Credit Risk Scorecard Development for sendout
advertisement
ПОСТРОЕНИЕ СКОРИНГОВЫХ МОДЕЛЕЙ. ПРАКТИЧЕСКИЕ АСПЕКТЫ Мария Чепурина, Коллекторское агентство "Пристав" Руслан Морозов, Банк "Петрокоммерц" ТЕОРИЯ Руслан Морозов, Банк "Петрокоммерц" ЖИЗНЕННЫЙ ЦИКЛ МОДЕЛИ 11. Пересмотр 1. Требования к модели 10. Внедрение и Сопровождение 9. Документация 8. Тестирование 7. Калибровка 2. Сбор данных 3. Выбор методологии 4. Однофакторный анализ 5. Многофакторный анализ 6. Анализ отклоненных ОСНОВНЫЕ ЭТАПЫ Требования к модели принятие решения о выдаче кредита определение уровня принятия решения расчет ожидаемых убытков ценообразование определение лимитов прогнозирование отчетность мониторинг индикаторы раннего предупреждения расчет резервов расчет капитала и т.д. ОСНОВНЫЕ ЭТАПЫ Сбор данных Исчерпывающий набор данных является важной предпосылкой для построения качественной модели. Следующие требования предъявляются к полноте выборке и её качеству: Объем и историчность данных, период наблюдения Источники данных Репрезентативность выборки Достаточное количество «плохих» Качество данных (пропущенные и удаленные значения, верность и т.п.) Определение Хороший / Плохой Формирование выборки ОСНОВНЫЕ ЭТАПЫ Хороший / Плохой Для построения скоринговой системы необходимо решить, что есть «плохой» клиент. В соответствие с Базель II дефолт должника считается произошедшим, когда имело место одно или оба из следующих событий: Банк считает, что должник не в состоянии полностью погасить свои кредитные обязательства перед Банком без принятия Банком таких мер, как реализация обеспечения (если таковое имеется). Должник более чем на 90 дней просрочил погашение любых существенных кредитных обязательств перед Банком. ОСНОВНЫЕ ЭТАПЫ Формирование выборки ОСНОВНЫЕ ЭТАПЫ Выбор методологии Экспертные системы Generic модели Pooling модели Регрессии Деревья решений logit, probit, наименьших квадратов, нейросети и т.д. CHAID, CART Линейное программирование Модели ценообразования опционов Модели приведенной стоимости и т.д. ОСНОВНЫЕ ЭТАПЫ Однофакторный анализ Предварительный выбор переменных существенно уменьшает сложность последующего многомерного анализа. Этапы однофакторного анализа Составление «длинного» списка переменных Проверка гипотез: Трансформация предсказательная сила соответствие ожидаемому поведению нормализация стандартизация разбиение на групп и т.п. Проверка корреляций Работа с пропущенными значениями Результатом анализа является список переменных. ОСНОВНЫЕ ЭТАПЫ Многофакторный анализ Существуют различные методы построения «оптимальной» модели по набору заданных переменных. Наиболее распространенный метод – логистическая регрессия. Преимущества регрессии: Итоговый Score получается простым взвешиванием переменных. Score лежит в диапазоне [0,1] и может быть проинтерпретирован как вероятность негативного события Метод устойчив к небольшим изменениям выборки. Нахождение оптимального решения сводится к максимизации функции правдоподобия X наблюдение ln( X прогноз) (1 X наблюдение) ln( 1 X прогноз) ОСНОВНЫЕ ЭТАПЫ Многофакторный анализ В таблице ниже перечислены значения Джини, которые могут быть достигнуты на практике для различных типов моделей. ОСНОВНЫЕ ЭТАПЫ Анализ отклоненных клиентов Существует различные техники определения качества отклоненных клиентов: Присвоить всем отклоненным клиентам статус – Плохой Разбить на хороших и плохих в той же пропорции, что и по известной части Экстраполяция Пополнение Метод соседей Совместное распределение Использование 3 групп (плохие, хорошие, отклоненные) Анализ причин отклонения (негативная кредитная история -> отказ) ОСНОВНЫЕ ЭТАПЫ Калибровка Калибровка – назначение вероятности дефолта для заданного рейтинга модели. Качество калибровки зависит от того, в какой степени вероятности дефолта, предсказанные моделью, соответствуют фактически реализовавщимся дефолтам. Существует ряд методов, позволяющих оценить качество калибровки: Показатель Бриера Диаграмма надежности Проверки значимости отклонений от частоты дефолтов Проверочная калибровка с использование стандартного нормального распределения Биномиальный Калибровочный тест Процедура калибровочных испытаний на основе корреляций дефолтов. ОСНОВНЫЕ ЭТАПЫ Пример калибровки Вводим новую переменную RDR =PD/(1–PD) Вычисляем Average DR по модели на недофолтной выборке Переводим полученный результат в RDRмодели Вычисляем Average DR по портфелю и переводим в RDRпортфеля Считаем RDRнекалиб для каждой группы RDRкалиб находим как RDRнекалиб х (RDRпортфеля / RDRмодели) ОСНОВНЫЕ ЭТАПЫ Тестирование Целью тестирования является оценка качества модели при её использовании на данных не входящих выборку, которая была использована при построении модели. Можно выделить следующие основные тесты: Основным показателем эффективности является коэффициент Джини. Чем больше выборка, тем более надежным будет данный критерий. Для оценки надежности коэффициента Джини используют: Эффективность (дифференцирующая способность) Устойчивость (робастность) Бэк-тестирование Champion-Challenger стратегия Бенчмаркинг Аналитическую оценку уровня доверия Эвристическую оценка уровня доверия путем повторных случайных выборок (Bootstrapping, Jackknifing, Метод скользящего среднего) Выборка для валидации In-time: выборка построена случайным выбором из общей выборки Out-of-time: случайный выбор из другого временного периода. ОСНОВНЫЕ ЭТАПЫ Документация В соответствие с Базель II: Все важнейшие элементы модели и процесса моделирования должны быть полностью и надлежащим образом задокументированы. Банки обязаны письменно документировать разработку внутренних моделей и оперативные подробности. Документация должна продемонстрировать соблюдение банком минимальных количественных и качественных стандартов, и должна также покрывать такие разделы, как применение модели для различных сегментов портфеля, процедура рейтингования, ответственность сторон, участвующих в моделировании, а также процессы утверждение и пересмотра модели. ОСНОВНЫЕ ЭТАПЫ Внедрение и Сопровождение Фактическая интеграция процедуры рейтингования в процесс управления кредитным риском в Банке и в системы отчетности, включают в себя: Разработку банком внутренних процедур, которые включают в себя процесс рейтингования, и включение их в банковские документы Использование рейтингов в процессе управления кредитным риском (принятие решений, ценообразование, полномочия, система лимитов, и т.д.) Соответствие процедуры рейтингование с кредитной стратегией Банка Ответственность за рейтинг не должна лежать на фронт-офисе (бизнес), исключение возможно лишь в рознчном бизнесе, но также не рекомендуется. В случае если пользователь может отклоняться от рейтинговой процедуры, должна быть определена чёткая процедура как и когда, все отклонения должны быть задокументированы. ОСНОВНЫЕ ЭТАПЫ Валидация В соответствие с Базель II: Банк должен регулярно оценивать (валидировать) работу модели, включая мониторинг ее результатов и стабильности, отслеживание взаимосвязей моделей и тестирование результатов моделирования относительно реальных данных. Основные принципы валидации Банк ответственен за валидацию модели Валидация должна оценивать предсказательную силу модели и использование результатов модели в кредитном процессе Валидация – итеративный процесс Не существует единого подхода к валидации Валидация должна включать в себя как качественную, так и количественную валидацию Валидация должна быть независимой от основного процесса моделирования ВОПРОСЫ ? ПРАКТИКА Мария Чепурина, Коллекторское агентство "Пристав" Розничное кредитование Эволюция моделей Запуск проекта – разработать MAC, отражающие демографические и локальные особенности рынка. Установить среднерыночные лимиты и собирать данные. Рост – разработка скоринговых карт для разных сегментов бизнеса и разных регионов. Лимиты на основании скоринга. Развитие – агрессивная стратегия – снизить cut-offs, усиленный мониторинг по каналам продаж. Реагировать на увеличение риска изменением cut-offs, информировать каналы. Развитие – Cross Sell – тестировать и внедрять критерии продаж, использовать эксперименты champion/challenger (установление лимита, увеличение лимита, прибыльность). Розничное кредитование Данные Вводить все поля анкеты Хранить информацию по отказанным заявкам Информация о канале продаж (внутренний, внешний, Cross-sell) Возможность сигнала от кредитного специалиста (visual contact codes) Контролировать потоки заявок и события на всех стадиях выдачи кредита (проверки по базам, верификация, СЭБ). Быстро настраиваемые work flows в ИТ-системах. Обеспечить удобные интерфейсы с автоматическим системами проверок на мошенничество Розничное кредитование Мониторинг Approval/Rejection rates по каналам продаж Размер просрочки по продуктам Отказы на верификации/проверкам на Fraud по каналам продаж Средние скоринговые баллы по каналам продаж Средние скоринговые баллы для всех заявок, одобренных/отклоненных заявок Случаи override скоринга Розничное кредитование Предотвращение мошенничества Разработать простой и ясный набор правил для проверок на мошенничество. Не опираться на данные, сообщенные самим аппликантом об уровне дохода, и на результаты звонков при верификации. Наилучший вариант – дополнительная проверка по базам ФНС, Пенсионного фонда. Мониторинг FPD по каналам и точкам продаж (может быть связано с внутренним мошенничества) Fraud скоринг Включить меры по сокращению мошенничества в KPI департамента продаж. Розничное кредитование Работа с просроченными долгами В этой области присутствуют более четкие определения риска. Collection scoring как комбинация locator score и performance score. Учет затрат по сравнению с размером долга и прогнозируемым возвратом. В растущем проекте – заблаговременное планирование capacity. Использование сотрудников согласно их квалификации. Мотивация, четкое разделение на стадии работы. Обратное движение только при крупных погашениях. Продажа долгов, использование аутсорсинга. Розничное кредитование Аналитика Мониторинг состояния портфеля (уровень просрочки). Application Scorecard Development (Originations). Fraud Scorecard Development (Originations). Behaviour Scorecard development (управление лимитами, перевыпуск карт, Collections). Динамический расчет провизий (flow-rates). Сегментация портфеля. Оптимизация процессов (Collection, Verification). Планирование Collection Capacity. Fraud Intelligence – проверка эффективности экспертных правил. Анализ результатов экспериментов. Profitability score models. И многое другое… 2004 – Разработка скоринга Необходимость в разработке собственной модели Новое направление кредитования (CF), сокращенный ввод данных в POS Зависимость от внешнего разработчика Низкие показатели эффективности generic модели (СС + Overs) Первые действия Критический анализ экспертами generic модели На уровне банка принято решение о конфиденциальности, передаче Директору по управлению рисками единолично принимать решения по разработке и внедрению моделей Достаточность данных для разработки К этому моменту было накоплено достаточное колво Bads (60+ dpd) – 500-1000. Качество данных Примеры проблем Недостаточно развернутые классификации в FE (подготовлены без учета мнения аналитиков) (Industry type, Position, Work type). Частый выбор категории ‘OTHER’ при вводе данных. Различные написания в полях текстового ввода. Неполные классификации. Необходимость учета существующих интерфейсов между системами (хорошие предикторы иногда невозможно передать без доработки интерфейсов). Учет различных кодировок при разработке, тестировании и настройке. Ошибки при повторном вводе. Качество данных Примеры проблем Должность Возможно 9 вариантов выбора типа должности, но в точках продаж агенты просто выбирают “OTHER”. Position ACCOUNTER Number of customers Percent 1265 2% 93 0% 759 1% DIRECTOR 3257 5% EMPLOYE 1897 3% 724 1% MAINTENANCE_STAFF 5535 8% SALES_MANAGER 1981 3% SPECIALIST 1575 2% OTHER 54493 76% TOTAL 71579 CHIEF_OF_DEPARTMENT CHIEF_OF_SECTION IT_SPECIALIST Качество данных Примеры проблем Тип отрасли Industry type ADMINISTRATION Number of customers Percent 1311 1,83% AGRICULTURE 630 0,88% ART 234 0,33% AUTHORITY 1662 2,32% CONSTRUCTION 5732 8,00% ENTERTAINMENT 3072 4,29% 16 0,02% 1115 1,56% 758 1,06% 2277 3,18% GAMBLING 193 0,27% HOTELS 169 0,24% EXCHANGE 26 вариантов выбора для характеристики “Тип отрасли”. EXTRACTIVE Агенты не задумываются над классификацией, выбирают “OTHER”. INSTRUCTING 18 0,03% JEWELLERY 64 0,09% 247 ,34% 69 0,10% 2174 3,03% 373 0,52% Огромное число вариантов написаний (ошибки, пр.) в поле прямого ввода для категории “OTHER” . REAL_ESTATE 94 ,13% REPAIR 1122 1,57% RETAIL 8800 12,28% 358 0,50% SECURITY 1986 2,77% SERVICES 1127 1,57% 107 0,15% WHOLESALE 3895 5,44% OTHER 34055 47,52% TOTAL 71659 FINANCES FORMATION LEGAL MANAGEMENT MEDICINE PRESS SCIENCE TOURISM Разработка скоринга Общие идеи Поиск удачных предикторов – как охота, нет априорных правил. Позвольте данным рассказать о себе. Учитесь у них. На начальном этапе стоит отказаться от сложных теоретических методов. Модель должна быть логичной относительно выбранного Good/Bad флага. Если направление связи трудно объяснить – лучше исключить эту переменную. Изучайте всю возможную информацию (доп. ввод архива, классификация текстовых полей, не используемые в ITсистемах поля). Возможно, вы найдете предиктор, для которого потребуется изменение текущих процессов. Чрезвычайно важно тщательное тестирование (OOS, OOT, настройки систем). Избегать использования переменных сегментации в скоринговых моделях (регионы, размер дохода, канал продаж, тип продукта.. ) Force option – «психологические оси» - баланс предикторов Разработка скоринга Information asymmetry between the lender and the borrower The borrower signals to the lender, the lender interprets the signal according to prior experience Choices offered in a credit application are signaling devices For example, providing phone number means: borrower probably has a phone borrower wants to give his phone number. Both facts have to be given consideration Разработка скоринга Автоматизация SAS Base (+ macro in Excel – HSBC) SAS Base (+ in-house GUI tool - Lloyds TSB) SPSS STATISTICA SIGMA – Experian’s in-house tool (200 models over a year in 2002) SAS Enterprise Miner, SAS Credit Scoring Scorto Scoring Solution KSEMA Разработка скоринга Процесс IN VEH Num ber of Vehicle IN ADD1 (Residential) Region Residing <> Moscow AND Only one phone num ber (w ork or residential) w as specified 25 Registration phone given IN Tim e Since Marriage IN Marital Status IN Num of children Age 20 Internrt Application HIP Card Type (corrected) IN ADD1 Residential Status branch rank AP Currency of application IN Gender IN EMP Em ploym ent Status IN EMP Field of Activity of org 15 IN FIN Total Declared Incom e IN ADD2 Tim e since Registr EMPLOER Region Additional Incom e is Specified 10 Week day IN EMP Tim e Curr Em ployer Mobile phone given HIP ADD DOC in 1 field Tim e As Custom er >= 3 m onth HIP MOBILE OPERATOR 5 Education Credit History Inform ation HIP E-MAIL GIVEN 20 25 0 0 5 10 15 30 35 40 45 50 55 pos rank 60 65 70 75 80 85 90 95 100 Разработка скоринга … но они лучше выплачивают кредит Процесс 14000 100 женщин меньше… 5 13000 76 90 12753 12000 11000 67 80 10000 70 9000 8000 60 7000 7071 6000 50 5000 40 4000 28 20 1000 0 Женский Мужской Good 10 Count Count Indeterminate 20 2000 0 Bad Женский IN Gender sex-age 18 16 14 12 % Good Bad Flag 30 3000 доля мужчин и женщин с разбивкой по возрасту Мужской IN Gender доля плохих заемщиков ageи- sex среди мужчин женщин 18 16 10 14 8 12 6 F 4 M 2 0 17-25 25-30 age 30-33 bad rate 10 8 6 4 2 0 F M 17-25 33-37 M sex 37-43 43+ F 25-30 M 30-33 33-37 age F 37-43 43+ sex Разработка скоринга Процесс 1 доля плохих кредитов 0,9 Внешний разработчик Идеальный скоринг 0,8 0,7 Reference line Скоринг УР 0,6 • Карта недостаточно хорошо выделяет самых плохих заемщиков 0,5 0,4 0,3 0,2 0,1 0 0 0,1 0,2 0,3 0,4 0,5 0,6 доля выборки 0,7 0,8 0,9 1 Разработка скоринга Процесс 30% 28% 26% 24% 22% 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% «Идеальное» распределение «плохих» Распределение «плохих» Распределение «хороших» «Идеальное» распределение «хороших» 425 450 475 500 525 550 575 600 625 650 675 700 725 750 775 800 825 850 875 скоринговый балл Разработка скоринга Процесс – отчет на ГКК Чистка данных Выставление Good/Bad флага Отправка данных стороннему разработчику Пересмотр правила определения «Good» Одномерный анализ данных Двумерный анализ данных Отбор переменных в анализе (определение «психологических осей») Многомерный анализ Тестирование новой карты на контрольной выборке Анализ полученных результатов выполняется выполняется Применение итоговой модели Варианты применения модели: Установить модель от внешнего разработчика, набрать Out-Of-Time sample, сравнить performance у собственной модели и внешней, принять решение об использовании. На условленный срок включить 100% open gates (для быстрого набора достаточного количества Bads - gaining experience at the price of loss rates). Компромисс: 50% open gates (random via champion/challenger), 50% собственная модель. Применение московской модели в избранных регионах (25% open gates, 75% scored). Совместное применение нескольких моделей (CF+ FPD), комбинация правил для cut-off Результаты работы модели Результат работы карт за 2 года - снижение резервов с экспертных 20-28% до 5-16%, в зависимости от продукта Мониторинг PSI (Москва) 60% 50% 40% Change 30% RB 20% Slight change 10% SF No change 0% июн.05 июл.05 авг.05 сен.05 окт.05 ноя.05 дек.05 янв.06 фев.06 мар.06 апр.06 май.06 июн.06 Мониторинг PSI (Регионы) 40% Change 30% RB 20% Slight change 10% No change SF 0% июн.05 июл.05 авг.05 сен.05 окт.05 ноя.05 дек.05 янв.06 фев.06 мар.06 апр.06 май.06 июн.06 2006 Модель пропуска первого платежа 13% заемщиков относятся к категории NonStarters. Нет платежей в течение первых 3 месяцев – подозрение на мошенничество. First Payment Default model 40,900 заемщиков с историей 6-14 месяцев 13 моделей 20% of lowest FPD scores eliminate 50% of NS population Combined cut-off will increase rejection by 5%, eliminate 30% of NS Модель пропуска первого платежа development sample results 100% cumulative bads FPD score, 80% GINI 51 60% 40% 20% 0% 0% 20% 40% 60% cumulative goods 80% 100% 2006 Разработка скоринга для регионов Региональный проект начат с использованием open gates в регионах После накопления 5-7K заявок проверить эффективность московской модели в регионах Применение московской модели в 5 избранных регионах (25% open gates, 75% scored). После накопления достаточной истории начата разработка региональной модели. 262,700 заявок, 6-12 месяцев в работе Требование – исключить переменную «тип дополнительного документа» (интерфейс не передает). Проверить новые переменные, появившиеся в анкете и новом FE. Первое применение Reject Inference. Тестирование модели в разных регионах – регионы разделены на 3 группы по величинам GINI, выбор cutoff с учетом требуемого процента отказов. 2006 Скоринг для регионов GINI (development sample) CFR score GINI=47.7% 100% cumulative bads 80% 60% 40% CFMsc score in selected regions GINI=33.7% 20% 0% 0% 20% 40% 60% cumulative goods 80% 100% 2006 Скоринг для регионов 34 100% 23 90% 39 66 80% 61 72 70% 63 60% 59 78 50% 74 40% 54 16 30% 2 20% 24 18 10% 0% 0% 70 64 20% 40% 60% 80% 100% othe rs 2006 Скоринг для регионов oth 64 70 18 52 24 2 16 54 74 78 59 63 72 61 66 39 23 34 ALL 30% GINI 35% 40% 45% 50% 55% KS 60% 2006 Скоринг для регионов G1 G2 G3 10%ttl cutoff %B at 10%ttl %G at max KS at at score cutoff 10%ttl cutoff score RegID Frequency Percent GINI KS Region 78 10307 4,29 40,7% 29,8% 161 24,84% 7,79% 186 16 8899 3,7 42,2% 31,7% 148 22,15% 6,06% 180 ТАТАРСТАН 64 63 6995 11951 2,91 4,97 42,7% 43,2% 30,9% 31,8% 146 153 21,17% 23,94% 6,18% 6,81% 175 182 САРАТОВСКАЯ ОБЛ САМАРСКАЯ ОБЛ other 23304 45,8% 33,6% 153 26,24% 6,73% 178 All Other Regions in the Development Sample 23 21089 8,78 46,1% 35,1% 155 24,73% 6,67% 182 КРАСНОДАРСКИЙ КРАЙ 61 16418 6,83 46,4% 34,6% 154 27,61% 6,65% 183 РОСТОВСКАЯ ОБЛАСТЬ 74 10218 4,25 47,0% 35,2% 146 21,66% 5,75% 183 ЧЕЛЯБИНСКАЯ ОБЛ 72 13034 5,42 47,6% 34,4% 148 27,44% 6,62% 180 ТЮМЕНСКАЯ ОБЛ 24 8801 3,66 48,0% 36,1% 141 24,43% 5,80% 172 КРАСНОЯРСКИЙ КРАЙ 70 7666 3,19 48,9% 36,1% 150 27,25% 6,84% 177 ТОМСКАЯ ОБЛ 54 8945 3,72 48,9% 36,4% 147 26,39% 6,50% 173 НОВОСИБИРСКАЯ ОБЛ 18 8101 3,37 49,1% 36,2% 141 27,53% 6,30% 168 УДМУРТСКАЯ РЕСПУБЛ. 34 21369 8,89 49,2% 36,9% 149 27,70% 6,37% 177 ВОЛГОГРАДСКАЯ ОБЛ 52 59 8571 10327 3,57 4,3 49,8% 49,8% 37,2% 36,9% 146 146 25,10% 27,15% 5,63% 5,61% 179 175 НИЖЕГОРОДСКАЯ ОБЛ ПЕРМСКАЯ ОБЛ 66 17120 7,12 50,2% 36,4% 147 27,52% 6,38% 176 СВЕРДЛОВСКАЯ ОБЛ 39 2 18313 8897 7,62 3,7 52,9% 53,9% 39,4% 39,8% 150 159 32,46% 36,47% 7,33% 7,15% 171 182 КАЛИНИНГРАД. ОБЛ БАШКОРТОСТАН Г. САНКТ - ПЕТЕРБУРГ Reject Inference Не проводилось, когда в базе отказов присутствовало большое количество мошеннических заявок, которые невозможно было выделить автоматически. Увеличивает время разработки модели на 1-2 недели. В результате модель могут покинуть некоторые переменные, GINI изменяется. 25 TAW DPM PPN AGE TIM PLC RGR HGR WGR PRL PLF MAR WAI GEN RLS KIN DUT EDU MOI MPF HSS TRM OAM COM WEE RPF CAN RAI CFL HPF AIS JIS RST TDM PRI QTI EXR 2006 Скоринг для регионов IV before and after Reject Inference 30 after rejinf before rejinf 20 15 10 5 0 июн.07 май.07 апр.07 мар.07 фев.07 янв.07 дек.06 ноя.06 окт.06 30+ % сен.06 авг.06 июл.06 1+ % июн.06 май.06 апр.06 мар.06 фев.06 янв.06 дек.05 ноя.05 окт.05 сен.05 авг.05 июл.05 июн.05 Lagged delinquency AUTO Москва 90+ % 20% 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% ию 07 .0 7 н. 07 ап р. ф ев к.0 6 30+ % де ок т. 06 06 н. 06 06 1+ % ав г. ию ап р. .0 6 к.0 5 ф ев де ок т. 05 05 н. 05 ав г. ию Lagged delinquency AUTO Регионы 90+ % 10% 9% 8% 7% 6% 5% 4% 3% 2% 1% 0% 2007 Скоринговая карта для автокредитов policy decision - приостановка продажи экспресскредитов в отдельных регионах / городах / точках продаж – начиная с февраля 2007 Проверка эффективности экспертной карты для dpd30+. Лето 2007 - Разработка скоринговых моделей для Москвы и регионов Выбор Good/Bad флага – в результате решено делать FPD model 17,800 заемщиков в Москве. 25,300 заемщиков в регионах. Не убирать VIP (post-input изменение типа клиента) Bad rates by Regions on map – масштабное мошенничество в некоторых регионах 2007 Скоринг для Автокредитов Выбор целевой переменной Bad Rates for AUTOLOANS Total flag1-var pw flag3=240d pw-ALL flag2=180d pw NSRATE 0.4 0.35 3500 3000 2500 bad rate 0.3 0.25 2000 0.2 1500 0.15 1000 0.1 500 0.05 0 0 2005, ноябрь 2006, янв арь 2006, март 2006, май 2006, июль 2006, сентябрь 2006, ноябрь 2007, янв арь 2007, март # heads (total booked) 0.45 КОНЕЦ ВОПРОСЫ ?
