Data alternatif untuk penilaian kredit
Data alternatif lebih dulu beralih dari uji coba ke penggunaan operasional di fintech. Bank menyusul kemudian. Kini banyak pemberi pinjaman mengintegrasikan sinyal ini ke dalam model scoring mereka.
Bank dan lembaga keuangan lain kini mulai menyusul. Mereka menggunakan data alternatif untuk melengkapi data biro kredit dan catatan internal.
Fintech menggunakan data alternatif untuk meluncurkan produk seperti pinjaman peer-to-peer dan menentukan harga kredit bagi nasabah dengan riwayat kredit terbatas. Pemberi pinjaman yang hanya mengandalkan riwayat kredit tidak dapat menjangkau banyak peminjam ini.
Data alternatif sebagai proksi riwayat kredit tradisional
Data alternatif biasanya digunakan sebagai proksi riwayat kredit tradisional. Ini menimbulkan risiko karena data tersebut bukan bukti langsung pembayaran kembali, melainkan sinyal tidak langsung.
Sinyal dapat berkorelasi dengan gagal bayar tanpa memiliki hubungan sebab-akibat. Sebagian pengaruh bersifat musiman atau hanya berlaku dalam konteks tertentu, sehingga tidak mencerminkan perilaku pembayaran yang sebenarnya. Singkatnya, banyak korelasi tersebut semu.
Penggunaan data alternatif dalam scoring juga dapat menimbulkan risiko diskriminasi baru. Misalnya, sinyal dari media sosial dapat mencerminkan etnis, gender, atau atribut lain yang berujung pada keputusan pemberian pinjaman yang tidak adil.
Tantangan lainnya adalah format data. Banyak sumber datanya tidak terstruktur dan sulit digunakan dalam model scoring tradisional. Data seperti ini memerlukan pengolahan khusus, sering kali dengan metode AI dan machine learning (ML).
Berikut ringkasan manfaat dan risikonya.
Manfaat
- Data alternatif membantu menjangkau lebih banyak calon peminjam, termasuk orang yang tidak memiliki catatan kredit tradisional.
- Data alternatif dapat memberi gambaran keuangan peminjam yang lebih luas dan terkini, sehingga mendukung keputusan pemberian pinjaman yang lebih baik.
- Penggunaan data alternatif dapat menurunkan biaya scoring ketika sumber data tradisional mahal untuk diperoleh dan diolah.
Risiko
- Banyak sumber data tidak terstruktur dan sulit diintegrasikan ke dalam model tradisional, sehingga memerlukan pengolahan khusus yang dapat menambah biaya.
- Data alternatif dapat disalahgunakan sehingga mendiskriminasi kelompok tertentu.
- Korelasi antara sinyal alternatif dan gagal bayar bisa terjadi secara kebetulan dan tidak menunjukkan perilaku pembayaran kembali.
Membangun model credit scoring dengan data alternatif
Pilih atribut data alternatif dengan tingkat pemeriksaan yang sama ketatnya, atau lebih ketat, dibandingkan atribut dalam credit scoring tradisional.
Artinya, atribut tersebut perlu memenuhi kriteria berikut:
- Terkait kelayakan kredit: atribut harus membantu memprediksi kemungkinan gagal bayar.
- Ketersediaan: atribut harus tersedia untuk sebagian besar peminjam agar model yang andal dapat dilatih.
- Praktis untuk diperoleh dan diolah: atribut sebaiknya mudah diperoleh dan dihitung agar biayanya tetap terkendali.
- Stabil dari waktu ke waktu: hubungan dengan gagal bayar harus bertahan di berbagai periode, termasuk pada sampel “out of time”.
- Tidak bias: atribut sebaiknya tidak menimbulkan diskriminasi.
Contoh sumber data alternatif untuk penilaian kredit
Contoh atribut dari sumber data alternatif yang dapat memenuhi kriteria ini antara lain:
- Riwayat pembayaran tagihan utilitas
- Riwayat pembayaran sewa
- Riwayat mengambil pinjaman jangka pendek
- Aktivitas media sosial
- Penggunaan telepon seluler
- Data transaksi e-commerce
- Riwayat penggunaan layanan transportasi online
Metode penilaian kredit
Setelah memilih atribut, bangun model credit scoring. Anda dapat menggunakan metode tradisional seperti regresi logistik, atau teknik machine learning yang lebih canggih.
Metode yang umum digunakan untuk credit scoring dengan data alternatif antara lain:
- Random forest
- Gradient boosting (XGBoost, LightGBM)
- Neural network
- SVM
- Regresi logistik
- Model regresi lain seperti MARS
Machine learning dapat mempelajari hubungan kompleks antara atribut dan risiko gagal bayar secara otomatis, sehingga kebutuhan untuk menentukan fitur secara manual berkurang. Namun, hasilnya lebih sulit dijelaskan dan risiko overfitting lebih tinggi. Periksa dengan cermat setiap atribut yang masuk ke model akhir.
Setelah model selesai dibangun, validasi kemampuan prediksinya dan periksa risiko overfitting. Gunakan validasi silang dan, jika memungkinkan, validasi out-of-time.
Kesimpulan
Dalam credit scoring, data alternatif dapat melengkapi sumber tradisional dan memperluas akses kredit bagi peminjam tanpa riwayat kredit.
Data ini dapat memberi gambaran keuangan peminjam yang lebih luas dan mendukung keputusan pemberian pinjaman yang lebih baik.
Data alternatif juga dapat menurunkan biaya scoring jika sumber data tradisional mahal untuk diperoleh dan diolah.
Namun, risikonya tetap ada, termasuk potensi diskriminasi dan korelasi yang terjadi secara kebetulan, bukan karena mencerminkan perilaku pembayaran kembali.
Pertanyaan yang sering diajukan
Sumber data alternatif mana yang sebaiknya diuji lebih dulu?
Mulailah dengan satu atau dua sumber yang menunjukkan kebiasaan membayar secara rutin, seperti riwayat pembayaran sewa atau tagihan utilitas, jika datanya bisa diperoleh secara konsisten. Utamakan catatan yang terkait langsung dengan kewajiban keuangan peminjam daripada sinyal tidak langsung seperti aktivitas media sosial. Periksa cakupan, kemutakhiran, dan biaya pengolahan sebelum mengembangkan model, karena sumber yang prediktif tetapi hanya tersedia untuk sebagian peminjam mungkin tidak banyak membantu keputusan kredit.
Bagaimana menentukan apakah sinyal data alternatif layak diperhitungkan dalam skor?
Bandingkan model yang menggunakan sinyal tersebut dengan baseline data biro kredit dan internal, menggunakan tingkat persetujuan atau kerugian ekspektasian yang sama. Lalu timbang manfaat tambahannya terhadap biaya data, pengolahan, dan operasional. Tidak ada ambang peningkatan yang berlaku untuk semua kasus, karena besarnya peningkatan yang dibutuhkan bergantung pada margin dan selera risiko Anda. Kesalahan yang sering terjadi adalah mempertahankan suatu sinyal karena nilai prediksinya secara keseluruhan, sebelum memeriksa apakah sinyal itu benar-benar memperbaiki keputusan bagi peminjam yang Anda layani.
Validasi apa yang perlu disyaratkan sebelum data alternatif digunakan dalam keputusan kredit?
Gunakan sampel holdout dari periode yang lebih baru, selain validasi silang, lalu bandingkan hasilnya dengan model yang tidak menggunakan sumber baru tersebut. Periksa kinerja pada kelompok peminjam yang relevan, pola data yang hilang, dan perubahan sumber dari waktu ke waktu. Sinyal yang hanya berfungsi pada satu periode atau bagi peminjam dengan catatan yang sangat lengkap mungkin tidak cukup untuk mendukung keputusan kebijakan yang andal.
Kapan sinyal alternatif sebaiknya mengubah batas persetujuan?
Ubah batas keputusan hanya jika sinyal tersebut menghasilkan estimasi risiko yang stabil dan berguna bagi pemohon yang terdampak. Tetapkan batas berdasarkan kerugian ekspektasian, penetapan harga, dan kebijakan pemberian pinjaman Anda, bukan hanya metrik model. Uji kebijakan yang diusulkan menggunakan data permohonan historis, lalu tinjau tingkat persetujuan dan hasil pembayaran kembali setelah peluncuran sebelum memperluas dampaknya.
Bagaimana mengetahui apakah biaya sumber data sepadan dengan manfaatnya?
Hitung seluruh biaya sumber data untuk setiap keputusan, termasuk biaya perolehan, pengolahan, integrasi, dan pemeriksaan berkala. Lalu bandingkan dengan nilai tambahnya terhadap persetujuan atau kerugian ekspektasian. Perhitungkan juga biaya penanganan catatan yang hilang atau terlambat. Jika manfaatnya hanya berlaku bagi sebagian kecil pemohon atau sering memerlukan koreksi manual, sumber yang lebih sederhana mungkin lebih tepat.