TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto
Aplicações de Behavior Scoring
Roteiro - Introdução - Diferença entre Credit scoring e Behavior Scoring - Como construir um Behavior Scoring
Introdução Com o rápido crescimento da indústria de crédito no país nas últimas décadas, seria impossível para instituições financeiras conceder crédito sem o auxilio de várias técnicas de análise automática. Credit Scoring Behavior scoring
Credit scoring e Behavior scoring São ferramentas que auxiliam as instituições financeiras a decidir sobre a concessão de crédito aos consumidores com base no risco de crédito das solicitações. BOM MAU
Credit scoring É utilizado quando um novo consumidor faz uma solicitação de crédito. Apenas informações demográficas, como idade, sexo, renda entre outras variáveis, são levadas em consideração na atribuição do escore. Técnicas Pontuação
Behavior scoring É utilizado quando um consumidor, que já possui histórico de transações na base de dados da instituição, está solicitando crédito. Histórico de pagamentos Técnicas Pontuação
Técnicas mais comuns na construção de modelos de Behavior scoring - Arvore de decisão - Regressão Logística - Redes Neurais
Técnicas mais comuns na construção de modelos de Behavior scoring - Arvore de decisão
Técnicas mais comuns na construção de modelos de Behavior scoring - Regressão Logística
Técnicas mais comuns na construção de modelos de Behavior scoring Regressão Logística É uma técnica estatística que tem como objetivo produzir, a partir de um conjunto de observações, um modelo que permita a predição de valores tomados por uma variável categórica, freqüentemente binária, a partir de uma série de variáveis explicativas contínuas e/ou binárias.
Técnicas mais comuns na construção de modelos de Behavior scoring - Redes Neurais Artificiais
Técnicas mais comuns na construção de modelos de Behavior scoring - Redes Neurais Artificiais Modelos inspirados no cérebro humano; Compostas por várias unidades de processamento ( neurônios ); Interligadas por um grande número de conexões ( sinapses ); Eficientes onde métodos tradicionais têm se mostrado inadequados;
Behavior scoring vs Sistemas Especialistas Modelos Behavior Scoring são desenvolvidos pela análise estatística do desempenho do histórico de crédito em contas individuais. Como Sistemas Especialistas, modelos de Behavior Scoring deve replicar o processo de decisão do gerente de crédito. Mas, as diferenças mais notáveis no desenvolvimento de um modelo de pontuação comportamento são:
Behavior scoring vs Sistemas Especialistas 1- O modelo de Behavior Scoring é baseada em uma análise estatística sobre o histórico de pagamento da base de dados de crédito do cliente e seus resultados de desempenho de crédito. Desempenho de crédito é normalmente medido 6 a 24 meses a partir da data de decisão de crédito e é classificado em bom ou ruim.
Behavior scoring vs Sistemas Especialistas 2- As variáveis que são mais preditivas são determinadas pelo modelo, e não pelo especialista. 3- O pesos das variáveis é determinado pelo modelo e não pelo especialista.
A saída do modelo de Behavior Scoring A saída de um modelo de Behavior é a probabilidade de que uma conta será inadimplente. O poder desta probabilidade é maximizada quando é utilizado em conjunto com uma tabela de Gestão de Desempenho (PMT). A Tabela de Gestão de Desempenho fornece um quadro completo da distribuição de risco esperado para um grupo de contas
Como construir um modelo de Behavior scoring? Para construir um modelo de Behavior scoring é necessário tomar decisões sobre uma série de parâmetros importantes, isto envolve responder questões como: Qual o período de tempo deve ser considerado para análise histórica? Qual o período de avaliação deve ser considerado para construção do modelo? Qual definição de mau cliente será utilizada? A literatura de Credit scoring não fornece subsidio suficiente para responder tais questões.
Como os dados são manipulados na construção de um modelo de Behavior scoring? Base de dados dos clientes Uma amostra de clientes é selecionada de modo que os dados referente aos seus produtos e consumos estejam disponíveis em um determinado ponto de observação.
Como os dados são manipulados na construção de um modelo de Behavior scoring? Ponto de observação Janela de desempenho Janela de resultado
Janela de performance O período antes do ponto de observação é freqüentemente chamado de janela de performance. Os dados contidos na janela de performance são estruturados em atributos que serão usados como entrada para o sistema de Behavior Scoring para distinguir entre os clientes bons e maus. Ponto de observação Janela de desempenho Janela de resultado
Janela de resultado O período apos o ponto de observação é chamado de janela de resultado. O objetivo da janela de resultado é classificar os clientes dentro de duas populações distintas (bom e mau) baseado em seu histórico de pagamento. Ponto de observação Janela de desempenho Janela de resultado
Variáveis utilizada na construção dos modelos de Behavior scoring e suas fontes (McNab and Wynn (2000). Fonte Histórico de inadimplência Histórico de uso Informações estáticas Histórico de compra Atividades de cobrança Histórico de promoções Serviço de contatos de clientes Exemplo de variáveis Este ve em atraso, Maior atraso Consumo médio do limite Idade, sexo, endereço... Produto mais comprado Resultado Número de ofertas, Resultado das ofertas contato receptivo
Conclusão A maior precisão da análise de crédito através da utilização de modelos de Behavior Scoring vem do poder matemático capaz de analisar centenas de elementos de dados de risco de crédito para encontrar o conjunto mais preditivo.
Empresas de Behavior scoring
Referências K. Kennedy, B. Mac Namee, S.J. Delany, M. O Sullivan, N. Watson, A window of opportunity: Assessing behavioural scoring, Expert Systems with Applications, Volume 40, Issue 4, March 2013, Pages 1372-1380, ISSN 0957-4174 McNab, H., Wynn, A., 2000. Principles and practice of consumer credit risk management. Chartered Institute of Bankers and Institute of Financial Services and University of Manchester. Institute of Science and Technology.