Análise automática de crédito : desempenho da mineração de dados de uma árvore de decisão

Abstract

Este estudo apresenta a análise de mineração de dados de uma árvore de decisão utilizada para aprovação ou negativa automática de crédito em uma instituição financeira. A partir do conteúdo inicial, é proposto que seja validada a efetividade da análise de crédito automática, objetivando verificar a assertividade das variáveis utilizadas no modelo estatístico que baseia esta analise, de forma a garantir ganhos de eficiência e redução de inadimplência para a instituição. Para tal, este estudo analisa o desempenho histórico dos clientes baseado nas variáveis definidas, de maneira a comprovar eficácia do modelo e verificar os casos de inadimplência. Inicialmente, é apresentada a metodologia de decisão automática e o contexto da instituição financeira que a utiliza, dissertando acerca do conceito dos principais produtos e fontes de recurso das operações de crédito. A base de dados da instituição é aplicada a um modelo linear generalizado com função probit, para que sejam encontradas as variáveis que possuem maior significância na ocorrência de default. A partir do resultado da regressão, o estudo propõe ajustes a serem aplicados na árvore de decisão, para confirmar os ganhos de eficiência que a análise automática possui quando comparada à análise manual.

This study presents the data mining analysis of a decision tree used in automatic credit approval or declines in a financial institution. By the initial content, it is proposed to validate the effectiveness of automatic credit analysis, aiming to verify the assertiveness of the variables used in the statistic model that is the base of this analysis, in order to ensure efficiency gains and decrease in delinquency level for the institution. For this purpose, this study examines the historical performance of clients based in the variables defined in the current model, in order to prove the effectiveness of the model and check the default cases. At first, the automatic decision methodology is presented with the context of the financial institution which uses this approach, discussing on the concept of the main financial products and funding resources of the credit deals. The database of the institution is applied to a Linear Generalized Model with probit function, in order to find the variables that present the most significance level in default occurrences. By the regression result, this study purposes adjustments to be applied in the decision tree, in order to confirm the efficiency gains that automatic decision has when compared to manual decision.