Optimisation de Score de Crédit par Weight of Evidence (WOE)

Contexte Métier

Une banque souhaite développer un nouveau modèle de risque pour les demandes de crédit à la consommation. L'objectif est de transformer des variables catégorielles (Profession, Type de Logement) en valeurs numériques prédictives (WOE) basées sur leur relation avec le défaut de paiement (Target), afin de maximiser la Valeur d'Information (IV) avant la modélisation logistique.

À propos du Set : dataPreprocess

Nettoyage, imputation et préparation des données.

Découvrir toutes les actions de dataPreprocess

Préparation des Données

Simulation d'un portefeuille de 5000 clients avec une variable cible binaire (Defaut_Paiement) et des variables explicatives catégorielles corrélées.

Copié !

1
2	DATA casuser.credit_risk;
3	call streaminit(123);
4	LENGTH Profession $20 Type_Logement $15 Defaut_Paiement $1;
5	DO i = 1 to 5000;
6	u = rand('Uniform');
7	/* Simulation Profession */ IF u < 0.3 THEN Profession = 'Fonctionnaire';
8	ELSE IF u < 0.6 THEN Profession = 'Salarie_Prive';
9	ELSE IF u < 0.8 THEN Profession = 'Independant';
10	ELSE Profession = 'Retraite';
11	/* Simulation Logement */ IF rand('Uniform') < 0.5 THEN Type_Logement = 'Proprietaire';
12	ELSE Type_Logement = 'Locataire';
13	/* Creation Target corrélée */ score_risque = 0;
14	IF Profession = 'Independant' THEN score_risque = score_risque + 0.4;
15	IF Type_Logement = 'Locataire' THEN score_risque = score_risque + 0.3;
16	IF rand('Uniform') + score_risque > 0.8 THEN Defaut_Paiement = '1';
17	ELSE Defaut_Paiement = '0';
18	OUTPUT;
19	END;
20
21	RUN;
22

Étapes de réalisation

Calcul du WOE et génération du code de scoring pour déploiement

Copié !

1	PROC CAS;
2	dataPreprocess.catTrans
3	TABLE={name='credit_risk'}
4	inputs={'Profession', 'Type_Logement'}
5	targets={{name='Defaut_Paiement'}}
6	events={'1'}
7	method='WOE'
8	evaluationStats=true
9	code={RESULT='scoring_code'}
10	casOut={name='credit_risk_woe', replace=true}
11	casOutBinDetails={name='woe_mapping', replace=true};
12	RUN;

Vérification des statistiques d'évaluation (Information Value)

Copié !

1
2	PROC PRINT
3	DATA=casuser.woe_mapping;
4	where _IV_ > 0.02;
5
6	RUN;
7

Résultat Attendu

L'action doit générer une table transformée où 'Profession' et 'Type_Logement' sont remplacées ou complétées par leurs valeurs WOE respectives. La table 'woe_mapping' doit montrer un IV significatif pour la profession 'Independant'. Le code SAS de scoring doit être disponible dans le résultat pour être appliqué en production.

Voir la documentation technique de catTrans