajo o archivos de ms edad en la
oficina).
Ejemplos de otros tipos de informacin para los cuales esto se puede hacer
incluir los oficios, la demografa, consultas y ratios financieros.
Cuando se utilicen relaciones en el cuadro de mandos, las distribuciones del
denominador
y el numerador debera ser seguido para explicar los cambios en

la relacin en s. Por ejemplo, si (equilibrio dividida por la utilizacin de crdito


lmite) ha disminuido, puede deberse a cualquiera de los saldos en movimiento
inferior
o lmites de crdito se incrementaron (como se muestra en el Cuadro 9.4).
Una vez ms, estos anlisis deben ser realizados para comparar el desarrollo
datos con los datos histricos recientes en los ltimos uno a seis meses para
detectar
las tendencias, y para validar que los cambios en las distribuciones no son
temporales
fenmeno.
Los cambios en las caractersticas anotadas y nonscored deben ser coherentes
y explicable con la lgica y las consideraciones comerciales. Si, para los
ejemplo, el anlisis muestra que los solicitantes sean cada vez ms jvenes, an
no se han

"tiempo en el empleo," ms alto los errores de codificacin puede estar


ocurriendo. Tal
cambios ilgicos deben ser investigados y explicados.
RESULTADO FINAL INFORME El informe final de puntuacin se utiliza para la
aplicacin
cuadros de mando, y se produce para obtener los nmeros de operacin, tales
como
tasa de aprobacin y la tasa de anulacin. Tambin puede ser usado para
monitorear excesiva
anulando y medir la calidad de los candidatos y de las cuentas aprobadas.
Anexo 9.5 muestra un informe de resultado tpico, utilizando un sistema de
puntuacin con un
punto de corte de 200 puntos.
Esta exposicin muestra una tasa de aprobacin de 64,2%, y el lado bajo y
highside
anular tasas de 4,84% y 9,09%, respectivamente. Tenga en cuenta que algunos
prestamistas calculan las tasas de anulacin sobre la base de los demandantes
totales como
denominador, mientras que otros utilizan el nmero de aspirantes por debajo o
por encima
corte como el denominador (por lado bajo y highside override).
Para productos como hipotecas y prstamos, un adicional de "no tomado
Up "tambin se crea la columna para designar a los que fueron aprobados por el

prestamista, pero opt por no aceptar la oferta. En el desarrollo del cuadro de


mando,
estos son considerados indeterminada.
El informe en el Anexo 9.5 se produce tpicamente en cada cuadro de mando,
pero muchos usuarios tambin generarn para diversas subpoblaciones y
segmentos.
Esto se hace para asegurar que un segmento valiosa no est siendo penalizado

o que la tasa de aprobacin de puntuacin es consistente a travs de los


distintos segmentos.
La evidencia indica que esto no est sucediendo puede significar que el cuadro
de mando
o bien no se predicen como fue diseado, o que el exceso primordial es
pasando. En el primer caso, la segmentacin alterno puede ser necesario,
mientras que en el segundo sera, ms investigacin y los controles
pidi.
Una variacin de la Prueba 9.5 es la que sigue la calidad de reservado
negocio a travs del tiempo. Un ejemplo se muestra en el Cuadro 9.6.
Esta exposicin muestra la distribucin de las cuentas reservadas por
puntuacin, ms
tres perodos de tiempo. Estos se comparan con la distribucin esperada de
determinar si la calidad de las cuentas es peor o mejor que lo que era
esperado. Anexo 9.6 muestra una disminucin constante de la calidad, donde el
proporcin de aprueba en la banda de puntaje 200-209 (justo por encima de
corte) es
aumentando, mientras que los de la banda mxima puntuacin estn

disminuyendo. Adems,
no slo es el porcentaje de anulaciones Lowside gradualmente crecientes, pero
que se estn haciendo cada vez ms en las puntuaciones ms bajas.
Si bien la estabilidad del sistema y los informes finales Puntuacin muestran la
calidad de
solicitantes, este informe indica la calidad de las cuentas aprobadas. Este
informe ayuda a generar un mal mejor tasa esperada de cada nuevo ingreso
de las cuentas, en lugar de depender de una relacin Tarifa / malo de aprobacin
simple
derivada de las tablas de ganancias. Esa relacin, que dice
que si su tasa de aprobacin es, por ejemplo, el 70%, entonces usted puede
esperar
una mala tasa total de 3%, se basa en el supuesto de que la distribucin
de las cuentas anteriores de corte se mantiene estable. Como se muestra en el
Cuadro 9.6, una vez

suposicin ya no es vlida, se debe reevaluar las malas predicciones de tasas.


En algunos casos, la tasa de aprobacin puede permanecer igual durante un
determinado
cartera, pero si los cambios en la mezcla, luego las predicciones de las ganancias
mesas ya no son vlidas.
ANULAR INFORME Este informe realiza un seguimiento del nmero de lado
bajo y highside
reemplaza por el cdigo de motivo de anulacin. En situaciones donde las
decisiones son

hecho tanto manual como automticamente (es decir, por el software), las
sustituciones
necesidad de realizar un seguimiento tanto por ese tipo de decisiones tambin.
Como se menciona en la seccin "Modificaciones de" del captulo 8, excesiva y
resultados primordiales incontrolados en el aumento de las prdidas, sin
embargo, algunos primordial es
justificada y se debe hacer. Por tanto, este informe acta como una herramienta
de control
para alertar a la gestin de anulacin si los niveles aumentan, o cuando se
reemplace
se lleva a cabo por razones no especificadas. Tambin se puede utilizar para
determinar la calidad
de las anulaciones que se realiza dentro de la organizacin. Siempre que sea
posible, todas las
anulando debe hacerse sobre la base de razones justificables y rastreable, por lo
que el anlisis se puede realizar para determinar qu motivos de anulacin son
apropiados
y cules deben ser abandonados. Una manera de determinar
esto es para generar un informe del rendimiento por anulacin razn.
Un informe de anulacin de la muestra se expone en el Anexo 9.7.
Esta exposicin muestra las anulaciones por razones y el tipo de decisiones.
Tenga en cuenta que
las definiciones de las decisiones del sistema y manual variarn entre

compaias, en funcin de su proceso de aprobacin. Algunas organizaciones


requieren
un juez para revisar y confirmar las decisiones del sistema para todas las
aplicaciones,
mientras que otros se aprueban o rechazan de forma automtica la mayora de
los
aplicaciones con pocos comentarios manuales. En el informe se muestra en el
Cuadro 9.7
por lo tanto, se puede personalizar para incluir "Decisin Preliminar" y
"Decisin Final" en lugar de sistema y las decisiones manuales.
Tenga en cuenta tambin que este informe no incluye "otros" o "Ninguno
Especificado ", como los cdigos de razn. Estos deben, por supuesto, se
reducen al mnimo. La
buenas prcticas antes de disear los sistemas de procesamiento de solicitudes
y
informes es que los adjudicadores de la encuesta, para compilar una lista
completa de todos los
razones que han utilizado para anular las aplicaciones. Estas razones pueden
entonces
ser subdivididos en grupos. Esta prctica minimiza las posibilidades de
sustituciones
sobre la base de razones que no se pueden introducir en un sistema.
Para anulaciones de lado bajo, todas las decisiones se presentan como "System
'D'" y
"Manual de 'A'", lo que significa que el sistema se redujo a todos ellos (al
eliminar
continuacin de corte), pero todos ellos fueron aprobados finalmente por
alguien, con base
en una razn especificada.
La parte override highside tiene algunas variaciones:
shows "quiebra" que los 125 anulaciones se declinaron por el
sistema, lo que indica que la presencia de la quiebra es un sistema automatizado
cada poltica. Sin embargo, cinco personas fueron finalmente aprobadas por
un juez, a pesar de tener quiebra.
Las reglas de poltica 1, 2 y 3 son tambin ejemplos de polticas automatizada
descensos.
"Conocimiento local" muestra los 102 solicitantes de ser aprobado por
el sistema, y luego ser posteriormente declin manualmente
alguien, posiblemente a nivel de rama.
"despectivo" (es decir, el rendimiento delincuente en la oficina o inhouse)
muestra una situacin interesante. Todos los 200 solicitantes fueron
aprobado inicialmente por el sistema-lo que significa que el particular,
rendimiento derogatoria no es una regla de poltica automatizado.
Posteriormente, mientras que 185 de ellos se redujo de forma manual debido

a la informacin negativa, el juez decidi


aprobar 15.

Por consiguiente, la configuracin que se muestra en el Anexo 9.7 puede ser


usado para monitorear
anula mejor que una simple distribucin de anulacin razn, que
puede enmascarar algn cierto tipo de decisiones, como la anulacin highside
Manual aprueba en quiebra muestra. Si se genera un informe
basado en la lgica de "si la puntuacin> corte y la toma = aprueban" para
definir cuentas aprobadas, no ser capaz de reconocer los cinco fallidos como
anulaciones e incluirlos de forma normal apruebe. Tambin se puede argumentar
que
los 15 aspirantes con alguna informacin negativa que estaban manualmente
descubierto y aprobado tambin son las anulaciones. En tales casos, se debe
realizar un seguimiento por separado para evaluar la eficacia de la decisin de
aprobar las cuentas con esa informacin negativa.
En entornos en los que la tasa de reemplazo es elevado, un informe adicional
que se debe hacer, delineando el perfil de riesgo de las anulaciones. Esto puede
ser
hacer de varias maneras, por ejemplo:
Comparar las caractersticas del cuadro de mandos y nonscorecard de
anulaciones
y nonoverrides, especialmente para las caractersticas de rendimiento negativas
como la "peor delincuencia."
La puntuacin de distribucin de las anulaciones a travs del tiempo.
Esto es para permitir una evaluacin cualitativa del perfil de riesgo de los
la suplantacin.
INFORMES DE RENDIMIENTO DEL PORTAFOLIO
Informes de resultados de la cartera a menudo son llamados informes "backend".
Involucran a analizar el rendimiento de morosidad de las cuentas
INFORME DELINCUENCIA (O RENDIMIENTO)
informes se utilizan para determinar el rendimiento de la cartera. Estos
suelen consistir en grficos que muestran las tasas de malos segn puntuacin
de las diferentes definiciones
de la mala. Adems, tambin se genera este informe para los distintos

segmentos
(Por ejemplo, regin, canal, datos demogrficos, etc) para identificar en
particular
reas de morosidad alta o baja. En este informe tambin se produce para
cuentas por "meses abrieron" para identificar cohortes especficas que presentan
un riesgo ms alto.

Un ejemplo de un informe de morosidad por cuenta de una tarjeta de crdito


cartera se muestra en el Cuadro 9.8.
Este informe se puede generar para ambos casos (como se muestra en el Anexo
9,8) o en dlares por cobrar, y es aplicable tanto a la conducta y la aplicacin
anotar. Anexo 9.8 muestra:
Interpretacin de un cuadro de mando aplicacin con un punto de corte en
200.
Una columna separada para cuentas activas (es decir, los que se han utilizado
su crdito disponible). La definicin de "activo" se diferencia
entre los prestamistas, pero generalmente se basa en la reciente creacin de su
uso.
"Bad tasa" para cada nivel de morosidad, con el nmero total de
cuentas activas como el denominador. Algunos prestamistas utilizan el total de
nmero de cuentas abiertas como la base para las carteras de renovables. Para
productos tales como hipotecas y prstamos, el total de cuentas abiertas o
prestando activamente debe utilizarse como denominador. Si el cuadro de
mando
fue desarrollado en base a una mala definicin compleja, como "1 90
da o 2 60 das o 3 30 das ", luego una columna tiene que ser
aadido con esa definicin de manera que el rendimiento real de la
cuadro de mando se puede evaluar. Tenga en cuenta que si scorecards
comportamiento fueron
siendo desarrollado, este informe proporcionara una indicacin de la
nmero aproximado de los males que pueden estar disponibles para el
desarrollo.
Una tendencia al aumento de tasa de malo como la puntuacin disminuye,
como debe ser
el caso. Esto demuestra que el cuadro de mando es la clasificacin de riesgo.
La definicin de "malo" aqu se puede basar en "nunca" malo o
"Actualmente" malo, y algunos prestamistas producir informes basados en estos
dos

definiciones.
En algunos casos, el rendimiento de cuentas de corte justo por debajo (lado bajo
anulaciones) es mejor que los de corte justo por encima. Esto se debe
principalmente
a "cherry-picking" (es decir, los de abajo de corte fueron seleccionados
manualmente
despus de una cuidadosa revisin de "mejor de todos", mientras que los de
corte por encima de
fueron aprobadas de forma automtica).
Este informe se basa en informes de morosidad en el desempeo similares
se pueden generar para batir, beneficios, ingresos, recuperacin o cualquier otra
objetivo para el cual se desarroll el cuadro de mando.

Otro objeto de supervisin del rendimiento para evaluar la precisin


del cuadro de mando. Para una comparacin adecuada, el rendimiento real de la
cuenta
debe basarse en los mismos criterios que el cuadro de mando
muestra de desarrollo (es decir, con el mismo "malo" definicin, segmentacin,
ventana de rendimiento y exclusiones). Un ejemplo de tal
comparacin se muestra en el Cuadro 9.9.
Esta exposicin muestra la mala tasa real de una cartera (Bad%) en comparacin
a la esperada en el desarrollo (Exp Mala%). Hay varios
Factores a tener en cuenta aqu:
Dado que el presente informe no se puede generar hasta la ventana de
resultados
se ha alcanzado, que tiene limitado valor operacional. En la mayora
casos, el anlisis de poca y cuadros como el que se muestra en el Anexo 4.3
se utilizan para el seguimiento del rendimiento de las cohortes individuales
contra
que espera. Si una cohorte tiene un mejor rendimiento, se puede concluir
que la mala tasa esperada en la madurez sera menos de
era de esperar, y viceversa. Esta informacin es til para la gestin de
cuentas y para la prediccin.
El rendimiento real es casi siempre diferente de la esperada, debido
para tener en cuenta las estrategias de gestin. Lo que es importante para el
riesgo
Manager es ser capaz de predecir con precisin el rendimiento esperado
en cualquier momento dado.

El seguimiento continuado de los tipos de malos por el tiempo abierto, y las


comparaciones
con el desempeo esperado se utilizan para evaluar si
no el cuadro de mando es de hecho funciona. En la mayora de los casos, los
cuadros de mando hacer
riesgo rango, pero las tasas de malos previstos no son los esperados. Donde
el cuadro de mando no clasifica el riesgo, es posible que tenga que ser
reemplazado. En
los casos en que existe una disparidad entre lo esperado y prev
rendimiento, acciones como el cambio de puntos de corte (para algunos
segmentos
si es aplicable), el cambio de las reglas de poltica, o ponderaciones las
puntuaciones
puede ser necesario.
VINTAGE (O COHORTE) ANLISIS Vintage, o de cohortes, el anlisis implica
generando las tasas malos para diferentes cohortes (cuentas abiertas en un
en particular perodo de tiempo) por el tiempo en los libros.
Al igual que con el informe de la delincuencia, este informe tambin se produce
para diferentes
definiciones de los malos, y para diferentes segmentos y subpoblaciones.
El informe se utiliza para:
Identificar las cohortes de alto riesgo (es decir, si las cuentas abiertas en un
determinado
mes o trimestre son un mayor riesgo que otros).
Seguimiento evolucin de los tipos malos con el tiempo, tenga en cuenta que
el Anexo 4.3,
que muestra el desarrollo de la mala tasa en el tiempo, fue desarrollado
utilizando informacin de una tabla de anlisis de cohorte se muestra en
Anexo 4.2. Esta informacin se utiliza para comparar el rendimiento
de nuevas cohortes para el rendimiento a largo plazo, con el fin de gestionar
expectativas y producir pronsticos ms precisos.
Un ejemplo de un anlisis de la vendimia se muestra en el Cuadro 9.10. Muestra
el rendimiento de cuentas abiertas entre enero de 2003 marzo de 2004,
medida despus de tenencias equivalentes a las cuentas (en este caso, sobre la
base de
trimestres). Tenga en cuenta que los informes similares pueden ser generados
para otras mtricas
como la prdida de clientes, el beneficio, la quiebra, recuperacin, y as
sucesivamente, sobre la base de negocio
objetivos, as como el destino especificado para el desarrollo de scorecards.

Este informe se puede ejecutar en diferentes definiciones de mal (por ejemplo,


cada vez 90
da, a la vez 60 das, etc.) Prueba 9.10 muestra que las cuentas
inaugurado en marzo y abril de 2003 son de un riesgo ms alto que las abiertas

en otros meses. En este punto, uno puede referirse a la estabilidad del sistema y
otros informes de marzo y abril de 2003 para averiguar las razones de este
disparidad en el rendimiento. Puede ser debido a factores tales como adverso
seleccin, los cambios en la corte, los esfuerzos de marketing dirigidas al alto
riesgo
grupos, errores del sistema mediante el cual los clientes de alto riesgo fueron
inadvertidamente
aprobado, o anular excesivo. En resumen, hay que ser capaz de utilizar
casi todos los informes tratan en este captulo, as como informacin sobre
prcticas comerciales histricos para conseguir estas razones.
Una vez que se conocen estas razones, se puede determinar si representan
un evento de una sola vez, o si las condiciones estn dadas para hacer una
repeticin. En el
este ltimo caso, las medidas se pueden tomar para evitar la aprobacin de tan
alto riesgo
cuentas.
Adems, una vez que se descubre que las cohortes en particular son de un
mayor riesgo en comparacin con otros en sus grupos de pares, las decisiones
en funcin del riesgo
se puede hacer para controlarlos. Estos incluyen:

El aumento de los precios para las renovaciones de prstamos


Frenar los aumentos automticos de lneas de crdito de alto riesgo
abanderamiento
cohortes de manera que sus lmites de crdito slo aument la demanda
y despus de la revisin

Frenar los clientes de tarjetas de crdito el uso de sus tarjetas durante


delincuencia o que no pasen el lmite de crdito asignado
Introducir ms rigurosas acciones colecciones para estas cohortes
Utilizando la informacin de los informes para conducir este tipo de toma de
decisiones
es la clave. Esto hace que el informe de una herramienta de toma de decisiones,
y no slo un ejercicio
en la generacin de documentacin y estadstica.
El tipo de investigacin en el pasado se ha mencionado anteriormente (para
entender
las razones de la disparidad en el rendimiento de la cohorte) se hace ms fcil si
ciertos artculos estn documentados. Estos incluyen:
Cambios en los cuadros de mando, puntos de corte, reglas polticas, productos
y regulatorios
medio ambiente
Informacin sobre las principales iniciativas de marketing
Estos deben ser capturados para cada cartera, y se documentan tales
que el diagnstico y solucin de problemas de futuro se hace ms fcil. Dicha
documentacin
Es comn en la puntuacin de crdito, y se refiere a menudo como el
Portafolio Cronologa Log. Tenga en cuenta que esto es independiente de los
datos
Cambio de registro, que captura todos los cambios a las bases de datos dentro
de la organizacin.
INFORME SOBRE LAS MIGRACIONES DELINCUENCIA Sobre una base mes a
mes, la mayora
prestamistas rastrear el movimiento de las cuentas de un cubo de la
delincuencia
a otro. Se proporciona un ejemplo de un informe de migracin como la

delincuencia
en el Anexo 9.11.
En el informe se muestra en el Cuadro 9.11 mide la migracin de nmero
de las cuentas de una clase a otra, la delincuencia de "anterior
mes "a" este mes ". Tenga en cuenta que el" "medida en el"% anterior
Columna Mes "es una distribucin de modo de columna. Los campos "%" en el
marco
"Este mes" es una distribucin de fila. Por ejemplo, de todas las cuentas
que eran 30 a 59 das de vencimiento el mes pasado, el 40% ya estn en curso,
el 10% son
1-29 das de mora, el 14,5% son 30-59 das de mora, y as sucesivamente. La
mismo informe tambin se produce por dlares en cada cubo de la delincuencia.
Informes como estos pueden ayudar en el pronstico. ste puede ser modificado
para proporcionar ndices de balanceo a largo plazo durante muchos aos. En
algunos casos,

donde el desarrollo de modelos de 90 das o chargeoff no es posible,


modelos para predecir la delincuencia menor, por ejemplo, 60 das, se pueden
desarrollar.
El pronstico del modelo a continuacin, se puede combinar con informacin de
velocidad de balanceo

a continuacin, predecir delincuencia o chargeoff 90 das. El informe es


similar al anlisis del tipo de rollo explica en el captulo 4, y proporciona similares
evidencia de "punto de no retorno" para la delincuencia. El informe anterior
muestra que el 80% de los que estaban 1-29 das vencidos mes pasado pag
hasta ponerse al da, mientras que slo el 2% de los que estaban 90-119 das
mora desembolsado en su totalidad.
ROLLO DE CAMBIO A TRAVS DEL TIEMPO una modificacin del Anexo 9.11
rastrea el
nmero de cuentas y los dlares en circulacin en cada cubo de la delincuencia
a travs del tiempo. Un ejemplo de este tipo de informe se muestra en el Cuadro
9.12,
que slo muestra dos cajones de morosidad, con fines ilustrativos. En
realidad, se produce para todos los cajones de morosidad.
Este informe es til para entender el desarrollo de la delincuencia
a travs del tiempo, tanto en trminos de cuentas morosas y dlares.
El crecimiento relativo de dlares en mora en la cuenta tambin da una
indicacin
del aumento de los saldos y si la prdida dado el incumplimiento est
aumentando o
no.

REVISIN
Una vez scorecards son construidos e implementados, una posterior a la

implementacin
revisin es una buena manera de identificar las lagunas o deficiencias en el
global
desarrollo cuadro de mando y proceso de aplicacin, y por el contrario, a
reconocer las reas de la eficacia. Esto sirve para que la posterior scorecard
desarrollo de proyectos de forma ms eficiente y eficaz. La revisin
se debe hacer con todas las partes implicadas, como se detalla en el captulo 2.
Algunas de las preguntas clave que deben ser cubiertos son:
Fue la limpieza de datos se requiere? Si lo fuera, la lgica de la limpieza
debe ser almacenado.
El proceso de la entrevista, por ejemplo, jueces y
coleccionistas y exitosos en la identificacin de las variables predictoras y
cambios en las caractersticas a travs del tiempo? Este proceso debe ser
entonces
repetida para futuros proyectos. En los casos en que el desarrollo de scorecards
Los anlisis demostraron que la informacin dada por los entrevistados
no puede haber sido correcta, la informacin debe ser
pasado de nuevo a los jueces, por ejemplo, para que puedan
ajustar sus expectativas. Por ejemplo, los jueces pueden tener
pensaban que los jvenes que viven en los centros urbanos eran de alto riesgo
porque tenan rentas altas y se traslad empleos, as como casas con frecuencia,
pero el anlisis demostr que eran buenos riesgos porque
los que se consideran el comportamiento "normal" en los centros urbanos. En la
mayora
los casos, los resultados de agrupacin interactiva pueden ser presentados a los
responsable de la adjudicacin o la gestin de la cartera, ya que el
informacin es bastante intuitivo, visual y fcil de entender. Se puede
tambin conducir a una mejor gestin del riesgo a travs de una mejor
comprensin
de los factores de riesgo que afectan a su cartera.
Hay elementos especficos que hacen a su cartera nica,
como la estacionalidad o periodos de actividad anormal? Si es as, tal
informacin debe ser documentada para el desarrollo futuro
as como exmenes de la cartera.
Hubo ocasiones en que el proyecto se qued quieto? Podra
algo que puede hacer en el futuro para evitar estos hechos? Estos
incluir la espera de los datos, la imposibilidad de interpretacin