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/