Métodos Inteligentes de Cobranza. Román Vega Martínez Octubre de 2013

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Métodos Inteligentes de Cobranza. Román Vega Martínez rvega@bancoppel.com Octubre de 2013"

Transcripción

1 Métodos Inteligentes de Cobranza Román Vega Martínez Octubre de 2013

2 ABSTRACT Actualmente algunas instituciones Bancarias, en los créditos masivos, usan métodos econométricos para estimar las probabilidades de incumplimiento de los acreditados, utilizando variables del comportamiento de pago que se reportan en las sociedades de información crediticia y de las dimensiones sociodemográficas y del entorno laboral de los clientes. Estos métodos se potencializan cuando el acreditado ha generado suficiente información del comportamiento de pago lo largo de la vida de sus créditos. El uso de Filtros condicionados y no condicionados en conjunción con herramientas Estadísticas y de Inteligencia Artificial. Presentan una oportunidad de mejorar la gestión de cobranza como pilar de la inteligencia de negocio. En este trabajo se propone la incorporación de modelos de Learning Statistics, en particular modelos lineales y no lineales de SVM (Support Vector Machines) para mejorar la potencia de los filtros.

3 ABSTRACT Los modelos de SVM que se proponen para su desarrollo y validación son de la familia de SVM classifier Propuestos por Vapnik (1) Para el caso lineal 1) y para la entropía del atributo de crédito 2)

4 I.-INTRODUCCIÓN El pilar financiero de cualquier empresa descansa, sin duda, en una buena cobranza y, por tanto, siempre se le destina una parte importante de la estructura y recursos. Las estrategias de cobranza están enfocadas a los esquemas tradicionales; la cobranza a tiempo (normalmente automática) y la cobranza atrasada, siendo ésta la que consume más recursos. Generalmente las empresas cuentan ya con una estrategia definida y establecida en un manual de cobranza, en el cual se definen los diagramas y cronogramas de acciones a seguir, según los tiempos y el estatus del cliente. Ahora imaginemos esta magnífica estrategia funcionando de forma anticipada. Este trabajo es precisamente una herramienta que nos permite acortar los períodos de atraso ya que no sólo reacciona al presentarse un período de atraso sino que PREDICE (con un modelo estadístico de inteligencia de negocio) el comportamiento de pago futuro de cada uno de nuestros clientes, acelerando la toma de acciones previamente establecidas en la estrategia de cobranza, logrando así la optimización de la capacidad ya instalada.

5 I.1 Definición de Incumplimiento. La definición de incumplimiento empleada en este caso: Variable dependiente Para la definición de la variable dependiente se utilizó, la moda del incumplimiento en los doce meses del año de acuerdo a la variable de pago oportuno y completo de cada mes, considerando lo siguiente:

6 II.- MODELO DE REGRESIÓN LOGÍSTICA BINARIA. Este modelo es muy usado en la construcción de filtros para Collection Scoring, pues tiene parsimonia y facilita la interpretación de resultados. En este caso las variables son consideradas categorías que incluyen atributos que distinguen de manera cerrada los datos particulares de cada individuo, de tal suerte que si la categoría incluye k atributos se incluirán k-1 variables Dummy como regresores de esta categoría (variable independiente) en el modelo. La variable dependiente es binaria en correspondencia con la definición de incumplimiento.

7 II.- MODELO DE REGRESIÓN LOGÍSTICA BINARIA. Dados una cartera de N créditos tenemos las parejas ordenadas con variables independientes y variable dependiente binaria del incumplimiento entonces el Modelo Logístico Binario trata de estimar el incumplimiento mediante la ecuación lineal en el logaritmo de los Odds. Cabe señalar que las variables independientes son categorías que poseen atributos que son categorizadas mediante variables dummy. El método de estimación del vector de parámetros que se utiliza en este trabajo es el de máxima verosimilitud. x i n T w

8 II.1 La tabla de clasificación Se define la tabla de clasificación como medida de la calidad del filtro como sigue: TABLA DE CLASIFICACIÓN Real Incumplimiento Porcentaje Buenos Malos Subtotal correcto Buenos Tp Fp Tp+Fp Tp/(Tp+Fp) Malos Fn Tn Fn+Tn Tn/(Fn+Tn) Subtotal Tp+Fn Fp+Tn Tp+Tn+Fp+Fn Error tipo I Fn/(Tp+Fn) Error tipo II Fp/(Fp+Tn)

9 II.1 La tabla de clasificación El Error tipo I consiste en cobrarle intensamente a un cliente bueno, es un error más costoso que no cobrarle a un cliente malo (Dirty-Bad-Bank). Desde el punto de vista del negocio, el cliente malo nos afecta una sola vez hasta el máximo de su línea autorizada, sin embargo el cliente bueno para créditos masivos tiene un potencial de generación de ingresos por un periodo mucho mayor de tiempo.

10 III.- WOE (WEIGTH OF EVIDENCE) COMO ESTIMADOR DE LA ENTROPIA. Como ejemplo se presentan algunas variables que típicamente tienen poder predictivo en filtros de Cobranza: Variable: Voluntad de Pago. Esta variable mide la voluntad de pago del cliente o el grado de cumplimiento de convenios. Cuando este indicador es igual a uno, la voluntad de pago es total: el cliente paga lo que tiene que pagar. No obstante, en muchas ocasiones también el cliente hace un esfuerzo por continuar pagando aunque no logre su pago completo, pero refleja algún nivel de compromiso con las obligaciones contraídas. Evidentemente, a mayor indicador, menos riesgoso es el cliente. VOLUNTAD DE PAGO Mayor a 88% Entre 66.8% y 88% Entre 50% y 66.7% WOE Entre 1% y 49.9%

11 Variable: Pago Puntual Consecutivo (PPC) III.- WOE (WEIGTH OF EVIDENCE) COMO ESTIMADOR DE LA ENTROPIA. El Pago Puntual Consecutivo (PPC) mide el poder del cliente para sostener el pago durante el periodo del crédito. Desde luego, cuanto mayor es el número de pagos consecutivos, el cliente es menos riesgoso. En la gráfica de los WOE s se observa este comportamiento. PPC 7 o más PPC De uno a 6 PPC Ningún PPC WOE

12 III.- WOE (WEIGTH OF EVIDENCE) COMO ESTIMADOR DE LA ENTROPIA. Variable Omisos Consecutivos (OMC) OMC 11 o más De 6 a 10 De 3 a 5 Menor o igual a WOE La variable OMC mide el número de impagos consecutivos actuales del cliente. Debido a que la variable de PPC tiene la debilidad de que una vez que es igual a cero no se sabe cuántos incumplimientos tiene el cliente, una manera de atrapar esa información es a través de la variable OMC, que sí la recoge. Como se observa en esta gráfica, el comportamiento de la variable es decreciente, lo cual es consistente ya que en la medida en que el cliente tiene más incumplimiento, es más riesgoso y recibe puntos negativos.

13 III.1 Definiciones e Indicadores del desempeño. Se define: i.- Sensibilidad : La capacidad del modelo para distinguir al cliente bueno ii.- Error Tipo I : El error de tratar como Dirty a un cliente Clean iii.- Especificidad : La capacidad del modelo para predecir al cliente malo iv.- Error Tipo II : El error de confundir a un cliente mala paga con un Clean-Good-Bank. Para conocer y comparar la potencia de los filtros se utilizaron tres medidas de desempeño.

14 III.1 Definiciones e Indicadores del desempeño. 1.- Estadistico C (el área bajo la curva ROC) 2.- El Índice de GINI X: Proporción acumulada de Bad-Bank Y: Proporción acumulada de Good-Bank 3.- La K-S de Kolmogorov-Smirnoff Fn: Proporción acumulada de Good-Bank Fn : Proporción acumulada de Bad-Bank

15 IV.- SVM (SUPORT VECTOR MACHINES). Vapnik (1) Propone como una solución a los problemas de clasificación el uso de SVM para funciones lineales y no lineales Gaussianas. En particular en este trabajo proponemos y presentamos el resultado para el WOE (Weigth Of Evidence) como una medida de la entropía. Dada una cartera de N créditos definidos por las parejas con variables independientes y la variable dependiente del incumplimiento Entonces.

16 IV.- SVM (SUPORT VECTOR MACHINES). Definamos Lo cual es equivalente a La función no lineal mapea el espacio de las variables independientes y básicamente construye un hiperplano que discrimina entre ambas clases de acreditados. Para dos dimensiones se puede graficar el concepto como sigue.

17 Ilustración de optimización marginal de SVM, en el espacio característico 2 / w Clase +1 x x x x x x x Clase -1 x x x

18 IV.- SVM (SUPORT VECTOR MACHINES). Bajo estas premisas se puede definir el siguiente problema de optimización Sujeto a Las variables i son variables de holgura que son necesarias para compensar los errores de clasificación del tipo I y II. La primera componente de la función objetivo es equivalente a maximizar la distancia de separación entre las distribuciones de Good-Bank vs. Bad-Bank. La segunda componente es la minimización del error de clasificación. La constante C puede considerarse como el parámetro de calibración del algoritmo.

19 V.- HALLAZGOS Se construyeron ambos filtros: I. Logístico Binario no Entrópico y II. SVM (Support Vector Machine) Entrópico. Se simularon para una ventana de doce meses el comportamiento de la variable incumplimiento. De los cuales los resultados simulados para ese horizonte de tiempo fueron Clasificados como Clean-Good-Bank y Dirty-Bad- Bank. Con esta construcción estadística se obtuvieron los siguientes resultados.

20 V.1 Logístico Binario Binario No entropico Rango de Score Tasa de Malos (Bad Rate) Buenos-a- Malos Odds Cum. % Malos Cum. % Buenos Cum. % Total Rechazados Acept. Cum. % Malos % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 0.00% 0.00% % 0.00% % % 1.44% 1.58% 98.33% 0.23% % % 4.46% 5.71% 93.41% 2.12% % % 10.21% 12.68% 85.59% 4.20% % % 18.89% 23.14% 73.87% 7.24% % % 32.78% 39.36% 56.01% 11.20% % % 41.60% 49.48% 44.97% 13.43% % % 50.92% 59.18% 35.00% 14.08% % % 61.81% 69.60% 24.92% 13.26% % % 71.70% 78.06% 17.47% 10.83% % % 77.93% 83.38% 12.78% 9.29% % % 89.70% 92.71% 5.17% 5.13% % % 91.87% 94.26% 4.06% 4.07% % % 97.66% 98.63% 0.69% 1.64% % % 99.47% 99.70% 0.14% 0.38% % % % % 0.00% 0.00% % % % % 0.00% 0.00% 760-y mayor % % 0.00% KS TABLA DE CLASIFICACIÓN Real Incumplimiento Porcentaje Buenos Malos correcto Buenos 58.4% 45.0% 47.7% Malos 41.6% 55.0% 65.3% 56.4% Error tipo I Error tipo II 44.97

21 (%) Sensibilidad V.1 Logístico Binario Estadístico Valor KS 14.1% Indice de Gini 17.6% Estadistico C 58.8% 25.00% 20.00% 15.00% Grafico de K-S 10.00% 5.00% 0.00% Limite de Aceptacion (Scoring) KS Potencia de la Prueba % 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 90.00% % Error tipo II Azar Potencia de la Prueba

22 V.2 SVM (Support Vector Machine) Entrópico SMV Rango de Score Tasa de Malos (Bad Rate) Buenos-a- Malos Odds Cum. % Malos Cum. % Buenos Cum. % Total Rechazados Acept. Cum. % Malos KS % % 0.00% 0.00% % 0.00% % % 0.02% 0.02% 99.98% 0.01% % % 0.02% 0.10% 99.84% 0.14% % % 0.21% 0.53% 99.24% 0.55% % % 0.50% 1.44% 97.91% 1.59% % % 1.74% 3.83% 94.70% 3.56% % % 3.69% 7.58% 89.68% 6.63% % % 7.49% 13.53% 82.23% 10.29% % % 12.71% 21.15% 72.91% 14.39% % % 19.80% 30.61% 61.78% 18.41% % % 28.71% 40.74% 50.80% 20.49% % % 36.84% 50.12% 40.53% 22.63% % % 45.56% 58.92% 31.68% 22.76% % % 54.40% 67.14% 23.91% 21.70% % % 62.82% 74.15% 17.88% 19.29% % % 70.60% 80.40% 12.72% 16.68% % % 77.91% 85.86% 8.55% 13.54% % % 84.13% 90.23% 5.49% 10.38% % % 89.17% 93.63% 3.24% 7.59% % % 93.13% 96.12% 1.77% 5.10% % % 96.13% 97.85% 0.93% 2.94% % % 97.85% 98.86% 0.43% 1.72% % % 99.04% 99.49% 0.19% 0.77% % % 99.66% 99.83% 0.05% 0.30% % % 99.93% 99.97% 0.00% 0.07% % % % % 0.00% 0.00% % % % % 0.00% 0.00% % % % % 0.00% 0.00% 760-y mayor % % 0.00% TABLA DE CLASIFICACIÓN Real Incumplimiento Porcentaje correcto Buenos Malos 0 Buenos 63.2% 40.5% 52.3% Malos 36.8% 59.5% 69.7% 61.0% Error tipo I Error tipo II 40.53

23 (%) Sensibilidad V.2 SVM (Support Vector Machine) Entrópico Estadístico Valor KS 22.8% Indice de Gini 31.1% Estadistico C 64.8% Grafico de K-S Potencia de la Prueba 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% Limite de Aceptacion (Scoring) KS % 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 90.00% % Error tipo II Azar Potencia de la Prueba

24 V.3 Pronóstico de Comportamiento de Pago Individual El pronóstico de comportamiento de pago individual, es una proyección con vista hacia el futuro, para poder anticipar la gestión de cobranza en forma individualizada para cada uno de los clientes, por sus características sociodemográficas y de comportamiento de pago. En conjunto estas características, que son únicas para cada cliente, pronostican una ventana del comportamiento de pago respecto del compromiso que adquirió. Con el uso de este pronóstico se le cobra de manera diferente a todos los clientes, por ejemplo si éstas lo definen como cliente irregular, tiene un riesgo medio de que incumpla en su siguiente compromiso, lo que nos lleva a realizar una gestión de cobranza diferenciada entre los clientes de riesgo bajo y los de riesgo alto. Es la combinación de estas características individuales lo que nos dará una pauta a seguir con la gestión de cobranza.

25 V.3 Pronóstico de Comportamiento de Pago Individual El Proceso del cálculo del Pronóstico de Comportamiento de Pago Individual se describe en el siguiente esquema: CLIENTE AU SCORE SOCIODEMOGRÁFICO SCORE DE COMPORTAMIENTO NO CONDICIONADO NO PROBABILIDAD DE INCUMPLIMIENTO <.50 SI NO PROBABILIDAD DE INCUMPLIMIENTO <.75 SI SCORE CONDICIONADO DE RIESGO BAJO SCORE CONDICIONADO DE RIESGO ALTO SCORE CONDICIONADO DE RIESGO MEDIO CLIENTE CALIFICADO CLIENTE CALIFICADO CLIENTE CALIFICADO FIN

26 Score Sociodemográfico V.3 Pronóstico de Comportamiento de Pago Individual En el momento en que se origina el cliente, después de haber decidido otorgarle el crédito, pasa por un proceso donde le es calculado un Grado de Riesgo que incluye cuatro variables sociodemográficas: Edad Ocupación Entidad Federativa Antigüedad de la cuenta En este Grado de Riesgo se agrega un recargo por un riesgo subnormal, cuando es el caso de la presencia de grupos sociales promotores del incumplimiento.

27 V.3 Pronóstico de Comportamiento de Pago Individual Score Comportamiento de Pago No Condicionado Cuando se conoce el comportamiento de pago del cliente, puede ser sometido a este score, calculando su nivel de riesgo asociado a las variables sociodemográficas y de comportamiento de pago, mediante una probabilidad asignada. Dado esto puede darse cualquiera de los siguientes sucesos: Si su probabilidad de recuperación está entre 92% y 100%, es grado de Riesgo A. Si su probabilidad de cumplimiento se encuentra entre el rango de (54.2% %), el cliente posee un nivel de Riesgo B Si su probabilidad de recuperación tiene un rango entre (29.2% %), es grado de Riesgo C. De lo contario, si su probabilidad de incumplimiento supera el 95.8% indica que el cliente se encuentra en un nivel de Riesgo Alto.

28 V.3 Pronóstico de Comportamiento de Pago Individual Scores de Riesgos Condicionados Alto, Medio y Bajo El cálculo de estas probabilidades permitirá personalizar la gestión para cada cliente con un filtro más fino y conociendo las posibilidades con las que cuenta para migrar ya sea a la mejoría o al deterioro, y la velocidad con la que lo hará. A continuación veremos un ejemplo del cálculo del Pronóstico de Comportamiento de Pago Individual. José Alfredo Rodríguez es un hombre que tiene 28 años y vive en Coahuila. Su ocupación es Asalariado con un puesto de Coordinador técnico con un nivel medio y cuenta con las siguientes características generales y financieras:

29 V.3 Pronóstico de Comportamiento de Pago Individual Variables de Entrada Variable Valor FECHA DE OTORGAMIENTO 13/FEBRERO/2012 EDAD 28 ESTADO COAHUILA EMPLEADO NIVEL OCUPACION MEDIO VALOR DE LA MENSUALIDAD $ 1, VALOR DEL CREDITO $ 20, SCORE CUOTA PURA DE RIESGO INGRESO MENSUAL $ 5, MENSUALIDAD RESPECTO AL INGRESO 0.20 INGRESO RESPECTO AL MONTO DEL CREDITO 0.25 SEMANAS EN GESTION 18 PAGO PUNTUAL CONTINUO (PPC) 0 NUMERO DE OMISOS CONTINUOS 1 PAGO SEMANA 1 $ 1, PAGO SEMANA 2 $ 1, PAGO SEMANA 3 $ 1, PAGO SEMANA 4 $ 1, PAGO SEMANA 5 $ 1, PAGO SEMANA 6 $ 1, PAGO SEMANA 7 $ 1, PAGO SEMANA 8 $ 1, PAGO SEMANA 9 $ 1, PAGO SEMANA 10 $ 1, PAGO SEMANA 11 $ 1, PAGO SEMANA 12 $ 1, PAGO SEMANA 13 $ - PAGO SEMANA 14 $ 1, PAGO SEMANA 15 $ 1, PAGO SEMANA 16 $ 1, PAGO SEMANA 17 $ 1, PAGO SEMANA 18 $ - PAGO SEMANA 19 PAGO SEMANA 20 PAGO SEMANA 21 PAGO SEMANA 22 PAGO SEMANA 23 PAGO SEMANA 24 VOLUNTAD DE PAGO

30 V.3 Pronóstico de Comportamiento de Pago Individual En el Score Sociodemográfico como resultado el valor de construido con las variables sociodemográficas. Con el valor del score cuota pura de riesgo y variables de comportamiento de pago obtenemos el Score de Comportamiento de Pago No Condicionado. La clasificación del cliente, en este ejemplo, arroja un valor de.1660, por tanto, tiene un riesgo bajo. Dado que en el score comportamiento de pago no condicionado tuvo un riesgo bajo, calculamos el Score Condicionado de Riesgo Bajo que da como resultado el valor.4596, con un pronóstico de deterioro. Con la combinación de estos valores, una primera acción sería VISITA DE COBRO dado que es un cliente con 1 omiso continuo, con cero pagos puntuales continuos, y una segunda acción sería COBRANZA INTENSIVA dado que tiene un pronóstico de deterioro.

31 V.3 Pronóstico de Comportamiento de Pago Individual Resultado # CRÉDITOS OMC

32 V.4 Análisis de Cartera Introducción Posterior a la realización de los scores tanto del Comportamiento Condicionado como del No Condicionado Individuales, se procede a realizar el análisis de la cartera al cierre del mes. Aplicandose los dos scores a cada uno de los clientes con el fin de conocer su estatus al día de hoy y las acciones que se deberían tomar. Cobranza oportuna Para realizar una cobranza oportuna, es necesario considerar tres factores del acreditado: El número de incumplimientos consecutivos vigentes El grado de riesgo (alto, medio y bajo) La perspectiva de la calificación al deterioro o a la mejoría, que se obtiene como el pronóstico del score de Gestión.

33 V.4 Análisis de Cartera Estos elementos abren un abanico de posibilidades de cobranza, tanto en oportunidad como en intensidad. En este sentido, es necesario partir de los tres niveles de riesgo definidos en el Score No condicionado (bajo, medio y alto) y captar el estatus actual del cliente, que incorpora la probabilidad del regreso al cumplimiento o la migración al deterioro a través de las calificaciones obtenidas de las probabilidades condicionadas. Todo esto permite rescatar a los clientes que, encontrándose en una etapa de incumplimiento, tengan la posibilidad de regresar a cumplir sin necesidad de aplicar la cobranza más intensiva hacia ellos. También, permite detectar a aquéllos que posiblemente comiencen a incumplir y que debido a sus características están propicios a deteriorarse con mayor rapidez, lo que generaría un mayor costo a la cobranza.

34 V.4 Análisis de Cartera Cartera analizada bajo Score no condicionado Las tablas que se muestran a continuación están clasificadas por periodos consecutivos de incumplimiento: clientes vigentes, clientes con hasta dos semanas de incumplimiento consecutivo y clientes con 3 ó más semanas consecutivas de incumplimiento. El propósito de que éstas sean clasificadas por colores es destacar la intensidad de la cobranza que se sugiere sea aplicada. Además, en ellas se muestra el estatus de la cartera 3,381 clientes simulados, bajo el primer filtro (Score de comportamiento no condicionado). Si no existieran las calificaciones condicionadas, este criterio de grado de riesgo sería el que marcaría la estrategia de cobranza.

35 V.4 Análisis de Cartera Cartera analizada bajo Score no condicionado Sin gestión Llamada amigable Visita de cobro Cobranza intensiva Cobranza de cobro inmediato Abogado

36 V.4 Análisis de Cartera No obstante, y con el propósito de captar no sólo el estatus actual sino también la probabilidad a la mejoría o al deterioro, se incorporaron calificaciones y nuevamente se considera el número de incumplimientos consecutivos. En los siguientes tres cuadros se aprecia la estrategia a seguir dado el nivel de riesgo en que se encuentra, el nivel de calificación y el número de incumplimientos consecutivos.

37 V.4 Análisis de Cartera Score de Comportamiento condicionado, Nivel de Riesgo Bajo El primer análisis se realizó para los clientes con un nivel de riesgo bajo. Las acciones sugeridas se muestran por colores.

38 V.4 Análisis de Cartera Para ilustrar mejor esta propuesta de estrategia de cobranza, consideremos un cliente que tiene un solo incumplimiento y tiene riesgo bajo y calificación de A+. De acuerdo a la estrategia, la oficina de cobranza debería realizar únicamente una visita de cobro. El argumento es que por sus características, este cliente tiene altas probabilidades de regresar de manera rápida al estatus de cumplimiento lo que hace innecesaria una gestión de cobranza más fuerte e inmediata.

39 V.4 Análisis de Cartera Score de Comportamiento condicionado, Nivel de Riesgo Medio Los clientes que tienen un nivel de riesgo medio, según la propuesta de cobranza bajo la calificación no condicionada, debieron haber recibido una visita de cobro, por lo menos. Bajo este esquema hay clientes que cuentan con una calificación alta, y que es suficiente con una llamada amigable para motivar al pago.

40 V.4 Análisis de Cartera Como podrá observarse, en la tabla anterior no se sugiere que haya clientes a los que no se aplique ningún tipo de gestión, pues aunque bajo el score condicionado obtienen una buena calificación, provienen de un nivel de riesgo medio, y sería un error no llevar un seguimiento de su comportamiento. Score de Comportamiento condicionado, Nivel de Riesgo Alto Los clientes que se encuentran en este nivel de riesgo, son clientes que están muy propensos al incumplimiento de obligaciones, es decir, debido a ese nivel no se puede ignorar cualquier incumplimiento y esperar que el cliente por sí mismo haga el pago oportuno, sino que es necesario aplicar una gestión más directa y en algunas ocasiones agresiva. Como se muestra, el proceso más amigable sería, en este, caso una visita de cobro.

41 V.4 Análisis de Cartera El propósito de estas gestiones es adelantar las acciones ante el deterioro del cliente, cuando sea el caso, y tomar las medidas preventivas necesarias que minimicen las pérdidas para la cartera por tener un cliente que tiene bajas posibilidades de regresar al cumplimiento de pago. Por otro lado, apoyar al cliente que, por sus características, tiene potencial a la mejoría.

42 VI. Conclusiones I.-El WOE de los atributos de cada categoría como regresor del modelo SMV Entrópico es determinante en la potencia del modelo, sus características discretas, pero no dicotómicas ayudan de manera sustantiva a reducir el error de clasificación. Adicionalmente la suma de las WOE s en cada variable también apoya el criterio de significancia estadística (Information Value) de cada atributo. II:_La Metodología SVM Entrópica al igual que los modelos logísticos binarios considera la minimización del error cuadrático medio del ajuste, pero adicionalmente maximiza la distancia de separación entre la intersección (traslape) de los hiperplanos de la clase de Clean-Good-Bank vs. Dirty-Bad-Bank, incluyendo el parámetro de escala o ajuste fino (fine-tunning) en el algoritmo de optimización.

43 VI. Conclusiones III.-Los modelos de Behavioral Scoring son útiles para pronosticar el comportamiento futuro de un cliente basado en su experiencia reciente, empleando para ello información tanto de clientes Clean-Good Bank como de clientes Dirty-Bad Bank. IV.-El modelo propuesto de Collection scoring presentado introduce principalmente variables de comportamiento de pago, así como variables de Grado de Riesgo (Clean & Dirty) para captar información del cliente en la originación (variables sociodemográficas y de riesgo subnormal por correlaciones del incumplimiento) V.-Con este conjunto de variables, se obtiene un filtro no condicionado que sugiere acciones a tomar dados distintos impagos observados, desde una acción preventiva de cobranza, hasta una acción de cobranza legal y abogado. VI.-Aplicando entonces un enfoque bayesiano, se introducen elementos de juicio más refinados a través de un segundo Score que está condicionado al estatus vigente del cliente.

44 VI. Conclusiones VII.-De esta manera, se tiene una cubeta cuya acción de cobranza para cada cliente es en función de su propia calificación y de la perspectiva de cambio. VIII.-Las acciones a tomar están en este sentido individualizadas. Esta estrategia tiene varias bondades, entre otras, no genera costos de cobranza ni molestias a clientes Clean-Good-Bank, lo que hace eficiente la operación del negocio al destinar y priorizar los recursos de cobranza. Lo más importante, es anticiparse al deterioro del cliente, y tomar acciones en consecuencia que eviten mayores pérdidas para la cartera por mantener clientes de alta morosidad. IX.-La metodología tiene entonces tres elementos: El Grado de Riesgo La probabilidad de incumplimiento general La probabilidad de incumplimiento condicionada al estatus de la calificación

45 VI. Conclusiones X.-Con esto, se recoge información de la realidad del cliente cuando se originó la cuenta considerando variables sociodemográficas y de riesgo subnormal por la correlación de grupos promotores del incumplimiento. XI.-Se desarrolla entonces un filtro grueso que incorpora el nivel de riesgo derivado de las variables de comportamiento de pago y se aplica un segundo filtro condicionado a la calificación vigente, que mide la probabilidad de regreso del cliente omiso al cumplimiento. XII.-Es de esperarse que las variables que van actualizándose periodo a periodo sean las que vayan marcando la pauta del comportamiento del crédito y de su calificación, mientras que las variables que se utilizaron en la originación sean cada vez menos relevantes conforme el cliente va madurando en el proceso. Este modelo mantiene un equilibrio entre las tres probabilidades mencionadas para evaluar el riesgo potencialmente inherente a los créditos por otorgar y mitigar las pérdidas por a las deudas de difícil cobro.

46 VI. Conclusiones XIII.-Dado que el periodo de los créditos es de corto plazo, el cambio a un criterio semanal es relevante. Con este esquema y apoyado en un modelo apropiado de comportamiento se apoya la gestión de cobranza con una mirada puesta en los clientes con características desfavorables. Bajo un criterio semanal, se propone en este trabajo un cuadro de estrategias de cobranza dependiendo el riesgo (alto, medio o bajo) y la perspectiva de deterioro o mejoría de la calificación. XIV.-Como conclusión, debe destacarse que manejar los riesgos en la cartera es complicado; asumir un riesgo demasiado alto lleva a créditos incobrables, pero asumir muy poco riesgo lleva a perder oportunidades de incrementar las ganancias. El éxito depende de maximizar el ingreso por cliente al mismo tiempo que se reduce el impacto de deudas no cobradas en el resultado total.

47 VI. Conclusiones XV.-En el caso de carteras NO bancarizadas que carecen de líneas validas en los Buros de Crédito, el error de clasificación es alto. Es por ello que la aportación de la metodología SVM Entrópica en carteras como la analizada en este documento, de hasta 1,810 bps en la potencia discriminante, puede representar el umbral que defina participar o no en el otorgamiento de créditos en sectores tradicionalmente considerados subnormales. XVI.-Es claro que las limitantes en la disponibilidad de información representan un riesgo mayor en la cobranza efectiva. Sin embargo con un filtro que aproveche al máximo el poder discriminante de los datos de que disponemos. Sugiere que se puede hacer inteligencia de negocio PREVENTIVAMENTE en los mercados masivos al usar la infraestructura actual con el poder predictivo del SVM-Collection Score.

48 VII.- BIBLIOGRAFÍA 1) Vapnik V (1998). Statistical Learning Theory. John Wiley: New York. 2) Baesens B, Van Gestel T, et al. (2003). Benchmarking stateof-the-art classification algorithms for credit scoring. Journal of the Operational Research Society 54: ) Friedman N, Geiger D and Goldszmidt M (1997). Bayesian network classifiers. Mach Learn 29: ) Hastie T, Tibshirani R and Friedman J (2001). The Elements of Statistical Learning, Data Mining, Inference, and Prediction. Springer, New York. 5) Siddiqi, Naeem (2006). Credit Risk Scorecards, Developing and Implementing Intelligent Credit Scoring. John Wiley: New Jersey.

Buró de Crédito y su contribución a la administración de riesgos

Buró de Crédito y su contribución a la administración de riesgos Buró de Crédito y su contribución a la administración de riesgos Cómo está integrado Buró de Crédito? Cómo se regula Buró de Crédito?! Las autoridades que regulan y auditan la operación de Buró de Crédito.!

Más detalles

El riesgo crediticio Blanca Rosa Pérez Salvador*

El riesgo crediticio Blanca Rosa Pérez Salvador* El riesgo crediticio Blanca Rosa Pérez Salvador* *Depto. de Matemáticas. UAM-I Área de probabilidad y estadística. psbr@xanum.uam.mx 24 ContactoS 90, 23 30 (2013) Recibido: 22 de abril de 2013 Aceptado:

Más detalles

DataCrédito está con usted en los momentos de verdad

DataCrédito está con usted en los momentos de verdad DataCrédito está con usted en los momentos de verdad 2 Su progreso es nuestra visión Introducción 3 DataCrédito en un momento Innovación, tecnología, conocimiento y servicio. En DataCrédito trabajamos

Más detalles

Modelos de Puntuación Puntaje de Originación

Modelos de Puntuación Puntaje de Originación Modelos de Puntuación Puntaje de Originación 1 INTRODUCCIÓN Concepto y Objetivo Mecanismo de Puntaje de Originación 2 Concepto y Objetivo Puntaje de Originación o de Solicitud Es la conversión de información

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación de los modelos de credit scoring para instituciones microfinacieras. Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar

Más detalles

Indicadores Macroeconómicos

Indicadores Macroeconómicos Score de Cobranza Indicadores Macroeconómicos Índice de Confianza del Consumidor 01'13 03'13 05'13 07'13 09'13 11'13 01'14 03'14 05'14 07'14 09'14 11'14 01'15 03'15 05'15 Tasa de Desocupación 6.0 5.5 5.0

Más detalles

Aprendizaje Computacional. Eduardo Morales y Jesús González

Aprendizaje Computacional. Eduardo Morales y Jesús González Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas

Más detalles

Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría

Caso de Estudio EFL Mejorando los scorecards 1 tradicionales con psicometría 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

Más detalles

UNIVERSIDAD SAN FRANCISCO DE QUITO. Minería de Datos Aplicada a Credit Scoring. Mauricio Figueroa

UNIVERSIDAD SAN FRANCISCO DE QUITO. Minería de Datos Aplicada a Credit Scoring. Mauricio Figueroa UNIVERSIDAD SAN FRANCISCO DE QUITO Minería de Datos Aplicada a Credit Scoring Mauricio Figueroa Tesis de grado presentada como requisito para la obtención del título de Maestría en Matemáticas Aplicadas

Más detalles

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA SCORE DE COBRANZA 2 METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA Score de Buró Score estadístico que utiliza información de Buró, y diseñado para otorgantes de crédito nuevos en la evaluación

Más detalles

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MODELO DE BEHAVIOR SCORING Por: Rosario Zolezzi Diners Club Perú Agenda Antecedentes Problemática Objetivos Fases del Modelamiento Uso de la herramienta

Más detalles

Apalancando EFL para influir el mercado de consumidores de bajos recursos

Apalancando EFL para influir el mercado de consumidores de bajos recursos % Tasa de Morosidad Distribución de la Población Caso de Estudio EFL: Apalancando EFL para influir el mercado de consumidores de bajos recursos BanBif Perú Resumen Ejecutivo BanBif, quinto banco 1 comercial

Más detalles

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I [.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento

Más detalles

Índice. Introducción. Modelización del Riesgo de Crédito. Cómo llevarlo a la práctica? Conclusiones. G r o u p

Índice. Introducción. Modelización del Riesgo de Crédito. Cómo llevarlo a la práctica? Conclusiones. G r o u p Gestionando el riesgo de crédito Herramientas para contener el incremento de la morosidad en las carteras David Fernández Pagerols Director de Metodologías Cuantitativas AIS Group 2002-2012 Índice Introducción

Más detalles

Scoring: Construcción y Aplicación

Scoring: Construcción y Aplicación Scoring: Construcción y Aplicación Agosto de 2014 2014 Experian Information Solutions, Inc. All rights reserved. Experian and the marks used herein are service marks or registered trademarks of Experian

Más detalles

HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN

HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN Análisis del Entorno. Es el análisis de grandes cantidades de información del medio ambiente para detectar tendencias emergentes y crear escenarios. Análisis del

Más detalles

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion

TransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

V. DESARROLLO DEL MODELO DE GESTIÓN PROPUESTO

V. DESARROLLO DEL MODELO DE GESTIÓN PROPUESTO V. DESARROLLO DEL MODELO DE GESTIÓN PROPUESTO 5.1 Descripción del modelo actual - El modelo está orientado a la gestión de créditos morosos y no al cliente moroso. - Las adecuaciones son cada vez más complejas,

Más detalles

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos mayo de de 2009 BASILEA II GESTIÓN DEL EXPOSITOR: Kay Dunlop 1 AGENDA MARCO CONCEPTUAL SISTEMA DE GESTIÓN N DEL RIESGO DE CRÉDITO

Más detalles

Boletín de Asesoría Gerencial* Modelo Credit Scoring: Un paso hacia una gestión diferenciada y eficiente del riesgo de crédito

Boletín de Asesoría Gerencial* Modelo Credit Scoring: Un paso hacia una gestión diferenciada y eficiente del riesgo de crédito Espiñeira, Sheldon y Asociados No. 22-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4

Más detalles

BANCO DE MEXICO. Definiciones básicas de Riesgos

BANCO DE MEXICO. Definiciones básicas de Riesgos BANCO DE MEXICO Definiciones básicas de Riesgos Noviembre 2005 1 ÍNDICE DE RIESGO: 1.1. Medidas de riesgo 1.1.1. Valor en Riesgo (VaR) 1.1.2. Análisis de Estrés 1.2. Riesgo de Mercado 1.2.1. Medidas de

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION

CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION Dirección General de Supervisión Grupo de Tesorería y Modelos de Gestión de Riesgos Luis González Mosquera Antonio Marcelo Antuña Raúl

Más detalles

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:

Más detalles

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail.

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. GMG Perú Resumen Ejecutivo Grupo Monge es un grupo económico líder en Centroamérica en la distribución y venta

Más detalles

FUNDAMENTACIÓN EN RIESGO CON RISK SIMULATOR

FUNDAMENTACIÓN EN RIESGO CON RISK SIMULATOR FUNDAMENTACIÓN EN RIESGO CON RISK SIMULATOR TABLA DE CONTENIDO 1. RIESGO... 3 2. TIPOS DE RIESGO... 4 2.1 RIESGO DE MERCADO... 4 2.1.1 Valor en Riesgo... 6 2.1.2 Cópulas... 6 2.1.3 Teoría del Valor Extremo...

Más detalles

BANCO NACIONAL DE COMERCIO EXTERIOR, S. N. C. Institución de Banca de Desarrollo y Subsidiarias

BANCO NACIONAL DE COMERCIO EXTERIOR, S. N. C. Institución de Banca de Desarrollo y Subsidiarias BANCO NACIONAL DE COMERCIO EXTERIOR, S. N. C. Institución de Banca de Desarrollo y Subsidiarias NOTAS DE ADMINISTRACIÓN INTEGRAL DE RIESGOS AL 30 DE JUNIO DE 2007 (En millones de pesos) ------------------------------------------------------------------------------------------------------------------------

Más detalles

ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING

ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING RESUMEN JUAN MANUEL RIVAS CASTILLO En este documento se emplea el análisis discriminante, que es una técnica del análisis multivariado utilizada

Más detalles

MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS

MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS INVESTIGACIÓN MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS CLAUDIO ALFREDO LÓPEZ MIRANDA Un problema grave en las instituciones de crédito son los préstamos no

Más detalles

Metodología de Clasificación. Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito

Metodología de Clasificación. Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito Metodología de Clasificación Títulos de Deuda de Securitización Respaldados con Tarjetas de Crédito Originación de los Créditos y Administración Revisión del Originador o Vendedor/Administrador El proceso

Más detalles

LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT

LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT INTRODUCCIÓN El módulo LA PLANEACIÓN COMO PROCESO EN SUPPLY CHAIN MANAGEMENT, tiene como propósito ubicar al estudioso en el proceso de planeación

Más detalles

ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS

ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS TESIS DE GRADUACION PREVIO A LA OBTENCIÓN DEL TÍTULO DE: MAGISTER EN CONTROL DE OPERACIONES

Más detalles

Congreso Empresarial de Riesgo de Crédito y Cobranza 2014 APC. CLARO PANAMA Historia de Éxito

Congreso Empresarial de Riesgo de Crédito y Cobranza 2014 APC. CLARO PANAMA Historia de Éxito Congreso Empresarial de Riesgo de Crédito y Cobranza 2014 APC CLARO PANAMA Historia de Éxito Riesgo de Suscripción: Es inherente a la naturaleza del negocio y su correcta segmentación, balance y administración

Más detalles

Caso de Estudio EFL: generando nuevos préstamos en el segmento de micro empresas.

Caso de Estudio EFL: generando nuevos préstamos en el segmento de micro empresas. Caso de Estudio EFL: generando nuevos préstamos en el segmento de micro empresas. Banco Financiero Perú Resumen Ejecutivo Banco Financiero, un banco comercial entre los 10 más grandes del Perú i, se asoció

Más detalles

Facultad de Ciencias

Facultad de Ciencias Facultad de Ciencias Trabajo Fin de Grado Grado en Estadística Métodos de predicción de fuga con grandes volúmenes de datos Autor: D. Raquel García Fernández Tutor/es: D. Eusebio Arenal Gutiérrez Página

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO Herramientas idóneas para el control de riesgos y la evolución de la calidad de las carteras Gustavo Chuliver Gerente AIS Argentina gustavo.chuliver@ais-int.net

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

Matriz de Riesgo, Evaluación y Gestión de Riesgos

Matriz de Riesgo, Evaluación y Gestión de Riesgos Matriz de Riesgo, Evaluación y Gestión de Riesgos Cualquier actividad que el ser humano realice está expuesta a riesgos de diversa índole los cuales influyen de distinta forma en los resultados esperados.

Más detalles

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación 5.5.1. Denominación: Introducción a la Minería de Datos 5.5.2. Breve Descripción del Contenido: Introducción a la minería de datos. Aprendizaje supervisado, modelos no paramétricos y modelos generalizados

Más detalles

Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1

Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1 Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1 En los dispositivos móviles como tablets o teléfonos celulares se tiene la opción de implementar o no un sistemas

Más detalles

Administración Integral de Riesgos

Administración Integral de Riesgos Administración Integral de Riesgos COMPASS Investments de México COMPASS INVESTMENTS opera como un Asesor de Inversión Independiente en México desde 1996. A partir del 2004 se convierte en Sociedad Operadora

Más detalles

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO INTRODUCCIÓN David A. Mermelstein Los modelos de Credit Scoring son parte de una metodología para el manejo del riesgo de crédito ya

Más detalles

MÁQUINAS DE VECTORES DE SOPORTE

MÁQUINAS DE VECTORES DE SOPORTE MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican

Más detalles

Por qué Analytics en su Negocio?

Por qué Analytics en su Negocio? Por qué Analytics en su Negocio? Aplicaciones para la Gestión de Riesgos: El Caso del Score Crediticio 22 de Agosto de 2013 Bruno Gili y Sven Schaffrath Por qué Analytics en su negocio? Cantidad de Información

Más detalles

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le

Más detalles

Norma Internacional de Contabilidad 13 Medición del Valor Razonable

Norma Internacional de Contabilidad 13 Medición del Valor Razonable Norma Internacional de Contabilidad 13 Medición del Valor Razonable Objetivo 1 Esta NIIF: (b) define valor razonable; establece en una sola NIIF un marco para la medición del valor razonable; y (c) requiere

Más detalles

NORMA DE ADMINISTRACIÓN DE RIESGO DE CRÉDITO. Segunda parte

NORMA DE ADMINISTRACIÓN DE RIESGO DE CRÉDITO. Segunda parte NORMA DE ADMINISTRACIÓN DE RIESGO DE CRÉDITO Segunda parte ADMINISTRACIÓN DE RIESGO DE CREDITO Es la posibilidad de pérdida debido al incumplimiento del prestatario o la contraparte en operaciones directas,

Más detalles

BEHAVESCORE DOCUMENTO TECNICO

BEHAVESCORE DOCUMENTO TECNICO HERRAMIENTAS CUANTITATIVAS PARA LA MEDICIÓN DE RIESGO DE CRÉDITO Se presenta un conjunto de modelos de scoring para el sistema de administración de riesgo de crédito (SARC). Cada uno de los cuales está

Más detalles

Proyecto de Tesis. Crédito al Consumo: La Estadística aplicada a un problema de Riesgo Crediticio

Proyecto de Tesis. Crédito al Consumo: La Estadística aplicada a un problema de Riesgo Crediticio Proyecto de Tesis Crédito al Consumo: La Estadística aplicada a un problema de Riesgo Crediticio Alumna: Soraida Nieto Murillo Asesores: Dra. Blanca R. Pérez Salvador Act. Fernando Soriano Flores 18 de

Más detalles

Evolución del financiamiento a PYMES y algunas lecciones aplicables a las Uniones de Crédito

Evolución del financiamiento a PYMES y algunas lecciones aplicables a las Uniones de Crédito Evolución del financiamiento a PYMES y algunas lecciones aplicables a las Uniones de Crédito ConUnión 5 Foro PYME de Uniones de Crédito Dr. Guillermo Babatz Octubre 2010 CNBV 1 Índice Evolución de la Cartera

Más detalles

MBA UNIVERSIDAD DEL CEMA

MBA UNIVERSIDAD DEL CEMA TESINA: CONSTRUCCIÓN DE UN MODELO PREDICTIVO DE RIESGO-RENTABILIDAD PARA UNA ENTIDAD BANCARIA MBA UNIVERSIDAD DEL CEMA PROFESORES-TUTORES: PABLO RAIES DIEGO SODOR AUTOR: MARIO MARTÍN PALLARES SEGUNDO TRIMESTRE

Más detalles

Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de

Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de Curso teórico-práctico de creación, desarrollo, validación y optimización de Sistemas de Trading Aprendizaje desde cero para cualquier plataforma de trading G e s T r a d i n g S t r a t e g i e s 2 INTRODUCCIÓN

Más detalles

FECEDA Fondo de Empleados Oficiales del Departamento del Meta REGLAMENTO DE CARTERA

FECEDA Fondo de Empleados Oficiales del Departamento del Meta REGLAMENTO DE CARTERA PÁGINA: 1 DE 9 FONDO DE EMPLEADOS OFICIALES DEL DEPARTAMENTO DEL META RESOLUCIÓN No 102 POR MEDIO DE LA CUAL SE REFORMA EL La Junta Directiva de EL FONDO DE EMPLEADOS OFICIALES DEL DEPARTAMENTO DEL META

Más detalles

Tutorial - Parte 2: Scoring

Tutorial - Parte 2: Scoring Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.

Más detalles

Microcrédito y Crédito Rural

Microcrédito y Crédito Rural Asociación para la Diversificación y Desarrollo Agrícola Comunal Tel. 00505-7725245, 772-7108 Matagalpa, Nicaragua Correo credito@addac.org.ni www.addac.org.ni Hotel Bermúdez 2 c al Este 1.5 c. al Norte.

Más detalles

PRESENTACION FONDOS DE EMPLEADOS.

PRESENTACION FONDOS DE EMPLEADOS. PRESENTACION FONDOS DE EMPLEADOS. MODULO SCORING. La Superintendencia Financiera de Colombia (SFC) mediante la Carta Circular 31 y la Circular Externa 11 de 2002, exige que todas las instituciones financieras

Más detalles

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio

Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Caso de estudio EFL: Uso del puntaje EFL para mejorar los datos de la central de riesgo crediticio Equifax Perú Resumen ejecutivo: Equifax (EFX) se propuso determinar si EFL podría agregar valor a su score

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Norma Internacional de Información Financiera 13 Medición del Valor Razonable

Norma Internacional de Información Financiera 13 Medición del Valor Razonable Norma Internacional de Información Financiera 13 Medición del Valor Razonable Objetivo 1 Esta NIIF: define valor razonable; establece en una sola NIIF un marco para la medición del valor razonable; y requiere

Más detalles

Norma Internacional de Información Financiera 13 Medición del Valor Razonable

Norma Internacional de Información Financiera 13 Medición del Valor Razonable Norma Internacional de Información Financiera 13 Medición del Valor Razonable Objetivo 1 Esta NIIF: define valor razonable; establece en una sola NIIF un marco para la medición del valor razonable; y requiere

Más detalles

METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO

METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO Diana Noemí Castillo Amoroso 1, Ing. Margarita Martínez Jara 2 Ingeniera en Estadística Informática 1, Directora

Más detalles

IXE AUTOMOTRIZ, S.A. DE C.V. SOCIEDAD FINANCIERA DE OBJETO MULTIPLE ENTIDAD REGULADA, GRUPO FINANCIERO BANORTE

IXE AUTOMOTRIZ, S.A. DE C.V. SOCIEDAD FINANCIERA DE OBJETO MULTIPLE ENTIDAD REGULADA, GRUPO FINANCIERO BANORTE IXE AUTOMOTRIZ, S.A. DE C.V. SOCIEDAD FINANCIERA DE OBJETO MULTIPLE ENTIDAD REGULADA, GRUPO FINANCIERO BANORTE CIFRAS AL 30 DE SEPTIEMBRE DE 2012 (Expresadas en millones de pesos) Información mínima a

Más detalles

INFORME TRIMESTRAL GBMF3 PRIMER TRIMESTRE

INFORME TRIMESTRAL GBMF3 PRIMER TRIMESTRE INFORME TRIMESTRAL GBMF3 PRIMER TRIMESTRE ANEXO 10. INFORME TRIMESTRAL GBMF3 GBM FONDO DE VALORES DE LARGO PLAZO, S.A. de C. V. I. INFORMACIÓN GENERAL a. Objetivo.- Fondo de rendimiento altamente competitivo

Más detalles

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval.

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval. Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País

Más detalles

Administración de Riesgos

Administración de Riesgos Administración de Riesgos El Consejo Directivo de Banobras aprueba los límites globales de exposición al riesgo, los cuales están ligados al capital y a la estrategia de negocio del banco. Lo anterior

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

El Comité de Riesgos establece políticas y estrategias de riesgo, da seguimiento a las mismas y vigila su cumplimiento.

El Comité de Riesgos establece políticas y estrategias de riesgo, da seguimiento a las mismas y vigila su cumplimiento. ADMINISTRACION INTEGRAL DE RIESGOS La función de identificar, medir, monitorear, controlar e informar los distintos tipos de riesgo a que se encuentra expuesta Banca Afirme, está a cargo de la Unidad de

Más detalles

COMPARACIÓN DE MODELOS DE RIESGO DE CREDITO: MODELOS LOGÍSTICOS Y REDES NEURONALES:

COMPARACIÓN DE MODELOS DE RIESGO DE CREDITO: MODELOS LOGÍSTICOS Y REDES NEURONALES: COMPARACIÓN DE MODELOS DE RIESGO DE CREDITO: MODELOS LOGÍSTICOS Y REDES NEURONALES: Trabajo de grado presentado por Iván Camilo Ladino Becerra a PONTIFICIA UNIVERSIDAD JAVERIANA FACULTAD DE CIENCIAS ECONOMICAS

Más detalles

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti.

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. Métodos Estadísticos sticos para Diagnósticos MédicosM Barcelona, uno de marzo de 2008 Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. MODULO: Diseño de proyectos y análisis estadístico

Más detalles

Cómo Identificar Grupos de Clientes con tendencia al no pago. Por: Claudia Johanna Polo Yepes Estadístico Senior Vicepresidencia Crédito y Cartera

Cómo Identificar Grupos de Clientes con tendencia al no pago. Por: Claudia Johanna Polo Yepes Estadístico Senior Vicepresidencia Crédito y Cartera Cómo Identificar Grupos de Clientes con tendencia al no pago Por: Claudia Johanna Polo Yepes Estadístico Senior Vicepresidencia Crédito y Cartera El análisis correcto El paso indicado La mejor decisión»

Más detalles

SISTEMA DE CREDIT SCORING

SISTEMA DE CREDIT SCORING 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 TEMARIO

Más detalles

ENSIA 605 Inteligencia de Negocios y Minería de Datos

ENSIA 605 Inteligencia de Negocios y Minería de Datos ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

Buro de Crédito y su contribución a la Administración de Riesgos en el Año de las Reformas Estructurales

Buro de Crédito y su contribución a la Administración de Riesgos en el Año de las Reformas Estructurales Buro de Crédito y su contribución a la Administración de Riesgos en el Año de las Reformas Estructurales SITUACIÓN ACTUAL ECONÓMICA Situación Actual Crédito al Consumo Alerta en morosidad del consumo El

Más detalles

Serie Documentos de Trabajo. Tablas de Mortalidad CNSF 2000-I y CNSF 2000-G. Documento de trabajo No. 80

Serie Documentos de Trabajo. Tablas de Mortalidad CNSF 2000-I y CNSF 2000-G. Documento de trabajo No. 80 Tablas de Mortalidad CNSF 2-I y CNSF 2-G Manuel Mendoza Ramírez Ana María Madrigal Gómez Evangelina Martínez Torres Mayo 2 Serie Documentos de Trabajo Documento de trabajo No. 8 Índice 1. Antecedentes

Más detalles

Subdirección General de Administración de Cartera. Octubre 2015

Subdirección General de Administración de Cartera. Octubre 2015 Subdirección General de Administración de Cartera Octubre 2015 Agenda 1. Quiénes somos 2. Recaudación 3. Otorgamiento de crédito 4. Esquema de Cobranza Social 5. Qué estamos haciendo 6. Retos 1- Quiénes

Más detalles

Norma Internacional de Información Financiera 13 Valoración del valor razonable

Norma Internacional de Información Financiera 13 Valoración del valor razonable Norma Internacional de Información Financiera 13 Valoración del valor razonable Objetivo 1 Esta NIIF: define valor razonable, establece en una única NIIF un marco para la valoración del valor razonable,

Más detalles

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las

Más detalles

IXE AUTOMOTRIZ, S.A. DE C.V. SOCIEDAD FINANCIERA DE OBJETO MULTIPLE ENTIDAD REGULADA, GRUPO FINANCIERO BANORTE

IXE AUTOMOTRIZ, S.A. DE C.V. SOCIEDAD FINANCIERA DE OBJETO MULTIPLE ENTIDAD REGULADA, GRUPO FINANCIERO BANORTE IXE AUTOMOTRIZ, S.A. DE C.V. SOCIEDAD FINANCIERA DE OBJETO MULTIPLE ENTIDAD REGULADA, GRUPO FINANCIERO BANORTE CIFRAS AL 30 DE JUNIO DE 2012 (Expresadas en millones de pesos) Información mínima a revelar

Más detalles

Modelos de regresión: lineal simple y regresión logística

Modelos de regresión: lineal simple y regresión logística 14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente

Más detalles

Mejores prácticas existentes en auditorías de riesgo de crédito Oscar Urzúa KPMG

Mejores prácticas existentes en auditorías de riesgo de crédito Oscar Urzúa KPMG Mejores prácticas existentes en auditorías de riesgo de crédito Oscar Urzúa KPMG Índice a) Programa de trabajo tradicional b) Nuevos modelamientos de crédito c) Nuevo programa de trabajo d) Mejores practicas

Más detalles

REGLAMENTO DEL PROCESO DE COBRANZA DE CARTERA COOPICBF

REGLAMENTO DEL PROCESO DE COBRANZA DE CARTERA COOPICBF ACUERDO No. 230 de 2011 REGLAMENTO DEL PROCESO DE COBRANZA DE CARTERA COOPICBF EL CONSEJO DE ADMINISTRACIÓN DE LA COOPERATIVA MULTIACTIVA NACIONAL DE BIENESTAR FAMILIAR COOPICBF, en uso de sus atribuciones

Más detalles

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia GUÍA DOCENTE Curso Académico 2015/16 1. Técnicas de Análisis Estadístico basado en Inteligencia Artificial 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura Carácter de la

Más detalles

Optimización en la asignación a agencias externas. Director de Producto AIS Aplicaciones de Inteligencia Artificial

Optimización en la asignación a agencias externas. Director de Producto AIS Aplicaciones de Inteligencia Artificial Gestión de Cobranza Optimización en la asignación a agencias externas David Fernández David Fernández Director de Producto AIS Aplicaciones de Inteligencia Artificial Contenido Tecnificación en la gestión

Más detalles

Scoring. en la Industria de. Microfinanzas

Scoring. en la Industria de. Microfinanzas Scoring en la Industria de Microfinanzas Liliana Botero Londoño Vicepresidente Operaciones Internacionales Unidad de Administración de Riesgo Septiembre de 2007 2007 ACCION International Reflexión Cada

Más detalles

III JORNADAS DE DATA MINING DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS

III JORNADAS DE DATA MINING DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS III JORNADAS DE DATA MINING EN EL MACRO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS POR RIESGO David Mermelstein, Economista Senior, Estudio

Más detalles

Aplicación de un modelo de evaluación crediticia para reducir el riesgo en la cartera de clientes de una compañía aseguradora

Aplicación de un modelo de evaluación crediticia para reducir el riesgo en la cartera de clientes de una compañía aseguradora Revista de la Facultad de Ingeniería Industrial 14(): 59-66 (011) UNMSM ISSN: 1560-9146 (Impreso) / ISSN: 1810-9993 (Electrónico) Eduardo Arce Chíncaro / Miguel Mejía Puente Aplicación de un modelo de

Más detalles

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid SVM: Máquinas de Vectores Soporte Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Clasificación lineal con modelos lineales 2. Regresión

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

Score para Personas Morales

Score para Personas Morales Score para Personas Morales Piden Pymes flexibilizar créditos. Reforma, 14 de mayo del 2012. La falta de información confiable obstaculiza los créditos pymes. La Jornada, 13 de abril del 2015. Entorno

Más detalles

La consideración del riesgo en la planificación financiera

La consideración del riesgo en la planificación financiera La consideración del riesgo en la planificación financiera Noviembre de 2013 Dos herramientas muy utilizadas habitualmente por la Gerencia General y Financiera de las empresas, son el presupuesto integral

Más detalles

Gestión del Riesgo Hipotecario

Gestión del Riesgo Hipotecario Contribuimos a potenciar el liderazgo de los directivos y profesionales 5 días Gestión del Riesgo Hipotecario Santiago de Chile 8-12 Noviembre 2010 OBJETIVO DEL CURSO Curso de gestión del riesgo hipotecario,

Más detalles

Dr. Carlos L. Jave Gutiérrez

Dr. Carlos L. Jave Gutiérrez PLANIFICACION DE LA PRODUCCION: PRONOSTICOS Dr. Carlos L. Jave Gutiérrez Universidad San Martín de Porras 2010-2 PLANIFICACION DE LA PRODUCCION Son variados y similares los enfoques que con respecto al

Más detalles

Castigar y después qué? Venta de cartera vencida en Perú

Castigar y después qué? Venta de cartera vencida en Perú Castigar y después qué? Venta de cartera vencida en Perú Objetivo 1. Repasar la relevancia de la cartera vencida en el ciclo de crédito de consumo 2. Introducir el concepto de sofisticación en la recuperación

Más detalles

INDICE Gestión Integral de Riesgos Gobierno Corporativo Estructura para la Gestión Integral de Riesgos 4.1 Comité de Riesgos

INDICE Gestión Integral de Riesgos Gobierno Corporativo Estructura para la Gestión Integral de Riesgos 4.1 Comité de Riesgos INFORME GESTION INTEGRAL DE RIESGOS 2014 1 INDICE 1. Gestión Integral de Riesgos... 3 2. Gobierno Corporativo... 4 3. Estructura para la Gestión Integral de Riesgos... 4 4.1 Comité de Riesgos... 4 4.2

Más detalles