Mejorando los scorecards tradicionales con psicometría

Transcripción

1 Mejorando los scorecards tradicionales con psicometría EFL demostró su habilidad de reducir la tasa de morosidad en 31%, dándole a BTPN la posibilidad de segmentar a los solicitantes de crédito en un rango de 1 puntos de diferencia. Categorías: disminuición de la tasa de morosidad, REGIÓN: IndonesIa Partner: BTPN mejor segmentación de riesgo Desarrollando un método estandarizado de reducir el riesgo y poner capital a disposición de los no bancarizados en Indonesia En el 212, BTPN se asoció con EFL con el objetivo de desarrollar una metodología estandarizada para reducir el riesgo en el mercado masivo (clases media y baja). EFL diseñó un Scorecard de Aplicación Híbrido integrando información de los clientes de BTPN y criterios psicométricos de su propiedad. El resultado fue la reducción de las tasas de morosidad en 45%. el Desafío BTPN, el 4to mayor prestamista de MIPYME 1 en Indonesia, necesitaba encontrar la forma de reducir el riesgo y estandarizar sus operaciones de crédito en el segmento de mercado masivo de rápido crecimiento y limitada información. el Compromiso EFL desarrolló un nuevo scorecard de crédito, estratificando la base de datos existente de BTPN de más de 25, solicitantes de crédito, con los criterios psicométricos creados por EFL. Los Resultados y evolución del Proyecto El integrar Psicometría al Scorecard de BTPN permitió una mejor medición del riesgo posibilitando una mejor y más eficiente toma de decisiones. Impulsado por estos resultados, BTPN decidió implementar esta metodología a lo largo de su red de más de 6 sucursales.

2 BTPN en números 12, 7,5 17 1X En el transcurso de 18 meses, la aplicación EFL fue administrada más de 12, veces. Número de préstamos desembolsados a micro, pequeñas y medianas empresas en un período de 18 meses. El valor agregado por el test psicométrico EFL fue una disminución de 17% en la tasa de morosidad. Los solicitantes de crédito del quinto inferior del Scorecard Psicométrico eran 1 veces menos riesgosos que aquellos del quinto superior.. En el 4% 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. Esta disparidad sugiere que la demanda de capital de trabajo en las crecientes clases bajas y medias ha quedado en gran medida desatendida. EFL redujo de forma satisfactoria las tasas de morosidad en 45% % de Cuentas BTPN en atraso a 9 días 1.45 Porcentaje aceptable ESTADÍSTICAS DE INDONESIA Incluso con información de crédito disponible en Indonesia, no existe hoy ninguna institución que proporcione scores de crédito que puedan ser fácilmente utilizados para evaluar la solvencia crediticia. 1. Negocios informales representan cerca de 2/3 de la fuerza laboral Sin EFL Con EFL FORMALES INFORMALES

3 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, 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. 5.2% 6.4% Dibujo 1: Tipos de préstamos 43.8% 6.4% pidió préstamos de instituciones formales 43.8% pidió préstamos de amigos y familiares 5.2% no pidió préstamos Por ejemplo, en el 4% 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. 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 7%, y el número de cajeros automáticos en todo el país casi se triplicó. 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 % Incremento de 1 cajeros automáticos AÑO +7% Incremento de sucursales Dibujo 2: 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 demográficos, de negocios e historial de pagos de los solicitantes 3, 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 8% del poder predictivo de las calificaciones de crédito tradicionales proviene de la información de las centrales de riesgo 4. En Indonesia, sin embargo, sólo el 41% 5 de la población adulta está cubierta por la Oficina de Crédito de Indonesia (Bank Indonesia Credit Bureau o 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. Pasar de atender relativamente pocos clientes de alto patrimonio y clientes corporativos a atender una base más

4 Un prestamista de mercados masivos en crecimiento Aplicación del scorecard: Para todos los solicitantes de crédito de BTPN, los agentes de crédito recolectaron y almacenaron una gran cantidad de datos. Sin embargo, BTPN nunca había utilizado estos datos para construir un scorecard de crédito cuantitativo. Al aprovechar esta base de datos existente, EFL proporcionaría un valor mayor al del score psicométrico y con capacidad de predicción mayor que aquella de la psicometría o información de aplicación por sí solas. Combinando información de la aplicación de crédito con psicometría Dibujo 3: Red de sucursales de BTPN en todo Indonesia Fundado en 1958, BTPN se centró en la mayor parte de su historia, en ofrecer préstamos y servicios financieros a pensionistas. 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$ 4 y US$ 17,. Prestando principalmente a negocios informales que representan casi dos tercios de la fuerza laboral 6 del país, BTPN cuadruplicó el tamaño de su cartera MIPYME entre 29 y 211 hasta 4.6 trillones de rupias (5 millones de dólares) 7. Hoy en día, el banco presta servicios a más de 15, MIPYMES a través de una red de más de 6 sucursales, y los préstamos a las MIPYME constituyen casi el 25% del total de préstamos del banco. Visión General del Proyecto BTPN se asoció con EFL en Septiembre de 212 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: En el transcurso de los primeros 18 meses de trabajo, BTPN implementó la metodología de score psicométrico de EFL en 9 sucursales piloto, administrando el test EFL más de 12, veces y desembolsando más de 7,5 préstamos a las micro, pequeñas y medianas empresas (MIPYMES). EFL es capaz de calibrar un modelo de crédito personalizado al evaluar la relación entre las respuestas a las preguntas de la solicitud EFL y el desempeño en el tiempo de los solicitantes de crédito. Tanto la aplicación y los scorecards psicométricos desarrollados por EFL demostraron la capacidad de medir eficazmente el riesgo de la población de solicitantes de crédito de BTPN. El mayor valor no provenía de aprovechar estos scorecards de forma independiente, sino más bien de forma conjunta. De manera más específica, el scorecard Psicométrico+ ha permitido a BTPN diferenciar con más precisión el riesgo entre un grupo de solicitantes de crédito 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 mayor estandarización en la red de sucursales de BTPN. 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 2-3 minutos de duración. Aplicado en una tableta android, 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.

5 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 TASA DE MOROSIDAD DE POBLACIÓN RECHAZADA (15% INFERIOR) Scorecard Psicometrico + 3.2X Scorecard de Aplicación 2.8X TASA DE MOROSIDAD DE POBLACIÓN ACEPTADA (85% SUPERIOR) 28% disminución en sus niveles generales de morosidad para el producto utilizando Scorecard Psicométrico El gráfico 4 a continuación ilustra las tasas de morosidad para la población de solicitantes de crédito divididos en 5 grupos de 4 puntos, donde los grupos de mayor score están a la derecha y los de menor score a la izquierda % Gráficos 5 y 6 mas riesgoso utilizando Scorecard Psicométrico+ Scorecard de Aplicación.89X Psicometría +.72X 1. TASA DE MOROSIDAD X 2.8X Grupo X 1.6X Psicometría+ Scorecard de Aplicación.84X.64X.26X.26X.X.X Grupo 2 Grupo 3 Grupo 4 Grupo 5 rendimiento del 15% inferior (Grupo 1) y el 85% superior (Grupos 2-5) en los dos modelos (gráficos 5 y 6). Usando el scorecard Psicométrico+, el 15% inferior de los solicitantes de crédito es 45% 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. Gráfico 4: Desempeño del Score Psicométrico+ vs. Scorecard de Aplicación. 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 4 transmite el poder predictivo del scorecard de aplicación (azul claro), desarrollado por EFL a partir de la base de datos existente de BTPN, así como el scorecard Psicométrico+ (azul oscuro). El gráfico 4 muestra que ambos modelos fueron capaces de diferenciar eficazmente el riesgo en la población de clientes de BTPN: los que obtuvieron scores más bajos fueron significativamente más propensos a caer en mora que los que obtuvieron un score 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 1 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. 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 based on number of branches serving MSMEs Algunas veces se hace referencia al historial de pago como datos de comportamiento 4 Murray Bailey Practical Credit Scoring: Issues and Techniques (o Scoring de Crédito Práctico: Temas y Técnicas ) - Publicaciones White Box (26) 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. Mirando hacia el futuro Alentados por los resultados de EFL en construcción de modelos y análisis financiero, BTPN comenzó, en el 214, la implementación del scorecard Psicométrico+ de EFL a través de su red de 6 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. 5 Informe World Bank Doing Business in Indonesia (o Banco Mundial haciendo negocios en Indonesia) BTPN Annual Report 212.