Transformasi digital di industri perbankan telah mengubah cara lembaga keuangan menilai risiko dan kelayakan kredit. Pendekatan tradisional yang mengandalkan laporan keuangan dan histori pinjaman kini semakin dilengkapi — bahkan digantikan — oleh model credit scoring modern yang memanfaatkan Big Data, Artificial Intelligence (AI), dan Machine Learning (ML).
Pelatihan ini dirancang untuk memberikan pemahaman menyeluruh kepada peserta mengenai bagaimana teknologi data dan AI dapat digunakan untuk menciptakan sistem credit scoring yang lebih akurat, cepat, inklusif, dan adaptif terhadap dinamika risiko. Peserta akan mempelajari konsep, metodologi, serta implementasi praktis credit scoring modern dalam pengembangan produk kredit, termasuk bagaimana memastikan kepatuhan terhadap prinsip kehati-hatian, privasi data, dan regulasi OJK/BI. Pelatihan ini juga menekankan pendekatan data-driven decision making untuk mendukung inovasi produk kredit yang kompetitif dan berkelanjutan.
Tujuan
- Memahami konsep dasar dan perbedaan antara traditional credit scoring dan modern data-driven credit scoring.
- Mengidentifikasi jenis-jenis data yang relevan (structured & unstructured) untuk penilaian kredit.
- Menggunakan prinsip Big Data analytics dan AI/ML models untuk membangun sistem credit scoring yang efisien.
- Menerapkan hasil credit scoring modern dalam pengembangan produk kredit digital.
- Menjaga keseimbangan antara inovasi, kepatuhan, dan perlindungan data nasabah dalam penerapan teknologi AI.
- Merancang strategi integrasi credit scoring modern ke dalam proses bisnis perbankan.
Materi Pokok
-
Evolusi Sistem Credit Scoring
- Perbandingan Traditional vs. Modern Credit Scoring
- Kelemahan sistem lama dan urgensi digitalisasi
- Peran credit scoring dalam pengembangan produk kredit perbankan
-
Pemanfaatan Big Data dalam Penilaian Kredit
- Konsep Big Data dan 5V (Volume, Velocity, Variety, Veracity, Value)
- Sumber data non-tradisional: transaksi digital, media sosial, e-commerce, telco, dsb.
- Pengolahan dan pembersihan data untuk keperluan scoring
-
Teknologi AI dan Machine Learning dalam Credit Scoring
- Model AI yang umum digunakan: Regression, Decision Tree, Random Forest, Neural Network
- Pengenalan Machine Learning pipeline untuk credit scoring
- Feature engineering dan penentuan variabel penting dalam prediksi risiko kredit
-
Simulasi Analisis Data Kredit
- Mengidentifikasi variabel yang relevan untuk credit scoring
- Menyusun model sederhana berbasis data pelanggan
-
Integrasi Credit Scoring Modern dalam Pengembangan Produk Kredit
- Menghubungkan hasil credit scoring dengan desain produk kredit
- Segmentasi nasabah berdasarkan skor kredit digital
- Dynamic pricing, limit kredit, dan penyesuaian tenor berbasis data
-
Governance dan Kepatuhan
- Prinsip transparansi, explainability, dan accountability dalam AI
- Kepatuhan terhadap POJK dan regulasi data (GDPR, UU PDP, OJK Sandbox)
- Mitigasi bias algoritmik dan diskriminasi dalam scoring
-
Studi Kasus: Implementasi Credit Scoring Digital di Industri Keuangan
- Studi kasus fintech dan bank digital (contoh: Kredit Pintar, Bank Jago, DBS digibank)
- Pembelajaran dari model internasional (contoh: FICO Score & Open Banking)
-
Desain Credit Scoring Model untuk Produk Kredit Baru
- Peserta membangun prototype sistem scoring dengan variabel data tertentu
- Menyusun rancangan produk kredit berbasis hasil score
-
Evaluasi dan Pengukuran Efektivitas Sistem Scoring
- Validasi model (confusion matrix, AUC, ROC curve)
- Performance monitoring dan model recalibration
- Menilai dampak bisnis dan risiko dari implementasi AI credit scoring
