O STATISTICA Scorecard consiste numa solução para desenvolver, avaliar e monitorizar modelos de gestão estratégica baseados em scorecard.
Inclui as seguintes capacidades e workflow.

• Preparação de dados
  Seleção de caraterísticas ou feature selection
  Construção de atributos
• Modelação
  Preparação do scorecard
  Sobrevivência
  Inferência de rejeitados
• Avaliação e Verificação
  Avaliação de modelos
  Seleção do ponto de inflexão ou cut-off point
  Score cases
• Monitorização
  Estabilidade da população

Veja os comentários de utilizadores do STATISTICA Scorecard, clique aqui.
 

Conheça o STATISTICA Scorecard sem sair do seu escritório ou de sua casa. Avaliaremos as suas necessidades e poderá receber uma licença experimental gratuita.
Contacte-nos através do formulário em baixo.
 

Seleção de caraterísticas
O módulo de seleção de caraterísticas é usado para excluir variáveis redundantes ou de pouca importância do conjunto de caraterísticas iniciais. Pode ser criado um ranking das variáveis utilizando duas medidas do poder preditivo global das variáveis - IV (Information Value) e Cramer’s V.
Através destas medidas, podem-se identificar quais as características que têm um impacto importante no risco de crédito e seleccioná-las para a próxima fase de desenvolvimento do modelo.
Para além disso, a opção selecting representatives permite identificar a redundância entre variáveis numéricas sem analisar a matriz de correlação para todas as variáveis. Este módulo cria grupos de características correlacionadas usando análise fatorial, com rotação dos scores. Em cada grupo, as variáveis estão altamente correlacionadas com o mesmo factor - e muitas vezes entre si - desta forma é possível selecionar só um pequeno subgrupo de características - bundles - representativas.

Construção de atributos
No módulo attribute building, podem ser preparados perfis de risco para todas as variáveis. Utilizando um algoritmo automático, baseado no método CHAID, ou num modo manual, podem-se dividir as variáveis (também conhecidas como características) em classes de atributos ou bins contendo riscos homogéneos. Os atributos iniciais podem ser ajustados manualmente para corresponder a critérios estatísticos e de negócio como regularidade do perfil ou a facilidade de interpretação. Para construir perfis de risco corretos, são geradas medidas do poder preditivo de cada atributo (WoE – Weight of Evidence, e IV – Information Value).
A qualidade do WoE pode ser avaliada, para cada atributo, utilizando um gráfico da tendência do Weight of Evidence (WoE). Todo o processo pode ser gravado como um script XML e pode posteriormente ser usado no módulo de preparação do scorecard.

Preparação do scorecard
O módulo de preparação de scorecard é utilizado para criar um scorecard baseado em atributos preparados no módulo attribute building e num modelo de regressão logística. O processo de transformação dos dados em scorecard pode ser simplificado se forem aceite os parâmetros pré-definidos no STATISTICA. Os utilizadores avançados podem recodificar as variáveis iniciais para atributos (variáveis dummy restringidas por WoE ou sigma) e escolher para a construção dos modelos os seguintes métodos.

• Forward
• Backward
• Forward step-wise ou backward step-wise
• Melhor subconjunto - best subset
• Bootstrap
   

Depois de o modelo estar construído, um conjunto de estatísticas, como testes de AIC, BIC, LR e relatórios (como as variáveis sem relevância que foram eliminadas) podem ser gerados.
A fase final deste processo é a preparação do scorecard, utilizando um algoritmo de regressão logística para estimar os parâmetros do modelo e os valores de escala especificados para transformar um modelo no formato de um scorecard, que pode posteriormente ser gravado como Excel, XML ou script SVB.

 

Sobrevivência
O módulo de sobrevivência é utilizado para construir modelos de scoring utilizando o modelo Cox Proportional Hazard. É possível estimar um modelo de scoring utilizando informação adicional sobre o momento do incumprimento.
Baseado neste módulo, pode ser calculada a probabilidade de incumprimento ou default num determinado período de tempo (por exemplo, depois de 6 meses, 9 meses, etc.).

Inferência de rejeitados
Sob algumas circunstâncias, há uma necessidade de tomar em consideração casos em que os pedidos de crédito foram rejeitados. Como não existe informação da classe de output (crédito bom ou mau) dos pedidos rejeitados, esta informação será gerada utilizando um algoritmo – estão disponíveis o método do vizinho mais próximo (k-nearest neighbors) e análise de parcelas ou parceling. Depois da análise, é produzido um novo conjunto de dados com a informação completa.
 

Avaliação de modelos
O módulo de avaliação de modelos é utilizado para avaliar e comparar os diferentes modelos scorecard. Para avaliar modelos, podem ser seleccionadas as seguintes estatísticas (cada uma com relatório completo).

• Information Value (IV)
• Kolmogorov-Smirnov e respectivo gráfico
• Índice de Gini
• Divergência
• Hosmer-Lemeshow
• Curvas de Receiver Operating Charateristics (ROC)
• Lift e Gain Chart
   

Os relatórios adicionais incluem

• Relatório final de score
• Relatório de características
• Gráfico de probabilidades
• Gráfico de percentagem de rejeitados - bad rate chart

Posteriormente a capacidade de ajuste ou goodness-of-fit dos modelos gerados pode ser avaliada, permitindo a escolha de um que corresponda às expectativas antes da criação do modelo scorecard.
 

Seleção do ponto de inflexão
O ponto de inflexão ou cut-off point é o valor óptimo de scoring utilizado para diferenciar candidatos a crédito, aprovados e rejeitados. O procedimento de decisão pode ser estendido através da adição de um ou dois pontos de inflexão adicionais. Por exemplo candidatos com scores abaixo de 520 serão rejeitados, candidatos com scores acima de 580 serão aceites, e candidatos com scores entre esses valores terão de fornecer informações adicionais.
Os pontos de inflexão podem ser definidos manualmente, baseados numa análise de ROC para custos derivados de erros de classificação e frações de ‘mau’ crédito (ROC - Receiver Operating Characteristic – proporciona uma medida da capacidade de previsão de um modelo).
Adicionalmente podem ser definidos pontos de inflexão óptimos através da simulação de lucro associado com cada nível de inflexão. A designada “bondade” do ponto de inflexão selecionado pode ser avaliada com base em vários relatórios.
 

Score cases
O módulo score cases é usado para fazer o scoring de novas ocorrências utilizando o modelo seleccionado, gravado com um script XML. Pode calcular a pontuação geral ou overall scoring, pontuações parciais de cada variável e a probabilidade de incumprimento (default, a partir do modelo de regressão logística), ajustando por uma probabilidade a priori de incumprimento para toda a população (fornecido pelo utilizador).
 

Estabilidade da população
O módulo de estabilidade da população proporciona ferramentas analíticas para a comparação de dois conjuntos de dados. Por exemplo, conjuntos de dados actuais e históricos de modo a detetar quaisquer alterações significativas na estrutura das características ou na população de candidatos.
Uma alteração significativa no conjunto de dados actuais pode significar a necessidade de reestimar os parâmetros do modelo. Este módulo produz relatórios da população e estabilidade das características e os gráficos respectivos.