Credit Scoring Model con Metodologie di data science = Credit Scoring Model through data science methods

Il presente lavoro di tesi è stato basato sul progetto Credit Risk Assessment di Sella Personal Credit con la consulenza di un team dell’azienda Moxoff , al fine di sviluppare un modello di valutazione del rischio di credito mediante l'utilizzo di modelli e metodi di data science e introdurre un set di variabili che attualmente SPC non raccoglie e non archivia, ma che potrebbero rivelarsi utili per il processo di valutazione della clientela. Il modello sviluppato dovrà essere in grado di percepire modifiche significative nella popolazione richiedente e quindi proporre delle modifiche ai regressori utilizzati nel modello di stima. Questo meccanismo di auto adattamento avviene mediante un riaddestramento effettuato automaticamente. Il progetto si pone inoltre lo scopo di ridurre al minimo l’interazione manuale da parte del valutatore, al fine di ridurre valutazioni soggettive e possibili errori. Il modello si basa sullo sviluppo di una regressione per la valutazione del rischio associato ad un cliente senza effettuare richieste al credit bureau. La tipologia di modello prevede l’utilizzo di un algoritmo di machine learning del tipo Random Forest e Neural Network che offre la possibilità di simulare in maniera alquanto semplice ed automatica una moltitudine di scenari e di casistiche. Tale metodologia ha il vantaggio di poter integrare in maniera altrettanto agevole eventuali nuove informazioni o variabili.