SISTEMA DE CREDIT SCORING

Transcripción

1 SISTEMA DE CREDIT SCORING APLICADO A MICROEMPRESAS Andrés Bernal E. Gerente Comercial Viviana Manríquez F. Asesora Gerente Comercial Banco del Desarrollo División Microempresas Scotiabank Group

2 TEMARIO Contextualización Entender la fenomenología Decisiones estratégicas Construcción de Modelo Resultados obtenidos Implementación del Modelo Conclusiones

3 Contextualización Creciente consenso en la importancia de la pequeña producción como ente dinamizador de la economía Prácticamente la mitad de la población económicamente activa lo hace por cuenta propia o en empresas de menos de cinco personas. La riqueza de las naciones es más débil cuando la pequeña producción es escasa y, que en cambio, la fortaleza de este sector es muy importante para un crecimiento sostenido e innovador. Por último, constituye un importante eslabón para tender a la equidad en la generación de riqueza.

4 Contextualización Políticas Públicas orientadas a estructurar un medio ambiente adecuado para este sector y a establecer condiciones propicias para su desarrollo: Incentivo al mercado para que provean las ofertas fundamentales para su existencia; tales como: Financiamiento, asistencia comercial, asistencia técnica, capacitación formación, articulación, etc. A pesar de esfuerzos desplegados en los últimos 10 años, aún la microempresa se encuentra desprovista de financiamiento, el que por su particular complejidad requiere de tecnologías apropiadas que permitan estructurar ofertas masivas y eficientes.

5 Entender la fenomenología MERCADO MASIVO VARIABILIDAD DE FLUJOS COMPETENCIA EMPRESARIAL RECONOCEMOS QUE ESTAMOS EN PRESENCIA DE UN FENOMENO ESTOCASTICO Y NO LINEAL

6 Decisiones estratégicas CONSTRUIR UN MODELO LINEAL (Regresión Logística) POR QUÉ? Primera experiencia de esta banca, queríamos utilizar técnicas más probadas Disposición para asumir costos de escalamiento Disposición para asumir menores eficiencias del modelo predictivo (que siempre podremos solucionar de otras formas modelos de decisión, puntos de corte)

7 Decisiones estratégicas Cómo lo hacemos? Empresas especialistas conocidas en el Mercado Consultores del DII de la Universidad de Chile Con recursos propios Nuestro objetivo final era el APRENDIZAJE Decisión: Contratar los Servicios del DII y tener una contraparte técnica al interior de Microempresas que trabajara en conjunto con los Consultores Nos permitió trabajar en equipo con ellos Nos permitió aprender técnicas de desarrollo de Modelos predictivos

8 Construcción de Modelo

9 Construcción de Modelo 1.- TECNICA DE MODELACION REGRESION LOGISTICA Variables independientes Variable Objetivo Medidas al otorgamiento del crédito Variables de comportamiento del crédito anterior Medida al final de la vida del crédito Variable dependiente dicotómica: Bueno - Malo

10 Construcción de Modelo 2.- TIPOS DE MODELO Modelo por segmentos? Modelo Global? Modelo sólo para clientes Nuevos? Modelo para clientes Antiguos? Behavior Scoring? Y las campañas?

11 Construcción de Modelo Estamos frente a un Modelo Lineal : Nos importaba la homogeneidad de la muestra Decisión: Generar dos enfoques alternativos: Enfoque Global y Enfoque por Segmentos

12 Construcción de Modelo Enfoque Global Enfoque por Segmentos 1 único modelo créditos 20,1% malos 1 modelo por segmento NUEVOS ANTIGUOS créditos 23,9% malos créditos 14,6% malos

13 Construcción de Modelo Modelo Global Un solo modelo para Nuevos y Antiguos No considera variables de comportamiento Modelo Nuevos Clientes nuevos o con inactividad mayor a 2 años Modelo Antiguos Clientes con historial crediticio Información en los últimos 2 años Modelo Campañas Mínimo N de variables Aplicable sólo a campañas

14 Construcción de Modelo 3.- SELECCION DE LOS PRODUCTOS Mercado de la Microempresa: Créditos a Plazo Fijo Créditos Cuota Flexible Créditos Cuota Cuotón Líneas de Crédito Para el desarrollo del Modelo sólo se consideraron Créditos en cuotas fijas mensuales 85% del stock de colocaciones totales

15 Construcción de Modelo 4.- DEFINICION DE LA MUESTRA Considerando sólo créditos en cuotas fijas mensuales: Nos enfrentamos con los siguientes desafíos para seleccionar la muestra: Distintas tecnologías de evaluación utilizadas en el pasado Calidad de las Bases de datos de clientes: Información a la Evaluación Calidad de las Bases de datos de créditos: Información de comportamiento

16 Construcción de Modelo Distintas tecnologías de evaluación Utilizadas en el pasado Calidad de las Bases de datos de clientes: Información a la Evaluación Calidad de las Bases de datos de créditos: Información de comportamiento Considerar Sólo créditos Evaluados con Tecnología PER Considerar Sólo créditos con posibilidad de rescatar Información a la fecha de evaluación Considerar Sólo créditos con información en Kardex de pago

17 Construcción de Modelo Conformación final de la muestra Créditos en cuotas fijas, que fueron evaluados utilizando tecnología PER, otorgados en los años 2004, 2005, y 2006

18 Construcción de Modelo 5.- SELECCIÓN VARIABLES INDEPENDIENTES Variables al momento de la evaluación: Se contaba con un total de 547 variables distintas, distribuidas como: Variables propias del cliente = 352 Variables propias del producto en evaluación = 13 Variables generadas = 182 TOTAL = 547

19 Construcción de Modelo 6.- VARIABLE OBJETIVO: DEFINICION DE CLIENTES BUENOS Y MALOS Se utilizó información de morosidades promedio y morosidades máximas por crédito Objetivo final: RENTABILIZAR LA CARTERA: Definición de BUENO y MALO: no sólo consideró aspectos de riesgo Tomar en cuenta índices de Rentabilidad

20 Construcción de Modelo 7.- MODELO DE SEGUMIENTO Mercado de la Microempresas: Mercado Cambiante Se hacía necesario contar con una herramienta que Nos permita controlar que a pesar de cambios, el modelo sigue siendo aplicable Se diseño una herramienta específica de control: Se basa en determinar los intervalos de confianza de los parámetros beta del Modelo que permita revisar la estabilidad de las poblaciones asociadas.

21 Resultados obtenidos RESULTADOS OBTENIDOS 9 variables KS conjunto train = 0.39 KS conjunto test = 0.36 Modelo Global

22 Resultados obtenidos Modelo Nuevos 9 variables KS conjunto train = 0.43 KS conjunto test = 0.42

23 Resultados obtenidos Modelo Antiguos 10 variables KS conjunto train = 0.44 KS conjunto test = 0.46

24 Implementación del Modelo PLAN PILOTO 1. Evaluación centralizada con 2 supervisores utilizando el Modelo (Aplicación en Macros Excel) 2.- Se eligieron 2 zonales regionales Bajo Riesgo Más alto Riesgo 3.- Se eligieron puntos de corte: tres zonas Aprobación automática Zona de decisión por Comité Rechazo automático

25 Implementación del Modelo 4.- Se diseño un seguimiento a nivel de usuario y a nivel de predicción de los créditos 5.- Se diseño un competencia con otro modelo 5.- Se diseño un competencia con otro modelo de evaluación basado en el comportamiento de clientes antiguos

26 Implementación del Modelo QUE ESPERAMOS DE ESTE PLAN PILOTO? 1.- Calibrar los puntos de corte 2.- Controlar tasas de Aceptación y Rechazo 3.- Rediseñar y/o afinar los procesos crediticios 4.- Decisiones de implementación

27 Implementación del Modelo PLANES DE IMPLEMENTACION 1.- Masificar a todo la Banca Incorporar el modelo de Scoring a la Plataforma de Evaluación on-line que utilizan los ejecutivos en sucursales 2.- Sistema de Administración de Scoring 3.- Incorporar el Modelo Scoring Campañas al proyecto FABRICA DE PRODUCTOS Existe un módulo de cálculo de Scoring dentro este proyecto

28 Proceso individual Proceso masivo Cliente Cliente Proceso 1: Captura de Datos y Validación de la Información Proceso 2:Evaluación de Riesgo Proceso 3:Gestión de cartera Proceso 4:Otorgamiento de productos Cuenta Vista con Línea de Crédito Tarjeta de Crédito Crédito en cuotas Productos de normalización Productos de Ahorro

29 Implementación del Modelo Proceso de evaluación: Aplicación de Políticas Clientes rechazados Políticas Proceso 2: Evaluación de Riesgo Clientes aprobados Políticas Cálculo de scoring forma parte de un nuevo Sistema de Administración de Scoring Cálculo de Scoring Clientes rechazados Scoring Clientes aprobados Proceso de gestión de Cartera

30 Implementación del Modelo Sistema de administración de Scoring: Sistema mantiene y almacena la información necesaria para el cálculo de la probabilidad de pago Sistema mantiene y almacena la información de variables obtenidas para cada cliente evaluado, la probabilidad de pago obtenida y la decisión de aprobación o rechazo : Lleva el seguimiento y retroalimentación del modelo

31 Conclusiones

32 Conclusiones CONCLUSIONES DE LA CONSTRUCCION DEL MODELO Validación de la decisión de contratar un Proveedor externo con una fuerte contraparte técnica interna Alto aprendizaje para la empresa Alto control del desarrollo del proyecto Resultados que consideramos satisfactorios posibilitan incorporar en los modelo de evaluación crediticia esta herramienta Nos dimos cuenta de deficiencias en la generación y administración de nuestros datos