Credit Scoring - automatyzacja procesu biznesowego

Prezentowane jest połączenie statystyki (opisowej i regresji logistycznej), AI/ML (Artificial Intelligence i Machine Learning: elementów drzew decyzyjnych, XGBoostingu, lasów losowych, sieci głębokiego uczenia i heurystyk wyboru zmiennych) z programowaniem w SAS i OpenSource. W trakcie zajęć udoskonalane i modyfikowane jest oprogramowanie w języku SAS i OpenSource do budowy modeli predykcyjnych i symulacji procesu akceptacji kredytowej. Każde zajęcia to najczęściej prezentacja jakiegoś programu i algorytmu wraz z interpretacją biznesową.

Podstawowym celem przedmiotu jest przekazanie studentom doświadczenia i umiejętności z automatyzacji procesu, w którym w sposób automatyczny podejmowane są decyzje kredytowe na podstawie modelu predykcyjnego. Mowa jest tu zatem o budowaniu środowiska Data Driven Decision Making. Przedstawione są tu zatem wszystkie najważniejsze aspekty techniczne, analityczne jak i biznesowe całego procesu. Po skończeniu tego przedmiotu można oczekiwać, że student będzie w pełni panował nad całym procesem biznesowym od jego założeń biznesowych i finansowych (także wyliczając wynik finansowy) a skończywszy na wdrożeniu modelu i weryfikacji założeń z finalnym efektem. Przedstawiana jest tu budowa karty skoringowej i modeli PD (prawdopodobieństwa default), wspólne studiowanie programów i wejście we wszystkie szczegóły każdego z elementów budowy. Cel zatem jawi się jako prezentacja metody do samodzielnego rozwijania narzędzi, aby móc w pełni rozumieć i panować nad każdym etapem budowy modeli i nie być zależnym od konkretnego oprogramowania.

Kolejnym celem jest także przedstawienie wszelkich problemów biznesowych związanych z procesem akceptacji kredytowej i złożonym procesem akwizycji i sprzedaży krzyżowej. Podczas zajęć student uczy się analizować proces symulacji akceptacji i sam może doświadczyć konsekwencji zmian parametrów procesu. Dzięki specjalnym symulowanym danym wykorzystywanym w czasie zajęć, student może poczuć się jak Dyrektor Departamentu Ryzyka Kredytowego i zarządzać procesem bankowym, w którym albo przynosi zyski dla banku, albo je traci. Projekt zaliczeniowy jest rodzajem gry strategicznej, gdzie każdy zespół stara się tak zdefiniować parametry procesu akceptacji, by zmaksymalizować zyski i zarobić więcej niż startowy model.

Literatura podstawowa:

Credit scoring in the context of interpretable machine learning. Theory and practice. Edited by D. Kaszyński, B. Kamiński, T. Szapiro. Oficyna Wydawnicza SGH, Warszawa 2020 (https://ssl-kolegia.sgh.waw.pl/pl/KAE/struktura/IE/struktura/ZWiAD/publikacje/Documents/Credit_scoring_in_the_context_of_interpretable_machine_learning.pdf).

K. Przanowski, Credit Scoring - Studia przypadków procesów biznesowych, 2015, SGH.

K. Przanowski, Credit Scoring w erze Big Data, OW SGH, 2014;

N. Siddiqi, Credit risk scorecards: Developing and implementing intelligent credit scoring. Wiley and SAS Business Series, 2005;

L.C. Thomas, D.B. Edelman, J.N. Crook, Credit Scoring and Its Applications, Society for Industrial and Applied Mathematics, Philadelfia 2002;

Basel Committee on Banking Supervision, Working paper no. 14, 2005; Studies on the validation of internal rating systems, Bank for International Settlements.

Literatura uzupełniająca:

Artykuły z konferencji CRC (Credit Research Center): http://www.business-school.ed.ac.uk/crc/conferences/ A. Matuszyk, Credit Scoring, SGH, Warszawa 2009; E. Frątczak, red., Zaawansowane metody analiz statystycznych, SGH, 2012, SAS Online Doc, SAS Institute Inc., http://support.sas.com/onlinedoc/913/docMainpage.jsp

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Prezentowane jest połączenie statystyki (opisowej i regresji logistycznej), AI/ML (Artificial Intelligence i Machine Learning: elementów drzew decyzyjnych, XGBoostingu, lasów losowych, sieci głębokiego uczenia i heurystyk wyboru zmiennych) z programowaniem w SAS i OpenSource. W trakcie zajęć udoskonalane i modyfikowane jest oprogramowanie w języku SAS i OpenSource do budowy modeli predykcyjnych i symulacji procesu akceptacji kredytowej. Każde zajęcia to najczęściej prezentacja jakiegoś programu i algorytmu wraz z interpretacją biznesową.

Podstawowym celem przedmiotu jest przekazanie studentom doświadczenia i umiejętności z automatyzacji procesu, w którym w sposób automatyczny podejmowane są decyzje kredytowe na podstawie modelu predykcyjnego. Mowa jest tu zatem o budowaniu środowiska Data Driven Decision Making. Przedstawione są tu zatem wszystkie najważniejsze aspekty techniczne, analityczne jak i biznesowe całego procesu. Po skończeniu tego przedmiotu można oczekiwać, że student będzie w pełni panował nad całym procesem biznesowym od jego założeń biznesowych i finansowych (także wyliczając wynik finansowy) a skończywszy na wdrożeniu modelu i weryfikacji założeń z finalnym efektem. Przedstawiana jest tu budowa karty skoringowej i modeli PD (prawdopodobieństwa default), wspólne studiowanie programów i wejście we wszystkie szczegóły każdego z elementów budowy. Cel zatem jawi się jako prezentacja metody do samodzielnego rozwijania narzędzi, aby móc w pełni rozumieć i panować nad każdym etapem budowy modeli i nie być zależnym od konkretnego oprogramowania.

Kolejnym celem jest także przedstawienie wszelkich problemów biznesowych związanych z procesem akceptacji kredytowej i złożonym procesem akwizycji i sprzedaży krzyżowej. Podczas zajęć student uczy się analizować proces symulacji akceptacji i sam może doświadczyć konsekwencji zmian parametrów procesu. Dzięki specjalnym symulowanym danym wykorzystywanym w czasie zajęć, student może poczuć się jak Dyrektor Departamentu Ryzyka Kredytowego i zarządzać procesem bankowym, w którym albo przynosi zyski dla banku, albo je traci. Projekt zaliczeniowy jest rodzajem gry strategicznej, gdzie każdy zespół stara się tak zdefiniować parametry procesu akceptacji, by zmaksymalizować zyski i zarobić więcej niż startowy model.

Literatura podstawowa:

Credit scoring in the context of interpretable machine learning. Theory and practice. Edited by D. Kaszyński, B. Kamiński, T. Szapiro. Oficyna Wydawnicza SGH, Warszawa 2020 (https://ssl-kolegia.sgh.waw.pl/pl/KAE/struktura/IE/struktura/ZWiAD/publikacje/Documents/Credit_scoring_in_the_context_of_interpretable_machine_learning.pdf).

K. Przanowski, Credit Scoring - Studia przypadków procesów biznesowych, 2015, SGH.

K. Przanowski, Credit Scoring w erze Big Data, OW SGH, 2014;

N. Siddiqi, Credit risk scorecards: Developing and implementing intelligent credit scoring. Wiley and SAS Business Series, 2005;

L.C. Thomas, D.B. Edelman, J.N. Crook, Credit Scoring and Its Applications, Society for Industrial and Applied Mathematics, Philadelfia 2002;

Basel Committee on Banking Supervision, Working paper no. 14, 2005; Studies on the validation of internal rating systems, Bank for International Settlements.

Literatura uzupełniająca:

Artykuły z konferencji CRC (Credit Research Center): http://www.business-school.ed.ac.uk/crc/conferences/ A. Matuszyk, Credit Scoring, SGH, Warszawa 2009; E. Frątczak, red., Zaawansowane metody analiz statystycznych, SGH, 2012, SAS Online Doc, SAS Institute Inc., http://support.sas.com/onlinedoc/913/docMainpage.jsp

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Prezentowane jest połączenie statystyki (opisowej i regresji logistycznej), AI/ML (Artificial Intelligence i Machine Learning: elementów drzew decyzyjnych, XGBoostingu, lasów losowych, sieci głębokiego uczenia i heurystyk wyboru zmiennych) z programowaniem w SAS i OpenSource. W trakcie zajęć udoskonalane i modyfikowane jest oprogramowanie w języku SAS i OpenSource do budowy modeli predykcyjnych i symulacji procesu akceptacji kredytowej. Każde zajęcia to najczęściej prezentacja jakiegoś programu i algorytmu wraz z interpretacją biznesową.

Podstawowym celem przedmiotu jest przekazanie studentom doświadczenia i umiejętności z automatyzacji procesu, w którym w sposób automatyczny podejmowane są decyzje kredytowe na podstawie modelu predykcyjnego. Mowa jest tu zatem o budowaniu środowiska Data Driven Decision Making. Przedstawione są tu zatem wszystkie najważniejsze aspekty techniczne, analityczne jak i biznesowe całego procesu. Po skończeniu tego przedmiotu można oczekiwać, że student będzie w pełni panował nad całym procesem biznesowym od jego założeń biznesowych i finansowych (także wyliczając wynik finansowy) a skończywszy na wdrożeniu modelu i weryfikacji założeń z finalnym efektem. Przedstawiana jest tu budowa karty skoringowej i modeli PD (prawdopodobieństwa default), wspólne studiowanie programów i wejście we wszystkie szczegóły każdego z elementów budowy. Cel zatem jawi się jako prezentacja metody do samodzielnego rozwijania narzędzi, aby móc w pełni rozumieć i panować nad każdym etapem budowy modeli i nie być zależnym od konkretnego oprogramowania.

Kolejnym celem jest także przedstawienie wszelkich problemów biznesowych związanych z procesem akceptacji kredytowej i złożonym procesem akwizycji i sprzedaży krzyżowej. Podczas zajęć student uczy się analizować proces symulacji akceptacji i sam może doświadczyć konsekwencji zmian parametrów procesu. Dzięki specjalnym symulowanym danym wykorzystywanym w czasie zajęć, student może poczuć się jak Dyrektor Departamentu Ryzyka Kredytowego i zarządzać procesem bankowym, w którym albo przynosi zyski dla banku, albo je traci. Projekt zaliczeniowy jest rodzajem gry strategicznej, gdzie każdy zespół stara się tak zdefiniować parametry procesu akceptacji, by zmaksymalizować zyski i zarobić więcej niż startowy model.

Literatura podstawowa:

Credit scoring in the context of interpretable machine learning. Theory and practice. Edited by D. Kaszyński, B. Kamiński, T. Szapiro. Oficyna Wydawnicza SGH, Warszawa 2020 (https://ssl-kolegia.sgh.waw.pl/pl/KAE/struktura/IE/struktura/ZWiAD/publikacje/Documents/Credit_scoring_in_the_context_of_interpretable_machine_learning.pdf).

K. Przanowski, Credit Scoring - Studia przypadków procesów biznesowych, 2015, SGH.

K. Przanowski, Credit Scoring w erze Big Data, OW SGH, 2014;

N. Siddiqi, Credit risk scorecards: Developing and implementing intelligent credit scoring. Wiley and SAS Business Series, 2005;

L.C. Thomas, D.B. Edelman, J.N. Crook, Credit Scoring and Its Applications, Society for Industrial and Applied Mathematics, Philadelfia 2002;

Basel Committee on Banking Supervision, Working paper no. 14, 2005; Studies on the validation of internal rating systems, Bank for International Settlements.

Literatura uzupełniająca:

Artykuły z konferencji CRC (Credit Research Center): http://www.business-school.ed.ac.uk/crc/conferences/ A. Matuszyk, Credit Scoring, SGH, Warszawa 2009; E. Frątczak, red., Zaawansowane metody analiz statystycznych, SGH, 2012, SAS Online Doc, SAS Institute Inc., http://support.sas.com/onlinedoc/913/docMainpage.jsp

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%

Prezentowane jest połączenie statystyki (opisowej i regresji logistycznej), AI/ML (Artificial Intelligence i Machine Learning: elementów drzew decyzyjnych, XGBoostingu, lasów losowych, sieci głębokiego uczenia i heurystyk wyboru zmiennych) z programowaniem w SAS i OpenSource. W trakcie zajęć udoskonalane i modyfikowane jest oprogramowanie w języku SAS i OpenSource do budowy modeli predykcyjnych i symulacji procesu akceptacji kredytowej. Każde zajęcia to najczęściej prezentacja jakiegoś programu i algorytmu wraz z interpretacją biznesową.

Podstawowym celem przedmiotu jest przekazanie studentom doświadczenia i umiejętności z automatyzacji procesu, w którym w sposób automatyczny podejmowane są decyzje kredytowe na podstawie modelu predykcyjnego. Mowa jest tu zatem o budowaniu środowiska Data Driven Decision Making. Przedstawione są tu zatem wszystkie najważniejsze aspekty techniczne, analityczne jak i biznesowe całego procesu. Po skończeniu tego przedmiotu można oczekiwać, że student będzie w pełni panował nad całym procesem biznesowym od jego założeń biznesowych i finansowych (także wyliczając wynik finansowy) a skończywszy na wdrożeniu modelu i weryfikacji założeń z finalnym efektem. Przedstawiana jest tu budowa karty skoringowej i modeli PD (prawdopodobieństwa default), wspólne studiowanie programów i wejście we wszystkie szczegóły każdego z elementów budowy. Cel zatem jawi się jako prezentacja metody do samodzielnego rozwijania narzędzi, aby móc w pełni rozumieć i panować nad każdym etapem budowy modeli i nie być zależnym od konkretnego oprogramowania.

Kolejnym celem jest także przedstawienie wszelkich problemów biznesowych związanych z procesem akceptacji kredytowej i złożonym procesem akwizycji i sprzedaży krzyżowej. Podczas zajęć student uczy się analizować proces symulacji akceptacji i sam może doświadczyć konsekwencji zmian parametrów procesu. Dzięki specjalnym symulowanym danym wykorzystywanym w czasie zajęć, student może poczuć się jak Dyrektor Departamentu Ryzyka Kredytowego i zarządzać procesem bankowym, w którym albo przynosi zyski dla banku, albo je traci. Projekt zaliczeniowy jest rodzajem gry strategicznej, gdzie każdy zespół stara się tak zdefiniować parametry procesu akceptacji, by zmaksymalizować zyski i zarobić więcej niż startowy model.

Literatura podstawowa:

Credit scoring in the context of interpretable machine learning. Theory and practice. Edited by D. Kaszyński, B. Kamiński, T. Szapiro. Oficyna Wydawnicza SGH, Warszawa 2020 (https://ssl-kolegia.sgh.waw.pl/pl/KAE/struktura/IE/struktura/ZWiAD/publikacje/Documents/Credit_scoring_in_the_context_of_interpretable_machine_learning.pdf).

K. Przanowski, Credit Scoring - Studia przypadków procesów biznesowych, 2015, SGH.

K. Przanowski, Credit Scoring w erze Big Data, OW SGH, 2014;

N. Siddiqi, Credit risk scorecards: Developing and implementing intelligent credit scoring. Wiley and SAS Business Series, 2005;

L.C. Thomas, D.B. Edelman, J.N. Crook, Credit Scoring and Its Applications, Society for Industrial and Applied Mathematics, Philadelfia 2002;

Basel Committee on Banking Supervision, Working paper no. 14, 2005; Studies on the validation of internal rating systems, Bank for International Settlements.

Literatura uzupełniająca:

Artykuły z konferencji CRC (Credit Research Center): http://www.business-school.ed.ac.uk/crc/conferences/ A. Matuszyk, Credit Scoring, SGH, Warszawa 2009; E. Frątczak, red., Zaawansowane metody analiz statystycznych, SGH, 2012, SAS Online Doc, SAS Institute Inc., http://support.sas.com/onlinedoc/913/docMainpage.jsp

Kryteria oceniania:

egzamin testowy: 50.00%

referaty/eseje: 50.00%