رتبه بندی اعتباری (Credit Scoring)
رتبه بندی اعتباری مقیاسی برای محاسبه ریسک اعتباری است.با استفاده از فرمولهای استانداردی از گزارش اعتباری استخراج و محاسبه میشود. رتبه اعتباری مناسب در نتیجه پرداخت بهموقع صورتحسابها و تسهیلات دریافتی حاصل میشود. از سویی دیگر، یک رتبه اعتباری نامناسب در نتیجه تأخیر در بازپرداخت صورتحسابها، اقساط تسهیلات اعتباری، سابقه منفی از جمله ورشکستگی، سابقه چک برگشتی، داشتن سابقه منفی در زمینه بدهی مالیاتی و داشتن سابقه منفی در بانک اطلاعاتی سازمانهای بیرونی تأمینکننده اطلاعات، مشخص میگردد.
در سطح دنيا شركت های زيادی برای رتبه بندی اعتباری وجود دارد. مؤسســات خدمات ديگری نيز به مشتريان ارائه می دهند.ازجمله آنها می توان به تحليل حساســيت اشــاره كرد. در اين خدمت، ناشــران سناريوهای فرضی را برای مؤسسات اعتباری مشخص میکنند.این مؤسسات در مقابل دريافت دستمزد به ارزيابی و بررســی تأثير آنها بر رتبه ناشــران می پردازند. اين مؤسسات خدمات ديگری مانند مديريت ريسک و مشاوره در زمينه ريسک های اعتباری و عملياتی نيز ارائه مي دهند.
رتبه بندی فقط در صنعت بانکداری کاربرد ندارد و در صنایعی همچون مخابرات، خدمات همگانی، بیمه، آموزشی، پخش، سلامت و … کاربردهای فراوانی دارد.
در Credit Scoring، میتوان فراتر از تهیه گزارشهای متنوع از وضعیت اعتباری انواع مشتریان یا مشترکین سازمان از قبیل:
- وضعیت کامل اعتباری مشترک یا مشتری
- تشریح کامل روند بازپرداختها یا تسویهحسابها هر مشترک یا مشتری
- ترسیم وضعیت تعهدات آتی مشترک یا مشتری
- ترسیم وضعیت تعهدات سررسید گذشته و معوق مشترک یا مشتری
- ترسیم وضعیت تعهدات غیرمستقیم مشترک یا مشتری
- و …
مدل های Credit Scoring
در مدلسازی رفتارهای مالی جهت تصمیمسازی اعطای اعتبار به آنها، از خوشهبندی مشترکین یا مشتریان و یا پیشبینیهای مبتنی بر دادهکاوی در مورد نحوه و زمان بازپرداختها، پرداخته می شود. در اینگونه مدلسازی ها، امتیازات رتبه بندی های اعتباری برای مشتریان، در بازه های زمانی مشخص تولید و پردازش می شوند. در نهایت Engine سیستم های مدیریت رتبه بندی اعتباری، بعنوان یک سیستم محاسبات داینامیک(Dynamic Calculation) و سیستم توصیه گر(Recommendation System) در حوزه مدیریت ریسک عمل خواهد کرد. در برخی از راه حل ها، استفاده از Classifier ها و یا درخت تصمیم مرسوم می باشد.
همچنین جهت رتبه بندی اعتباری و پیش بینی های مرتبط به آن، می توان از LSTM و GRU بسته به نوع دیتا و ویژگی های مورد نظر بهره برد. همچنین در صورت نیاز از روش های آماری همچون FICO 9 نیز می توان استفاده نمود.