Kredietrisico
begrijpen via
machine learning
Scoringmodellen bepalen wie krediet krijgt en wie niet. De meeste worden gebouwd op aannames die al tien jaar oud zijn. Dit seminar kijkt naar wat er nu werkt - en waarom.
Wanneer past dit bij jou?
Niet elk seminar past bij elke deelnemer. Dit zijn de omstandigheden waarin dit programma het meest oplevert - eerlijk beschreven, zonder verkooptaal.
-
Je werkt al met data, maar mist structuur
Je haalt regelmatig inzichten uit datasets, maar je scoringmodellen zijn gebouwd op intuïtie of verouderde regressietechnieken. Je wilt begrijpen wat gradient boosting of logistische regressie met regularisatie concreet verandert aan je output.
-
Je hebt een specifieke vraag vanuit de praktijk
Het seminar werkt het best wanneer je een bestaand probleem meeneemt - een model dat slecht presteert, een dataset waarvan je niet weet hoe je die moet opschonen, of een beslissingsproces dat je wilt automatiseren.
-
Je bent bereid om iets te testen, niet alleen te luisteren
De sessies bevatten werkblokken met echte datasets. Wie alleen wil luisteren, haalt minder uit de dag. Basiskennis van Python of R helpt, maar is geen vereiste - je kunt ook in Excel meewerken.
-
Je werkt in een sector waar risicobeoordeling meetelt
Financiële dienstverlening, verzekeringen, leasing of publieke kredietverstrekking - in al die contexten worden scoringmodellen ingezet. Het seminar gebruikt voorbeelden uit elk van deze sectoren.
Wat dit seminar anders doet
De meeste trainingen over machine learning gaan over algoritmes. Dit seminar gaat over beslissingen - welke variabelen je opneemt, hoe je een model valideert, en wat je doet als je data scheef verdeeld is. Dat is het verschil tussen een werkend model en een model dat op papier klopt.
Datakwaliteit eerst
Een model is zo goed als de data die erin gaat. We beginnen bij feature engineering en missing value strategie - niet bij het kiezen van een algoritme.
Validatie die stand houdt
Gini-coëfficiënt, KS-statistiek, PSI - we behandelen de validatiemethoden die in de sector worden gebruikt en waarom ze soms misleidend zijn.
Uitlegbaarheid als vereiste
SHAP-waarden en partiële afhankelijkheidsplots zijn geen luxe - ze zijn nodig wanneer je een model moet verdedigen tegenover een risicocomité of toezichthouder.
Wie zit er in de zaal?
Een seminar werkt beter wanneer de deelnemers vergelijkbare vragen meebrengen. Hieronder staat wie hier iets aan heeft - en wie beter elders zoekt.
Goed op zijn plaats
Data-analisten bij banken of kredietinstellingen die modellen bouwen of beoordelen
Risicomanagers die willen begrijpen wat hun modelleerteam produceert
Consultants die kredietprocessen begeleiden en diepgang missen op het technische vlak
Masterstudenten of recent afgestudeerden met een kwantitatieve achtergrond die de stap naar de praktijk maken
Minder geschikt
Wie nog nooit met tabellaire data heeft gewerkt - de basisconcepten worden niet uitgelegd
Wie op zoek is naar een kant-en-klare oplossing die hij direct kan uitrollen zonder aanpassingen
Wie verwacht dat machine learning het denkwerk overneemt - modellen vragen juist meer beslissingen, niet minder
Wie enkel een certificaat zoekt zonder bereidheid om de inhoud te verwerken
De groepen zijn bewust klein gehouden - maximaal achttien deelnemers per sessie. Dat maakt het mogelijk om specifieke casussen te bespreken zonder dat het een algemene lezing wordt.
Deelnemers komen uit heel België en Nederland. De discussies zijn rijker wanneer iemand vanuit een coöperatieve bank anders aankijkt tegen risico dan iemand van een fintech.
Wat deelnemers meenemen
"Ik had al twee jaar gewerkt met logistische regressie voor onze acceptatiemodellen. Na de sessie over class imbalance en SMOTE begreep ik waarom ons model zo slecht presteerde op de randgevallen - precies de gevallen waar het er het meest toe doet. Ik ben niet vertrokken met een oplossing, maar wel met een duidelijke richting."
Liesbeth Vandenberghe
Kredietanalist, middelgrote leasingmaatschappij, Gent
Achtergrond
Financieel
Ervaring
6 jaar
Sessie
Dag 1 + 2
"Ik dacht dat ik te weinig technische achtergrond had. Maar het seminar begon bij de vraag achter het model, niet bij de code. Dat maakte het toegankelijk zonder oppervlakkig te worden."
Nathalie Pieters
Risicomanager, verzekeraar, Brussel
Ervaringen lopen uiteen - dat is normaal. Wie met een scherpe vraag komt, haalt meer uit de dag dan wie komt kijken wat het is. Beide zijn welkom, maar de verwachtingen zijn best realistisch.
