Pemodelan prediktif
Keputusan Risiko Kredit yang Dapat Dijelaskan
Tahap uji cobaDasbor risiko kredit interaktif dengan penilaian ML langsung di peramban dan penjelasan untuk setiap keputusan.
Ditenagai Credit Scoring
Nilai bisnis
Keputusan kredit lebih cepat dan konsisten di mana setiap skor dapat ditelusuri ke faktor pendukungnya, dengan data pemohon tetap dalam batas organisasi.
Petugas kredit sering menilai pengajuan dengan spreadsheet dan kartu skor yang bertahun-tahun tidak diperbarui, meninggalkan keputusan tidak konsisten dan sulit dipertahankan. Credit Scoring adalah capability pattern buatan MII yang membawa model risiko kredit langsung ke dalam alur kerja pembiayaan, sehingga petugas kredit memasukkan profil pemohon dan langsung memperoleh skor kelayakan dan estimasi probabilitas gagal bayar, lengkap dengan faktor-faktor yang memengaruhinya. Model gradient boosting diekspor ke ONNX dan dijalankan di peramban, sehingga penilaian berlangsung seketika dan data pemohon tidak meninggalkan sesi, serta tampilan performa model menyajikan akurasi, confusion matrix, dan tingkat kepentingan fitur agar tim risiko dapat meninjau model, bukan sekadar memercayainya.
Di mana solusi ini membantu
- Memberi skor kelayakan pemohon seketika dengan penjelasan per faktor
- Membandingkan akurasi dan perilaku model sebelum mempercayainya untuk keputusan
- Menjaga data pemohon dalam sesi alih-alih mengirimkannya ke luar
Yang dilakukan polanya
- Eksekusi model ML langsung di peramban dengan penilaian seketika
- Rincian per faktor yang menjelaskan apa yang mendorong setiap keputusan
- Metrik performa model termasuk akurasi, confusion matrix, dan kepentingan fitur
Persoalannya
Penilaian kredit di lembaga pembiayaan yang lebih kecil masih bertumpu pada tinjauan manual dan kartu skor statis. Pendekatan ini lambat diperbarui, sulit dijelaskan kepada pemohon maupun regulator, dan memberi tim risiko sedikit visibilitas atas alasan sebuah keputusan.
Yang dibangun
Model gradient boosting dilatih pada kumpulan fitur profil pemohon, lalu diekspor ke ONNX agar dapat berjalan di dalam peramban berdampingan dengan mekanisme penilaian cadangan yang transparan. Antarmukanya menyandingkan setiap skor dengan faktor-faktor yang memengaruhinya, dan tampilan terpisah melaporkan akurasi model serta tingkat kepentingan fitur.
Yang berubah
Dasbor fungsional yang mencakup seluruh alur keputusan pembiayaan: ringkasan portofolio, penilaian pemohon, prediksi gagal bayar, dan performa model, dengan masuk melalui Microsoft Entra yang telah disiapkan untuk penerapan korporat.
Mengapa ini penting
Menunjukkan bagaimana model risiko kredit dapat ditempatkan di dalam perangkat yang sudah digunakan tim pembiayaan, dengan setiap skor dapat ditelusuri ke faktor pendukungnya, sehingga tim risiko dan kepatuhan memiliki dasar untuk meninjau model alih-alih sekadar mempercayainya.
- Rentang skor kredit
- 300–850
- Inferensi di peramban
- ONNX
- Rincian skor per faktor
- Explainable