TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

Engenharia de Computação

Professor: Rosalvo Ferreira de Oliveira Neto

Aplicações de Behavior Scoring

Roteiro

- Introdução

- Diferença entre Credit scoring e Behavior Scoring

- Como construir um Behavior Scoring

Introdução

Com o rápido crescimento da indústria de crédito nopaís nas últimas décadas, seria impossível parainstituições financeiras conceder crédito sem oauxilio de várias técnicas de análise automática.

Credit Scoring

Behavior scoring

Credit scoring e Behavior scoring

São ferramentas que auxiliam as instituiçõesfinanceiras a decidir sobre a concessão de créditoaos consumidores com base no risco de crédito dassolicitações.

BOM

MAU

Credit scoring

É utilizado quando um novo consumidor faz umasolicitação de crédito. Apenas informaçõesdemográficas, como idade, sexo, renda entre outrasvariáveis, são levadas em consideração na atribuiçãodo escore.

Técnicas Pontuação

Behavior scoring

É utilizado quando um consumidor, que já possuihistórico de transações na base de dados dainstituição, está solicitando crédito.

Técnicas PontuaçãoHistórico de pagamentos

Técnicas mais comuns na construção de modelos de Behavior scoring

- Arvore de decisão

- Regressão Logística

- Redes Neurais

Técnicas mais comuns na construção de modelos de Behavior scoring - Arvore de decisão

Técnicas mais comuns na construção de modelos de Behavior scoring - Regressão Logística

Técnicas mais comuns na construção de modelos de Behavior scoring – Regressão Logística

É uma técnica estatística que tem como objetivo produzir, a partir de um conjunto de observações, um modelo que permita a predição de valores tomados por uma variável categórica, freqüentemente binária, a partir de uma série de variáveis explicativas contínuas e/ou binárias.

Técnicas mais comuns na construção de modelos de Behavior scoring - Redes Neurais Artificiais

Técnicas mais comuns na construção de modelos de Behavior scoring - Redes Neurais Artificiais

• Modelos inspirados no cérebro humano;•Compostas por várias unidades de processamento (“neurônios”);•Interligadas por um grande número de conexões (“sinapses”);•Eficientes onde métodos tradicionais têm se mostrado inadequados;

Behavior scoring vs Sistemas Especialistas

Modelos Behavior Scoring são desenvolvidos pela análiseestatística do desempenho do histórico de crédito emcontas individuais. Como Sistemas Especialistas,modelos de Behavior Scoring deve replicar o processode decisão do gerente de crédito. Mas, as diferençasmais notáveis no desenvolvimento de um modelo depontuação comportamento são:

Behavior scoring vs Sistemas Especialistas

1- O modelo de Behavior Scoring é baseada em umaanálise estatística sobre o histórico de pagamentoda base de dados de crédito do cliente e seusresultados de desempenho de crédito.Desempenho de crédito é normalmente medido 6a 24 meses a partir da data de decisão de crédito eé classificado em bom ou ruim.

Behavior scoring vs Sistemas Especialistas

2- As variáveis que são mais preditivas sãodeterminadas pelo modelo, e não peloespecialista.

3- O pesos das variáveis é determinado pelo modelo enão pelo especialista.

A saída do modelo de Behavior Scoring

A saída de um modelo de Behavior é a probabilidade deque uma conta será inadimplente.

O poder desta probabilidade é maximizada quando éutilizado em conjunto com uma tabela de Gestão deDesempenho (PMT). A Tabela de Gestão deDesempenho fornece um quadro completo dadistribuição de risco esperado para um grupo de contas

Como construir um modelo de Behavior scoring?

Para construir um modelo de Behavior scoring é necessário tomardecisões sobre uma série de parâmetros importantes, istoenvolve responder questões como:

• Qual o período de tempo deve ser considerado para análisehistórica?

• Qual o período de avaliação deve ser considerado paraconstrução do modelo?

• Qual definição de mau cliente será utilizada?

A literatura de Credit scoring não fornece subsidio suficiente pararesponder tais questões.

Como os dados são manipulados na construção de um modelo de Behavior scoring?

Base de dados dos clientes

Uma amostra de clientes éselecionada de modo que osdados referente aos seusprodutos e consumos estejamdisponíveis em um determinadoponto de observação.

Como os dados são manipulados na construção de um modelo de Behavior scoring?

Ponto de observação

Janela de desempenho Janela de resultado

Janela de performance

O período antes do ponto de observação é freqüentementechamado de janela de performance. Os dados contidosna janela de performance são estruturados em atributosque serão usados como entrada para o sistema deBehavior Scoring para distinguir entre os clientes bons emaus.

Ponto de observação

Janela de desempenho Janela de resultado

Janela de resultado

O período apos o ponto de observação é chamado de janelade resultado. O objetivo da janela de resultado éclassificar os clientes dentro de duas populaçõesdistintas (bom e mau) baseado em seu histórico depagamento.

Ponto de observação

Janela de desempenho Janela de resultado

Variáveis utilizada na construção dos modelos deBehavior scoring e suas fontes (McNab and Wynn(2000).

Fonte Exemplo de variáveis

Histórico de inadimplência Este ve em atraso, Maior atraso

Histórico de uso Consumo médio do limite

Informações estáticas Idade, sexo, endereço...

Histórico de compra Produto mais comprado

Atividades de cobrança Resultado

Histórico de promoções Número de ofertas, Resultadodas ofertas

Serviço de contatos de clientes contato receptivo

Conclusão

A maior precisão da análise de crédito através dautilização de modelos de Behavior Scoring vem dopoder matemático capaz de analisar centenas deelementos de dados de risco de crédito paraencontrar o conjunto mais preditivo.

Empresas de Behavior scoring

Referências

K. Kennedy, B. Mac Namee, S.J. Delany, M. O’Sullivan, N. Watson, A window of opportunity: Assessing behavioural scoring, Expert Systems with Applications, Volume 40, Issue 4, March 2013, Pages 1372-1380, ISSN 0957-4174

McNab, H., Wynn, A., 2000. Principles and practice of consumer credit risk management. Chartered

Institute of Bankers and Institute of Financial Services and University of Manchester. Institute of Science and Technology.