6 Indikator Lain untuk Memprediksi Default dan Bubble

Untuk mengantisipasi kegagalan pembayaran, berbagai indikator dipakai dalam analisa kredit. Berikut 6 indikator lain untuk memprediksi default dan bubble, yang meskipun tidak secara langsung menganalisa capacity dan collateral namun juga terbukti akurat mengantisipasi resiko kredit*:

1. Debt Equity Ratio. Perbandingan antara besarnya total hutang dibandingkan dengan asset yang dapat diamankan memiliki angka keramat 30%, dan indikator kunci sederhana ini sangat sulit dipenuhi ketika sebagian besar Debitur tidak memiliki single identity, tidak memiliki credit history yang terpusat, akurat, up-to-date dan dapat diandalkan seperti halnya di Indonesia. Karena kesulitan ini maka indikator ini sering diganti dengan indikator kesehatan (dan kewajaran) keuangan yang lain seperti butir 2 di bawah ini.
2. Price to Income Ratio. Tidak seperti LTV atau Down-payment yang mengukur affordability dalam hal angsuran, rasio nilai pembiayaan terhadap penghasilan ini mengukur affordability dalam spektrum luas. Acuan umum yang dapat dipakai adalah “rumusan employee benefit” yaitu 10-50x penghasilan.
3. Price Earnings Ratio. Diturunkan dari rasio PER, nilai angsuran dibandingkan dengan nilai rental asset dibiayai merupakan ukuran ketika asset harus menutup cash flow, yaitu kondisi ketika capacity telah gagal dan pengembalian hutang harus bersandar kepada capital.
4. Sensitivitas Usaha terhadap Krisis. Sektor usaha tertentu terbukti merupakan sektor yang kebal krisis. Karyawan dengan penghasilan tetap dari industri perbankan adalah favorit consumer loan. Jenis pekerjaan dan industri ini merupakan contoh sensitivitas yang rendah terhadap krisis.
5. Collateral Value & Liquidity. Jaminan yang memilii demand besar dengan nilai depresiasi rendah adalah salah satu resep keamanan pinjaman. Asset tertentu terbukti stabil nilainya karena 2 hal, karena nilai intriksiknya yang berlawanan dengan arah krisis dan karena segmen pembelianya yang tetap memiliki daya beli. Contoh klasiknya adalah saat krisis terjadi, harga rumah ambles dan harga emas membumbung, di krisis yang lain semua harga asset melemah kecuali USD. Contoh lainnya adalah nilai tas premium yang tak kunjung turun meski terjadi gejolak keuangan (hanya shadow banker yang “menerima” kategori aset ini).
6. Faktor Struktural atau B2B Relationship. Saat krisis terjadi, industri yang umumnya dipertahankan pemerintah adalah perbankan, dan ritel yang menyasar grass root. Selain industri tersebut, beberapa sektor akan mempertahankan sektor lainnya yang terkait. Pembiayaan properti akan terus dipertahankan (tidak akan bubble atau disangkal terjadi bubble) oleh developer sebab >50% pembelian property melalui kredit, dipertahankan bersama bank tentunya bilamana developer adalah customer utama kredit komersialnya, dan KPR adalah consumer loan utama –nya. Kasus yang sama juga terjadi pada KKB, kerugian perusahaan Multifinance akan “dibantu” oleh ATPM dan bank, mengingat multifinance adalah saluran utama kredit perbankan.

*) Selain indikator yang umum dipakai, seperti down-payment atau loan-to-value atau debt to underlying asset ratio

6 Domain Utama Credit System Development terkait Proses, Metodologi dan CIT

Banyak orang berpendapat, Credit hanyalah bersifat operasional, yaitu mencakup people, dan policy. Nyatanya Credit juga sangat terkait dengan proses, metodologi dan CIT (Communication and Information Technology). Berikut ini adalah 6 domain utama dari Credit Development yang sangat dekat dengan 3 hal di atas, yang sangat diperlukan untuk membantu Credit melakukan loan assessment secara efektif dan efisien:

1. Application model dan verifikasinya, mencakup pengembangan Scoring Model dan Rating Model untuk setiap loan portfolio, baik dalam artian product portfolio, market portfolio ataupun hybrid. Selain itu harus dikembangkan Sistem Verifikasi model-model di atas nya untuk menjaga validitasnya agar mampu memetakan Resiko Produk (Facility Rating) dan Resiko Customer secara terintegrasi. Behavior Scoring Model termasuk salah satu sistem verifikasi ini.
2. Value at Risk, mencakup development sistem penghitungan estimasi PD, LGD, EAD dan VaR untuk pelaporan akuntansi dan resiko kepada otoritas keuangan.
3. Credit Risk Reporting & Monitoring, meliputi penentuan risk parameter untuk setiap skenario resiko (misalnya skenario credit bubble, economic expansion, dst), diikuti dengan pengembangan sistem reporting untuk information sharing, dan performance monitoring/ evaluation. Khusus risk monitoring, selain mencakup system juga terutama mencakup culture development (belief, value dan behavior, seperti risk meeting, risk based authority, dll).
4. Credit Risk Decision Making. Informasi tentang kondisi kredit dari sisi resiko adalah penting, namun yang lebih penting lagi adalah strategi (rencana) dan tindakan. Sistem yang perlu dikembangkan meliputi activity management system, sistem estimasi Risk- adjusted Return on Capital, Risk-based Portfolio dan Risk-based Pricing. Selain price of money, sesungguhnya diperlukan adjustment atas proses termasuk di dalamnya penilaian kembali target segment, namun menjembatani Marketing Analytics dengan Mathematical Finance atau Credit Analytics masih merupakan new frontier bahkan bagi dunia perbankan.
5. Proses kredit dan data capturing. Development item di atas relatif canggih dan baru, namun semuanya tergantung dari seberapa canggih proses kredit, yaitu seberapa sederhana, dan efisien tanpa mengorbankan resiko. Karena birokrasi loan engagement, bahkan Bill Gates berkata “Banking is necessary – banks are not.”; ini meng-isyaratkan perlunya perubahan sistem data capture, data integration (termasuk integrasi dengan Credit Bureau), data warehousing, dan LOS (Loan Origination System)
6. Credit policy. Banyak yang berpikir bahwa modeling akan membuat policy obsolete. Kenyataannya banyak hal yang tidak bisa dimodelkan terutama karena cakupan data. Dari seluruh market, perusahaan memilih segment tertentu saja. Dengan demikian model diperoleh setelah pemilihan target segment dan hanya valid untuk kondisi ceteris paribus yang biasanya kualitatif sehingga tidak pernah diulas dalam model: team sales, appraisal, dan collection yang tertentu. Development item pada domain credit policy mencakup sistem decision workflow, dan document management.

Lihat juga:
Workstream Automation - Corporate Credit Approval and Administration Suite (CCAA) : http://workstreamautomation.com/workstream-products/predefined-business-processes/workstream-corporate-credit-approval-and-administration-suite-ccaa

Mending Lending: Trends & Best Practices to Improve Loan Processing : http://www.slideshare.net/OpenTextBPS/mending-lending-trends-best-practices-to-improve-loan-processing

Mending Lending: Trends & Best Practices to Improve Loan Processing from OpenText BPS

17 Hal yang dapat Anda lakukan untuk Menurunkan Resiko Kredit selain Menurunkan LTV

Untuk memperbaiki kualitas Application-in, Lending Operation umumnya langsung mengeluarkan kebijakan menaikkan Down Payment atau menurunkan Loan-to-Value sehingga Calon Debitur yang apply loan adalah mereka yang memiliki cukup Capacity sekaligus menurunkan Exposure bilamana kredit macet; alias shifting ke Segment yang lebih aman.
Kebijakan menurunkan LTV adalah kebijakan yang tidak populer, lalu adakah pilihan lain melakukan “pengetatan kredit” dengan beranjak ke Segmen yang lebih aman?

Bagi Acquisition Team, bilamana customer selection tetap dibiarkan longgar maka pengetatan dapat dilakukan pada Internal Process, yaitu mencakup Process itu sendiri, People/ Organization, dan Rewards. Dari sini paling tidak ada 17 hal yang dapat dilakukan:

1. Sertifikasi Surveyor dan Analyst untuk grading kemampuan dan integritas mereka sehingga dapat dilakukan assignment tugas sesuai taraf kesulitannya
2. Melakukan segmentasi resiko dari Calon Debitur, Sales Agent, dan pihak lain yang terlibat dalam Loan Generation. Pendekatan “Single Credit Risk Analysis Model” untuk semua product portfolio dan semua segment harus ditinggalkan, sebab pemahaman Debitur (Know Your Customer) adalah kunci dari credit mitigation, serta hal-hal lain di bawah ini
3. Mengatur sales booking untuk fokus kepada portfolio tertentu yang lebih menguntungkan
4. Proses survey dan analisa Aplikasi Kredit yang lebih detil untuk mencari peluang Calon Debitur yang baik diantara pengajuan yang longgar berdasarkan segmentasi resiko, seperti memasukkan Analisa Konjungtur untuk segment Kredit Usaha, dan Rent Repayment Scenario untuk segment rental
5. Mengembangkan Scoring Model untuk setiap segment resiko dan lebih mudah menolak daripada menyetujui Applicant
6. Mengembangkan kebijakan kredit, termasuk kebijakan pengajuan deviasi berdasarkan analisa kualitas kredit. Penyimpangan pengajuan kredit yang jelas-jelas secara historis beresiko harus tegas diturunkan
7. Memberikan wewenang persetujuan kredit bukan hanya berdasarkan jabatan organisasi namun juga berdasarkan historical payment quality. Penurunan batas wewenang kredit adalah cara yang lebih umum, namun hal ini menambah complexity dan cycle-time tanpa jaminan kinerja yang baik. Selain penurunan batas wewenang kredit, cara lain yang cukup efektif adalah pemusatan wewenang, sepanjang tidak berdampak kepada penurunan sales booking
8. Unconventional Credit Scheme yang mempercepat pembayaran Pokok Hutang, mengikat loan yang satu dengan yang lain (cross collaterall, cross default, dll), atau meminta jaminan likuid dari pihak yang relevan dan berkompeten. Percepatan pembayaran Pokok Hutang disini termasuk tenor yang lebih singkat dan siklus pembayaran yang lebih pendek, seperti dari bulanan menjadi mingguan
9. Collateral dengan depresiasi minimal bahkan yang mengalami apresiasi, seperti menerima jaminan berupa emas maksimum 60% Pokok Hutang; dan Appraisal Collateral yang mengikuti prediksi pasar di masa yang akan datang
10. Cash collateral, terutama bagi Lender yang juga memberikan fasilitas tabungan kepada Debitur
11. Mengatur jatuh tempo angsuran sesuai periode penerimaan penghasilan, misalnya untuk karyawan jatuh tempo angsuran adalah maksimum 3 hari setelah hari pembayaran gaji
12. Pendebetan otomatis dari rekening tabungan atas kartu kredit
13. Meningkatkan kerugian Debitur yang timbul dari keterlambatan pembayaran dengan konsolidasi pelaporan delinquency dengan bank dan lembaga keuangan lainnya
14. Mengembangkan pengukuran dan evaluasi kinerja berdasarkan revenue setelah cost of credit dan pencadangan sebagai objectivenya
15. Menghubungkan rewards, recognition dan career path karyawan dengan kinerja kredit secara proporsional, termasuk di dalamnya memberikan penghargaan lebih besar kepada aktivitas antisipasi resiko daripada penanggulangan kerugian
16. Mengembangkan Fraud Model untuk menjamin integritas proses internal, sebab pengetatan kredit umumnya secara otomatis meningkatkan potensi fraud di saat tekanan sales tinggi. Selanjutnya perlu di-proses hukum bagi personnel yang melakukan tindakan melanggar hukum, bukan hanya penghentian employment
17. Mengkomunikasikan proses yang berkinerja baik/ buruk agar seluruh perusahaan mengetahui dengan jelas apa yang diinginkan manajemen

9 Hal di Balik Keengganan Penerapan Statistical Application Scoring

Aplikasi kredit perlu dianalisa untuk menentukan apakah permohonan kredit tersebut layak diterima atau ditolak. Berbagai pendekatan dapat dipakai untuk melakukan analisa ini, namun demikian perkembangan dewasa ini mengarah kepada pemodelan yang obyektif dengan mempergunakan data internal dan dilakukan dengan metode statistik. Meski BIS (Bank of International Settlement) telah menganjurkan pendekatan ini, beberapa alasan terus dikemukakan untuk menunda implementasinya. Dibalik alasan keengganan tersebut umumnya terdapat hal-hal berikut yang mendasarinya, yang kontra produktif terhadap pengucuran kredit yang prudent:

1. Dasar persetujuan kredit oleh Kreditur lebih banyak ditentukan faktor struktur industri. Di Indonesia ATPM (Agen Tunggal Pemegang Merek) mendorong pertumbuhan penjualan kendaraan bermotor dengan mendirikan perusahaan pembiayaan. Jadi akuisisi Debitur menjamin penjualan unit. Hal serupa juga terjadi pada konglomerasi yang sangat umum memiliki lini usaha property dan perbankan, 2 sektor usaha yang tumbuh bagai jamur di musim hujan sejak era bunga murah. Kondisi ini membuat kualitas kredit yang buruk dikompensasi oleh lini usaha utama sehingga dalam jangka panjang konglomerasi memiliki pertumbuhan positif dan bila krisis perbankan/ ekonomi mendera maka usaha perbankan menjadi sandera untuk mendorong pemerintah melakukan bail-out
2. Dasar akuisisi kredit lebih banyak ditentukan faktor jaminan. Besarnya resiko kredit ditentukan dari rumus berikut: PD x EAD x LGD. Ketika Kreditur memberikan persetujuan karena nilai pasar dan likuiditas Jaminan, maka upaya untuk memahami dan mengantisipasi kemungkinan default (PD: probability of default) tidak lagi penting
3. Kreditur percaya bahwa Market Risk di dalam Jaminan dapat diantisipasi sempurna. Ketika Jaminan menjadi solusi utama default, Kreditur harus mampu melikuidasi jaminan minimum sebesar saldo pokok hutang. Masalahnya adalah nilai pasar dari jaminan, meskipun jaminan berupa tanah dan bangunan (TB), namun terbukti nilainya bisa turun. Sebelum krisis property di Amerika Serikat, semua investor meng-agungkan emas dan property sebagai asset safe heaven yang tak tergantikan. Dari masa krisis sampai sekarang, ke-2nya terbukti nilainya bisa turun dan dapat dipermainkan oleh investor besar. Di Indonesia nilai TB yang selama ini selalu naik, diprediksi stagnan bahkan terkoreksi 20% untuk tahun 2014 s/d 2016
4. Kreditur percaya bahwa Calon Debitur tidak melek finansial. Pada Application Scoring yang non statistik, yaitu yang disusun berdasarkan pengalaman ahli maka keunggulan analisa diperoleh bila ahli ini memang “lebih pandai” dari Calon Debitur. Dengan Calon Debitur yang semakin canggih, terutama pada Commecial dan Corporate Loan hampir tidak mungkin Kreditur "memintari" Calon Debitur sejauh pertimbangan Scoring yang dipakai adalah textbook Credit Risk Management yang sama. Parameter pada textbook dapat dipelajari baik oleh Kreditur maupun Calon Debitur untuk melakukan window dressing, seperti DSR, DER, ROE, ROS, Cash Ratio dan lain-lain
5. Investasi pada Data Management dan perangkat pendukungnya. Statistical Application Scoring membutuhkan data Calon Debitur yang lengkap, akurat dan terkini. Untuk memiliki data tersebut, Kreditur harus memiliki sistem pengelolaan data yang baik meliputi hardware, software, disiplin karyawan dan kebijakan tersendiri. Selain pengelolaan data, dibutuhkan juga LOS (Loan Origination System) yang baik mencakup perangkat data capture, survey, dan analisa yang terintegrasi dari Marketing sampai penyelesaian kredit
6. Pengelolaan Budaya “Speak by Data”. Persetujuan kredit umumnya dilakukan oleh “ahli” dengan tacid knowledge-nya sendiri yang subyektif. Implementasi Statistical Application Scoring membuat perusahaan memiliki knowledge berdasarkan obyektivitas data dan metodologi
7. Rendahnya otoritas Direktorat Resiko. Kreditur umumnya masih menomorduakan Direktorat Resiko, bahkan ada yang hanya berfungsi mengeluarkan kebijakan dan mempresentasikan parameter resiko saja. Dalam hal Credit Risk, Direktorat Resiko hanyalah macan ompong bila tidak memiliki kemampuan operasional menerima atau menolah permohonan kredit, tanpa kemampuan untuk melakukan monitoring, evaluasi dan menjatuhkan sanksi kepada semua pihak yang terlibat
8. Kreditur tidak harus memenuhi persyaratan Advanced IRB (Internal Rating Based) dan tidak berusaha menurunkan pencadangan default. Perbankan Eropa dan Amerika sejak sebelum krisis 2011 telah mengarah kepada Advance IRB, yang mensyaratkan diberlakukannya sistem mitigasi resiko internal pada setiap Kreditur. Di lain pihak Bank Indonesia tidak tegas sehingga implementasinya tertatih-tatih
9. Minimnya Risk Review Lembaga Pengawasan Lembaga Keuangan. Kreditur masih diberi keleluasaan oleh OJK, Bank Indonesia atau Kementerian Keuangan untuk sekadar melaporkan besarnya default dan NPL (Non Performing Loan), tanpa pembuktian lebih lajut. Hal ini tentunya akan segera berubah dengan semakin meningkatnya bahaya penjalaran krisis keuangan dunia yang telah mendorong munculnya Basel-III

Ilustrasi dari http://www.independent.ie/opinion/analysis/laura-noonan-new-reality-for-banks-as-regulator-wields-big-stick-26662146.html

6 Diskusi Umum Implementasi Statistical Application Scoring Menggantikan Heuristic Model

Perpindahan Model Application Scoring dari Model Heuristik kepada Model Statistik umumnya membuka diskusi baru. Diskusi ini tentunya tidak lepas dari bagaimana hasil model statistik dilihat dari kacamata pemodelan yang sebelumnya mengandalkan pengetahuan dan pengalaman subyektif dari para Credit Analist. Topik yang mencuat biasanya adalah:

1. Jumlah Variabel. Model Heuristik umumnya sangat banyak, maklum karena menggunakan pendekatan text-book. Ketika Model Heuristik mencakup parameter yang lebih banyak daripada Model Statistik maka Model Statistik umumnya dipandang sebelah mata padahal dalam pendekatan ilmiah hukumnya adalah “Parsimony is premium” (sederhanaan adalah keutamaan) artinya bila dengan jumlah yang sedikit telah signifikan dan memiliki daya prediski yang cukup maka tidak perlu dipakai jumlah variabel yang lebih banyak. Sebaliknya bila Model Heuristik mencakup parameter yang lebih sedikit, maka Model Statistik dipandang terlalu kompleks dan tidak perlu (tidak efisien), padahal pendekatan modeling adalah “Make things as simple as possible, but not simpler” (menyederhanakan bila mungkin, asal tetap mampu memberikan prediksi yang signifikan) 
2. Non-monotonicity. Model Heuristik umumnya memandang hubungan yang “linear”. Bila faktor penghasilan signifikan, maka semakin besar penghasilan semakin kecil kemungkinan default-nya. Pada pembuktian secara statistik, hasilnya tidak jarang bukanlah demikian, terutama pada Consumer Loan: default yang lebih tinggi dijumpai pada Pemohon dengan penghasilan kecil dan besar, justru yang menghasilannya menengah lebih aman
3. Multivariate. Pemikiran kita terbiasa berpikir secara parsial, sedangkan pemodelan statistik memasukkan semua model sekaligus dan melihat semua variabel tersebut bekerja secara bersamaan sehingga diperoleh gambaran menyeluruh. Analoginya adalah seperti halnya hidangan masakan. Input untuk suatu masakan adalah mutivariate: garam, gula, daging, merica, keju, dll. Setiap input memiliki rasa-nya sendiri namun begitu dimasukkan ke dalam suatu masakan, semua rasa telah menyatu. Semua input tersebut tidak lagi saling bebas. Merica rasanya pedas, namun begitu masuk ke dalam cream soup, merica menguatkan rasa gurih, bukan lagi pedas
4. Memisahkan perilaku pembayaran dari Model Application Scoring. Model Heuristik umumnya memasukkan history payment ke dalam pemodelan Application Scoring, sebaliknya Model Statistik Application Scoring mengeluarkan data tersebut dan mengembangkan model yang terpisah (independen) yaitu Behavior Scoring. Hal ini terjadi sebab Application Scoring memperkirakan default tidaknya suatu Aplikasi berdasarkan faktor instrinsik Calon Debitur, sebaliknya data perilaku pembayaran cicilan adalah hasil aktivitas Collection. Kedua Model sesungguhnya saling independen, bila faktor intriksik mampu memprediksi resiko default maka tidak diperlukan Behavior Scoring dan sebaliknya. Masalahnya Behavior Scoring hanya bisa diperoleh untuk seseorang yang sudah menjadi Debitur, oleh sebab itu tetap dibutuhkan Model Application Scoring
5. Override: mengesampingkan rekomendasi scoring dan mengambil keputusan yang berlawanan. Scoring pada hakekatnya memberikan saran, jadi harus dimungkinkan terjadinya override. Bila sarannya adalah untuk ditolak namun karena pertimbangan tertentu kemudian diterima maka terjadi LSO (Low Side Override), bila sebaliknya terjadi HSO (High Side Override); yang penting adalah dicatat alasan override tersebut. Bila alasan override sudah dipertimbangkan dalam scoring, maka ini adalah kasus sosialisasi implementasi scoring saja. Namun bila alasannya diluar pertimbangan dalam scoring maka mungkin diperlukan segmentasi awal atau scoring yang lebih spesifik
6. Akurasinya tergantung KESAMAAN kondisi ketika pemodelan dilakukan. Model Heuristik “mudah” menyesuaikan diri ketika terjadi perubahan kondisi bisnis (suku bunga, inflasi, kebijakan kredit, dll) sebab ada dalam setiap pemikiran pemutus kredit, sebaliknya Model Statistik harus dengan pemodelan ulang dan ini artinya keterlambatan sebab model memerlukan data historis. Hal ini tidak dipungkiri dan inilah kekurangan model historis, namun demikian belajar dari pengalaman selalu bermanfaat untuk menghadapi masa depan yang berubah. Selain pemodelan ulang, model yang lama dapat tetap dipakai untuk sementara waktu dengan penyesuaian cut-off, re-calibrasi, tambahan kebijakan kredit sebagai pendukung, dan pengamatan/ pengawasan ketat. Rule-of-thumb nya pada kondisi ini dimana PREDIKSI sudah sulit dilakukan, yang penting adalah melakukan PENGAMATAN

Sumber ilustrasi: http://dilbert.com/strips/comic/2011-08-17/

Lihat juga:

http://en.wikipedia.org/wiki/Monotonicity

http://theartofmodelling.wordpress.com/2012/01/19/a-quote-on-parsimony/

9 Fitur Masa Depan LOS (Loan Origination System)

LOS (Loan Origination System) yang ada dewasa ini umumnya masih belum memuaskan team akuisisi kredit, namun demikian vendor LOS terbilang sedikit dan perusahaan kredit* umumnya juga tidak memiliki visi yang jelas tentang fitur masa depan sistem akuisisi mereka.

LOS memang sistem yang ada dalam industri yang konservatif namun demikian terdapat paling tidak 9 fitur yang akan membentuk LOS masa depan, agar data aplikasi kredit dapat dikelola dengan baik untuk memungkinkan analisa calon debitur yang lebih akurat, dan cepat :

1. Customer Centric bukan Product Centric. LOS umumnya dibedakan atau dipisahkan antar lini portfolio produk yang berbeda, misalnya antara Commercial Lending dan Consumer Lending. Berdasarkan pesan Basel-II, jelas bahwa setiap perusahaan kredit harus memiliki sistem manajemen resiko sendiri dan memahami Debiturnya, maka Debitur yang rekeningnya terpisah dalam LOS dari produk yang berbeda-beda jelas akan menyulitkan. Oleh sebab itu LOS nantinya akan berfokus kepada Debitur bukan lagi produk sehingga tercapai “360 degree view of Customer”.
2. Bergabungnya Risk Management dan Customer Management. Dengan “Fokus kepada Debitur (dan calon Debitur)" maka pengelolaan resiko dan customer harus terintegrasi. Alasan kuat lainnya adalah untuk menghindari bentrokan kepentingan antara Marketing dan Kredit: bagaimanapun kinerja Marketing diukur dari besarnya pokok hutang sedangkan kinerja Kredit dihitung dari default, oleh sebab itu ada tendensi alami yang berlawanan bila Marketing mendukung pencairan sebesar-besarnya maka Kredit mendukung pencairan sekecil mungkin dalam tenor sependek-pendeknya
3. Data Aplikasi sama pentingnya dengan data Debitur. Umumnya aplikasi kredit yang ditolak dihapus dari database demi alasan efisiensi. Dengan pengambilan keputusan dibantu Scoring Model dan kondisi kualitas kredit yang terus membaik maka data default yang dipergunakan dalam pemodelan akan semakin sedikit. Untuk menghindari dead-end seperti ini, maka pemodelan statistik memerlukan data tambahan dari Aplikasi yang di-reject melalui Reject Inference
4. Integrasi LOS dengan Credit Bureau. Data aplikasi, bahkan yang telah disurvey sekalipun terkadang tidak mencerminkan perilaku pembayaran cicilan yang sesungguhnya. Dalam hal ini Credit Bureau akan menjadi pelengkap yang sangat baik bagi analisa aplikasi kredit 
5. Mengakomodasi Data Eksternal Ekonomi Makro. Selain data historis pembayaran dari Credit Bureau, data eksternal yang sifatnya makro akan semakin dibutuhkan. Mengaca dari krisis ekonomi, globalisasi membuat krisis mengalir cepat dari satu negara menjadi krisis kawasan bahkan krisis dunia. Siklus krisis juga semakin pendek, dari krisis th 1997/8 - 2008 - 2012. LOS di masa mendatang akan semakin membutuhkan data eksternal yang sifatnya makro, juga menyimpan, dan menganalisa data tersebut yang dewasa ini terpecah dari berbagai sumber (bank sentral, bursa efek, lembaga pemeringkat, dll)
6. LOS yang pintar dengan logika dan aturan didalamnya. LOS di masa mendatang akan meng-embed policy di dalamnya, serta memastikan akuisisi data yang akurat dan tercatat. Field data akan bergerak dari free text kepada LOV** (list of value) berdasarkan analisa data. Semua ini memungkinkan kualitas data yang lebih baik dan efisien meskipun tehnologi untuk mengubah un-structured data seperti free text menjadi structured data telah mulai tersedia
7. Cloud based. Tuntutan biaya operasional yang rendah serta kecepatan persetujuan kredit pada suatu titik akan menuntut akuisisi data melalui perangkat pintar kapan saja dan dimana saja; begitu juga persetujuan kreditnya. Hal ini menuntut LOS menjadi cloud-based. Belum lagi gencarnya pertumbuhan e-money dan aplikasi pendukungnya (BitCoin, Paypall, Google Wallet, ISIS, dll). Jangan-jangan Google akan menjadi masa depan perbankan kita, siapa tahu?
8. Integrasi LOS dengan payment gateway. Menyambung LOS yang cloud-based, dan era branchless banking membuat LOS harus terintegrasi dengan pembayaran dan pemindahbukuan via internet, sekaligus mengakomodasi beragam bentuk pembayaran baru
9. End-to-end Loan Cycle. LOS secara tradisional berfokus kepada akuisisi kredit, namun default sesungguhnya terjadi bukan saat loan di-originate. Oleh karena itu LOS yang efektif, adalah yang terintegrasi bahkan menyeluruh dari akuisisi sampai maintenance, dari Marketing – Credit sampai dengan Collection dan Recovery

*) perusahaan yang memberikan hutang baik bank ataupun bukan bank, seperti koperasi simpan pinjam dan multifinance

**) data kategoris

Lihat juga:

http://info.mfiflex.com/blog/bid/365222/Lending-Core-integrated-with-FinancialForce-com-FFA

http://cloudlendinginc.com/

6 Pendekatan untuk Mengevaluasi Aplikasi Kredit

Pengucuran kredit adalah keputusan yang penuh resiko. Bayangkan untuk memperoleh keuntungan 3 juta per tahun maka perusahaan harus mengucurkan pembiayaan yang besarnya 100 juta*. Artinya potensi keuntungannya ‘hanya 3% dan potensi kerugiannya 30x lipatnya lebih’.
Salah satu yang membuat bisnis kredit ini tetap merupakan keputusan (investasi) yang masuk akal adalah kemampuan Kreditur meng-akuisisi Debitur yang tepat (Right Customer), yang umumnya dilakukan dengan pendekatan berikut:

1. Judgmental. Analis memutuskan menerima / menolak suatu aplikasi kredit berdasarkan pengalaman dan pemahaman pribadinya sendiri terhadap data calon Debitor

2. Komite Kredit. Di sini pendekatan yang dipakai masih subyektif seperti pendekatan pertama, namun obyektivitas dan akurasi diupayakan dengan pengambilan keputusan berdasarkan pendapat bersama yang diputuskan Ketua Panel Analis dari pendapat beberapa orang Analis. Tidak jarang Ketua Panel atau beberapa Analis memiliki bobot yang lebih tinggi dibanding lainnya berdasarkan kemampuan, pengalaman dan spesialisasi. Pada pendekatan ini mulai diperkenalkan pengambilan keputusan berdasarkan batas wewenang, area of expertise, dan konsep agency theory

3. Model Analitis. Keputusan menerima / menolak suatu aplikasi kredit didasarkan pada suatu model yang disepakati bersama oleh seluruh anggota Komite Kredit. Disini variabel penentu sudah disepakati bersama, demikian pula batas-batasannya sehingga subyektivitas dalam model telah digantikan konsep yang teruji dan berlaku umum. Konsep yang dipakai biasanya diambil dari text book, misalnya semakin besar rasio cicilan terhadap penghasilan (Debt Service Ratio = DSR) maka aplikasi kredit cenderung akan diterima

4. Model Statistik. Keputusan kredit ditentukan oleh Model yang dibuat melalui metode statistik dengan bahan berupa data aplikasi dan kualitas kredit. Pada pemodelan ini, kebenaran umum belum tentu dipakai sebab bila tidak dikonfirmasi oleh data maka akan gugur. Misalnya dalam pembiayaan konsumen, sering dijumpai kondisi bahwa kualitas kredit buruk pada segmen Debitur dengan DSR rendah (hutang << penghasilan) dan tinggi (hutang >> penghasilan). Berlawanan dengan textbook, hubungan DSR dengan kualitas kredit tidak monoton.

5. Model Perilaku. Data aplikasi kredit bisa jadi tidak mencerminkan perilaku pembayaran Debitur, bisa jadi segmen Debitur yang diduga baik atau bahkan sangat baik, ternyata malah sering menunggak. Oleh sebab itu Model Perilaku mengembangkan variabel penentu kualitas kredit dari data pembayaran, bukanlah dari data aplikasi

6. Model Pasar. Kredit dikucurkan selain memperhitungkan kemampuan calon Debitur membayar cicilan / kewajiban jangka pendek (likuiditas), namun juga memperhitungkan bilamana Debitur tidak lagi dapat menghasilkan pendapatan untuk mendukung likuiditasnya (rentabilitas) sehingga harus melunasi hutang dengan aset yang dimilikinya (solvabilitas). Informasi dari nilai aset dari calon Debitur dan nilai perusahaan calon Debitur inilah yang menjadi input dalam pemodelan solvabilitas calon Debitur

*) Misalnya keuntungan yang diharapkan adalah 3 juta dan sebagai penyederhanaan net interest spread sebesar 3%, maka pembiayaan yang harus digelontorkan adalah sebesar 3 juta : 3% = 100 juta. Net interest spread adalah selisih antara besarnya bunga yang harus dibayar Lender dan biaya modal perusahaan. Penyederhanaan dilakukan sebab “selisih” ini seharusnya memperhitungkan hal-hal diluar biaya modal seperti biaya operasional, dan biaya kredit termasuk biaya pencadangan