Cómo construir un modelo de calificación crediticia con big data

Es posible que ocasionalmente vea titulares cuando empresas de calificación crediticia como FICO o VantageScore lanzan un nuevo modelo de calificación crediticia . Podría haber una discusión en los medios sobre cómo esos nuevos modelos podrían afectar las calificaciones crediticias de los consumidores y la capacidad de obtener la aprobación para préstamos y tarjetas de crédito. Sin embargo, eso es solo una parte de la imagen.

Desconocido para muchos consumidores, las grandes empresas de servicios financieros crean y actualizan continuamente modelos de puntuación personalizados. Pueden usar estos modelos en lugar de, o en combinación con, puntajes creados por los pesos pesados ​​de la industria de puntajes de crédito FICO o VantageScore.

Hoy en día, las empresas pueden recopilar y analizar grandes cantidades de datos, que pueden utilizar para ayudar a determinar su puntuación mediante modelos de puntuación personalizados.

---

¿Por qué crear modelos de puntuación personalizados?

"Puede comprar una puntuación [genérica] y funciona bien", dice Naeem Siddiqi, director de puntuación de crédito en SAS, una empresa de análisis y gestión de datos, y autor de varios libros sobre el tema, en referencia a las puntuaciones creadas en el crédito. industria. "Pero los bancos más grandes quieren hacerlo mejor que un puntaje de oficina genérico, por lo que crean modelos internos".

Un puntaje genérico generalmente se basa únicamente en la información contenida en los informes crediticios de las tres principales oficinas de crédito al consumidor, mientras que los modelos personalizados pueden incorporar una amplia gama de datos , como información de una aplicación para un producto o cuenta financiera y datos internos sobre datos actuales o clientes anteriores.

La inclusión de estos puntos de datos alternativos (es decir, datos que normalmente no se encuentran en sus informes de crédito) está diseñada para ayudar a las empresas a comprender mejor los riesgos y oportunidades asociados con sus clientes y prospectos particulares.

4 pasos para crear e implementar un nuevo modelo de puntuación

Hay diferentes formas de desarrollar un nuevo modelo de riesgo o calificación crediticia, pero aquí hay una descripción general de cómo podría verse.

Paso 1: definir un objetivo

El primer paso es decidir un objetivo o lo que el modelo de puntuación debe predecir. Con los modelos genéricos de calificación crediticia, el objetivo generalmente es predecir la probabilidad de que alguien se atrase 90 días en el pago de un préstamo dentro de los dos años posteriores a la obtención del préstamo.

Es posible que los acreedores quieran crear modelos de puntuación personalizados que ayuden a predecir lo mismo con mayor precisión utilizando datos internos de la empresa. O pueden tener otros objetivos en mente.

"La mayoría de los bancos están ejecutando muchos modelos en la etapa de prospección, suscripción de nuevas cuentas y administración de carteras ... (aunque) podría haber otro conjunto para manejar cuentas morosas", dice Duane Good, socio gerente de RiskThought , un riesgo -Empresa de asesoría gerencial.

Se pueden crear modelos personalizados para ayudar a predecir cosas como la probabilidad de que un consumidor acepte una oferta de tarjeta de crédito, se convierta en un cliente rentable, se mantenga al día con una factura o se declare en quiebra.

Paso 2: recopilación de datos y creación del modelo

Con un objetivo decidido, el siguiente paso es que las empresas encuentren datos para construir y probar el modelo.

Para las empresas emergentes con pocos o ningún dato propio, la respuesta es construir un modelo utilizando datos anónimos, dice Paul Greenwood, presidente y cofundador de GDS Link , que crea software de gestión de riesgo crediticio. Las empresas que ya están establecidas pueden tener datos de clientes que pueden utilizar para este fin.

Con los datos, las empresas pueden examinar el comportamiento del consumidor, como la apertura de cuentas o los patrones de pago de facturas, o el comportamiento relacionado con un resultado diferente que desean predecir. Eso permite a la empresa construir modelos que encuentren conexiones entre los perfiles de los consumidores anónimos y ese resultado.

Luego, las variables deben clasificarse de acuerdo con su relevancia para el resultado previsto, dice Florian Lyonnet, científico jefe de datos de GDS Link. Por ejemplo, puede resultar que el historial de pagos a tiempo de un consumidor sea un poderoso predictor de si realizará pagos a tiempo en el futuro.

La lista de variables se puede reducir a un conjunto más pequeño de quizás 10 a 20 de las variables más predictivas. Estas variables finales se pueden analizar para ayudar a predecir la probabilidad de que se produzca el objetivo de la empresa.

Sin embargo, los desarrolladores de puntuaciones deben tener cuidado con las variables que terminan en el modelo de puntuación final. Eso es porque los modelos de puntuación deben cumplir con una variedad de regulaciones. Por ejemplo, un acreedor no puede usar datos no predictivos, como la raza, como variable en un modelo de calificación crediticia.

Paso 3: Validar el modelo

Luego, los nuevos modelos se pueden evaluar, o validar, para garantizar que tengan resultados consistentes y precisos y cumplan con las regulaciones.

Considere un modelo que está diseñado para predecir la probabilidad de que alguien se retrase más de 90 días en un pago y clasifica a los consumidores en una escala del 1 al 100, con un número más alto que indica que es menos probable que el consumidor llegue tarde. En esta escala, alguien con una puntuación de 90 siempre debería tener un riesgo menor que alguien con una puntuación de 60.

La posibilidad de que alguien con una puntuación determinada se quede atrás puede cambiar con los cambios en el comportamiento del consumidor y la economía. Por ejemplo, es más probable que las personas paguen una factura tarde durante una recesión. Pero el orden de clasificación de los consumidores de menor a mayor riesgo debería seguir siendo el mismo que antes de la recesión.

Las empresas pueden revalidar periódicamente sus modelos para ver si necesitan ajustes o para ver si los resultados del modelo requieren algún cambio en la estrategia comercial.

Paso 4: probar e implementar un nuevo modelo

Las empresas pueden evolucionar y probar continuamente sus modelos, tratando de averiguar cuáles funcionan mejor en una situación determinada.

"Tendrá el modelo de producción que está usando hoy", dice Good. "Al mismo tiempo, [las empresas] están monitoreando y haciendo pruebas retrospectivas para ver cómo funciona con los modelos antiguos que se usaban anteriormente".

Y hay nuevos modelos, a veces llamados modelos "retadores", que se prueban con los modelos de producción actual, o "campeones".

Una vez que un nuevo modelo cumple con los requisitos reglamentarios y se valida, puede entrar en producción junto con los modelos campeones actuales.

“A veces es muy sutil y solo estás comprobando ligeras variaciones”, dice Good. "Crees que tienes mejores datos, tal vez nuevos datos de la oficina o datos alternativos".

Las empresas ejecutarán los modelos de desafío con clientes o solicitantes reales, comparando el rendimiento con los modelos de campeón. Si un nuevo modelo supera al modelo actual, puede convertirse en un nuevo modelo campeón.

Uso de big data y aprendizaje automático en el desarrollo de modelos

Las empresas tienen acceso a una gran cantidad de información sobre sus clientes y prospectos. Un emisor de tarjetas de crédito, por ejemplo, puede tener sus registros de clientes internos y acceso a informes de crédito, pero también puede aumentar ese tesoro comprando otros datos.

Puede haber información valiosa enterrada en los datos, pero las empresas pueden enfrentar desafíos para clasificar y comprender todo. Algunas empresas están utilizando el aprendizaje automático para darle sentido a todo y desarrollar nuevos modelos de puntuación.

Con el aprendizaje automático, puede "entrenar" un modelo para encontrar patrones dentro de grandes conjuntos de datos. El modelo resultante puede ser capaz de calificar a más personas, o calificar a las personas con mayor precisión, al encontrar correlaciones no reconocidas previamente. Además, los desarrolladores de modelos pueden utilizar el aprendizaje automático para analizar rápidamente grandes cantidades de datos, lo que puede ayudar a crear nuevos modelos en menos tiempo.

Pero el aprendizaje automático ofrece nuevos desafíos junto con las oportunidades.

“Si bien puede alimentarlo con datos y le brinda un resultado, es posible que no sepa por qué”, dice Siddiqi.

Los llamados modelos de “caja negra” pueden ser insuficientes, porque pueden no proporcionar cierta información y explicaciones detrás de las puntuaciones de las personas. Eso puede ser problemático cuando tiene requisitos para proporcionar a los reguladores información sobre su modelo de puntuación y cómo toma las determinaciones.

“Normalmente, lo que hemos visto en la industria, al menos en mi opinión, es que la gente se muestra reacia a utilizar el aprendizaje automático para las originaciones”, dice Lyonnet.

Sin embargo, las técnicas podrían usarse para otros fines, como detectar fraudes, o en entornos crediticios menos regulados fuera de EE. UU.

---

Conclusión

Las agencias de calificación crediticia y los acreedores prueban y construyen continuamente nuevos modelos de calificación crediticia. La disponibilidad de "macrodatos" podría crear oportunidades para los acreedores que quieran prospectar consumidores, aprobar nuevas cuentas, administrar clientes y aumentar las ganancias. Pero las empresas también pueden necesitar aprender cómo implementar el aprendizaje automático, posiblemente la forma más eficiente de analizar los datos, de una manera que cumpla con ciertos requisitos regulatorios.