kontan.co.id
banner langganan top
| : WIB | INDIKATOR |
KOLOM / bigdata

Pencegahan risiko kredit macet

oleh Feris Thia - Founder of Lightora UMN Incubator


Senin, 30 Mei 2016 / 14:28 WIB
Pencegahan risiko kredit macet

Reporter: Feris Thia | Editor: hasbi.maulana

Ibu Nunik adalah seorang sales agent di sebuah perusahaan finance A yang terkenal akan ketajaman intuisi dalam mencari prospek yang tepat sehingga tingkat kredit macet –situasi dimana peminjam tidak mampu melunasi pinjamannya– menjadi sangat rendah.

Pola risk assessment yang digunakan Ibu Nunik cukup sederhana dan konservatif, yaitu mencari prospek pekerja profesional dengan posisi yang cukup baik, bergaji di atas Rp 10 juta per bulan, berkeluarga, memiliki anak maksimal satu, dan beberapa faktor lainnya.

Ketika memutuskan mengundurkan diri, Ibu Nunik lega karena banyak sekali anak didiknya yang dapat mengikuti keberhasilannya. Sampai-sampai, mereka dijuluki sebagai dream team di perusahaan tersebut.

Namun berselang empat tahun, ternyata tingkat kredit macet dari para peminjam semakin tinggi, terutama yang dilakukan dream team. Padahal kondisi ekonomi lagi bagus-bagusnya.

Lucunya lagi, ternyata ada sales agent bernama Susi yang malah mencatatkan prestasi baik. Dengan bermodalkan kenalan sesama fresh graduate sebagai pelanggannya, pertumbuhan penjualan Susi sangat tinggi dan kredit macet rendah.

Dengan tingkat kemapanannya belum tinggi, baru bekerja, dan banyak yang masih tinggal dengan orang tua, pasar yang dibidik Susi ini seperti antitesis dari pasar Ibu Nunik.

Credit scoring dan machine learning

Cerita di atas adalah gambaran yang sangat sederhana dari credit scoring, yaitu proses perhitungan level risiko dari calon peminjam yang dapat digunakan untuk menolak atau menerima pinjaman yang diajukan.

Credit scoring membutuhkan berbagai data profil calon peminjam sehingga tingkat risiko dapat dihitung dengan tepat. Semakin benar dan lengkap data yang disediakan, harusnya semakin akurat perhitungannya.

Selain itu, proses pemeriksaan profil berdasarkan database Bank Indonesia (BI checking) juga wajib digunakan.
Proses di atas tentunya merupakan hal yang baik, namun di sisi calon peminjam proses yang harus dilalui di atas dirasakan sangat ribet.

Dan, seiring tingkat kompetisi yang semakin tinggi di industri finansial, prospek memiliki banyak alternatif. Semakin cepat proses yang ditawarkan, semakin tinggi kesempatan untuk mendapatkan peminjam.

Tantangan pun muncul, bagaimana mendapatkan pelanggan dengan proses yang efisien–dengan data minimal– namun akurasi dari credit scoring tetap tinggi?

Di sinilah berbagai software machine learning dapat membantu menganalisa data-data profil peminjam dan proses pembayaran sehingga dapat mengeluarkan rekomendasi profil pelanggan yang berisiko rendah.

Ini bisa dimungkinkan karena di dalam machine learning terdapat berbagai metode statistik untuk validasi data dan algoritma cerdas yang menemukan pola dan menghasilkan model yang dapat dimengerti manusia dengan baik.

Dengan dinamika pasar yang semakin cepat berubah dan perlu analisa yang cepat, machine learning semakin memegang peranan penting untuk meningkatkan performa bisnis.

Software yang dapat digunakan seperti "R" dan layanan cloud "Azure Machine Learning" (AML). Software R ini dapat diunduh secara gratis di website www.revolutionanalytics.com atau www.r-project.org. Sedangkan AML dapat dicoba di https://studio.azureml.net.

Untuk informasi dan diskusi lebih lanjut mengenai pemanfaatan software machine learning ini untuk kepentingan credit scoring ini di bisnis Anda, dapat menghubungi KONTAN melalui email bigdata@kontan.co.id.

 

Sumber: Harian KONTAN edisi 23 Mei 2016



TERBARU

×