Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría

Transcripción

1 Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría BTPN Indonesia Resumen Ejecutivo BTPN, el 4to 2 mayor prestamista de MIPYME en Indonesia, se asoció con EFL para mejorar el análisis de datos y contribuir a su meta de reducir el riesgo y estandarizar sus operaciones de crédito. EFL desarrolló un nuevo scorecard de crédito, estratificando la base de datos existente de BTPN de más de prestatarios, con los criterios psicométricos creados por EFL. Este scorecard Psicométrico+ 3, mide con precisión el riesgo crediticio en la población prestataria de BTPN, permitiendo mayor precisión en la toma de decisiones de toda la red de sucursales del banco Impulsado por estos resultados, BTPN decidió lanzar el scorecard Psicométrico+ a través de su red de más de 600 sucursales. El gráfico 1 a continuación demuestra el poder de clasificación de riesgo del modelo Psicométrico+ de EFL, que estratifica la aplicación de score psicométrico de EFL con un nuevo scorecard resultante de la base de datos existente de BTPN que contiene información de sus clientes. Los clientes que obtuvieron una calificación en la banda inferior tenían 10 veces más probabilidades de caer en mora que aquellos clientes de las dos bandas superiores. Desempeño del Score Psicométrico + Población % Tasa de Morosidad Banda de Score Malo Bueno Morosidad por Banda de Score Psicométrico + Figura 1: Tenga en cuenta que la mora promedio a nivel de producto sin una scorecard se denota como 1X. La población está distribuida en bandas de score con un rango de 40 puntos. 1 Cuadro de mando integral based on number of branches serving MSMEs 3 Modelo psicométrico que incluye variables tradicionales

2 La capacidad del scorecard Psicométrico+ de EFL de diferenciar efectivamente entre clientes de alto y bajo riesgo ha permitido a BTPN no sólo tomar decisiones de crédito más informadas, sino también determinar con mayor precisión productos y condiciones crediticias más adecuadas para los solicitantes de crédito sobre la base de sus respectivos perfiles de riesgo. Visión General del Socio El mercado de Indonesia en proceso de cambio Indonesia, el cuarto país más poblado del mundo, tiene uno de los mercados de servicios financieros más grandes y de más rápido crecimiento en el mundo en la base de la pirámide. Sin embargo, como es el caso en gran parte del mundo emergente, las instituciones financieras indonesias se enfocaron durante la mayor parte de su historia en el segmento de mayores ingresos, donde el riesgo es menor y los costos de servicio al cliente son proporcionalmente menores. Como resultado, las clases bajas y medias que en su mayoría trabajan por cuenta propia o son informales, históricamente han sido desatendidas por las instituciones financieras de Indonesia. De hecho, en el 40% más pobre de la nación, menos de 1 de cada 15 indonesios acceden a préstamos de instituciones financieras formales cada año. Por el contrario, casi el 45% de esa misma población de bajos ingresos toma préstamos de amigos y familiares 4. Esta disparidad sugiere que hay una enorme demanda de capital de trabajo en las crecientes clases bajas y medias, pero hasta la fecha esa demanda ha quedado en gran medida desatendida. En los últimos años, sin embargo, el acceso a financiamiento ha comenzado a expandirse. Una necesidad creciente de servicios financieros en los segmentos de ingresos bajos y medios ha empujado a muchas instituciones financieras a cambiar sus estrategias y buscar modelos nuevos e innovadores para servir a la parte inferior de la pirámide económica de Indonesia. En la primera década del siglo 21, por ejemplo, el número total de sucursales de bancos comerciales privados en Indonesia aumentó en un 70%, y el número de cajeros automáticos en todo el país casi se triplicó. 4

3 Pasar de atender relativamente pocos clientes de alto patrimonio y clientes corporativos a atender una base más amplia de clientes significativamente más pequeños y diversos, significó una gran oportunidad para las instituciones financieras de Indonesia, pero también presentó una serie de retos importantes. El principal desafío es encontrar formas de estandarizar la evaluación del riesgo: mientras los bancos amplían su ámbito geográfico y otorgan capital de trabajo a empresas informales, deben encontrar maneras no sólo para evaluar la solvencia crediticia en un nuevo segmento de prestatarios, sino también asegurar la consistencia operacional en extensas redes de sucursales. CRECIMIENTO DE SUCURSALES Y CAJEROS DE BANCOS COMERCIALES EN INDONESIA # de sucursales # de cajeros Figura 3 Crecimiento de sucursales y cajeros de bancos comerciales privados Limitaciones de los scorecards en economías en desarrollo En mercados desarrollados, las grandes firmas de calificación de riesgo ofrecen una manera escalable y de bajo costo de medir el riesgo crediticio. Los scorecards de crédito de estas firmas, incorporan aspectos 5 demográficos, de negocios e historial de pagos de los solicitantes, para producir una medición cuantitativa del riesgo. Para que estos sistemas funcionen, sin embargo, se deben establecer centrales de riesgo centralizadas y robustas. Casi el 80% del poder predictivo de las calificaciones de crédito tradicionales proviene de la información 6 de las centrales de riesgo. Esta dependencia en la infraestructura de crédito presenta un gran desafío en mercados emergentes, donde la información de las centrales de riesgo es a menudo inexacta o incompleta, o completamente indisponible. En Indonesia, por ejemplo, sólo el 41% 7 de la población adulta está cubierta por la Oficina de Crédito de Indonesia (Bank Indonesia Credit Bureau or Informasi Sistem Debitur). Con un acceso tan limitado a esta información, las instituciones financieras en Indonesia luchan por encontrar métodos fiables y estandarizados para medir el riesgo, creando una barrera aun mayor para los préstamos de alto valor en mercado masivos. 5 Historical repayment data is sometimes referred to as behavioral data 6 Murray Bailey "Practical Credit Scoring: Issues and Techniques" White Box Publishing (2006) 7 World Bank Doing Business in Indonesia Report

4 Un prestamista de mercados masivos en crecimiento Fundado en 1958, BTPN se centró en la mayor parte de su historia, en ofrecer préstamos y servicios financieros a pensionistas. Si bien este mercado es de muy bajo riesgo, con cuotas de préstamos que se deducen directamente de las pensiones que paga el gobierno a los clientes, el mercado ofrece un potencial de crecimiento limitado y depende mucho de la política gubernamental. Después de ser comprado en 2008 por la firma de capital privado Texas Pacific Group (TPG), BTPN decidió desarrollar una nueva línea de negocio orientada a mercados masivos, centrándose en las micro, pequeñas y medianas empresas con préstamos entre US$ 400 y US$ Prestando principalmente a negocios informales que representan casi dos tercios de la fuerza laboral 8 del país, BTPN cuadruplicó el tamaño de su cartera MIPYME entre 2009 y 2011 hasta 4.6 trillones de rupias (500 millones de dólares) 9. Hoy en día, el banco presta servicios a más de MIPYMES a través de una red de más de 600 sucursales, y los préstamos a las MIPYME constituyen casi el 25% del total de préstamos del banco 10. Figura 4 Red de sucursales del BTPN en todo Indonesia Conforme BTPN creció, buscó formas innovadoras de minimizar riesgos en su creciente cartera de MIPYME. Además, con operaciones de préstamo a través de una red de oficinas en expansión y un equipo de casi personas, el banco ha buscado la manera de garantizar la coherencia en sus procesos de aprobación de crédito. Visión General del Projecto BTPN se asoció con EFL en Septiembre de 2012 para ayudar a generar mejores análisis de crédito. Desde el principio, EFL y BTPN identificaron dos formas en las que EFL podría transformar los métodos de evaluación de crédito de BTPN y generar prácticas crediticias más estandarizadas. 1. Psicometría: La metodología de análisis psicométrica de EFL mide el riesgo del solicitante de crédito mediante la recopilación activa de datos a través de una encuesta de crédito de minutos de duración. Aplicado en una tableta, por un agente de crédito y en el local del negocio del solicitante, esta metodología permite a BTPN predecir con mayor eficacia el desempeño de los préstamos de los clientes para los cuales los datos de crédito tradicionales no estaban disponibles. 2. Aplicación del scorecard: Para todos los prestatarios de BTPN, los agentes de crédito recolectaron y almacenaron una gran cantidad de datos. Sin embargo, BTPN nunca había BTPN Annual Report 2012.

5 utilizado estos datos para construir un sistema de score de crédito cuantitativo. Al aprovechar esta base de datos existente, EFL proporcionaría un valor adicional más allá del score psicométrico. EFL y BTPN se dieron cuenta pronto de que aunque estos dos modelos estadísticos aprovecharían fuentes de datos fundamentalmente diferentes, estaban profundamente entrelazados. Integrando la psicometría con los datos de aplicaciones de BTPN, EFL podía crear un nuevo scorecard estratificado con mayor capacidad de predicción que aquella de la psicometría o datos de aplicaciones por sí solas. En este caso, el conjunto fue mayor que la suma de sus partes. Utilizando tanto psicometría como datos de aplicaciones existentes, EFL construyó tres modelos "Psicométricos+" específicos para la cartera de préstamos de las MIPYME de BTPN. Análisis de datos de solicitudes de crédito EFL comenzó analizando los datos de las aplicaciones existentes de BTPN para determinar qué variables dentro de su base de datos existente tenían correlaciones significativas con el desempeño de los préstamos. Evaluando estadísticamente más de 330 variables de pago, financieras y demográficas de más de aplicaciones MIPYME, EFL fue capaz de identificar 14 variables clave que demostraron un nivel estadísticamente significativo de capacidad de predicción de riesgo. Una vez que estas variables fueron seleccionadas, se ponderaron en modelos de productos específicos que podrían comenzar a predecir los niveles de riesgo relativos de clientes potenciales de BTPN. Variables Seleccionadas # Vars. Analizadas 332 # Vars. Utilizadas en modelamiento 35 #Vars. en modelos finales Figura 5 Selección de variables del scorecard Es importante destacar que, BTPN y EFL decidieron conjuntamente no incluir en esta lista final de variables, variables de garantías. No sólo EFL descubrió que estas variables tenían sorprendentemente poco poder predictivo, sino que también se dio cuenta que la inclusión de las variables de garantías en el scorecard limitaría potenciales ganancias en eficiencia: la verificación de la información de garantía es típicamente lo último que se hace antes de aprobar un préstamo, lo que quiere decir que cualquier scorecard que se basa en variables de garantía no tiene ningún valor hasta la fase final de revisión de crédito

6 Incluyendo Algoritmos Psicométricos En el transcurso de los primeros 18 meses de trabajo, BTPN implementó la metodología de score psicométrica de EFL a través de 90 sucursales piloto, administrando la solicitud EFL más de veces y desembolsando más de préstamos a las micro, pequeñas y medianas empresas (MIPYMES). Evaluando la relación entre las respuestas a las preguntas de la solicitud EFL y el desempeño en el tiempo de los solicitantes, EFL fue capaz de calibrar un modelo de crédito adaptado al mercado MIPYME de Indonesia. Combinando información de la aplicación de crédito con psicometría Tanto la aplicación y los scorecards psicométricos desarrollados por EFL demostraron la capacidad de medir eficazmente el riesgo de la población de prestamistas de BTPN. El mayor valor no provenía de aprovechar estos scorecards de forma independiente, sino más bien de forma conjunta. Al interactuar las variables de la solicitud de crédito psicométrica de EFL con las variables extraídas de la base de datos de clientes de BTPN, EFL fue capaz de construir un scorecard Psicométrico+ estratificado con mayor poder predictivo y capturaba un entendimiento más matizado del riesgo del solicitante. De manera más específica, el scorecard Psicométrico+ ha permitido a BTPN diferenciar con más precisión el riesgo entre un grupo de prestatarios que, antes de EFL, habrían parecido casi idénticos. Este poder de clasificación de riesgo ha permitido al banco identificar y rechazar solicitantes que tienen más probabilidad de caer en mora, así como introducir la fijación de precios basada en riesgo, impulsando mayor rendimiento de la cartera y estandarización de procesos. Resultados La calidad de cualquier herramienta de calificación de crédito radica en su capacidad de diferenciar el riesgo. Aquellos que alcanzan un score mayor deberían tener mejor desempeño, es decir, caer en mora con menos frecuencia, que aquellos que tengan una calificación inferior. Cuanto más fuerte es el scorecard de crédito, mejor se puede diferenciar entre clientes buenos y malos, y más se puede ayudar a las instituciones financieras a controlar el riesgo en sus carteras de préstamos. El gráfico 6 a continuación ilustra la distribución de la población de solicitantes de crédito divididos en 5 grupos de 40 puntos llamados quintiles, donde los quintiles de mayor score están a la derecha y los quintiles de menor score a la izquierda. Dentro de cada quintil, los clietnes se dividen en "buenos" y "malos", o en los que pagaron sus préstamos y los que cayeron en mora durante 90 días o más. Las líneas con pendientes negativas rojas y azules ilustran la relación entre buenos y malos en cada grupo, y se les llama "tasa de morosidad". Como regla general, cuanto más pronunciada es la pendiente de esta línea, más eficaz es el scorecard asignando scores bajos a los clientes más riesgosos. En este gráfico, las tasas de morosidad son dadas por quintil como un múltiplo de la media del producto en ausencia de cualquier método de scoring. El gráfico 6 transmite el poder predictivo del scorecard de aplicación (azul), desarrollado por EFL a partir de la base de datos existente de BTPN, así como el scorecard Psicométrico+ (rojo).

7 Desempeño del Score Psicométrico+ vs. Scorecard de Aplicación Población Tasa de Morosidad Banda de Score Bueno Malo Morosidad por Bandas de Score Psicométrico+ Morosidad por Bandas de Score - Scorecard Figura 6 Desempeño del Score Psicométrico+ vs. Scorecard de Aplicación El gráfico 6 muestra que ambos modelos fueron capaces de diferenciar eficazmente el riesgo en la población de clientes de BTPN: los que obtuvieron calificaciones más bajas fueron significativamente más propensos a caer en mora que los que puntuaron más alto. Más específicamente, sólo para el scorecard de aplicación, los clientes que cayeron en el grupo 1 tuvieron casi 8 veces más probabilidades de caer en mora que los que cayeron en los grupos 4 y 5. En contraste, usando el scorecard Psicométrico+, los clientes del grupo 1 tuvieron más de 10 veces más probabilidades de caer en mora que los de los grupos 4 y 5. Viendo estos casos uno al lado del otro, resalta el valor agregado del score psicométrico de EFL. Tasa de Morosidad de la Población Rechazada (El 15% inferior de solicitantes) Tasa de Morosidad de la Población Aceptada (El 85% superior de solicitantes) Población Tasa de Morosidad Población Tasa de Morosidad El 15% inferior Psicométrico+ El 15% inferior Scorecard El 85% superior Psicométrico+ El 85% superior Scorecard Malos Buenos Tasa de Morosidad del 10% inferior Malos Buenos Tasa de Morosidad del 90% superior Figura 7 Figura 8

8 La mayor capacidad del scorecard Psicométrico+ para segmentar el riesgo tiene implicancias significativas para reducir el nivel de morosidad y optimizar el rendimiento de la cartera. Consideremos, por ejemplo, la diferencia en rendimiento del 15% inferior (Grupo 1) y el 85% superior (Grupos 2-5) en los dos modelos (gráficos 7 y 8). Usando el scorecard Psicométrico+, el 15% inferior de los prestatarios es 31% más riesgoso que una población de similar tamaño usando el scorecard de aplicación de BTPN. Si BTPN utilizara únicamente su scorecard de aplicación, rechazando el 15% inferior reduciría sus niveles generales de morosidad para el producto en aproximadamente 11%. Rechazando la población de similar tamaño utilizando el scorecard Psicométrico+, resultaría en una disminución del 28% en sus niveles generales de morosidad para el producto. Scorecard Psicométrico+ en uso El uso del scorecard Psicométrico+ permite a BTPN mejorar drásticamente el rendimiento de la cartera con una reducción mínima de volumen. Además de simplemente rechazar los solicitantes de mayor riesgo, el banco también fue capaz de segmentar mejor la población de solicitantes aceptados, ofreciendo diversas tasas de interés (pricing) y diversos niveles de préstamos con base en los perfiles de riesgo de los clientes. Esto no sólo permite a BTPN compensar el riesgo de aceptar algunos de los solicitantes con bajo score con primas de riesgo ajustadas, sino también atraer solicitantes con mayor potencial, ofreciendo condiciones más favorables. Alentados por los resultados de EFL en construcción de modelos y análisis financiero, BTPN comenzó, en el 2014, la implementación del scorecard Psicométrico+ de EFL a través de su red de 600 sucursales. BTPN continuará reduciendo el riesgo en su cartera de MIPYME y mejorando su oferta a clientes de MIPYME, al aprovechar las técnicas de modelamiento líderes en la industria que ofrece EFL para obtener un mayor valor de su base de datos de clientes existente en combinación con modelos psicométricos.