machine learning risco de credito, big data analytics, machine learning, data mining

Análise de Risco de Crédito Estudantil com Machine Learning

Desafio

Uma instituição de crédito estudantil de grande porte nos EUA enfrentava elevada taxa de inadimplência, atingindo impressionantes 34%. Para reduzir drasticamente este índice, a instituição precisava distinguir entre tomadores de crédito de alto e de baixo risco de inadimplência.

Solução

Utilizando dados históricos sobre esses tomadores de crédito, nossos cientistas de dados desenvolveram um modelo preditivo movido a machine learning, capaz de identificar exatamente quais indivíduos apresentavam alto risco de deixar de pagar seus empréstimos. O modelo também conseguiu identificar os principais fatores preditivos de inadimplência, permitindo aos analistas de risco da instituição tomar decisões de concessão de crédito de forma mais assertiva e ágil.

Desempenho do Modelo - Gráfico de Decil

Na análise de decil abaixo, a base de solicitantes de crédito é dividida em 10 grupos, de acordo com o perfil de risco de inadimplência de cada indivíduo.

A tabela abaixo apresenta o desempenho de cada decil no gráfico.

  • O decil 1 representa o segmento com os solicitantes de maior risco de inadimplência (baseado nos scores preditivos do modelo). Neste grupo, a maioria absoluta dos clientes (60,4%) deixa de pagar seus empréstimos em algum momento.
  • Por sua vez, no decil 10 apenas 8,7% das pessoas apresentam risco de suspender o pagamento de seus empréstimos.
  • O modelo foi bem sucedido em identificar o grupo de pessoas para quem a instituição deve negar crédito, facilitando a concessão para decis de baixo risco (economizando recursos).

O grupo de alto risco apresenta taxa de inadimplência 7 vezes maior que o segmento de menor risco (8,7%).


Resultados

Ao atribuir uma score preditivo para cada solicitante de crédito, a instituição agora utiliza o modelo para identificar indivíduos de alto risco e de baixo risco. Isso permitiu a automação de etapas da análise de risco, reduzindo sensivelmente tanto o tempo de análise de risco, quanto a taxa média de inadimplência. Essa iniciativa também permitiu otimizar a alocação de tempo dos analistas de risco, que agora têm segurança para aprovar mais rapidamente a concessão de crédito para bons pagadores identificados pelo modelo.

O modelo preditivo identificou um grupo de alto risco onde 60,4% dos tomadores de crédito inadimpliam, enquanto no grupo de menor risco esse índice atingia apenas 8,7% dos clientes. Isso representa uma diferença de risco entre esses dois grupos de 700%.

Compartilhe este Case


Incorpore modelagem preditiva com machine learning à suas análises e mitigue o risco de crédito de seu negócio.


Fale conosco
 
[bws_latest_posts]