Cómo evolucionó la industria del Crédito gracias al Data Mining

Transcripción

1 Cómo evolucionó la industria del Crédito gracias al Data Mining 1

2 Quienes somos? Empresa dedicada a la provisión de Soluciones inteligentes (Software, Servicios, Capacitación y Consultoría). Desde hace 20 años en Argentina y 15 en Chile. Partners de IBM: SPSS, Unica, Ilog, Tealeaf, Open Pages, PureData, etc. Profesionales con amplia experiencia aplicada a diversas industrias y procesos. Certificación ISO-9001 de los procesos de desarrollo e implementación.

3 Soluciones inteligentes Ofrecemos soluciones inteligentes para que sus clientes puedan mejorar sus procesos de negocio y tomar mejores decisiones para alcanzar sus objetivos.

4 Ciclo de vida cliente (Fzas) INICIO DE LA RELACIÓN Prospección Originación CLIENTES ACTIVOS Maduración Mantenimiento CAUSALES DE FIN DE RELACIÓN Cobranzas Fuga 4

5 Smart Risk Credit Scoring Introducción Desarrollo de Modelo 2 1 Nuevo Presente Pasado Conocido Presente / Hoy Período -N Pasado Conocido 5 Validación Desarrollo Futuro Conocido Presente / Hoy Futuro Desconocido Variables Calculadas Construyo Modelo Marca comportamiento Malo/Bueno Corro Modelo Estimación / Predicción Bueno Malo Validación de Producción 2 Pasado Conocido 1 Validación Poder Predictivo Global Recalibración de Modelo Nuevo Presente Futuro Conocido Estimación Evaluación de Aciertos del modelo 3 Bivariados Diferentes Marcas (30, 60, 90 Atraso sig, Ever, End) Diferentes sub. poblaciones Diferentes Historia de comportamiento (velocidad de captura PP 6) Diferentes puntos de observación (Estabilidad temporal) Presente / Hoy Validación no satisfactoria Recalibración total o parcial

6 Smart Risk Modelos Duales Mercado Nivel %Portfolio % Bads MuyBajo 12.15% 3.62% Bajo 21.44% 6.03% Medio 28.63% 11.63% Alto 11.61% 19.96% MuyAlto 26.17% 31.11% Totales % 15.52% Interno Nivel %Portfolio % Bads MuyBajo 17.94% 5.77% Bajo 20.62% 10.50% Medio 39.69% 16.48% Alto 11.62% 22.77% MuyAlto 10.12% 30.92% Totales % 15.52% Nivel Interno Concepto MuyAlto Alto Medio Bajo MuyBajo Total % Total %Bads Nivel Mercado MuyAlto Alto Medio Bajo MuyBajo Totales % 3.98% 1.72% 2.86% 1.17% 0.38% 10.12% %Bads 40.07% 34.84% 24.65% 15.46% 12.50% 30.92% % 4.10% 1.73% 3.27% 1.83% 0.69% 11.62% %Bads 35.20% 24.79% 17.06% 9.88% 5.32% 22.77% % 11.54% 4.56% 10.87% 8.55% 4.18% 39.69% %Bads 31.67% 18.49% 11.84% 6.87% 4.07% 16.48% % 3.93% 2.18% 6.27% 5.24% 3.01% 20.62% %Bads 25.24% 14.75% 8.26% 4.30% 3.68% 10.50% % 2.62% 1.42% 5.36% 4.65% 3.88% 17.94% %Bads 17.37% 8.83% 4.89% 2.54% 1.90% 5.77% 26.17% 11.61% 28.63% 21.44% 12.15% % 31.11% 19.96% 11.63% 6.03% 3.62% 15.52% Nivel Portfolio %Portfolio %Portfolio + Bads % Bads % Bads + % Bads Ac % Goods Ac Lift Odds Bajo 9, Medio 7, Alto 9, , MuyAlto 11, , Total 37, ,

7 Solución Smart Risk Visión unificada 7

8 Visión tradicional vs unificada de administración de riesgo Nivel Socioeconómico Visión riesgo Visión unificada: estrategia combinada entre diferentes áreas de la entidad C1 - C2 - C3 A - B Nivel R. Bajo R. Medio R. Alto + y - D1 Rentabilidad + y - D2 - D3 - E Rechazados Producto + y - Implementación visión unificada en el ciclo de crédito Score Estrategia Pricing Validación Recalibración Otorgamiento Mantenimiento Cobranzas

9 Visión unificada Prospección Originación Maduración Mantenimiento Cobranzas Fuga 9

10 Marketing hoy Los consumidores tienen acceso ilimitado a la información y las ofertas de la competencia. Las redes sociales y los dispositivos móviles han cambiado drásticamente la dinámica entre empresa y cliente. Las expectativas de servicio y precio continúan elevándose. Las quejas se comparten instantáneamente con el mundo. La cantidad de transacciones / clientes nos impiden tener visibilidad sobre problemas específicos y viceversa. Cada vez es más difícil tener éxito!

11 Prospección Comportamiento Universal Capturar cada interacción a través de los diferentes puntos de contacto. Identidad individual Identificación de los prospectos en cada interacción Base de datos de Marketing Utilizar la información de comportamiento y respuesta a campañas anteriores para calcular propensiones de respuesta Omnicanalidad Orquestar cada interacción a través del canal de preferencia Automatización Genere interacciones automáticas con contenido relevante 11

13 Valida documentación identidad Pendiente Regulatorio Razon social Razon social declarada OFAC OK Motivo Pendiente Regulatorio Tel cel declarado: Tel cel declarado: Tel cel declarado: Tel cel declarado: Predictor ingreso ingreso declarada DNI Cuestionado OK Validado Reg Tel cel declarado: Tel cel declarado: Pendiente Ver tel Pendiente lab Pendiente dom Motivo Pendiente Ver tel Validado VT Base negativa TS Modulo Verificación telefonica Veriftelcontactoacordador Valid tel linea Fecha ingreso Fecha ingreso declarada Valida tel cel Modulo laboral Campo verificaciones telefónica Línea Particular Actividad Boto libre Boto libre VerifTelRechazoAcordador Cuit empleador limitecompras limitefinanciacion limitecompromisomensual limitecuotanofinac limiteadelantoefectivo Porc Variac Límite Motivo Pendiente laboral Direccion declara Motivo Pendiente domicilio Validado lab Localidad declara Validado dom Veriflaboralcontactoacordador Modulo domicilio Deriva Fraude Observaciones fraude Pcia declara Verifdomcontactoacordador Modulo límite Rechazar VT Rechazar lab Rechazar dom Rechazar REG VeriflabRechazoAcordador CP declara Verif domrechazoacordador -40% -20% -10% 0% +10% +20% +40% Pension graciable Límite mínimo limitecompras N limitefinanciacion N limitecompromisomensual N limitecuotanofinac N limiteadelantoefectivo N Observacion pendiente general Excepcion modulo Smart Risk Motor de decisión (otorgamiento mantenimiento) Automatización del proceso y disminución en la discrecionalidad de las decisiones Mayor velocidad de respuesta en modalidad Cloud y On Premise Administración online de scores, reglas, estrategias, pricing, casos dudosos, etc. BD internas, externas BD Relacionados Prospecto Front End Dictamen Pre-Negativación Motor 1 O Motor 2 O Final Dictamen Modalidad / Actividad ABM Data Mart s Reportes Data Mining

14 Score de Originación 2 Score de Originación 2 Otorgamiento: visión unificada Alto Medio Bajo Score de Originación 1 Alto Medio Bajo 25% 23% 22% 20% 20% 19% 19% 16% 15% 13% 24% 22% 21% 20% 19% 19% 18% 15% 14% 12% 24% 22% 20% 19% 19% 18% 18% 15% 13% 12% 23% 21% 19% 18% 18% 17% 17% 14% 12% 11% 22% 20% 19% 18% 17% 17% 16% 13% 12% 10% 22% 20% 18% 17% 17% 16% 16% 13% 11% 10% 21% 19% 17% 16% 16% 15% 15% 12% 10% 9% 20% 18% 17% 16% 15% 15% 14% 11% 10% 8% 19% 17% 16% 15% 14% 14% 13% 10% 9% 7% 19% 17% 15% 14% 14% 13% 13% 10% 8% 7% Score de Originación 1 Alto Medio Bajo Objetivo: originar mayor cantidad de clientes de Bajo Score Estrategia s Pricing Producto Calcula la Probabilidad de default Asigna mayor límite a clientes de Bajo Diferencial de Tasa, Descuentos y Bonificaciones Alto Medio Bajo Rechazados Bajo estímulo Alto Estímulo Validación Recalibración Activación, Utilización y. Tablas Duales Adecuar estrategias /Producto 14

15 Otorgamiento: Estrategias competidoras Ch-Ch Exploración permanente de nuevas oportunidades de negocio Anticipación a los cambios en el entorno económico Cambios en políticas fundamentados con el comportamiento real Estrategias competidoras de asignación de cupo Alto Medio Bajo Muy Bajo PE Estrategia de asignación de cupo (Actual) Estrategia de asignación de cupo (Retadora 10%) 12% % % % Qué medimos al utilizar estrategias Ch-Ch Selección adversa Tasa aceptación Tasa Activación Tasa de utilización Consumos e ingresos Fuga Pérdida

16 Otorgamiento: Frontera de Exploración Score de Originación 2 Mantenimiento permanente de fronteras de exploración en segmentos con mayor riesgo de manera controlada Elimina incertidumbre AR y Pérdida Permite tomar decisiones, con información de rentabilidad, sobre nuevos segmentos Score de Originación 1 Alto Medio Bajo Alto Rechazados Medio Bajo Aprobados

18 Maduración Actuar Predecir Comprender 18

19 Modelos de incentivos Cross / Up Selling Activación Detección de eventos Valor del cliente Optimización de ofertas Aumento de límites / Cobranza preventiva 19

21 Score de Mantenimmiento 2 Score de Originación 2 Mantenimiento: visión unificada Programa de Fidelidad Alto Medio Bajo Score de Originación 1 Alto Medio Bajo 25% 23% 22% 20% 20% 19% 19% 16% 15% 13% 24% 22% 21% 20% 19% 19% 18% 15% 14% 12% 24% 22% 20% 19% 19% 18% 18% 15% 13% 12% 23% 21% 19% 18% 18% 17% 17% 14% 12% 11% 22% 20% 19% 18% 17% 17% 16% 13% 12% 10% 22% 20% 18% 17% 17% 16% 16% 13% 11% 10% 21% 19% 17% 16% 16% 15% 15% 12% 10% 9% 20% 18% 17% 16% 15% 15% 14% 11% 10% 8% 19% 17% 16% 15% 14% 14% 13% 10% 9% 7% 19% 17% 15% 14% 14% 13% 13% 10% 8% 7% Objetivo: aumentar el consumo de clientes de Bajo Score Calcula la Probabilidad de default Alto Medio Bajo Score de Mantenimiento 1 Alto Medio Bajo Puntos x 1 Puntos x 1.5 Puntos x 2 Porqué aumentar consumo de clientes de bajo riesgo Disminución en mora Aumento en ingresos Prevención de fuga Ventajas de utilizar un programa de fidelidad Aumenta la lealtad con la entidad Dirige y estimula ciertos consumos Aumenta la efectividad de las comunicaciones Estrategia s Pricing Producto Validación Recalibración Aumento de límite a clientes de Bajo Diferencial en otorgamiento de puntos por consumo. UpSelling, CrossSelling y. Tablas Duales Cambios en asignación de puntajes al programa

22 % Bads Tabla de performance de modelo de Behaviour Score_Min Score_Max Portfolio %Portfolio %Portfolio + Bads % Bads % Bads + % Bads Ac % Goods Ac Lift Odds , , , , , , , , , , , Total 21, , KS Til % Bads Bajo Medio Alto Capacidad de ordenamiento del score. El score debe ordenar correctamente a los clientes en función a la probabilidad. Esto nos permite la segmentación en niveles de riesgo y el desarrollo de acciones focalizadas.

24 % Acumulado de Cura Cobranzas: visión unificada Utilización de Score y Estrategias Prioriza las gestiones y herramientas utilizadas Objetivo: Aumentar el Recupero Gestión preventiva venta en función de respuesta (vacaciones) Gestión mora temprana Score Calcula Probabilidad de Cura 100% 90% 80% 70% 60% 94% 84% 75% 68% Estrategia de Cobranzas Pricing Prioriza gestión según Probabilidad de Cura Herramientas de gestión diferenciada planes y quitas 50% 40% 30% 20% 10% 0% Bajo Score Alto Score Días Bajo Alto Validación Recalibración Maximizar el recupero con Gasto Constante y Retención Cambios en priorización y herramientas 24

25 Cobranzas: Utilización de Score y Estrategias Mejora superior al 7% en la tasa de recupero. Reducción del 20% sobre los clientes gestionados. Reducción del 30% del costo de gestión. El uso del score de cobranzas no sólo ha mejorado el % recuperado, sino que permitió una baja significativa en el costo del sector. 25

27 Fuga (Churn /Attrition) Churn Voluntario Se trata de clientes que han tomado la decisión de cambiar de empresa Churn Involuntario Se trata de clientes que se dan de baja que, por problemas económicos, no pueden hacer frente al costo del servicio.

28 Solución Smart Risk Desarrollo, validación y calibración de modelos predictivos 28

29 Smart Risk Modelos de score, visión unificada Otorgamiento Mantenimiento Cobranzas Smart Risk & Smart Fraud Otorgamiento Prevención de Fraude Control Documental Mantenimiento Renovación Cobranza Aceptación Activación Respuesta Bienvenida (contacto) Smart Marketing Cross Up Retención & Fuga Reactivación Renovación Bienvenida Preventiva Cross

30 Mitos Lleva mucho tiempo de desarrollo e implementación Gran esfuerzo y dedicación de área de sistemas Se necesita contar con recursos con mucha experiencia Las soluciones no son modulares 30

31 MUCHAS GRACIAS 31

32 Diego de Arriandiaga Diego Massun 32