Pagmamarka ng kredito

Ang credit scoring ay ang paggamit ng isang modelong istatistikal upang gawing iisang numero ang impormasyon tungkol sa isang borrower, isang numerong nagtataya kung gaano siya kalamang magbayad. Ang score ay ikinukumpara sa isang cut-off, at ang cut-off ang nagdidikta sa desisyon na aprubahan, i-refer, o tanggihan.

Ang pahayag sa likod ng scoring ay makitid at mahalagang sabihin nang tumpak: ang mga katangiang nagpahiwatig ng pagbabayad sa mga nakaraang borrower ay magpapahiwatig din nito sa mga susunod na borrower. Ang score ay hindi paghatol sa isang tao. Isa itong kasangkapan sa pagraranggo — sinasabi lamang nito na ang aplikanteng ito ay kahawig ng isang pangkat na nagbayad sa isang partikular na antas, wala nang iba. Wala itong opinyon tungkol sa sinumang indibidwal at wala itong ipinapangako tungkol sa magiging resulta para sa sinumang indibidwal.

Ang pagiging makitid na iyon din ang pinagmumulan ng lakas nito. Inilalapat ng isang modelo ang parehong panuntunan sa bawat aplikante, sa loob ng mga millisecond, sa halos zero marginal cost, at hindi ito napapagod, pinupuntirya, o nahihikayat. Kapag mataas ang dami ng mga loan at mababa ang halaga ng bawat isa, walang uri ng pagtatasa ng loan na ginagawa ng tao ang makakapantay sa gastos.

Score, scorecard, rating, at report

Apat na terminong ginagamit nang palitan, ngunit hindi dapat.

• Credit score: Ang numerong nabubuo para sa isang partikular na aplikante sa isang partikular na sandali
• Scorecard: Ang modelo mismo — ang mga katangian, ang mga timbang ng mga ito, at ang istruktura ng puntos na bumubuo ng mga score
• Credit report: Ang makatotohanang rekord ng mga account at kasaysayan ng pagbabayad ng isang borrower, na hawak ng isang bureau
• Credit rating: Isang pagtatasa ng pagiging karapat-dapat sa kredito ng isang entity, karaniwang ipinapahayag sa iskala ng titik at inilalapat sa mga kumpanya at pamahalaan sa halip na sa mga indibidwal.
• Probability of default (PD): Ang tinatayang posibilidad ng default na itinatakda ng isang score, na ipinapahayag bilang porsyento

Ang score ay nakukuha mula sa isang report sa pamamagitan ng isang scorecard. Ang report ay ebidensya; ang score ay hinuha. Ang isang borrower na tumututol sa isang desisyon ay karaniwang tumututol sa isang bagay sa report, at kailangang mapaghiwalay ang dalawa upang masagot ang mga ito.

Paano gumagana ang isang scorecard

Karamihan sa mga scorecard na nasa produksyon ay mga modelong nakabatay sa puntos na hinango mula sa logistic regression. Ang bawat katangian ay hinahati sa mga banda, bawat banda ay may katumbas na puntos, at ang mga puntos ay pinagsasama-sama.

Ang pagkakasunod-sunod ng pagbuo, sa balangkas:

1. Tukuyin ang mabuti at masama. Ang "bad" ay karaniwang isang loan na umaabot sa isang tinukoy na katayuan ng arrears — karaniwang 90 araw na lampas sa takdang petsa — sa loob ng isang tinukoy na window. Ang kahulugang ito ang nagtatakda ng lahat ng susunod, at ang pagbabago nito sa huli ay nagpapawalang-bisa sa modelo.
2. Itakda ang mga window ng obserbasyon at performance. Ang mga katangian ay kinukuha sa oras ng aplikasyon; ang performance ay sinusukat sa sumusunod na panahon, karaniwang 12 hanggang 18 buwan. Mabubuo lamang ang modelo kapag sapat nang mga loan ang nagkaroon ng panahong maging masama.
3. Magtipon ng development sample. Sapat na mga loan, at kritikal na sapat na bad loans, upang matantya nang mapagkakatiwalaan.
4. Pumili at i-band ang mga katangian. Subukan ang bawat kandidatong variable para sa predictive power at stability, pagkatapos ay i-grupo ang mga value nito sa mga band na may makabuluhang pagkakaiba sa bad rate.
5. I-fit ang model at magtalaga ng mga puntos. I-convert ang mga fitted coefficient sa isang whole-number na iskala ng puntos na magagamit ng staff at mga system.
6. I-validate sa isang holdout sample na hindi pa nakita ng model.
7. Itakda ang cut-off at ang mga aksyong nakatalaga sa bawat score band.
8. Subaybayan at muling i-calibrate habang nagbabago ang mga aplikante at ang kapaligiran.

Halimbawa: isang simpleng application scorecard

Tagal sa negosyo

• Wala pang 1 taon: 0 puntos
• 1–3 taon: 15 puntos
• Higit sa 3 taon: 25 puntos

Kasaysayan ng pag-utang sa lender

• Unang cycle: 0 puntos
• 2nd–3rd cycle: 20 puntos
• 4th cycle o higit pa: 30 puntos

Resulta ng credit bureau

• May adverse record: Auto-decline
• Malinis, manipis na file: 10 puntos
• Malinis, matatag na file: 20 puntos

Ratio ng utang sa kita

• Higit sa 45%: 0 puntos
• 35–45%: 10 puntos
• Mas mababa sa 35%: 20 puntos

Pag-uugali sa pag-iimpok o deposito

• Wala: 0 puntos
• Hindi regular: 5 puntos
• Regular: 15 puntos

Ang isang aplikanteng dalawang taon nang nasa negosyo, nasa ikatlong loan cycle, na may malinis ngunit manipis na bureau file, DTI na 38% at regular savings, ay may score na 15 + 20 + 10 + 10 + 15 = 70.

• 75 pataas: Awtomatikong aprub sa buong hinihiling na halaga
• 60–74: Aprub, na may nakatakdang limit sa halaga o kinakailangang karagdagang kolateral
• 45–59: I-refer para sa manual na pagtatasa
• Mababa sa 45: Tanggihan

Sa 70, aprubado ang aplikante ngunit may nakatakdang limit sa halaga. Ang referral band ay mas mahalaga kaysa sa itsura nito: ito ang bahagi kung saan pinapanatili ng maliit na lender ang pagpapasya ng tao sa proseso para sa mga kaso kung saan pinakamababa ang kumpiyansa ng modelo, sa halip na tuluyang itapon ang pagpapasya.

Mga uri ng scoring

Ang application scoring ang nagpapasya sa mga bagong aplikante gamit ang impormasyong makukuha sa aplikasyon. Ito ang karaniwang ibig sabihin ng credit scoring.

Ang behavioural scoring ay gumagamit ng sariling pag-uugali ng borrower sa mga kasalukuyang account — timing ng pagbabayad, paggamit, at trend ng balanse — upang magpasya sa pagpapalaki ng limit, top-up, renewal, at pagpepresyo. Sa pangkalahatan, mas predictive ito kaysa sa application scoring, dahil ang nakaraang pag-uugali nila sa iyo ay mas maaasahan kaysa sa hinuhang pag-uugali mula sa isang population. Ang sinumang lender na may mga paulit-ulit na borrower ay maaaring bumuo ng behavioural scoring bago pa man ito magkaroon ng data para sa isang buong application scorecard.

Ang collection scoring ay nagraranggo ng mga delinquent na account ayon sa posibilidad ng pag-recover, upang mapunta ang pagsisikap kung saan ito nagbubunga ng pinakamaraming pera. Ang isang lender na mas maraming kaso ng arrears kaysa officers ay mayroon nang implicit na pagbibigay-priyoridad; ginagawang malinaw ng scoring ang pagbibigay-priyoridad na iyon.

Ang bureau scoring ay ginagawa mismo ng credit bureau sa lahat ng miyembro nitong nag-uulat, kaya nakikita nito ang mga obligasyon sa ibang lender na hindi makikita ng isang internal na modelo.

Ang custom o internal scorecards ay binuo batay sa sariling portfolio ng lender. Ang mga ito ay mas angkop sa aktwal na customer base kaysa sa isang generic na modelo, at kinakailangan ng lender na magkaroon ng portfolio na sulit na i-modelo.

Pag-iskor gamit ang alternatibong data

Ipinapalagay ng conventional scoring na may bureau file. Sa mga merkado kung saan karamihan ng mga borrower ay hindi pa nagkaroon ng pormal na loan, ang pagpapalagay na iyon ay hindi sumasaklaw sa karamihan ng population, at ang alternatibong data ang siyang paraan para malampasan ito.

• Kasaysayan ng transaksyon sa mobile money: Pagiging regular ng kita, pattern ng balanse, disiplina sa paggastos, turnover ng negosyo
• Pag-uugali sa pagbili ng airtime at data: Katatagan ng kita at pagiging maayos ng cash flow sa napakataas na dalas
• Tagal ng handset at telco: Katatagan, kadaling makontak, at haba ng mapapatunayang bakas
• Mga rekord ng pagbabayad ng utility at upa: Kahandaang tuparin ang mga paulit-ulit na obligasyon
• Data ng transaksyon ng merchant o POS: Beripikadong turnover ng negosyo at pana-panahong pagbabago
• Pagsusuring psychometric: Mga saloobin at katangiang nauugnay sa pagbabayad kapag walang kasaysayang pampinansyal
• Mga rekord ng grupo at iskemang pag-iimpok: Disiplina sa kontribusyon at katayuan sa mga kasama

Ang kasaysayan ng mobile money ang pinakamalakas sa mga ito sa praktika, dahil ito ay transaksyonal sa halip na deklaratibo, mahirap mapeke, at sapat na siksik upang maipakita ang pana-panahong pagbabago. Ito rin ang pinakasensitibo: isa itong kumpletong rekord ng pinansyal na buhay ng isang tao, at ang paggamit nito ay nangangailangan ng legal na batayan, may-kaalamang pahintulot, at maipagtatanggol na mga panuntunan sa pagpapanatili ng data sa ilalim ng batas sa proteksyon ng data ng bawat merkadong pinapatakbo mo. Ang usapin ng pagsunod dito ay hindi pormalidad — madalas ito ang pangunahing naglilimita kung maaari bang ma-deploy ang isang modelong gumagamit ng alternatibong data.

Pag-iskor at paghuhusga

• Gastos bawat desisyon: Halos zero (Pag-iskor) vs. Mataas (Pagsusuring may paghuhusga)
• Bilis: Ilang segundo (Pag-iskor) vs. Oras hanggang araw (Pagsusuring may paghuhusga)
• Pagkakapare-pareho: Ganap (Pag-iskor) vs. Nag-iiba ayon sa opisyal at sa araw (Pagsusuring may paghuhusga)
• Mga borrower na may manipis na file: Hindi maayos na napapangasiwaan (Pag-iskor) vs. Napapangasiwaan nang maayos (Pagsusuring may paghuhusga)
• Mga hindi pangkaraniwan o kumplikadong kaso: Hindi maayos na napapangasiwaan (Pag-iskor) vs. Napapangasiwaan nang maayos (Pagsusuring may paghuhusga)
• Kadalian ng pag-audit sa panuntunang inilapat: Ganap (Pag-iskor) vs. Bahagya (Pagsusuring may paghuhusga)
• Data na kailangan para mabuo: Malaki (Pag-iskor) vs. Wala (Pagsusuring may paghuhusga)

Ang makatotohanang istruktura para sa karamihan ng mga nagpapautang ay hindi ang isa o ang isa pa. Pinapangasiwaan ng pag-iskor ang bulto — maliliit na loan, mga paulit-ulit na borrower, mga karaniwang produkto — at pinapangasiwaan ng pagsusuring may paghuhusga ang mga referral, ang mga unang-beses na mas malalaking borrower at ang mga eksepsiyon. Ang pagpapasya kung aling mga loan ang dadaan sa aling landas ay isang pagpili sa patakaran, at kadalasan ito ay mas magandang unang proyekto kaysa subukang i-score ang lahat.

Ano ang gagawin bago magkaroon ng sapat na data

Ang nagpapautang na may 800 loan at 40 default ay hindi makakabuo ng istatistikal na valid na scorecard, at ang pagbuo pa rin nito ay gumagawa ng modelong nagsasama ng ingay na nagmumukhang mahigpit. Ang gumaganang pagkakasunod-sunod:

1. Isulat ang mga panuntunan sa patakaran muna. Mga hard knock-out at pamantayan ng pagiging kwalipikado, inilalapat nang pare-pareho. Hindi ito pag-iskor, ngunit kaagad nitong naibibigay ang malaking bahagi ng benepisyo ng pagkakapare-pareho.
2. Kunin ang data na kakailanganin mo sa hinaharap. Bawat katangiang maaaring gusto mong i-modelo ay kailangang itala sa aplikasyon, sa mga structured field, mula ngayon — kabilang ang mga aplikasyong tinatanggihan mo. Ang modelong binuo lamang mula sa mga aprubadong loan ay bulag sa mga aplikanteng tinanggihan mo, at ang puwang na iyon ay hindi na maaaring mabawi nang pabalikan.
3. Tukuyin ang bad at itala ang status ng arrears nang pare-pareho para masukat ang performance pagdating ng panahon.
4. Magsimula sa behavioural scoring sa mga repeat borrowers, kung saan sarili mo ang data at ito ang pinakamabilis dumating.
5. Buuin ang application scorecard kapag may sapat nang dami ng mga matured loan na may mga tunay na bad outcome.
6. I-recalibrate, at patuloy na mag-recalibrate.

Estratehiya sa cut-off

Ang cut-off, hindi ang modelo, ang nagtatakda ng kinalabasan ng negosyo. Ang paggalaw nito ay ipinagpapalit ang volume sa pagkalugi, at ang pagpapalit na iyon ang aktwal na desisyon.

Mga halimbawang numero para sa isang portfolio:

• Cut-off 50: 78% approval rate, 9.5% bad rate sa mga naaprubahan
• Cut-off 60: 64% approval rate, 6.2% bad rate sa mga naaprubahan
• Cut-off 70: 47% approval rate, 3.8% bad rate sa mga naaprubahan
• Cut-off 80: 29% approval rate, 2.1% bad rate sa mga naaprubahan

Walang tamang row. Ang tamang cut-off ay ang nagpapalaki ng tubo batay sa margin ng produkto, sa halaga ng isang nakuhang customer, sa halaga ng pangongolekta, at sa appetite ng lender — at ang isang high-margin, short-tenor na produkto ay may katwirang tumanggap ng bad rate na makasisira sa isang may maliit na margin na secured na produkto.

Ang swap set ay ang kapaki-pakinabang na pananaw kapag nagbabago ng cut-off o nagpapalit ng modelo: hindi kung ilang aplikante ang apektado, kundi sino sa kanila. Ang isang bagong modelo na nag-aaproba ng parehong bilang ng mga loan habang pinapalitan ang isang bahagi ng mga bad account ng isang bahagi ng mga good account ay nagpabuti ng portfolio nang walang anumang pagbabago sa volume.

Pagsukat kung gumagana ang isang scorecard

Ang diskriminasyon — ang kakayahan ng modelo na ihiwalay ang mabuti sa masama — ay karaniwang iniuulat bilang Gini coefficient, KS statistic o AUC. Mas mataas, mas mabuti, ang tatlo ay magkakasabay na gumagalaw, at ang maituturing na katanggap-tanggap ay lubos na nakadepende sa portfolio at sa magagamit na datos; ang isang thin-file na microloan scorecard ay hindi aabot sa diskriminasyon ng isang mature nang modelo ng secured lending, at hindi ito dapat ikumpara sa ganoong modelo.

Dalawang kabiguan ang mas karaniwan kaysa mahinang diskriminasyon sa oras ng pagbuo:

Pag-anod ng populasyon. Ang mga aplikanteng dumarating ngayon ay naiiba sa development sample — bagong channel, bagong produkto, bagong heograpiya, bagong marketing. Nahuhuli ito ng pagsubaybay sa katatagan ng populasyon, at ito ang pinakamadalas na dahilan kung bakit ang isang scorecard na mahusay na nag-validate ay bumababa ang kalidad sa produksyon.

Pag-anod ng kalibrasyon. Gumagana pa rin ang pagraranggo ngunit ang mga rate ng pagkalugi na naka-attach sa bawat banda ay gumalaw na, kadalasan dahil nagbago ang mga kondisyon. Tama pa rin ang pagsasaayos ng scorecard habang ang cut-off ay tahimik nang naging mali.

Pareho itong natutuklasan sa pamamagitan ng pagsubaybay, at ang pagsubaybay ang bahagi ng scoring na huling binuo at unang inabandona.

Mga panganib at limitasyon

Diskriminasyon sa pamamagitan ng proxy. Ang isang modelong hindi isinasama ang mga protektadong katangian ay maaari pa ring magdiskrimina sa pamamagitan ng mga baryabol na may kaugnayan sa mga ito — lokasyon, uri ng handset, pattern ng pangalan, employer. Nangyayari ito nang walang sinumang may intensyong gawin ito, at natutuklasan lamang ito sa pamamagitan ng sadyang pagsusuri ng mga resulta sa iba't ibang grupo.

Pagiging maipaliwanag at adverse action. Maraming hurisdiksyon ang nag-aatas na ang isang tinanggihang aplikante ay sabihan kung bakit. Direktang masasagot ito ng isang points-based scorecard sa pamamagitan ng pagtukoy kung aling mga katangian ang nagbawas ng pinakamaraming puntos. Ang mas kumplikadong mga modelo ng machine learning ay hindi palaging magagawa ito nang walang karagdagang trabaho, na isang aktibong hadlang sa regulasyon sa halip na teknikal na abala lamang.

Datos na self-fulfilling. Ang mga aplikanteng tinatanggihan mo ay hindi lumilikha ng datos ng pagganap, kaya hindi kailanman natututo ang modelo kung tama ba ito tungkol sa kanila, at ang populasyong nakikita nito ay lumiliit sa paglipas ng panahon.

Pagsasamantala sa sistema. Kapag nalalaman na ang patakaran, ito ay ino-optimize laban — ng mga borrower, ng mga ahente, at ng mga tauhang may mga volume target. Ang mga katangiang murang manipulahin ang pinakamabilis na bumababa ang halaga.

Mga structural break. Ang isang modelong binuo sa datos bago ang shock ay hindi naglalarawan sa populasyong pagkatapos ng shock. Ang mga paggalaw ng currency, pagbagsak ng sektor, pagbabago sa patakaran at mga pandemya ay lahat sumisira sa palagay na ang nakaraan ay humuhula sa hinaharap.

Mapanlinlang na katumpakan. Ang score na 68 ay mukhang mas eksakto kaysa "makatuwirang karapat-dapat sa kredito". Hindi ito ganoon. Ang pinagbabatayang pagtataya ay may confidence interval na walang nagpapakita.

Kung saan nagkakamali ang credit scoring sa praktika

Pagbili ng isang generic na modelo at paglalapat nito nang walang pagbabago. Ang isang scorecard na binuo sa ibang populasyon, produkto at merkado ay isang panimulang hipotesis, hindi isang patakaran sa desisyon.

Pagbuo batay sa mga aprubadong loan lamang. Umiiral ang reject inference dahil mismo sa bias na ito na malubha at hindi nakikita.

Hindi kailanman nagre-recalibrate. Ang isang scorecard ay larawan ng isang populasyon sa isang partikular na sandali. Kapag pinabayaan sa loob ng apat na taon, nagiging dekorasyon na lamang ito.

Palagiang pag-o-override. Kung ino-override ng mga officer ang malaking bahagi ng mga desisyon, maaaring mali ang modelo o mali ang mga override, at walang sumusubaybay kung alin. Ang override rate at override performance ang dalawang numerong sumasagot dito.

Pag-i-score nang walang batayan sa proteksyon ng data. Ang mga modelong gumagamit ng alternatibong data ay partikular na nakabatay sa personal na impormasyon na nangangailangan ng legal na batayan upang kolektahin, iproseso at panatilihin. Ang pag-aayos ng compliance pagkatapos ng deployment ay mas mahirap kaysa sa pagdidisenyo para dito.

Pagkalito sa pagitan ng score at assessment. Tinatantiya ng score ang kagustuhan at posibilidad. Hindi nito pinapatunayan ang pagkakakilanlan, kinukumpirma ang layunin ng loan, tinutukoy ang halaga o kakayahang maipatupad ng collateral, o sinusuri kung tunay ang mga dokumentong panseguridad.