Hatékonyabb banki hitelpontozás
A Bázel II kritériumainak egyik alapvető eleme, hogy a bankok és a lízingcégek statisztikai alapokon nyugvó hitelpontozási rendszert vezessenek be, amely egyébként üzleti érdekük is. A hitelpontozási rendszer hátterében adatbányászat húzódik, amelynek során a múltbeli eseményekből következtetnek az ügyfél jövőbeli viselkedésére. Az adatbányászatot már most el kell kezdeniük az érintett intézményeknek, ezért a rendszer bevezetése igencsak időszerű - hívta fel a figyelmet Schay Krisztina, a SAS amerikai szoftvercég üzleti konzulense.
A SAS közelítésmódja szerint a hitelpontozás statisztikai modell alkalmazását jelenti a hitelkérelmező vagy meglévő ügyfél kockázati pontozására, értékelésére. továbbá a SAS eszköztára alkalmas a behajtási folyamatok támogatására is. A statisztikai modell alkalmazásán túl a SAS megoldása a modell kifejlesztését, pontosságának nyomon követését és hatásvizsgálatát is magában foglalja.
A modellfejlesztés a rendelkezésre álló historikus adatok elemzését követő "rossz adós/ nem fizető ügyfél" fogalmának meghatározásával veszi kezdetét. A SAS kockázatkezelési megoldása ajánlásokat tartalmaz arra vonatkozóan, hogy a célváltozó kialakításánál milyen mérőszámok figyelembevétele szükséges.
A meglévő alapadatokból, illetve azok képzése révén nagy mennyiségű magyarázó változó kínálkozik a modellezéshez. A releváns - jelentős magyarázó erővel bíró - inputváltozók kiválasztására számos megoldás választható: a döntési fa változó
kiválasztási mechanizmusától kezdve az automatikus változó szelekcióig. A fenti megoldások a karakterisztikák (egyedi inputváltozók) magyarázó ereje alapján, kifinomult statisztikai eljárások révén támogatják a döntést.
A klasszikus pontozási rendszer (scorecard) létrehozása az ügyfél jellemzői mentén történik. Az attribútumok (inputváltozók csoportjainak) automatikus, illetve interaktív képzését és az attribútumok magyarázó ereje alapján történő kiválasztását teljes egészében támogatja a SAS adatbányászati eszközére épülő megoldás. Az inputváltozók körének kiválasztását követően kerül sor a modellezésre. A tradicionális scorecard létrehozása dichotomikus logisztikus regressziós modellre épül, melynek inputváltozóit az automatikusan/interaktív módon kiválasztott változók alkotják. A regressziós modell során képzett súlyokból a bank, üzletág standardjait figyelembe véve alakítható ki a végleges scorecard.
A logisztikus regresszió mellett a SAS-megoldás lehetővé teszi alternatív modellezési eljárások alkalmazását is. A döntési fa modell támogatja az attribútumok közötti interakciók feltárását, megkönnyíti az üzleti szabályok interpretálását.
A SAS módszertani ajánlása több modell együttes alkalmazását, kombinálását javasolja a modellfejlesztési fázisban, a modellek értékelését és a végső modell kiválasztását pedig statisztikai eljárásokra épülő eszközei révén támogatja.
A végső scorecard elfogadása után a modell üzleti értékelésére, nyomon követésére üzleti riportok és jelentések készíthetők.
Kalkulált bevétel- és költségadatok alapján profitgörbe jeleníthető meg különböző elfogadási szintek mentén, továbbá egyéb diagramok és összefoglaló táblázatok támogatják az optimális pontszámhatár (cut-off) meghatározását. A SAS-megoldás a modell adatbányászati folyamaton belüli kiterjesztését is támogatja, mind új ügyfelekre/jelentkezőkre, mind az eddig elutasítottak körére.
A pontozási modell bankon belüli kifejlesztése révén lehetőség van több modell párhuzamos építésére, versenyeztetésére, és az ügyfélkör megismerését célzó előzetes szegmentációra is.
