{"id":89,"date":"2023-11-24T15:21:56","date_gmt":"2023-11-24T15:21:56","guid":{"rendered":"https:\/\/finquant.hr\/?page_id=89"},"modified":"2023-11-24T15:39:51","modified_gmt":"2023-11-24T15:39:51","slug":"woe-model-kreditnog-bodovanja-klijenata","status":"publish","type":"page","link":"https:\/\/finquant.hr\/?page_id=89","title":{"rendered":"WOE model kreditnog bodovanja klijenata"},"content":{"rendered":"\n

Klasifikacijski problem jedan je od temeljnih problema strojnog u\u010denja. Klasi\u010dni interpretabilni modeli (npr. logisti\u010dka regresija) naj\u010de\u0161\u0107e su ograni\u010deni samo na linearno odvojive probleme.<\/p>\n\n\n\n

Najbolje performanse na nelinearno odvojivim problemima (npr. klasifikacija kruga) za sad jo\u0161 uvijek imaju neinterpretabilni (“black-box”) modeli (poput neuronskih mre\u017ea). Kao \u0161to njihovo ime govori, problem takvih modela je \u0161to je te\u0161ko ili gotovo nemogu\u0107e objasniti kako model klasificira podatke i \u0161to \u0107e biti izlaz modela za dosad nevi\u0111ene podatke.<\/p>\n\n\n\n

\u0160to je linearno odvojiv problem?<\/strong><\/h5>\n\n\n\n

Linearno odvojiv problem podrazumijeva da se dva razli\u010dita skupa podataka mogu razdvojiti jednostavnom linearnom granicom (npr. pravcem ili ravninom). Sljede\u0107e dvije slike prikazuju primjer linearno odvojivog problema i linearno ne odvojivog problema.<\/p>\n\n\n\n

\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n
\"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n

<\/p>\n\n\n\n

S kojim se problemima naj\u010de\u0161\u0107e susre\u0107u financijske institucije prilikom razvoja modela klasifikacije kreditne sposobnosti?<\/strong><\/h5>\n\n\n\n

Klasifikacijski model kreditne sposobnosti klijenta klju\u010dan je za financijsku uspje\u0161nost financijske institucije (FI). FI se suo\u010davaju s nekoliko glavnih problema prilikom izrade takvih modela:<\/p>\n\n\n\n

    \n
  1. Model zbog strogih regulativa treba biti interpretabilan<\/strong> \u2013 Drugim rije\u010dima, neinterpretabilni (“black-box”) modeli nisu dovoljno dobra rje\u0161enja za na\u0161e potrebe;<\/li>\n\n\n\n
  2. U svojoj prirodi klasifikacijski problem je \u010desto nelinearan<\/strong> \u2013 Standardni linearni modeli imaju lo\u0161e rezultate;<\/li>\n\n\n\n
  3. FI je u potencijalno zna\u010dajno ve\u0107em financijskom gubitku u slu\u010daju krive klasifikacije lo\u0161eg klijenta<\/strong> nego krive klasifikacije dobrog klijenta;<\/li>\n\n\n\n
  4. Omjer klijenata u podacima koji su vratili kredit je naj\u010de\u0161\u0107e zna\u010dajno ve\u0107i od onih koji nisu<\/strong> \u2013 Modeli (pogotovo linearni) \u010desto imaju lo\u0161ije rezultate kod nebalansiranih omjera klasa;<\/li>\n\n\n\n
  5. \u0160to napraviti s nedostaju\u0107im podacima?<\/strong><\/li>\n\n\n\n
  6. Modeli potencijalno<\/strong> mogu nepredvidljivo reagirati na ekstremne, krivo upisane i \u201cdosad nevi\u0111ene” podatke, kako rije\u0161iti takav problem?<\/strong> \u2013 Naime, nepredvidljivost modela je posebno opasno za FI, a takvi scenariji moraju biti predvidljivi;<\/li>\n<\/ol>\n\n\n\n

    Sa svim navedenim problemima mo\u017ee se uhvatiti u ko\u0161tac jednostavni interpretabilni sustav bodovanja dobiven na temelju WOE transformacija (WOE model<\/strong>). Ovaj pojednostavljeni osvrt na jednostavnom nelinearno odvojivom problemu demonstrira ja\u010dinu i jednostavnost kori\u0161tenja sustava bodovanja kreditnog rejtinga dobivenog na temelju WOE modela<\/strong>.<\/p>\n\n\n\n

    \"\"<\/figure>
    \n

    S kojim podacima o klijentima raspola\u017eu FI?<\/strong><\/p>\n\n\n\n

    Podaci o starosti, zaposlenosti, visine pla\u0107e klijenata su neke od varijabli koje FI imaju na raspolaganju prilikom odre\u0111ivanja kreditne sposobnosti.<\/p>\n\n\n\n

    Poku\u0161ajmo pojednostavniti cijelu pri\u010du. Za demonstraciju modela, odabran je jednostavni nelinearni problem klasifikacije kruga s umjetno stvorenim varijablama X1 i X2 (zamjena za stvarne varijable).<\/p>\n\n\n\n

    Svaka to\u010dka na slici predstavlja jednog klijenta. Boja to\u010dke (varijabla y) odre\u0111uje je li klijent uspio vratiti kredit ili nije (0 \u2013 uspio je vratiti, 1 \u2013 nije uspio vratiti).<\/p>\n\n\n\n

    Cilj je na temelju varijabli X<\/strong>1 i X2<\/strong> predvidjeti ho\u0107e li klijent vratiti kredit<\/strong>.<\/p>\n<\/div><\/div>\n\n\n\n

    \n
    Pravila WOE bodovanja<\/strong><\/h5>\n\n\n\n

    Za svaku varijablu model ima pravila bodovanja na temelju grupa kojima podaci pripadaju. Sljede\u0107a slika prikazuje ta pravila za primjer kruga (pravila su identi\u010dna zato \u0161to je problem simetri\u010dan, a u stvarnim primjerima su intervali i bodovi po stupcima razli\u010diti).<\/p>\n<\/div>

    \"\"<\/figure><\/div>\n\n\n\n
    Bodovanje klijenata na temelju pravila i rad s ekstremnim\/nedostaju\u0107im i neto\u010dnim podacima<\/h5>\n\n\n\n

    Primjer: <\/strong>Kako izra\u010dunati broj bodova klijenta K1 s podacima X1 = 4.00 i X2 = 2.00?<\/p>\n\n\n\n

    Na slici pravila bodovanja je vidljivo da su obje varijable (X1 i X2) podijeljene na 9 grupa. Svaka grupa \u201cnosi\u201d odre\u0111en broj bodova. Vrijednost varijable X1 pripada grupi [3.67, 4.13). Toj grupi pripadaju sve vrijednosti od 3.67 do 4.13.<\/p>\n\n\n\n

    Ukupan broj bodova klijenta se ra\u010duna kao suma svih bodova koje je dobio po varijablama. U slu\u010daju klijenta K1 to bi bilo 14.69 bodova (za varijablu X1=4.00) + 500.00 bodova (za varijablu X2=2.00 koja pripada grupi (-inf, 3.0)) = 514.69 bodova.<\/p>\n\n\n\n

    Za klijenta K2 s podacima X1 = 5.50 i X2 = 3.50, vrijednost X1 pripada grupi [4.13, 5.93) koja nosi 0.00 bodova, dok vrijednost X2 pripada grupi 3.33, 3.67) koja nosi 35.32 bodova. Klijent K2 ukupno ima 0.00 + 35.32 = 35.32 bodova.<\/p>\n\n\n\n

    Klijent K1 (514.69 bodova) ima vi\u0161e bodova od klijenta K2 (35.32 bodova), \u0161to zna\u010di da po modelu bodovanja ima ve\u0107u vjerojatnost uspje\u0161nog vra\u0107anja kredita. Na primjer, ukoliko bi prag dobivanja kredita bio 500 bodova, klijent K2 ne bi se odobrio kredit.<\/p>\n\n\n\n

    Na ovom mjestu je posebno va\u017eno napomenuti da WOE model zbog grupiranja podataka ubla\u017eava u\u010dinak ekscesivnog bodovanja u slu\u010daju krivo upisanih, ekstremnih, i \u201cdosad nevi\u0111enih” podataka. Izlazi WOE modela ne mogu imati nepredvidljivo visoke vrijednosti (nije mogu\u0107e da je ukupan broj bodova ve\u0107i od 1000).<\/p>\n\n\n\n

    Primjer nedostaju\u0107ih podataka mo\u017ee biti na primjer klijent za kojeg se zna vrijednost varijable X1, ali ne i varijable X2 (ili obrnuto). U praksi se ovakav problem obi\u010dno rje\u0161ava ili izbacivanjem takvih klijenata prilikom treniranja modela ili zamjenom odre\u0111enom vrijednosti te varijable.<\/p>\n\n\n\n

    Prednost bodovanja po grupama je \u0161to nedostaju\u0107i podaci mogu biti svrstani u jednu grupu, pa na taj na\u010din oni nisu izuzeti iz modeliranja.<\/p>\n\n\n\n

    Kako FI odlu\u010duje tko \u0107e dobiti kredit?<\/strong><\/h5>\n\n\n\n

    FI sama postavlja bodovni prag odobrenja kredita. Cilj je odabrati prag koji minimizira financijski gubitak. Prilikom klasifikacije odobravanja kredita postoje dvije vrste gre\u0161ke, a time dvije vrste financijskog gubitka:<\/p>\n\n\n\n

      \n
    • La\u017eno pozitivni klijent<\/strong> (la\u017eno dobar klijent za FI)<\/li>\n\n\n\n
    • La\u017eno negativni klijent<\/strong> (la\u017eno lo\u0161 klijent za FI)<\/li>\n<\/ul>\n\n\n\n

      La\u017eno pozitivni klijenti su daleko ve\u0107i (financijski) problem za FI nego la\u017eno negativni klijenti. Pomicanjem praga mijenja se broj la\u017eno pozitivnih i broj la\u017eno negativnih klijenata, a na temelju tih brojeva FI mo\u017ee procijeniti koji prag minimizira njezinu funkciju cilja.<\/p>\n\n\n\n

      U nastavku prikazujemo <\/strong>kako se brojevi la\u017eno pozitivnih i la\u017eno negativnih klijenata mijenjaju s obzirom na prag.<\/p>\n\n\n\n

      Sljede\u0107a slika prikazuje koliko bodova imaju svi klijenti pod analizom. Unutar crvenog kvadrata u centru slike nalazi se krug (svi klijenti koji nisu vratili kredit). Model je takvim klijentima dao manje od 200 bodova. Unutar kvadrata su vidljive dodatne podjele. Na primjer, klijenti koji su u samom centru kruga imaju najcrveniju boju (broj bodova je 200), dok se udaljavanjem od centra kruga postepeno pove\u0107ava broj bodova.<\/p>\n\n\n\n

      Animacija prikazuje kako bi model klasificirao klijente s obzirom na razne pragove. <\/p>\n\n\n\n

      \n
      \n
      \"\"<\/figure>\n<\/div>\n\n\n\n
      \n
      \"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
      Koji prag je najprikladniji za FI na primjeru kruga?<\/h5>\n\n\n\n

      Nakon bodovanja svih klijenata mo\u017ee se za sve pragove izra\u010dunati broj la\u017eno pozitivnih i la\u017eno negativnih klijenata. U cilju jednostavnog prikaza, usporedit \u0107e se rezultati pragova 50.00 i 88.88. <\/p>\n\n\n\n

      \n
      \n
      \"\"<\/figure>\n<\/div>\n\n\n\n
      \n
      \"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
      \"\"<\/figure>\n\n\n\n

      Za prag 50, model je uspje\u0161no prepoznao 2445 od 2821 klijenata koji nisu uspjeli vratiti kredit (376 klijenata koji nisu vratili kredit je klasificirao da \u0107e vratiti kredit). Model je tako\u0111er uspje\u0161no prepoznao 19924 od 19980 klijenata koji su uspjeli vratiti kredit (56 ih klasificirao da ne\u0107e vratiti kredit, a vratili bi ga).<\/p>\n\n\n\n

      Za prag 88.88, model je uspje\u0161no klasificirao \u010dak 2813 od 2821 klijenata koji nisu uspjeli vratiti kredit (samo je 8 la\u017eno pozitivnih klijenata<\/strong>), dok se broj la\u017eno negativnih klijenata pove\u0107ao s 56 na 328. Prag 88.88 bi mogao biti najprikladniji odabir FI.<\/p>\n\n\n\n

      Da rezimiramo<\/h5>\n\n\n\n
        \n
      • WOE model bodovanja sastoji se od jednostavnih pravila koji svrstavaju podatke u grupe po varijablama<\/li>\n\n\n\n
      • Svakoj grupi je po odre\u0111enim pravilima dodijeljen broj bodova<\/li>\n\n\n\n
      • Na temelju pripadnosti grupa, FI mo\u017ee jednostavno zbrojiti bodove klijenata po grupama kojima pripada i dobiti kona\u010dan iznos bodova<\/li>\n\n\n\n
      • FI na temelju analize odre\u0111uje koji je prag klasifikacije kreditne sposobnosti klijenta i na temelju toga odlu\u010duje je li klijent kreditno sposoban<\/li>\n<\/ul>\n\n\n\n

        Rje\u0161ava li ovakav pristup bodovanja ve\u0107i dio problematike s kojima se FI susre\u0107u?<\/h3>\n\n\n\n

        1. Model zbog strogih regulativa treba biti interpretabilan<\/strong><\/h5>\n\n\n\n

        WOE model ima jednostavna obja\u0161njiva pravila bodovanja i klasifikacije. Prema prikazanom na primjeru kruga, za klijenta s podacima X1 = 2 i X2 = 4, klijent ukupno ima 500 + 14.69 = 514.69 bodova od 1000.<\/p>\n\n\n\n

        2. U svojoj prirodi klasifikacijski problem je \u010desto nelinearan<\/strong><\/strong><\/h5>\n\n\n\n

        Neinterpretabilni modeli (na primjer neuronske mre\u017ee) imaju najbolje rezultate na takvim problemima, ali je te\u0161ko ili gotovo nemogu\u0107e objasniti kako takav model klasificira podatke. <\/p>\n\n\n\n

        WOE model je interpretabilan model koji ima dobre rezultate na nelinearno odvojivim problemima.<\/p>\n\n\n\n

        Sljede\u0107e slike prikazuju rezultate klasifikacije logisti\u010dke regresije, neuronske mre\u017ee i WOE modela na podacima primjera kruga. Iz slike se vidi da model logisti\u010dke regresije ne mo\u017ee prepoznati klijente koji ne\u0107e vratiti kredit.<\/p>\n\n\n\n

        \n
        \"\"<\/figure>\n\n\n\n
        \"\"<\/figure>\n\n\n\n
        \"\"<\/figure>\n<\/figure>\n\n\n\n
        3. FI je u potencijalno zna\u010dajno ve\u0107em financijskom gubitku u slu\u010daju krive klasifikacije lo\u0161eg klijenta<\/strong><\/strong><\/h5>\n\n\n\n

        La\u017eno pozitivni klijenti su daleko ve\u0107i (financijski) problem za FI nego la\u017eno negativni klijenti. Pomicanjem praga mijenja se broj la\u017eno pozitivnih i broj la\u017eno negativnih klijenata, a na temelju tih brojeva FI mo\u017ee procijeniti koji prag minimizira njezinu funkciju cilja.<\/p>\n\n\n\n

        4. Omjer klijenata u podacima koji su vratili kredit je naj\u010de\u0161\u0107e zna\u010dajno ve\u0107i od onih koji nisu<\/strong><\/strong><\/h5>\n\n\n\n

        Ovakva vrsta problema nema zna\u010dajnijeg utjecaja na WOE model.<\/p>\n\n\n\n

        5. \u0160to napraviti s nedostaju\u0107im podacima?<\/strong><\/h5>\n\n\n\n

        Prednost bodovanja po grupama je \u0161to nedostaju\u0107i podaci mogu biti svrstani u jednu grupu, pa na taj na\u010din oni nisu izuzeti iz modeliranja.<\/p>\n\n\n\n

        6. Modeli potencijalno<\/strong> mogu nepredvidljivo reagirati na ekstremne, krivo upisane i \u201cdosad nevi\u0111ene” podatke, kako rije\u0161iti takav problem<\/strong><\/strong>?<\/h5>\n\n\n\n

        WOE model zbog grupiranja podataka ubla\u017eava u\u010dinak ekscesivnog bodovanja u slu\u010daju krivo upisanih, ekstremnih, i \u201cdosad nevi\u0111enih” podataka. Izlazi WOE modela ne mogu imati nepredvidljivo visoke vrijednosti (nije mogu\u0107e da je ukupan broj bodova ve\u0107i od 1000).<\/p>\n\n\n\n

        <\/p>\n\n\n\n

        Postoji li jo\u0161 problematike na koju \u010dak ni WOE nema odgovora? Za potrebe kredibiliteta ove pri\u010de, WOE je trenutno za nas dovoljno dobro rje\u0161enje. <\/p>\n","protected":false},"excerpt":{"rendered":"

        Klasifikacijski problem jedan je od temeljnih problema strojnog u\u010denja. Klasi\u010dni interpretabilni modeli (npr. logisti\u010dka regresija) naj\u010de\u0161\u0107e su ograni\u010deni samo na linearno odvojive probleme. Najbolje performanse na nelinearno odvojivim problemima (npr. klasifikacija kruga) za sad jo\u0161 uvijek imaju neinterpretabilni (“black-box”) modeli (poput neuronskih mre\u017ea). Kao \u0161to njihovo ime govori, problem takvih modela je \u0161to je te\u0161ko […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"_links":{"self":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages\/89"}],"collection":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/finquant.hr\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=89"}],"version-history":[{"count":122,"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages\/89\/revisions"}],"predecessor-version":[{"id":297,"href":"https:\/\/finquant.hr\/index.php?rest_route=\/wp\/v2\/pages\/89\/revisions\/297"}],"wp:attachment":[{"href":"https:\/\/finquant.hr\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=89"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}