Inferensi pemohon ditolak untuk scorecard kredit

Hitung inferensi pemohon yang ditolak untuk scorecard kredit. Masukkan jumlah good, bad, dan pemohon ditolak untuk setiap rentang skor.

Rentang skor
Kelompok skorGoodBadPemohon ditolak

Contoh ini menggunakan delapan rentang skor buatan.

Masukkan satu rentang per baris, dengan label, jumlah good, bad, dan pemohon ditolak. Pisahkan dengan tab, koma, atau titik koma.

Metode inferensi

Pemohon yang ditolak di setiap rentang skor dibagi menjadi good dan bad berdasarkan bad rate pemohon yang disetujui dikalikan faktor uplift. Hasilnya dibulatkan ke jumlah pemohon utuh.

Bad rate seluruh pemohon

18.3%
Bad rate pemohon diterima5.0%
Bad rate estimasi pemohon ditolak47.8%
Persentase pemohon diterima69.0%

Dengan bad rate hasil inferensi pemohon ditolak sebesar 47.8%, bad rate seluruh pemohon adalah 18.3%, dibandingkan 5.0% untuk pemohon yang disetujui saja.

Bad rate per rentang skor

Pemohon diterima sajaSemua pemohon, termasuk hasil estimasi

Jumlah hasil inferensi

Kelompok skorGoodBadBad rate pemohon disetujuiPemohon ditolakGood hasil inferensiBad hasil inferensiBad rate pemohon ditolakBad rate seluruh pemohon
< 520402235.5%1,9005521,34871.0%69.8%
520–5591806125.3%1,40069170950.6%46.9%
560–59962011816.0%90061228832.0%24.8%
600–6391,3501429.5%5204219919.0%12.0%
640–6792,1001155.2%2602332710.4%5.7%
680–7192,600782.9%12011375.8%3.0%
720–7592,300351.5%605823.0%1.5%
760+1,800120.7%303001.3%0.7%
Total10,9905835.0%5,1902,7102,48047.8%18.3%

Kirim hasil lewat email

Bangun scorecard di dalam keputusan kredit, lalu uji dengan data pengajuan masa lalu milik pemberi pinjaman, baik yang diterima maupun ditolak, sebelum diterapkan. Mulai uji coba

Tampilkan rumus
Bad rate pemohon disetujui = Bad ÷ (Good + Bad)
Parcelling: Bad rate pemohon ditolak = min(1, Bad rate pemohon disetujui × Faktor uplift)
Fuzzy augmentation: Bad rate pemohon ditolak = Bad rate pemohon disetujui
Bad hasil inferensi = Pemohon ditolak × Bad rate pemohon ditolak
Good hasil inferensi = Pemohon ditolak − Bad hasil inferensi
Bad rate seluruh pemohon = (Bad + Bad hasil inferensi) ÷ (Good + Bad + Pemohon ditolak)

Hasil aktual pemohon yang ditolak tidak diketahui, jadi hasil inferensi bergantung pada asumsi yang Anda pilih. Besaran uplift ditentukan oleh analis. Parcelling dengan uplift 1 menghasilkan total yang sama dengan fuzzy augmentation.

Inferensi pemohon ditolak untuk scorecard

Reject inference menambahkan pemohon yang ditolak ke data scorecard dengan menetapkan asumsi hasil untuk setiap pemohon yang ditolak. Alat ini menghitung estimasi jumlah debitur lancar dan debitur bermasalah untuk setiap rentang skor dengan metode parcelling atau fuzzy augmentation.

Scorecard yang dilatih hanya dengan data pemohon yang disetujui belajar dari pemohon yang diterima oleh kebijakan lama. Bandingkan bad rate pemohon yang disetujui dengan bad rate seluruh pemohon, lalu gunakan jumlah hasil inferensi saat membangun dan menguji scorecard.

Pertanyaan tentang inferensi pemohon ditolak

Apa itu inferensi pemohon ditolak dalam credit scoring?

Inferensi pemohon ditolak menambahkan pemohon yang ditolak ke data scorecard dengan memperkirakan hasilnya. Asumsi ini tidak dapat dikonfirmasi karena hasil aktual mereka tidak diketahui.

Metode inferensi pemohon ditolak apa saja yang bisa dibandingkan?

Alat ini membandingkan parcelling dan fuzzy augmentation. Parcelling menerapkan faktor uplift pada bad rate pemohon yang disetujui, sedangkan fuzzy augmentation menggunakan bad rate pemohon yang disetujui untuk setiap rentang skor.

Bagaimana cara kerja parcelling dalam inferensi pemohon ditolak?

Dalam parcelling, bad rate pemohon yang ditolak di setiap rentang skor dihitung dengan mengalikan bad rate pemohon yang diterima dengan uplift, hingga maksimum 1. Jumlah debitur lancar dan bermasalah hasil estimasi kemudian dibulatkan ke bilangan bulat.

Bagaimana memasukkan pemohon yang ditolak ke dalam scorecard?

Masukkan jumlah pemohon yang diterima dengan hasil lancar dan bermasalah, serta jumlah pemohon yang ditolak, untuk setiap rentang skor. Lalu pilih parcelling atau fuzzy augmentation. Tool ini menghitung jumlah hasil estimasi untuk digunakan saat Anda menyusun scorecard.

Apa arti faktor uplift dalam reject inference?

Dalam parcelling, uplift mengalikan bad rate pemohon yang diterima di setiap rentang skor untuk memperkirakan bad rate pemohon yang ditolak. Penentuan nilai uplift bergantung pada pertimbangan pemodel.