Artur Suchwałko

Credit scoring w praktyce z wykorzystaniem R

Szkolenie przedstawia kompletny proces budowy systemu scoringowego: od zebrania danych, poprzez wybór cech i wyznaczenie punktów scoringowych, aż do monitorowania działającego systemu. Nową wiedzę utrwalamy ćwicząc z wykorzystaniem systemu R + RCommander. Dyskutujemy także o szczegółach technicznych oraz własnościach teoretycznych przedstawianych metod. Uczestnicy szkolenia otrzymują materiały pozwalające na dalszą samodzielną pracę (skrypty R).

Korzyści

Uczestnicy szkolenia:

• poznają wszystkie etapy procesu budowy systemu scoringowego,
• nauczą się przygotowywać dane do budowy modeli scoringowych,
• poznają metody statystyczne stosowane w budowie kart scoringowych,
• dowiedzą się, jak radzić sobie z brakiem informacji o wnioskach odrzuconych (reject inference),
• zapoznają się ze sposobami oceny jakości modeli scoringowych,
• poznają podstawy R,
• wszystko przećwiczą w praktyce na komputerze,
• otrzymają materiały umożliwiające samodzielną późniejszą pracę.

Skrót programu szkolenia

• Wstęp i krótkie wprowadzenie do R
• Przegląd etapów kompletnego procesu budowy systemu scoringowego
• Analiza i przekształcenia cech do budowy systemu scoringowego
• Regresja logistyczna: podstawy teoretyczne i praktyka
• Metody wyboru cech do budowy modelu
• Sposoby oceny jakości systemu scoringowego
• Uwzględnienie wniosków odrzuconych (reject inference)
• Wykorzystywanie systemu scoringowego w praktyce

Pełny program szkolenia poniżej.

Uczestnicy

Pracownicy departamentów ryzyka kredytowego, audytu, IT:

• budujący modele scoringowe lub zamierzający budować modele scoringowe,
• monitorujący działanie modeli scoringowych,
• walidujący modele scoringowe,
• analitycy ryzyka kredytowego,
• wszyscy zainteresowani poznaniem sposobów budowy systemów scoringowych i zrozumieniem ich działania.

Więcej informacji

Program szkolenia i program szkolenia w pdf (55 KB).

Terminy szkoleń otwartych.

Rejestracja na szkolenie otwarte.

Szkolenie dostępne jest także jako zamknięte. Zakres i termin dostosowane będą do Państwa potrzeb. Jeśli są Państwo zainteresowani szkoleniem zamkniętym, to proszę o kontakt.

[Show as slideshow]

Program szkolenia

Przeczytaj program szkolenia w pdf (55 KB).

1. Krótkie wprowadzenie do R
   • wprowadzenie do środowiska R
     • specyfika i przegląd możliwości systemu
     • instalacja i konfiguracja
     • użytkowanie R
     • system pomocy
     • graficzny interfejs użytkownika
     • korzystanie z wbudowanych funkcji
   • R od podstaw: typy i struktury danych
     • typy zmiennych
     • obiekty i ich podstawowe własności (wektory, macierze, zmienne tekstowe, listy i ramki danych)
     • podstawowe operacje na obiektach
   • elementy programowania w R
     • podstawy języka R
     • instrukcje sterujące przepływem kodu
     • tworzenie własnych skryptów i funkcji
2. Wstęp
   • ocena ryzyka kredytowego przed powstaniem systemów scoringowych
   • zalety i obszary stosowania systemów scoringowych
   • idea działania: wykorzystanie danych historycznych do przewidywania przyszłego zachowania
   • zalety i wady punktowej oceny ryzyka
   • korzyści wynikające z zastosowania systemów scoringowych
   • rodzaje systemów scoringowych
     • podział ze względu na zastosowanie
     • podział ze względu na sposób budowy
     • łączenie różnych rodzajów scoringu
3. Przegląd etapów kompletnego procesu budowy systemu scoringowego
   • organizacja projektu (w tym definicja celu biznesowego dla systemu scoringowego)
   • wstępna analiza danych
   • definicja parametrów
     • definicja dobrego i złego klienta: przekształcenie celu biznesowego na cel statystyczny
     • application window i performance window
     • wykluczenia
     • segmentacja
   • przygotowanie danych
     • cechy stosowane w scoringu
     • wybór próby konstrukcyjnej
     • zgromadzenie i oczyszczenie danych
   • budowa karty scoringowej w skrócie
     • analiza i przekształcenia cech do budowy systemu scoringowego
     • regresja logistyczna: podstawy teoretyczne i praktyka
     • metody wyboru cech do budowy modelu
     • sposoby oceny jakości systemu scoringowego
     • uwzględnienie wniosków odrzuconych (reject inference)
   • wykorzystywanie systemu scoringowego w praktyce
     • raporty podsumowujące proces budowy karty scoringowej
     • wdrożenie karty (w tym dobór punktu odcięcia: iso-risk, iso-acceptance)
     • monitorowanie karty
4. Analiza i przekształcenia cech do budowy systemu scoringowego
   • analiza pojedynczych cech
     • Weight of Evidence, odds
     • rozkłady cech (tablice kontyngencji, histogramy)
     • obserwacje brakujące oraz obserwacje odstające
     • kontrola jakości i czyszczenie danych
     • wstępny wybór cech do konstrukcji modelu – analiza zdolności dyskryminacyjnej cech
   • przedziałowanie zmiennych ciągłych (fine classing i coarse classing)
     • rola przedziałowania
     • przedziałowanie metodą weight of evidence (WoE)
   • analiza zależności między cechami i konstrukcja cech pochodnych (generated characteristics, cross characteristics)
5. Regresja logistyczna: podstawy teoretyczne i praktyka
   • wprowadzenie do regresji logistycznej
     • zalety regresji logistycznej
     • modele regresyjne – wprowadzenie na przykładzie regresji liniowej
     • czym jest scoring: model liniowy, model logit i probit
   • idea modelu (dummy variables, modele dla zmiennych ciągłych)
   • podstawy statystyczne
   • budowa modelu, własności praktyczne i teoretyczne
   • dwa podejścia do budowy systemów scoringowych metodą regresji logistycznej
   • interpretacja wyników
   • diagnostyka modelu: testy statystyczne i wykresy
   • wnioskowanie statystyczne dla regresji logistycznej
   • inne metody budowy systemów scoringowych oraz ich wady i zalety
6. Metody wyboru cech do budowy modelu
   • wprowadzenie do oceny jakości modelu
   • kryteria zastosowania cech w scoringu (statystyczne, biznesowe, operacyjne)
   • wartość informacyjna cechy (information value)
   • przegląd zupełny zbioru cech
   • inne sposoby wyboru cech
     • metody forward, backward bazujące na jakości klasyfikacji
     • metody krokowe bazujące na kryterium AIC
7. Sposoby oceny jakości systemu scoringowego
   • kryteria dobroci dopasowania modelu (AIC, R^2)
   • analiza zdolności predykcyjnej modelu
   • rozkłady punktów scoringowych
   • ocena jakości klasyfikacji: confusion matrix
   • ocena zdolności dyskryminacyjnej: krzywa ROC, miary AR, KS i dywergencja
8. Uwzględnienie wniosków odrzuconych (reject inference)
   • idea reject inference
   • przegląd metod reject inference
     • define as bad
     • extrapolation
     • augmentation
9. Wykorzystywanie systemu scoringowego w praktyce
   • dobór punktu odcięcia
   • wdrożenie systemu scoringowego
   • monitorowanie skuteczności działania systemu i raportowanie
     • monitorowanie siły predykcyjnej systemu
     • monitorowanie siły predykcyjnej cech
     • monitorowanie stabilności populacji
   • strategia champion-challenger