การพัฒนาแบบจำลองความเสี่ยงด้านเครดิต (Credit Scoring) สำหรับการพิจารณาอนุมัติสินเชื่อ เพื่อจัดการความเสี่ยงในการให้บริการสินเชื่อ โดย สมสวัสดิ์ เตชพลฤทธินันท์ The First NIDA Business Analytics and Data Sciences Conference

1. Credit scoring model
The First NIDA Business Analytics and Data Sciences Contest/Conference
วันที่ 1-2 กันยายน 2559 ณ อาคารนวมินทราธิราช สถาบันบัณฑิตพัฒนบริหารศาสตร์
https://businessanalyticsnida.wordpress.com
https://www.facebook.com/BusinessAnalyticsNIDA/
-การพัฒนาแบบจาลองความเสี่ยงด้านเครดิต (Credit
Scoring) สาหรับการพิจารณาอนุมัติสินเชื่อ เพื่อ
จัดการความเสี่ยงในการให้บริการสินเชื่อ
-A-Score, B-Score, C-Score
?
สมสวัสดิ์ เตชพลฤทธินันท์ วทม. (NIDA)
นวมินทราธิราช 3002 วันที่ 1 กันยายน 2559 16.00-17.00 น.

2. Credit Scoring Model
Somsawat T.

3. • Consider behavior / credit of
customers (based on his/her
knowledge or experience)

4. What is a credit scoring ?
When you apply for credit, lenders want to make sure you can comfortably afford to
manage any new borrowing. To do so, they usually calculate a credit score, weighing
up all the relevant information at their disposal - this helps them to assess the
chances that you will be able to repay what you owe.
People with a high score are usually seen as lower risk, and could therefore be more
likely to be granted credit - and possibly at better rates.
--Experian--

6. Type of Credit Scoring
Application Score
Behavior Score
Collection Score

7. • Expert judgment
• Create without historical data
• Suitable for new segment/product
The ways to develop credit scoring
Judgmental
• Historical base
• Statistics technic eg. Decision tree , Logistic
regression , Neural network
• Suitable for product has sufficient data
Statistical
• Combination of expert judgment and statistical
• Suitable for new product/segment which have
similar feature with existing product
Hybrid

9. • Objective
• Performance window
• Observation / Sample window
• Bad definition
Good/Bad?
Time
Sample
Window
Observation
Window
Performance
Window

10. Sample
Window
Jan’12 Dec’12 Jun’13
Out of Time
Validation
Sample
Development
Sample (100%)
Training Sample
(70%)
Testing
(Hold-out sample)
(30%)

13. Income Total Good Bad %Dist_Total %Dist_Good %Dist_Bad Bad rate WOE IV
<15,000 20,057 19,418 639 38.77% 38.30% 62.28% 3.19% -0.49
15,001-20,000 3,351 3,250 101 6.48% 6.41% 9.84% 3.01% -0.43
20,001-30,000 10,031 9,916 115 19.39% 19.56% 11.21% 1.15% 0.56
>30,000 18,293 18,122 171 35.36% 35.74% 16.67% 0.93% 0.76
Total 51,732 50,706 1,026 100.00% 100.00% 100.00% 1.98%
Age Total Good Bad %Dist_Total %Dist_Good %Dist_Bad Bad rate WOE IV
Low <-= 28 8,377 8,081 296 16.19% 15.94% 28.85% 3.53% -0.59
28 <-= 33 10,293 10,023 270 19.90% 19.77% 26.32% 2.62% -0.29
33 <-= 40 12,318 12,101 217 23.81% 23.87% 21.15% 1.76% 0.12
40 <-= High 20,744 20,501 243 40.10% 40.43% 23.68% 1.17% 0.53
Total 51,732 50,706 1,026 100.00% 100.00% 100.00% 1.98%
0.323
0.188







i
i
i
BadDistr
GoodDistr
WOE
_
_
ln 





  BadDistr
GoodDistr
BadDistrGoodDistrIV
n
i
ii
_
_
ln*)__(
1

15. Choosing a Scorecard
• Model performance
• Model Stability

17. Score cut-off and Strategy (Illustrative : A-score)
594-654 655-669 670-675 676-682 683-687 686-692 693-697 698-702 703-707 708-714 715-719
683-687
686-692
693-697
698-702
703-707
708-714
715-719
720-720
721-727
728-731
A1 Score
A2-Score

18. Important Skills

19. Thank you
Somsawat T.