Datamart de Riesgos & Reportería 29/06/2015

Transcripción

1 Datamart de Riesgos & Reportería 29/06/2015

2 Contenido Antecedentes AIS Observer - Descripción funcional y claves de éxito - Backtesting - Descripción técnica - Experiencias relevantes - Demo Consultas y próximos pasos

4 Antecedentes La necesidad de un seguimiento periódico y detallado del riesgo de crédito supone un gran aumento en las necesidades de información a todos los niveles: dirección, riesgos, comercial, regulación. La evolución del riesgo de crédito hace indispensable la existencia de protocolos y mecanismos eficientes y seguros para validar el funcionamiento y la calidad de los modelos de concesión de riesgo. PROBLEMAS FRECUENTES Flexibilidad Tiempo DESCRIPCIÓN Necesidad de analizar la información desde diferentes puntos de vista. Complejidad en el seguimiento de los cambios continuos del negocio. Pérdida de tiempo en recopilar y tratar la información. El mayor porcentaje de tiempo debe dedicarse en analizar los datos. Control y Seguimiento El control y seguimiento del negocio se complica por no disponer de una herramienta que centraliza estas tareas. Transparencia Coste El usuario en muchos casos mal interpreta la información ya que no se le presenta claramente. Si el usuario duda de la información difícilmente podrá analizarla. La creación de análisis para adaptarse a nuevas necesidades es un trabajo costoso.

6 Descripción funcional AIS Observer es una herramienta de BI desarrollada específicamente para reporting y análisis de las carteras de crédito bajo la perspectiva de la Gestión Estratégica del Riesgo. Qué permite? Explotar el completo set de cuadros de mando predefinidos para navegar, analizar y tomar decisiones. Modificar los reportes ya existentes y crear nuevos con total flexibilidad. Automatizar la presentación de resultados integrándolos en Ms. Office (Powerpoint, Excel, etc.). Permitir un uso corporativo con distintos niveles de usurario y accesos remotos. Disponer de un repositorio de datos robusto y fiable para la evolución futura de los modelos. Probar la capacidad de gestión ante el regulador. A quién está dirigido? Áreas de seguimiento de la cartera y seguimiento de los modelos y estrategias.

7 Descripción funcional: Esquema de operación

8 Descripción funcional: Proceso de carga Datawarehouse Modelos y Concesión Carteras Operaciones Carteras Clientes Recuperación Interpretación Procesos ETL Validación Transformación Carga Datamart Análisis Riesgos Tipos de Información Navegación GARANTÍAS Hipotecas Retail 2012 Hipotecas Retail Hipotecas Retail 2012 Banco 2345 Solicitud Almacena toda la información necesaria para el seguimiento del riesgo actual y para la construcción de modelos futuros La estructura de la información permite una fácil y rápida navegación incluso hasta los niveles más desagregados por la total granularidad de los datos

9 Descripción funcional: Claves de éxito Espíritu corporativo Permite homogenizar el seguimiento de forma flexible, posibilitando la personalización. Tecnología web permite acceso desde cualquier lugar, facilitando la función corporativa de seguimiento. Múltiples usuarios y control de acceso

10 Descripción funcional: Claves de éxito Potente Incorpora una potente herramienta de Incorpora el gestor de BBDD Oracle Capacidad para gestionar altos volúmenes de datos (Terabytes ) Incluye licencias embedded de Oracle que no hay que adquirir

11 Descripción funcional: Claves de éxito Especializada Datamart analítico de riesgos diseñado para la industria bancaria Completo set de informes predefinidos, disponibles desde el día 1 Medición eficiencia de modelos y estrategias Escalable: originación, comportamiento, cobranza, etc.

12 Descripción funcional: Claves de éxito Integrada Consolidación de la información de distintos orígenes de datos Comunicación con otras herramientas y bases de datos Fácil y universal acceso Análisis distribuibles con integración nativa a Ms. Office

13 Descripción funcional: Claves de éxito Experiencia Potencia y alcance de la solución Experiencia en proyectos similares Costos competitivos Constante evolución No solo seguimiento de modelos y estrategias, sino también a nivel de cartera, decisiones, unidades de negocio, etc. Proyectos corporativos Integrándonos con soluciones de otros proveedor Bajo costo de inversión (licencias Oracle embebidas) Bajo costo de mantenimiento 3era generación de herramientas de seguimiento de AIS

15 Backtesting Backtesting de los modelos Poder discriminante Estabilidad de la población Sistema de otorgamiento Backtesting de la cartera Probabilidad de Mora (PD) Severidad (LGD) Exposición (EAD)

16 Backtesting de los modelos Poder predictivo Medir el grado de discriminación del modelo Un estadístico que permite medir el grado de concentración de perfiles morosos en los grupos de mayor riesgo gracias al modelo, es el coeficiente de Gini (alternativamente Powerstat, K-S, Entropía). Junto con el coeficiente de Gini, se utiliza la Curva de Lorenz, que es la representación gráfica del coeficiente de Gini.

17 Backtesting de los modelos Poder predictivo Detectar la variación de poder de predicción del modelo en el tiempo Es recomendable analizar la evolución del poder de predicción del modelo, con periodicidad trimestral, evaluando si ha sufrido un empeoramiento significativo. Gini inicial Gini actual 100% 90% Curva inicial Curva actual % bads 80% 70% 60% 50% Contrastamos que la variación del coeficiente de Gini no sea significativa 40% 30% 20% 10% 0% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% % goods

18 Backtesting de los modelos Poder predictivo Detectar la variación de poder de predicción de cada variable y sus categorías El poder de predicción de las categorías se puede medir fácilmente con OR (Odds Ratio) y DAR (Diferencial Absoluto del Riesgo). Valores año A Valores año B Diferencias significativas La morosidad en mora previa ha aumentado significativamente En este nuevo escenario con más morosidad debemos ser en general más estrictos.

19 Backtesting de los modelos Estabilidad de la población Distribución de las puntuaciones Una modificación en la calidad crediticia de la cartera (ya sea a nivel producto o a nivel perfil) puede producir la necesidad de realizar algún reajuste en los puntos de corte del modelo de otorgamiento.

20 Backtesting de los modelos Estabilidad de la población Distribución de las variables del algoritmo Este análisis pretende identificar alteraciones poblacionales a nivel de variable (p.e. estado civil,...). El interés se centrará en detectar qué variables han sufrido un cambio significativo en la distribución de sus categorías.

21 Backtesting de los modelos Sistema de otorgamiento Análisis de distribución de dictámenes y overrides producidos por el analista

22 Backtesting de los modelos Sistema de otorgamiento Análisis de overrides producidos por el analista Para el nivel de vinculación del banco a la herramienta se dispone del Indicador de Overrides Relativo (IOR). Este indicador informa de cuanto más probable es una aprobación NO vinculada (override) que una aprobación vinculada a la herramienta. Este indicador permite definir alarmas sobre el aumento significativo de los overrides por cartera, oficina,... Dictamen herramienta Aprobado Denegado Denegar 300 =: a =: b Aprobado/ duda Dictamen institución =: c 330 =: d Riesgo de aprobar a / (a + b) = 10% =: Aprobados (denegar) c / (c + d) = 98% =: Aprobados (aprobado/duda) Aprobados (denegar) Aprobados (aprobado/duda) = 0,102 := IOR Es 0,1 veces menos probable una aprobación no vinculada a la herramienta que una aprobación vinculada a la herramienta

23 Backtesting de los modelos Sistema de otorgamiento Análisis de MOROSIDAD en overrides producidos por el analista

24 Backtesting de los modelos Esquema de posibles acciones Poder de predicción Estabilidad poblacional Sistema de otorgamiento Revisar el poder de predicciónón del modelo (Gini) ) No. Revisar cada Ha disminuido? trimestre? No Distribuci ón de las puntuaciones (K-S) -S) Hay cambios?? Revisar la morosidad en overrides (OR, DAR) Ha aumentado?? Sí Revisar el poder de predicciónón de de las variables (OR, DAR) Hay cambios?? No hay cambios Muchos cambios Pocos cambios Definición de de Estimar un nuevas nuevo modelo reglas elicitadas Sí Sí No Revisar otros elementos de otorgamiento (reglas el., capacidad Revisión de los de pago,...). Modificar los criterios puntos de corte de los analistas (s. vinculante) Estudiar dónde hay cambios Distribuci ón variables (Cramer s V, K-S) Revisar el volumen de overrides (RR) Hay cambios? Han aumentado? Variables con alta dispersión? else Información ón útil para diagnóstico? No Sí Información ón útil para diagnóstico

25 Backtesting de la cartera Análisis Probabilidad de mora (PD) El objetivo es comparar la PD estimada, una vez calificada la cartera en los niveles de Rating/Scoring del modelo con la PD observada. Analizar diferencias de PD a nivel global (en el conjunto de todos los grupos) y por grupo de riesgo. Utilizar matrices de transición para medir las migraciones de calidad crediticia de una cartera de crédito. Permiten cuantificar la importancia de los flujos entre categorías de crédito en un periodo de tiempo. Análisis Severidad (LGD) El objetivo es comparar la LGD estimada para cada uno de los grupos del modelo con la LGD observada. Analizar diferencias de LGD a nivel global (en el conjunto de todos los grupos) y por grupo.

26 Backtesting de la cartera Exposición (EAD) Análisis El único componente que implica una estimación es el CCF (Credit Conversion Factor): Coeficiente para estimar el posible incremento de la exposición en el momento de caída en mora. El objetivo es comparar la CCF estimada para cada uno de los grupos del modelo con la CCF observada. Analizar los aumentos o disminuciones reales con el CCF estimado, a nivel global (en el conjunto de todos los grupos) y por grupo.

28 Descripción técnica: Datos Validaciones aplicadas en el Proceso de Carga de Datos: Comprobación de formatos. Comprobación de validez de claves (no nulas y formatos válidos). Comprobación de unicidad de claves (no duplicados). Campos obligatorios. Comprobación de catálogos. Unicidad de descripciones en pares código/descripción. Reglas lógicas a nivel de Interfaz. Reglas de coherencia entre Interfaces. Reglas lógicas entre Interfaces. Datamart Resúmenes de información: Organización de campos en áreas de negocio para facilitar la explotación de la información. Campos pre-calculados. Ejemplo: número de operaciones, número de solicitudes formalizadas. Jerarquización y desagregación de los campos fechas teniendo listo para usar el año, semestre, trimestre, mes, día de la semana y día de todas las fechas sin tener que calcularlo en los informes.

29 Descripción técnica: Componentes COMPONENTES Datamart Procesos ETL Oracle Business Intelligence Cuadros de mandos de seguimiento DETALLE Estructura multidimensional donde se almacena la información necesaria para realizar el seguimiento. El sistema se ha desarrollado siguiendo la filosofía ROLAP de diseño multidimensional. Se requiere de dos bases de datos Oracle: una para el Datamart que contiene la información de seguimiento y, otra, para guardar los metadatos de Oracle Business Intelligence. AIS Observer incluye la licencia embebida de Oracle Database 11gR2 Enterprise Edition, que no supone coste adicional. Esa licencia sólo puede utilizarse para AIS Observer Conjunto de procesos que se encargan de cargar y validar la información para volcarla en el Datamart. Están desarrollados mediante scripts (bat o ksh) y procedures PL/SQL. Software de Oracle que permite a los usuarios realizar cuadros de mandos y navegar por la información almacenada en una base de datos de manera fácil y sin requerir conocimientos de SQL. AIS Observer incluye la licencia embebida de Oracle Business Intelligence Enterprise Edition 11g, que no supone coste adicional. Esa licencia sólo puede utilizarse para AIS Observer. Cada módulo de AIS Observer tiene incorporados grupos de cuadros de mandos predefinidos orientados al seguimiento de ese módulo. El usuario tiene libertad tanto para modificar los cuadros de mandos predefinidos, como para crear de nuevos.

30 Descripción técnica: Arquitectura

31 Descripción técnica: Requerimientos Requerimientos Mínimos de Servidor Servidor de BBDD Servidor de Aplicaciones Servidor BBDD Gestor BBDD Oracle Database Enterprise Edition 11gR2 x64 SO Linux RedHat 6.2 x64 (*) Procesador 4 cores Intel Xeon / AMD Opteron Memoria 8 Gb Disco X Gb por año (para datos) + 50 Gb (para el sistema) Servidor Aplicaciones OBIEE Oracle Business Intelligence Enterprise Edition 11g x64 SO Linux RedHat 6.2 x64 (*) Procesador Memoria Disco 4 cores Intel Xeon / AMD Opteron 8 Gb 40 Gb (para el sistema) * Por cuestiones de rendimiento se recomienda la utilización del S.O. Linux RedHat 6.2 x64. En el caso que no pudiera ser ese S.O., la siguiente recomendaría sería la utilización de Microsoft Windows 2008 R2 Datacenter Edition o Enterprise Edition. Requerimientos Mínimos de Cliente Cliente OBIEE SO Procesador Memoria Disco Ofimática Otros Oracle BI para MS Office Oracle SmartView para MS Office Windows XP con SP1 o superior o Vista 1 core Intel Pentium IV / AMD Sempron 1 Gb 10 Gb Microsoft Word/Excel 2003 o superior Navegador Web con Flash

32 Descripción técnica: Mantenimiento AIS recomienda unas tareas mínimas de mantenimiento en alguno de los componentes: Backup de las Bases de Datos: Datamart de Análisis de Riesgos. Dado que habitualmente las cargas en AIS Observer son mensuales se recomienda realizar un backup de la BD después de cada carga. Metadatos de Oracle Business Intelligence. Backup del sistema de archivos de Oracle Business Intelligence.

34 Experiencias relevantes en Business Intelligence

36 Demo

38 Consultas y próximos pasos

39 AIS Group Rosario Norte 532, Of. 502 Nueva Las Condes, Santiago Tel: Fax: chile@ais-int.com Riesgo de Crédito (grupo)