Thread by @pacmannai

Seleksi calon pengutang pake Machine Learning, emang bisa?
.
.
.
A thread

Pernah nggak, minjemin uang ke orang, terus pas ditagih malah galakan dia? Atauu jangan-jangan kalian lagii yang kaya gituu?

Hehe, kayaknya udah jadi rahasia umum kalau biasanya yang ngutang malah lebih galak daripada yang diutangin pas ditagih buat bayar balik.

Kamu udah pernah denger belum, kalau bank milih peminjamnya berdasarkan 5C? Nihh perhatiin prinsip 5C di bawah ini yaa

Nah, terus gimana sih caranya bank tahu 5C itu? Ayo kenalan dulu sama Sistem Layanan Informasi Keuangan (SLIK), atau dulu lebih dikenal dengan sebutan BI Checking.

SLIK ini berisi data-data terkait segala pinjaman yang dilakukan debitur. SLIK ini bisa diakses oleh lembaga keuangan yang terdaftar sebagai anggota Biro Informasi Kredit.

Sayangnya, seleksi calon peminjam yang dilakukan oleh bank punya satu kendala. Umumnya, bank punya kecenderungan untuk menilai calon peminjam lewat histori kreditnya. Di pinjaman sebelumnya, pembayaran dia bagus nggak ya? Tepat waktu nggak?

Ini jadi masalah untuk orang-orang yang belum punya rekening bank (unbanked) atau punya, tapi terbatas (underbanked).

Padahal berdasarkan data tahun 2019, di Indonesia ada 92 juta orang dewasa yang unbanked dan 47 juta orang dewasa yang underbanked.

Karena pada dasarnya manusia akan selalu nyari solusi untuk masalah, sebuah alternatif muncul untuk mengatasi ribetnya proses kredit bank: produk-produk lending fintech.

Produk-produk lending fintech ini menjawab kendala aplikasi kredit bank yang tidak mudah buat orang-orang yang unbanked dan underbanked.

Terus gimana dong cara perusahaan-perusahaan fintech seleksi calon peminjamnya?

Ketimbang menggunakan data histori kredit, perusahaan-perusahaan fintech memilih untuk menggunakan data alternatif. Contoh data alternatifnya kayak apa?

Bisa macem-macem banget. Misalnya Baidu, perusahaan search engine asal China yang juga punya perusahaan lending yang bekerjasama dengan perusahaan Zest asal US.

Mereka kerjasama membuat satu project untuk bikin credit score yang salah satu faktor penentunya adalah data dari history search dan browsing web.

Ditemukan bahwa orang-orang yang terlibat dengan kegiatan beresiko di internet--kayak judi online, buka web yang jual barang ilegal--punya kecenderungan buat gagal bayar pinjamannya.

Pengajuan pinjaman via fintech emang bakal lebih cepat daripada via bank yang prosesnya bisa sampai berhari-hari. Salah satu yang bikin prosesnya bisa lebih cepat adalah penerapan Machine Learning dalam perhitungan credit scoringnya.

Kenapa sih harus Machine Learning?

Jawabannya, karena Machine Learning terbukti punya tingkat error yang lebih rendah ketimbang error yang dilakukan manusia. Penggunaan Machine Learning juga bisa menghemat waktu dan biaya.

Perkembangan pengaplikasian Machine Learning di bidang finance emang termasuk ke dalam kategori pesat. Udah banyak penelitian yang nyari cara terbaik untuk membuat credit scoring, berbagai model juga udah dicoba.

Salah satunya ada penggunaan machine learning untuk membuat credit scoring berdasarkan scorecard. Scorecard ini salah satu metode credit scoring paling populer, karena bentuknya yang mudah dipahami sama orang awam sekalipun.

Langkah pertama yang harus dilakukan adalah eksplorasi data. Di tahapan ini, data-data yang tersedia dipahami, lalu diklasifikasikan sesuai jenisnya.

Lalu dilakukan penyesuaian terhadap data-data ini. Data yang variabelnya nggak lengkap, dilengkapi dengan nilai median. Dilakukan juga penyesuaian buat data outlier (menyimpang--bisa nilainya gede banget atau kecil banget)

Kemudian, nilai-nilai dalam tiap variabel dikelompokkan ke dalam kategori tertentu. Proses ini biasanya disebut binning. Contohnya, nilai dalam variabel umur:

Oke, sekarang masuk ke hitung-hitungan. Yang pertama ada Weight of Evidence, yang akan memberikan ‘skor’ untuk tiap kategori kelompok.

Terus ada Information Value, yang bakal memberikan perkiraan seberapa besar variabel ini bisa memprediksikan hasil yang diperlukan buat credit score. Information Value tiap variabel ini akan dibandingkan.

Hasilnya, variabel ‘Number Real Estate Loans or Lines’ dan ‘Number of Open Credit Lines and Loans’ punya Information Value yang rendah. Maka 2 variabel itu nggak akan dilibatkan dalam model fitting.

Tahap selanjutnya adalah model fitting. Pada kasus ini model yang digunakan adalah logistic regression, dengan parameternya dicari menggunakan cross validation dan grid search. Setelah dilakukan pengujian akurasi, diketahui bahwa akurasi model mencapai 80%

Karena model sudah didapatkan, tahapan terakhir yaitu menghitung nilai scorecard untuk tiap kategori kelompok bisa dilakukan. Sampai dapat hasil seperti ini:

Anggaplah kamu usia 35 tahun, dengan debt ratio 0.6 dan income bulanan sebesar 11000 (dollar). Maka kamu punya credit score sebesar 51+52+63 = 166.

Let me remind you again, perhitungan credit score dengan scorecard ini bukan satu-satunya. Masih banyak metode lain yang bisa dieksplor.

Kalau kamu tertarik buat cari lebih lanjut metode credit scoring lain atau mungkin bikin credit scoring pribadi buat seleksi temen yang mau pinjem uang (hehe), belajar di Pacmann bisa jadi pilihan terbaik.

Pacmann punya non-degree program yang bisa bikin kamu jadi ahli Business Intelligence dan Data Science yang paham sampe akar-akarnya. Cek aja kurikulumnya disini: bit.ly/brosurpacmannai atau tanya-tanya dulu ke bit.ly/WASalesPacmann

Referensi:
medium.com/henry-jia/how-…