Müəllif: Ramal Əhmədov
Bildiyiniz kimi, ölkəmizdə son 5 ildə internet (online) bankçılıq sürətlə inkişaf edir. Artıq evimizdə oturub, müraciət etdikdən 1 saat sonra banka getmədən kredit ala bilirik. Buna səbəb texnologiyanın inkişafi, qanunvericiliyin dəyişməsi və qərar vermə prosesinin avtomatlaşdırılmasıdır.
Kreditlərin scorinq vasitəsi ilə verilməsi maşın öyrənmə alqoritmləri əsasinda avtomatlaşdırılıb və mütəmadi olaraq yenilənməkdədir. Məşhur scoring sistemləri FİCO, VantageScore və sair nümunə gətirmək olar. Azərbaycanda scorinq xidmətini Azərbaycan Kredit Bürosu təklif edir.
Kreditlərin skorinqi risklərin qiymətləndirilməsi üçün qərar modellərinin toplusudur.
Kreditlərin skorinqinin əsas məqsədi “yaxşı” və “pis” ödəyiciləri ayird etməklə fərdi qiymətləndirmənin aparılmasıdır. Qiymətləndirilən hər bir meyarın xüsusi çəkisi ona xal verir və yekun nəticə kreditin ayrılması qərarı üçün əsas olur. Adətən qərarın verilməsi tarixi data əsasında defolt ehtimallarına əsasən müəyyənləşdirilir.
Defolt ehtımali özlüyündə müxtəlif dəyişənlər əsasında (bu rəqəmsal və ya kateqoriya tipli ola bilər) fərqli metodlarla analiz olunur, yekun qərara gücülü təsiri olan dəyişənlərin formalaşdırdığı model məqbul hesab olunur. Defolt nəticəni izah edən dəyişənlərin ancaq statistik göstəricisi modelin qurulması üçün əsas deyil, modelin formalaşması üçün biznes məntiqinin olması mütləqdir.
Modellər əsasən iki formada olur mühakimə və statistika əsasinda.
Mühakimə əsasən olan modellərdə əsasən AKB (Borc yüklülüyü, ödəmə davranışı, tarixçənin müddəti, nəticəsiz kredit sorğulari və sair), maliyyə məlumatları (ödəmə qabiliyyəti, maliyyə əmsalları və sair), sosial göstəriciləri (yaşı, cinsi, ailə vəziyyəti, adına əmlakın olması və sair) əsasında qərar verilir, statistik modellər isə modeli izah edən müxtəlif dəyişənlərdən ibarət ola bilər və statistik dataya (statistik “scorecard” ) istinad edir.
Scorecardin hazirlanması üçün son 60 il ərzində müxtəlif analizlərdən istifadə olunub (düzxətli və logistik reqressiya, Bayesian təhlilləri və sair). Logistik reqressiya şəxsin sonda defolt olub olmama ehtimalını müəyyənləşdirmək üçün ən çox istifadə olunan analizdir. Logistik reqressiya statistik iri həcmli data tələb etdiyi üçün data az olduğu hallarda Bayesian təhlilindən istifadə olunur. Sonda modellərin effektivliyi isə GINI əmsalı (eyni score sistemində pis və yaxşı müştəri arasındakı fərqi izah edir, Lorenz əyrisi üzərində göstərilir) və Kolmogorov-Sminorv (KS) testi (KS scoru yekundə pis və yaxşı müştəri arasındakı paylanmanı (qrafik əyriləri) müəyyən edir, pis müştərilərin aldığı skor məbləğ intervali üzrə yekun qiymətləndirilmə aparılır) ilə müəyyənləşdirilir.
Bütün modellərdə istifadə olunan risk qupları biznes, maliyyə və digər məlumatları özündə saxlamaqla, kəmiyyət və keyfiyyət göstəricilərindən ibarət olur. Məsələn, müştərinin yaşı, ailə vəziyyəti, təhsili, iş yeri, gəlir məbləği, biznesin fəaliyyət sahəsi, biznes mülkiyyəti və sair məlumatlar. Yüksək score alan, biznes məntiqi və ssenariyə uyğun olan dəyişən nəticədə əhəmiyyətli təsiri olan risk faktoru hesab olunur. Modelləşmə üçün R2, Python proqramlaşdırma dillərindən aktiv istifadə olunur. Həmin proqram təminatlarını öyrənmək ayrıca bir mövzudur. Odur ki, ümumiyyətlə modelin necə qurulmasına ümumi başlıqlar altında nəzər yetirək:
Kredit riskinin modelləşdirilməsi
- Datasetin təyin edilməsi – bunun üçün yaxşı olar ki, heç olmasa 24 aylıq tarixçə olan kredit portfeli və ya imtina olunmuş müştərilərin dataları əldə edilsin
- Datanin hazirlanması, analizi və təmizlənməsi
- Məlumat çatışmazlığı və
- Kənarlaşmalar müxtəlif üsullarla aradan qaldırılır
- Datanin transformasiyası
- davamlı dəyişənlər intervallar üzrə bölünür
- kateqoriya tipli dəyişənlər isə fakt çəkilərinə görə hesablanir, -1-dən müsbət 1-ə dək dəyişir
- Dəyişənlər üzrə informasiyanin dəyəri hesablanir
- dəyəri 0.02-dən az olan dəyər modeldə faydalı deyil
- dəyəri 0.05-dən çox olan isə güclü proqnozlaşdırıcı təsirə malikdir
Hesablanma formulu: 
- Məqbul dəyişənlərlə reqressiya analizi aparılır, nəticəyə əsasən:
- Təqdim edilən hər bir dəyişənlərin yekun nəticəyə təsiri ölçülür (statistik bağlılıq göstərici p-value)
- 0.05-dən kiçik olan p dəyəri nəticə ilə statistik əlaqənin olmaması deməkdir, həmin dəyişənlər uzaqlaşdırılır
- R2 model tərəfindən izah olunan dəyişənlərin ümumi dəyişənlə nisbətidir. Yəni dəyişinlərin hansi hissəsi modeli təsvir edir. Rəqəmin 1-ə yaxin olması müsbət hal kimi nəzərə alına bilər. Korrelasiya nə qədər çox olsa bu nıticə daha yaxşı olacaqdır.
Sigmoid funksiyasi (y)-nəticəsinin 1-ə yaxın olması modelin uğurlu olmasını göstərir. Reqressiya formulasi y=w1x+w0 kimi nəzərə alına bilər.
- Modelin scorecard-a uyğunlaşdırılması
- Score sisteminə keçid edilir: Score_i= (βi × WoE_i + α/n) × Factor + Offset/n
- Scorecardda risk iştahina uyğun olaraq keçid və minimal skor tələbi müəyyənləşdirilir
- Modelin işləkliyinin yoxlanması
- Bunun üçün AUC (Area Under The Curve) ROC (Receiver Operating Characteristics) əyrisindən istifadə olunur
ROC əyrisi altindaki sahənin ölçüsü ilə hesablanir, rəqəmin 1-ə yaxın olması modelin təxmin etmə ehtimalının 100%-ə yaxın olması kimi nəzərə alınır
- Modelin performansının yoxlanması
- Daha çox GİNİ əmsalından istifadə olunur.
- Kolmogorov-Sminorv (KS) testi
Sizin kredit skorunuz əsasən hansi meyarlardan asılıdır ?
- Borc yüklülüyünün az olması və ya ötən dövrə nisbətdə borclanmanın az olması və ya olmaması
- Əsasən son 12 ay ərzində ödəmə davranışı, gecikmə günlərinin cəmi, birdəfə gecikmə günləri
- Neçə ildir tarixçənizin olması və hansı növ kredit məhsullarından istifadə etməniz
- Kredit karti ilə davranış qaydası
- Banklarda olan nəticəsiz kredit sorğuları
- İşlədiyiniz müəssisə və gəlir məbləğiniz
- Biznesinizin fəaliyyət müddəti və fəaliyyət sahəsi
- Hesab dövriyyəsi və qalığı, alicilardan asılılıq
- Maliyyə məlumatları və əmsalları
- Adınıza əmlak, təhsiliniz, ödənilməmiş cərimləriniz
- Yaşınız, ailə vəziyyətiniz və sair
Modelləşmə haqqinda praktik hal və geniş detallı məlumatlar növbəti məqalədə paylaşılacaqdır, ümid edirəm, ilkin fikir formalaşdırmaq üçün faydalı məqalı oldu.
