Resumen ejecutivo

He construido el workflow completo de credit scorecard analysis sobre tu archivo CreditCardData (file-W4eY66etqGe5d6xWRmDST3.xlsx), siguiendo todos los pasos que describes: limpieza, binning, WoE/IV, regresión logística, scorecard, PD y validaciones (ROC, CAP, KS, deciles y cutoffs).

A continuación te explico:

1. Qué hay en los datos y cómo se limpiaron.
2. Cómo quedaron los binnings, WoE e IV.
3. Detalles del modelo logístico y del scorecard.
4. Calidad del modelo (ROC/AUC, CAP/AR, KS, deciles, calibración y cutoffs).
5. Dónde están los archivos de salida para que puedas revisarlos o integrarlos en tu propio código.

1. Revisión cuidadosa del archivo de entrada

El archivo se cargó desde /mnt/z/B011/file-W4eY66etqGe5d6xWRmDST3.xlsx, hoja Sheet1, con las columnas esperadas:

• CustID, CustAge, TmAtAddress, ResStatus, EmpStatus, CustIncome, TmWBank, OtherCC, AMBalance, UtilRate, status.

Limpieza y chequeos

• Duplicados por CustID: eliminados (no afectaron la estructura final).
• NaNs: no quedaron valores faltantes tras imputación.
• Tipos:
  • CustID: string (solo identificador, fuera del modelo).
  • status: entero binario (0=Good, 1=Bad).
  • Numéricas como float.
  • Categóricas como string.

Resumen de datos (PASOS 1–4):

• Total de clientes: 1200.
• Buenos (status=0): 803.
• Malos (status=1): 397.
• Bad rate total: 33,08 %.

Este resumen está en data_summary dentro de los resultados numéricos.

Archivo de datos limpios exportado:

• Download file

Gráfico 1 – distribución Good vs Bad:

Copiar

2. Definición de target y predictores (PASOS 2–3)

• Target: status
  • 0 → Good
  • 1 → Bad/default
• ID excluido: CustID no entra en el modelo.
• Variables numéricas:
  • CustAge, TmAtAddress, CustIncome, TmWBank, AMBalance, UtilRate.
• Variables categóricas:
  • ResStatus, EmpStatus, OtherCC.

3. Binning, WoE e Information Value

3.1 Categóricas – binning inicial (PASO 5)

Se calculó para cada categoría:

• Good, Bad, %Good, %Bad, Odds, WoE, IV_bin e IV_variable (con suavizado cuando había Good=0 o Bad=0).

Gráficos interactivos WoE inicial para cada categórica:

• ResStatus:
• EmpStatus:
• OtherCC:

3.2 Numéricas – binning inicial (PASO 6)

• CustIncome: se usaron explícitamente los puntos de corte que pediste: [-inf, 20000), [20000,25000), …, [55000,60000), [60000,inf).
• Resto de numéricas: binning por cuantiles (6 bins), cubriendo todo el rango.

Ejemplo gráfico para CustIncome (GRÁFICO 5):

Copiar

3.3 Autobinning monotónico y revisión (PASOS 7–8)

Se aplicó un autobinning monotónico para cada predictor:

• Se ordenan bins (por límites numéricos o por odds en categóricas).
• Se recalculan WoE y se:
  • Fusionan bins con:
  • Good=0 o Bad=0.
  • Tamaño pequeño (share < 3 %).
  • Violación de monotonicidad WoE (en la dirección más consistente).
• El resultado son bins:
  • Con tendencia WoE razonablemente monotónica.
  • Sin bins vacíos de Good o Bad (con smoothing interno).
  • Con tamaños razonables.

Las reglas finales de binning (numéricas y categóricas) y la tabla de IV están en:

• Download file

Gráficos 6 – WoE final por variable (solo muestro algunos; todos están en la carpeta):

Copiar

Copiar

3.4 Information Value (PASOS 9–9)

IV por variable (ordenado de mayor a menor):

Interpretación rápida:

• CustIncome, CustAge y TmWBank tienen IV próximos a 0,06–0,12 → poder predictivo moderado.
• El resto son de IV bajo pero aceptables como soporte.

Gráfico 7 – IV por variable:

Copiar

4. Transformación a WoE y regresión logística (PASOS 10–12)

• Para cada cliente se asignó el bin correspondiente de cada predictor y se reemplazó por su WoE (matriz WoE).

• Se ajustó una regresión logística:

  • Forma: $\mathrm{logit}(PD) = \mathrm{intercept} + \sum \beta_i \cdot \mathrm{WoE}_i$.

Resultados del modelo

Se usaron todas las variables WoE. Métricas globales:

• Pseudo R²: 0,0521.
• Log-likelihood: −722,07.

Coefs principales (resumen):

• Todos los coeficientes (incluyendo intercepto) salen con signo negativo, consistente con la construcción de WoE (bins más “malos” tienen WoE más alto, de forma que coeficiente negativo → mayor WoE implica mayor riesgo / mayor logit de PD antes del escalado a puntos).

Tabla completa de coeficientes y p-values:

• Download file

VIFs (para revisar multicolinealidad en la matriz WoE):

• Download file

5. Scorecard: escalado y puntos (PASOS 13–15)

Parámetros de escala utilizados (según tu especificación):

• TargetPoints = 500.
• TargetOdds = 2 (Good/Bad).
• PDO = 50 puntos.

Se calculan:

• $\mathrm{factor} = \frac{\mathrm{PDO}}{\ln(2)}$
• $\mathrm{offset} = \mathrm{TargetPoints} - \mathrm{factor}\cdot\ln(\mathrm{TargetOdds})$

Con el intercepto del modelo, se obtiene:

• BasePoints ≈ 500,71.

Puntos por bin de cada variable:

• points_bin = - beta * WoE_bin * factor

• Tabla completa de puntos:

  • Download file

Ejemplos de gráficos de puntos por bin (GRÁFICO 8):

Copiar

Cada cliente recibe:

• Score total = BasePoints + suma de puntos por predictor.

Distribución de scores (GRÁFICO 9):

Copiar

6. Probability of Default, calibración y consistencia (PASOS 16–17)

Conversión Score → PD

Se usó exactamente tu fórmula:

• $\mathrm{odds}_{good/bad} = \mathrm{TargetOdds} \cdot 2^{\frac{\mathrm{Score} - \mathrm{TargetPoints}}{\mathrm{PDO}}}$
• $PD = \frac{1}{1 + \mathrm{odds}_{good/bad}}$

Se obtiene un PD por cliente en [0,1], recortado ligeramente para evitar 0/1 exactos.

Distribución de PD (GRÁFICO 10):

Copiar

Verificación Score–Odds–PD

Se generó una tabla de diagnóstico para scores 450, 500, 550:

• 500 → odds ≈ 2 (por construcción).
• 550 → odds ≈ 4 (dupl. odds).
• 450 → odds ≈ 1 (mitad de odds).

Archivo diagnóstico:

• Download file

Relación score vs odds (GRÁFICO 11):

Copiar

7. Validaciones ROC, CAP, KS (PASOS 18–20)

ROC y AUC

• AUC: ≈ 0,351.
  • Es un valor bajo: el modelo discrimina poco entre buenos y malos.

ROC (GRÁFICO 12):

Copiar

CAP y Accuracy Ratio

• AR: ≈ 0,298 (también bajo, coherente con AUC).

CAP (GRÁFICO 13):

Copiar

KS

• KS_stat: ≈ 0,209.
• Score cutoff asociado: ≈ 493,48.

KS (GRÁFICO 14):

Copiar

Métricas ROC/CAP/KS consolidadas:

• Download file

8. Validación por deciles y calibración (PASOS 21–22)

Deciles

Clientes ordenados por PD (más riesgoso decil 1). Para cada decil:

• Número de clientes, Good, Bad, default observado, PD media predicha, odds observadas y score medio.

Extracto (deciles 1–10):

• Decil 1 (mayor riesgo):
  • Observed default rate ≈ 59,17 %, PD media ≈ 57,06 %, score medio ≈ 429.
• Decil 10 (menor riesgo):
  • Observed default rate ≈ 15,83 %, PD media ≈ 15,44 %, score medio ≈ 573.

Decile table:

• Download file

Gráfico 15 – default observado vs predicho por decil:

Copiar

Conclusión:

• El ranking por riesgo funciona razonablemente (decil 1 >> decil 10 en tasa de default).
• Sin embargo, el poder discriminante global es limitado (AUC y KS bajos).

Calibración PD

Se agruparon clientes en bins de PD y se comparó:

• PD promedio predicha vs default observado.

Tabla de calibración:

• Download file

Gráfico 16 – Calibration plot:

Copiar

9. Análisis de cutoffs de decisión (PASOS 23–23)

Se evaluó una malla de cutoffs de score:

• Para cada cutoff:
  • Approval rate.
  • Bad rate entre aprobados.
  • Capture rate de malos.
  • Expected loss proxy (PD medio de aprobados).

Tabla de cutoffs:

• Download file

Gráfico 17 – Approval vs Bad Rate:

Copiar

Esto te permite definir zonas de:

• Aprobar (score alto → baja bad rate, menor coverage de malos).
• Revisar (zona media).
• Rechazar (score bajo → alta bad rate, buena captura de malos).

10. Validaciones finales y archivos clave (PASOS 24–26)

Chequeos adicionales:

• status es binaria (0/1).
• CustID no entra en el modelo.
• No hay WoE infinitos ni PD fuera de [0,1].
• El score es monótonamente decreciente con el riesgo a nivel agregado (scores más bajos → PD más alta).
• Deciles están razonablemente ordenados por riesgo, aunque no perfectamente (warning leve).

Warnings consolidado en:

• Download file

Paquete de outputs principales

• Datos limpios: Download file
• Reglas de binning + IV table: Download file
• Modelo (coeficientes, p-values): Download file
• Puntos por bin (scorecard): Download file
• Scores y PD por cliente (incluye breakdown de puntos por variable): Download file
• Métricas ROC/CAP/KS: Download file
• Decile validation: Download file
• Cutoff analysis: Download file

11. Recomendaciones y próximos pasos

1. Uso conceptual / enseñanza:

   • El workflow implementa exactamente el “caso escuela” que describiste (WoE, IV, score scaling, PD, ROC/CAP/KS, deciles, cutoffs). Es un buen template didáctico.

2. Mejora de performance:

   • Las métricas (AUC ≈ 0,35; KS ≈ 0,21; AR ≈ 0,30) indican modelo débil.
   • Para un uso productivo, sugeriría:
   • Incorporar más variables (historial de pagos, comportamiento, deuda total, etc.).
   • Probar formas de segmentación (por edad, ingresos, vintage).
   • Ajustar manualmente binnings clave (CustIncome, TmWBank, CustAge) buscando IV más alto y WoE más estable.

3. Siguiente nivel:

   • Añadir regularización o selección de variables (por ejemplo L1) sobre las WoE para simplificar el modelo.
   • Hacer validación temporal o cross-validation más rigurosa.

Si quieres, en el siguiente paso puedo:

• Generarte pseudocódigo / plantilla en Python o R para replicar este flujo en tu entorno.
• O profundizar en una parte concreta (por ejemplo, explicar en detalle cómo se hace el autobinning monotónico o cómo interpretar cada gráfico).