Webshop 
STATISTICA Scorecard
 |
zur Mining-Übersicht |
STATISTICA Scorecard ist eine Software-Lösung für das Entwickeln, Bewerten und Überprüfen von Scorekarten-Modellen. Folgende Funktionen sind in einem Workflow abgebildet:
- Data Preparation
- Modeling
- Evaluation and Calibration
- Monitoring
- [Feedback]
Feature Selection
Mittels Feature Selection werden irrelevante und redundante Variablen aus dem ursprünglichen Merkmals-Set ausgeschlossen. Variablen können über zwei Maßzahlen zur allgemeinen Vorhersagekraft ihrer Bedeutung nach gerankt werden: über den IV (Information Value) und Cramers V. Mit Hilfe dieser Kennzahlen lassen sich Merkmale mit gewichtigem Einfluss auf Kreditrisiken identifizieren und für den nächsten Schritt der Modellierung auswählen. Darüber hinaus erlaubt es die Option Selecting representatives, redundante Informationen numerischer Variablen aufzuspüren, ohne eine Korrelationsmatrix zu allen Variablen studieren zu müssen. Hierfür werden die Originalvariablen über eine Faktorenanalyse zu übersichtlichen Bündeln zusammengefasst. Die Variablen in jedem dieser Bündel laden auf denselben Faktor (inhaltliche Dimension) hoch und korrelieren oftmals stark miteinander. Auf dieser Basis können Sie gezielt Variablen ausschließen, deren Informationsgehalt bereits durch andere abgedeckt ist.
Attributes Building
Mit dem Attributes Building können zu jeder Variablen Risikoprofile erstellt werden. Hierzu werden Variablen über einen automatischen Algorithmus (basierend auf der CHAID-Methode) oder manuell in Klassen (auch "Attribute" oder "Bins" genannt) mit in sich homogenen Risiken unterteilt. Um statistische Kriterien und Business-Anforderungen zu erfüllen, können dabei auch vorhandene Attribute angepasst werden, etwa um Profile zu glätten oder um die inhaltliche Interpretation zu erleichtern. Für das Erstellen geeigneter Risikoprofile geben statistische Maße über die Vorhersagekraft der einzelnen Attribute Auskunft (WoE – Weight of Evidence, sowie IV – Information Value). Eine zugehörige Grafik visualisiert die WoE-Trends der Attribute. Der gesamte Vorgang kann in Form eines XML-Skripts gespeichert und später im Credit Scorecard Builder (siehe nächster Absatz) verwendet werden.
Credit Scorecard Builder
Der Credit Scorecard Builder erstellt basierend auf den im Attributes Building aufbereiteten Attributen ein logistisches Regressionsmodell sowie eine Scorekarte. Man kann auch einfach direkt mit den Ursprungsdaten eine Scorekarte erzeugen, indem man die sinnvollen Voreinstellungen akzeptiert. Fortgeschrittene Anwender haben aber die Möglichkeiten, Originalvariablen in Attribute (WoE oder Sigma-beschränkte Dummyvariablen) umzukodieren und eine der folgenden Modellierungsmethoden zu wählen:
- Forward Entry,
- Backward Elimination,
- Forward Step-wise,
- Backward Step-wise,
- Best Subset,
- Bootstrap für alle Effekte.
Ist ein Modell erstellt, können verschiedene Statistiken (wie etwa AIC, BIC oder LR-Tests) und Berichte (etwa zu irrelevanten Variablen, die entfernt wurden) erzeugt werden. Es folgt schließlich das Vorbereiten der Scorekarte mittels logistischer Regression, welche die Modellparameter schätzt, und über Spezifikationen, welche das Übersetzen der Modellschätzungen in Scorekarten-Werte definieren. Die fertige Scorekarte kann in den Formaten Excel, XML und als SVB-Skript gespeichert werden.
Survival Models
Über Survival Models lassen sich Scoringmodelle erzeugen, welche auf Survival-Analysen basieren (Cox-Proportional-Hazard-Modell). Dies ermöglicht es, zusätzlich den Zeitpunkt des Ausfalls zu berücksichtigen, zu dem der Schuldner die Zahlungen einstellt. Auf dieser Grundlage kann man die Ausfallwahrscheinlichkeit für bestimmte Zeithorizonte bestimmen, z.B. gestaffelt nach 6 Monaten, 9 Monaten, etc. scoren.
Reject Inference
Unter Umständen müssen auch solche Fälle berücksichtigt werden, in denen die Kreditanfrage zurückgewiesen wurde. Da hier keine Information über die tatsächliche Kreditwürdigkeit (gut vs. schlecht) vorliegt, muss diese mit Hilfe von Algorithmen (k-Nearest Neighbors und Parceling) ermittelt werden. Anschließend kann ein neuer Datensatz mit vollständiger Information bereitgestellt werden.
Model Evaluation
Mit der Model Evaluation werden verschiedene Scorekarten-Modelle bewertet und miteinander verglichen. Folgende Statistiken sind dabei verfügbar (jeweils mit detailliertem Bericht):
- Information Value (IV),
- Kolmogorov-Smirnov (mit zugehöriger Grafik),
- Gini-Index,
- Divergence,
- Hosmer-Lemeshow ,
- ROC,
- Lift- und Gains-Charts.
Weitere Ausgaben enthalten:
- Final-score-Bericht,
- Characteristic-Bericht,
- Odds-Chart,
- Bad-Rate-Chart.
Zu den erzeugten Modellen kann die Güte (Goodness-of-Fit) ausgegeben und das geeignetste Modell gewählt werden, um damit das Scorekarten-Modell zu erstellen.
Cutoff Point Selection
Mit der Cutoff Point Selection wird jener Scorewert bestimmt, welcher zwischen anzunehmenden und abzuweisenden Kreditanträgen optimal trennt. Die Entscheidung lässt sich durch das Hinzufügen von ein oder zwei weiteren Cutt-off-Punkten stützen, etwa um Anträge mit einem Score unter 520 abzulehnen, solche mit einem Wert über 580 zu akzeptieren und bei Werten dazwischen weitere Informationen vom Antragsteller einzufordern. Cut-off-Punkte lassen sich manuell festlegen, indem man ROC-Analysen zu geeigneten Fehlklassifikationskosten und Anteile notleidender Kredite hinzuzieht (ROC – Receiver Operating Characteristic – hilft, die Vorhersagekraft eines Modells zu beurteilen). Zudem können zu jedem denkbaren Cut-off-Level Erlöse simuliert auf Basis dieser Ergebnisse optimale Cut-off-Punkte gesetzt werden.
Score Cases
Score Cases dient dem Scoren neuer Fälle auf Basis des gewählten und als XML-Skript gespeicherten Modells. Es lässt sich ein Gesamt-Scorewert berechnen, aber auch Teil-Scores zu jeder Variable, sowie die Ausfallwahrscheinlichkeit (über die logistische Regression), korrigiert um die A-Priori-Wahrscheinlichkeit eines Ausfalls in der Gesamt-Population, welche durch den Anwender vorgegeben wird.
Population Stability
Population Stability erlaubt es, zwei Datenbestände miteinander zu vergleichen, etwa aktuelle mit historischen Daten, um signifikante Veränderungen in der Merkmalsstruktur oder der Population der Antragsteller erkennen zu können. Deutliche Abweichungen sind ein Indiz dafür, dass die Parameter des Modells neu geschätzt werden müssen. Hierzu werden Berichte zur Stabilität der Population und ihrer Merkmale mit aussagekräftigen Grafiken ausgegeben.
 |
Comments from STATISTICA Scorecard Users:
Millennium Bank has used STATISTICA effectively for more than ten years to support their data analysis. They find the program to be comprehensive and user friendly. Based on their experience with STATISTICA, the Credit Risk Department decided to extend their analytic capabilities with scorecard development and maintenance solutions using STATISTICA Scorecard. It is a crucial element in effective credit risk management, which is growing in importance throughout the financial industry. STATISTICA Scorecard is a popular and reliable tool that is well known in the Polish market. We are very pleased that Millennium Bank has joined the group of satisfied STATISTICA Scorecard users.
“We consider STATISTICA Scorecard to be highly useful in everyday development of credit risk models. Millennium Bank counts StatSoft Polska among one of its most reliable business partners.”
Louis Paul
Head of Risk Department
Millennium Bank
“We wish to express our thanks and appreciation for the assistance in employing STATISTICA Scorecard to create and validate scoring models.”
“For almost four years, we have been using STATISTICA data analysis software. It is needless to say how user-friendly this environment is to our analysts; nonetheless, implementation of the new STATISTICA Scorecard module helped us to discover new opportunities and dig deeper into the software’s functionalities, not only in developing scoring models, but in other functionalities as well.”
“While testing the newest version of STATISTICA Scorecard, StatSoft consultants displayed solid knowledge and deep involvement. Our decision to purchase the software and participate in the ‘Credit Scoring in STATISTICA’ workshop was made with little hesitation. Our use of this software significantly reduced the workload in creating scoring charts and implementing their validation and reporting, and greatly increased the quality of such work.”
“At present, Stefczyk Credit Union is using STATISTICA Scorecard. We can confidently recommend this product to any financial institution (and not only those) that intends to reduce its financial risks and improve its sales process.”
Izabela Rutkowska
Risk Assessment Manager
Stefczyk Credit Union
“We would like to thank StatSoft Polska for their aid in implementing software for creating and validating scoring models (STATISTICA Scorecard).”
“We must emphasize the fact that our purchase of the software was preceded by a month-long testing period. That period convinced us of the solution’s quality, which unquestionably includes its functionality and ease of use. The implementation of the Scorecard in a quality tool such as STATISTICA undeniably has proved an added asset to our company.”
“The STATISTICA Scorecard software not only helps automate the procedures needed to build a scoring model, but also assists in reporting the entire process, which is of particular importance in any financial institution.”
“Based on our experience, we can recommend STATISTICA Scorecard by StatSoft to any company for effective credit risk management.”
SKOK im. M. Kopernika
Risk Management Department
Kopernik Credit Union
 |
Wir beraten Sie gerne persönlich. So erreichen Sie uns. |
|
zur Mining-Übersicht |
 |
|