Credit Risk Modeling: Menggunakan Data Granular untuk Estimasi Kerugian
Credit Risk Modeling: Menggunakan Data Granular untuk Estimasi Kerugian
Description
Credit risk modeling adalah proses menggunakan data dan teknik statistik untuk memperkirakan kemungkinan kerugian dari portofolio kredit. Dengan perkembangan teknologi dan ketersediaan data granular—seperti transaksi nasabah, perilaku pembayaran, dan data alternatif—bank dan lembaga keuangan dapat:
- Mengukur risiko kredit dengan lebih akurat.
- Menetapkan cadangan kerugian (expected loss) secara tepat.
- Mengoptimalkan strategi pricing dan limit kredit.
Pendekatan berbasis data granular menjadi krusial untuk menghadapi dinamika pasar yang cepat dan portofolio kredit yang kompleks.
Objectives
- Memahami konsep dan tujuan credit risk modeling.
- Mengidentifikasi sumber data granular yang relevan untuk analisa kredit.
- Membangun model estimasi kerugian kredit (default probability, exposure, loss given default).
- Menerapkan hasil model untuk pengambilan keputusan manajemen risiko.
- Memantau dan memvalidasi model secara berkelanjutan untuk menjaga akurasi.
Course outline
1. Pengenalan Credit Risk Modeling
Definisi dan peran modeling dalam manajemen risiko kredit.
Komponen risiko kredit: PD (Probability of Default), LGD (Loss Given Default), EAD (Exposure at Default).
Perbedaan antara data makro, mikro, dan granular.
2. Data Granular untuk Analisis Kredit
Sumber data: transaksi historis, perilaku pembayaran, data alternatif (e-wallet, utility bills, e-commerce).
Pembersihan dan transformasi data untuk model.
Pentingnya data granular dalam segmentasi nasabah dan validasi model.
3. Metode Modeling
Statistik klasik: logistic regression, linear regression.
Machine learning: random forest, gradient boosting, neural network.
Stress testing dan simulasi skenario risiko.
4. Estimasi Kerugian Kredit
Perhitungan expected loss (EL) dan unexpected loss (UL).
Penentuan provisioning dan capital requirement.
Integrasi model dengan sistem manajemen risiko bank.
5. Validasi dan Monitoring Model
Backtesting model terhadap data historis.
Monitoring drift data dan performa model.
Recalibration model untuk perubahan kondisi pasar.
6. Studi Kasus dan Best Practices
Contoh penerapan model granular pada portofolio ritel, UMKM, dan corporate.
Lessons learned dari kesalahan model atau data yang tidak representatif.
Strategi meningkatkan akurasi dan transparansi model.
Participants
- Risk Management
- Credit Risk Modeling
- Data Analytics
- Data Science
- Credit Management
- Corporate Banking
- Retail Banking
- IT / System Development
- Finance
- Compliance
- Strategic Planning
- Management
- Top Management / Executive
Method
- Pre-test
- Presentation
- Discussion
- Case study
- Post-test
Facilities
- Ruang Meeting Representatif
- Sertifikat Pelatihan Resmi
- Instruktur Profesional & Berpengalaman
- Training Kit Eksklusif
- Souvenir Gendhis Consultant
- Pick Up Participant (Yogyakarta)
