Professional Documents
Culture Documents
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
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
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
Validacin de preimplantacin
Desarrollo de estrategias
Estrategia de Scoring
Establecer puntos de corte
Las reglas de directivas
Anulaciones
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.
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
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.
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
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.
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).
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.
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
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.
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" /
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.
CAPTULO 5
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 3: BASE DE DATOS DE DESARROLLO
CREACIN
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
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
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.
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.
MTODO DE COMPENSACIN
La funcin logit estndar utilizado en la regresin para el muestreo conjunto es:
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
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
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
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
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:
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,
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
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
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,
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.
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.
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.
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:
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 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:
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
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
Levante =
Valor predicho positivo/% De positivos en la muestra
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
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
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
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.
CAPTULO 8
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 6: CUADRO DE MANDO
IMPLEMENTACIN
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,
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
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
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
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.
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
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
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
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
CAPITULO 9
PROCESO DE DESARROLLO DE CUADRO DE MANDO,
ETAPA 7: POSTERIOR A LA IMPLEMENTACIN
9.1. Nota
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.
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:
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.
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
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
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.
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.
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:
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,
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