Model Risk Management (MRM): Memastikan Validitas dan Kepatuhan Algoritma Scoring Risiko di Era Digital Banking
Model Risk Management (MRM): Memastikan Validitas dan Kepatuhan Algoritma Scoring Risiko di Era Digital Banking
Description
Transformasi digital di industri perbankan telah mendorong penggunaan model analitik dan algoritma secara masif dalam berbagai aktivitas bisnis, mulai dari credit scoring, fraud detection, pricing, anti-money laundering (AML), hingga predictive analytics untuk customer behavior. Di era digital banking, keputusan bisnis dan manajemen risiko semakin bergantung pada model matematis, machine learning, dan artificial intelligence (AI) yang kompleks.
Namun, ketergantungan terhadap model tersebut juga meningkatkan risiko baru yang dikenal sebagai Model Risk, yaitu potensi kerugian akibat kesalahan desain model, penggunaan data yang tidak akurat, asumsi yang keliru, overfitting, bias algoritma, atau kegagalan implementasi model dalam operasional bank. Jika tidak dikelola dengan baik, risiko model dapat berdampak pada kesalahan pengambilan keputusan, kerugian finansial, pelanggaran regulasi, hingga penurunan kepercayaan nasabah dan regulator.
Objectives
- Memahami konsep Model Risk Management (MRM) dalam industri perbankan.
- Mengidentifikasi sumber risiko dalam penggunaan model dan algoritma.
- Memahami proses pengembangan, validasi, dan monitoring model.
- Mengevaluasi validitas model scoring risiko dan predictive analytics.
- Memahami risiko bias, overfitting, dan model drift pada AI/ML model.
- Mengembangkan governance framework untuk pengelolaan model risiko.
- Memastikan kepatuhan model terhadap regulasi dan audit requirement.
- Meningkatkan efektivitas pengawasan model di era digital banking.
Course outline
1. Transformasi Digital Banking dan Risiko Model
- Evolusi penggunaan model dalam perbankan
- Digital banking dan AI-driven decision making
- Pentingnya MRM dalam industri finansial
- Risiko operasional akibat kegagalan model
2. Konsep Dasar Model Risk Management
- Definisi model risk
- Sumber dan jenis risiko model
- Model lifecycle management
- Governance dan accountability model
3. Pengembangan Model dan Risiko Algoritma
- Data quality dan data governance
- Asumsi model dan parameter estimation
- Risiko overfitting dan underfitting
- Bias algoritma dan explainability AI
4. Validasi dan Verifikasi Model
- Independent model validation
- Backtesting dan benchmarking
- Sensitivity analysis dan stress testing model
- Performance measurement dan calibration
5. Monitoring dan Model Performance Management
- Model drift dan deterioration monitoring
- Ongoing performance review
- Threshold dan early warning indicators
- Model change management
6. AI/ML Governance dalam Digital Banking
- Governance framework untuk AI model
- Explainable AI (XAI) dan transparency
- Human oversight dalam AI decision
- Ethical AI dan responsible model usage
7. Regulasi dan Kepatuhan Model Risiko
- Regulatory expectation terkait MRM
- Audit trail dan dokumentasi model
- Compliance terhadap data privacy dan governance
- Model inventory dan regulatory reporting
8. Best Practice dan Studi Kasus
- Studi kasus kegagalan model di sektor finansial
- Best practice MRM global
- Lessons learned implementasi AI governance
- Strategi penguatan model risk framework
Participants
- Divisi Risk Management
- Divisi Model Risk Management
- Divisi Enterprise Risk Management
- Divisi Data Analytics
- Divisi Artificial Intelligence & Automation
- Divisi Information Technology
- Divisi Digital Banking
- Divisi Credit Risk Management
- Divisi Market Risk Management
- Divisi Governance, Risk & Compliance
- Divisi Compliance & AML
- Divisi Internal Audit
- Divisi Operational Risk
- Divisi Data Governance
- Divisi Technology Risk Management
Method
- Pre-test
- Presentation
- Discussion
- Case study
- Post-test
Facilities
- Ruang Meeting Representatif
- Sertifikat Pelatihan Resmi
- Instruktur Profesional & Berpengalaman
- Training Kit Eksklusif
- Souvenir
- Pick Up Participant (Yogyakarta)
