Вопрос 2. Построение модели оценки (классификации) потенциальных заемщиков на основе аналитической платформы Deductor Academic.

Постановка задачи: Построить модель оценки (классификации) потенциальных заемщиков, позволяющую принять решение о выдаче кредита или отказе на основе аналитической платформы Deductor Academic (фирмы BaseGroup Labs).

Решение поставленной задачи осуществляется в четыре этапа:

1. Выдвижение

2. Сбор и систематизация данных

3. Подбор модели и тестирование

4. Использование приемлемой модели и ее совершенствование.

Пользуясь приведенной выше методикой, предложим гипотезу о влиянии следующих факторов (см. таблицу 2) на кредитоспособность заемщика.

Таблица 2- Факторы, влияющие на кредитоспособность заемщика.

Для построения модели оценки потенциальных заемщиков используются данные из анкет клиентов банка. Сформируем выборку из 50 человек, взявших потребительский кредит на срок – 1 год. Для фактора «Пол» используем значения: (0-женский, 1-мужской); для фактора «Состояние в браке»: (0- не состоящие в браке; 1 – состоящие в браке. Фактор благонадежности также бинарный (имеет два значения 0- не вернувшие кредит, 1 – вернувшие). Исходные данные были систематизированы в таблицу Excel и сохранены в виде текстового файла (с расширением txt) для последующего импортирования в Deductor.

Открываем приложение Deductor Studio Academic. Создаем новый файл: Файл-Создать. На вкладке Сценарии нажимаем кнопку Мастер импорта (рис. 4).

Рисунок 4 - Вкладка Сценарии.

Указываем имя текстового файла для импорта (рис.5).

Рисунок 5 - Окно импорта текстового файла 2 из 7.

Нажав на кнопку Далее указываем параметры импорта текстового файла (рис.6)

Рисунок 6 - Окно импорта текстового файла 3 из 7.

Нажав на кнопку Далее устанавливаем параметры полей (рис.7).

Рисунок 7 - Окно импорта текстового файла 4 из 7.

В рассматриваемой модели использовались следующие параметры: (таблица 3 )

Таблица 3 - Параметры переменных

В следующем окне импорта текстового файла нажимаем на кнопку Пуск (рис.8).

Рисунок 8 - Окно импорта текстового файла 5 из 7.

После завершения процесса импорта, определяем нужный (-ые) способ(-ы) отображения данных: таблица, статистика, диаграмма, гистограмма, куб (рис.9).

Рисунок 9 - Окно импорта текстового файла 6 из 7.

Выявим влияние установленных факторов (таблица 1) на фактор благонадежности. Для этого воспользуемся одним из методов Data Mining – Логистическая регрессия (рис.10).

Рисунок 10 - Окно мастера обработки.

В следующих окнах Мастера обработок указываем назначения столбцов и способы отображения результата (рис.:11-16).

Рисунок 11 - Окно Мастера обработок. Настройка назначений столбцов.

Рисунок 12 - Окно Мастера обработок. Разбиение исходного множества на подмножества.

Рисунок 13 - Окно Мастера обработок. Настройка параметров остановки обучения.

Рисунок 14 - Окно Мастера обработок. Запуск процесса построения логистической регрессии.

Рисунок 15 - Окно Мастера обработок. Определение способов отображения данных.

Рисунок 16 - Окно Мастера обработок. Настройка назначений полей куба.

После окончания процесса построения модели, результаты в выбранных ранее способах отображения появляются в левой части окна в соответствующих вкладках (рис.17).

Рисунок 17 – Страницы с результатами расчетов.

На вкладке «Таблица» отражены исходные данные, а также рассчитанный программой фактор благонадежности (благонадежность_OUT) и рейтинг заемщика. Фрагмент таблицы представлен на рисунке 18.

Рисунок 18 – Рассчитанный рейтинг заемщика.

Для оценки качества модели логистической регрессии проведем ROC-анализ.

Рассмотрим таблицу сопряженности (вкладка «таблица сопряженности»), получившуюся в нашем примере (рис.19).

Рисунок 19 - Таблица сопряженности.

По данным таблицы видно, что из 12 клиентов, не вернувших кредит, 8 классифицированы программой верно, а 4 клиента определены программой как благонадежные. Т.е. ошибка первого рода составляет 33% (4/12=0,33).

Теперь рассмотрим клиентов, получивших кредит. Из 38 человек 35 классифицированы верно, а 3 клиента идентифицированы программой как некредитоспособные. Ошибка второго рода составила 8%.

Таким образом, если при выдаче кредита, мы будем руководствоваться имеющимися у нас данными по рассмотренным факторам, то риск дать кредит ошибочно – 33%, а не дать благонадежному клиенту – 8%.

В нашем случае минимизируется коммерческий риск, связанный с упущенной выгодой, но достаточно высок – кредитный риск, связанный с потерями ссуды и процентов.

На рисунке 20 представлена ROC-кривая (вкладка ROC – кривая) для построенной модели. По ее расположению и площади можно сделать вывод о высокой предсказательной способности модели (площадь под кривой равна 0,92, что согласно таблицы 1 свидетельствует о отличном качестве модели).

Рисунок 20 - ROC – кривая.

Следовательно, модель можно использовать для прогнозирования вероятности возврата кредита.

В нашей модели чувствительность равна 91,67%, что означает, что 91,67% благонадежных заемщика будут выявлены классификатором. Специфичность равна 66,67%, следовательно, 33,3% недобросовестных заемщиков получат одобрение в выдаче кредита (кредитный риск).

Таким образом, при помощи логистической регрессии ROC-анализа осуществляется управление рисками в кредитовании.

Рассмотрим использование построенной модели, для прогнозирования возврата кредита воспользовавшись инструментом «Что-если» (вкладка «Что-если»).

Предположим, нужно принять решение о выдаче/отказе кредита клиенту со следующими характеристиками: мужчина 27 лет, состоящий в браке, имеющий одного ребенка, работает, стаж работы 5 лет, имеет недвижимость стоимостью 45000$, личный доход в месяц после налогообложения составляет 50 000 тенге.

Клиент предполагает взять потребительский кредит сроком на год, расчетный месячный платеж будет составлять 13 518 тенге.

Введя указанные данные в страницу Что-если (рис.21), получим результат, что клиент является платежеспособным, причем программа подсчитывает и рейтинг клиента – 0,93.

Рисунок 21 - Использование инструмента «Что-если».

Рассчитываемые рейтинги можно использовать для ранжирования клиентов. Например, один клиент имеет расчетный рейтинг 0,94, другой 0,98. Предпочтение следует отдать клиенту с более высоким рейтингом.

Таким образом, рассмотренный инструмент можно использовать для поддержки принятия решения менеджером.

Вопросы для самоконтроля:

1. Каковы основные возможности Deductor Academic?

2. В чем сущность методики Data Mining?

3. Что такое логистическая регрессия?

4. Что показывает таблица сопряженности?

Литература:

1. Вдовин, В. М. Информационные технологии в финансово-банковской сфере [Текст] : учебное пособие/ В. М. Вдовин ; В. М. Вдовин, Л. Е. Суркова .- 2-е изд.- М. : Дашков и К, 2012.- 248 c.

2. Сайт компании BaseGroup. – URL: http://www. basegroup.ru /(дата обращения: 23.05.2012).