STATISTICA Scorecard - Dataminingové nástroje - Produkty - Data mining - Prediktivní modelování - Credit Scoring - Fraud detection - SPC

STATISTICA Scorecard je mocný nástroj k vyhodnocování kreditního rizika a bonity klientů, umožňuje vytvářet pokročilé skóringové modely ve formě tzv. skórkarty, které se kromě skórování žádostí a behaviorálního skóringu běžně aplikují v marketingu, kde pomáhají vytvářet efektivní reklamu nebo strategii pro udržení stávajících zákazníků. STATISTICA Scorecard je kompletní řešení pro vývoj, vyhodnocení a monitorování modelu typu „skórkarta“. Modul zahrnuje sadu nástrojů pro následující úlohy:

Výběr charakteristik

Tento modul se používá pro výběr a vyjmutí nedůležitých či redundantních proměnných se základní množiny charakteristik. Lze vytvořit hodnocení proměnné pomocí dvou měr celkové prediktivní síly, jedná se o informační kritérium a Cramérovo V. Na základě těchto měr můžete identifikovat, které charakteristiky mají důležitý vliv na kredit risk a ty poté vybrat do další fáze vývoje modelu. Navíc je zde možnost vybrat reprezentanty, která Vám umožní identifikovat redundanci mezi numerickými proměnnými bez nutnosti analyzování matice všech korelací. Tento modul vytvoří svazky proměnných, které jsou obecně mezi sebou korelované pomocí faktorové analýzy s rotací. V každém svazku jsou proměnné s vysokou korelací se stejným faktorem (a často také mezi sebou), což Vám umožní vybrat pouze menší množinu reprezentantů.  

Interakce a pravidla

Slouží pro stanovení významných interakcí mezi proměnnými, současně je schopen identifikovat pravidla, která významně ovlivňují odezvu (toto se děje aplikací stromových algoritmů či logistické regrese). Vytvořená a následně uživatelem vybraná pravidla lze vyexportovat jako nové proměnné, lze také vygenerovat makro, report či zdrojový kód pro Pravidla, který je schopen vytvořit nové proměnné následně automaticky.

Tvorba atributů

Zde je možné připravit si profily pro každou proměnnou (diskretizace). Můžete použít automatický algoritmus (je založen na CHAID algoritmu) nebo manuální mód, můžete rozdělit proměnnou do (jinak známou jako charakteristika) do tříd (atributů) dosahujících stejné risky.  Počáteční atributy mohou být nastaveny manuálně tak, aby naplnily obchodní i statistické požadavky, jako hladkost profilu nebo jednoduchost interpretace. Pro vybudování správných profilů jsou uživateli k dispozici statistické míry kvality predikce pro každý atribut (WoE – weight of evidence a informační hodnota). Kvality WoE dělení může být dosaženo díky využití grafu trendu WoE. Celý proces může být uložen jako XML kód (či soubor typu Pravidla) a použit později ve fázi přípravy skórkarty.

Výstavba skórkarty

Modul Výstavba modelu je určen k vytvoření skórkarty založené na připravených atributech a logistické regresi. Proces od dat k vytvoření skórkarty může být urychlen akceptováním defaultního nastavení. Pokročilí uživatelé si mohou vybrat rekódování prvnotních proměnných na atributy (WoE nebo sigma omezená parametrizace) a vybrat si typ výstavby modelu – postupné vkládání, postupné odebírání, dopředná a zpětná kroková logistická regrese a hledání nejlepší podmnožiny. Jakmile je model vystavěn, může být generována množina statistik (jako AIC, BIC, test poměrem věrohodností) a reporty (jako eliminace nedůležitých proměnných). Finálním stádiem přípravy skórkarty je odhadnout parametry logistického regresního modelu a specifikovat škálovací hodnoty pro transformování na formát skórkarty. Jednotlivá skóre lze dále ještě manuálně upravovat. Kartu lze vyexportovat ve formátu Excelovské tabulky, xml či SVB kódu.

Modely přežívání

Tvorba skóringových modelů s využitím Coxova modelu proporcionálního rizika. Budete schopni odhadnout skóringový model za využití dodatečné informace o času defaultu (kdy dlužník přestane platit). Na základě tohoto modelu jste schopni vypočítat pravděpodobnost defaultu v daném čase (například za 6 měsíců, rok, atd.).

Modely přežívání

Tvorba skóringových modelů s využitím Coxova modelu proporcionálního rizika. Budete schopni odhadnout skóringový model za využití dodatečné informace o času defaultu (kdy dlužník přestane platit). Na základě tohoto modelu jste schopni vypočítat pravděpodobnost defaultu v daném čase (například za 6 měsíců, rok, atd.).

Vliv zamítnutý případů

Tato metoda slouží k tomu, abychom do modelu nevnášeli vychýlení způsobené zamítnutím některých případů. V některých případech je potřeba vzít v úvahu zamítnuté případy. Protože u nich nemáme informaci o tom, jestli by patřili nakonec k dobrým nebo špatným, musí být tato informace doplněna užitím jiných algoritmů na základě ostatních údajů o žadateli (k dispozici je metoda k-nejbližších sousedů a „parceling“metoda). Po analýze jsou vytvořena nová data s kompletní doplněnou informací.