Digital Credit Scoring & Machine Learning untuk Kredit Bank
Digital Credit Scoring & Machine Learning untuk Kredit Bank
Description
Industri perbankan saat ini menghadapi tantangan yang semakin kompleks dalam menilai kelayakan kredit debitur. Pendekatan konvensional yang mengandalkan analisis manual atas laporan keuangan dan dokumen pendukung seringkali terbatas dalam menangkap risiko yang tersembunyi, lambat dalam proses pengambilan keputusan, dan sulit untuk menangani volume data yang besar, terutama dalam era digitalisasi layanan perbankan. Digitalisasi kredit membuka peluang besar bagi bank untuk meningkatkan efisiensi, akurasi, dan kecepatan pengambilan keputusan kredit. Digital Credit Scoring, yang memanfaatkan teknologi Big Data dan Machine Learning (ML), memungkinkan analisis risiko kredit secara lebih holistik dengan mengolah berbagai sumber data, termasuk data transaksi, perilaku pembayaran, media sosial, hingga data alternatif lainnya. Dengan pendekatan ini, bank dapat menilai calon debitur secara lebih objektif, memprediksi probabilitas gagal bayar, dan menentukan limit kredit dengan presisi yang lebih tinggi. Machine Learning dalam credit scoring memungkinkan pembuatan model prediktif yang belajar dari data historis, mengenali pola risiko yang kompleks, dan meningkatkan kualitas keputusan kredit dari waktu ke waktu. Selain itu, otomatisasi proses scoring juga mendukung percepatan approval kredit, pengurangan biaya operasional, dan ekspansi inklusi keuangan dengan risiko terukur.
Objectives
Memahami konsep digital credit scoring dan perbedaan dengan credit scoring tradisional. Memahami prinsip dasar Machine Learning dan aplikasinya dalam penilaian risiko kredit. Mengolah dan mempersiapkan data untuk model kredit digital. Membangun model prediktif untuk menilai probabilitas gagal bayar (PD). Menginterpretasikan output model dan menerapkannya dalam keputusan kredit. Menilai performa model menggunakan teknik evaluasi seperti ROC, KS, Gini, dan Confusion Matrix. Memahami risiko bias algoritma, keamanan data, dan kepatuhan regulasi. Mengintegrasikan digital credit scoring dalam proses bisnis bank secara efisien.
Course outline
Transformasi Digital dalam Analisis Kredit Tren digitalisasi perbankan dan fintech Keterbatasan credit scoring konvensional Peluang dan tantangan credit scoring digital Dasar-Dasar Digital Credit Scorin Konsep dan tujuan credit scoring digital Data yang digunakan: internal, eksternal, dan alternatif Faktor risiko dan indikator kelayakan debitur Pengenalan Machine Learning untuk Kredit Konsep ML dan predictive modeling Algoritma yang umum digunakan: Logistic Regression, Decision Tree, Random Forest, Gradient Boosting Pemilihan model sesuai karakteristik data Data Preparation dan Feature Engineering Pengumpulan data historis dan alternatif Pembersihan dan transformasi data Feature selection dan encoding variabel Handling missing values dan outlier Model Building dan Scoring Membuat model prediktif untuk Probabilitas Gagal Bayar (PD) Credit score calculation dan risk segmentation Interpretasi output model untuk pengambilan keputusan kredit Model Evaluation dan Monitoring Teknik evaluasi model: ROC, AUC, KS, Gini, Confusion Matrix Stress testing dan scenario analysis Model monitoring dan recalibration Tata Kelola dan Kepatuhan Risiko bias dan fairness dalam Machine Learning Explainable AI (XAI) untuk keputusan kredit Data governance, privasi nasabah, dan regulasi perbankan Studi Kasus dan Praktik Simulasi pembangunan credit scoring model menggunakan data nyata atau dataset simulasi Diskusi interpretasi hasil scoring Rekomendasi limit dan strategi mitigasi risiko
Method
Pre-test Presentation Discussion Case study Post-test
Facilities
Training Kit (Tas, Hand out, Flashdisk, Block note, Pulpen dll) Certificate Souvenir 2x Coffee Break, 1x Lunch PRICE (Running dengan kuota minimal 3 peserta)
