CursoModelos de Scoring

El curso comienza analizando y discutiendo uno de los aspectos más importantes del rol de data scientist: la capacidad de comunicación y bajada a tierra de los modelos analíticos entre los roles de negocio para que estos puedan tomar decisiones a partir de conceptos claros y comprensibles desde su palancas de gestión.

De esta manera se trabajará en la definición de los objetivos de la métrica de morosidad, haciendo un desarrollo exhaustivo junto con la gestión comercial sobre qué se entiende como individuo moroso en función de la organización/industria en cuestión (por ejemplo: qué criterio adoptar cuando un mismo cliente tiene más una factura asociada a su cuenta) y qué alcance de variables considerar para así poder realizará la definición del data-set de entrenamiento.

Nos introduciremos en la etapa de desarrollo del modelo comenzando con la preparación del data-set de procesamiento a partir de la construcción de “registros modelados” para condensar información histórica de los individuos caracterizándolos con variables de tendencias, promedios y variaciones. También se practicará la discretización de variables continuas e introduciremos el importante concepto de Weight of Evidence con el que podremos evaluar y modificar de manera dinámica las elecciones de nuestro modelado, ahorrando carga de trabajo y maximizando la performance final a obtener.

A continuación realizaremos el entrenamiento de nuestro modelo mediante la técnica de regresión logística y evaluaremos su performance teórica mediante el análisis de las curvas ROC, el lift y las distribuciones por percentiles, estableciendo un nivel de riesgo a cada puntaje del score para la definición de los scorecards.

Por último discutiremos sobre las etapas de prueba y de puesta en producción de un modelo de Score Card, desarrollando las buenas prácticas en la retroalimentación dinámica de nuestros modelos y el ajuste continuo de la performance en función de los requerimientos del negocio.