Estrategias para controlar el Riesgo

Transcripción

1 Estrategias para controlar el Riesgo 1

2 Breve presentación n de SPSS Empresa dedicada a la provisión de soluciones de Data Mining (Software, Capacitación y Consultoría) Fundada en Desde 2010 absorbida por IBM. Desde hace 16 años en Argentina. Mas de 250,000 clientes en el mundo. Mas de 2000 clientes en Argentina. Operaciones en mas de 60 países. Entre las primeras 25 empresas de software del mundo. Las Top 10 del sector bancario, retail, telecomunicaciones y farmacéutico de la revista Fortune 500 son clientes de SPSS. Mas del 95% de las empresas de la revista Fortune 1000 son clientes de SPSS El Gartner Group sitúa a SPSS como líder en el cuadrante de Soluciones de Análisis Predictivo Las Soluciones de Analisis Predictivo de SPSS ayudan a las organizaciones a desarrollar estrategias sólidas y a optimizar sus procesos de negocio. 2

3 Algunos Clientes Locales Proyectos de Consultoría 3

4 El gerenciamiento del riesgo crediticio no consiste en aplicar políticas de cobranza rigurosas a clientes morosos. Se trata acerca de incorporar los principios de la gestión del riesgo crediticio en forma sistemática a través de todo el ciclo de vida del crédito, construyendo una imagen detallada de los clientes que no sólo refleje el comportamiento pasado sino que también prediga el comportamiento futuro, y de implementar estrategias apropiadas en cada etapa del proceso de gerenciamiento del crédito. Gartner 4

5 Tendencias Automatización de los procesos de originaciones Mejora operativa Mejor servicio al cliente Centralización de políticas Distribución de decisiones Sucursales, Comercios Puede comenzar como servicio Pero la tendencia actual es hacia el sistema propio Hacia sistemas con reglas de riesgo explícitas, auditables por el usuario, no embebidas en código Creciente utilización de Scores de Bureaus, Propios de Solicitud, Propios de Comportamiento, Modelos Duales 5

6 Arquitectura de una solución n de originaciones 6

7 Tendencias Automatización de los procesos de calificación de clientes y ajuste de límites de créditos revolventes Mejora operativa Menor riesgo Centralización de políticas Disponibilidad para todos los canales, incluso entrantes Implementación más simple que originaciones, menor necesidad de la participación del área de sistemas Fuerte presencia de sistemas con reglas de riesgo explícitas, auditables por el usuario, no embebidas en código Creciente utilización de Scores Especìficos de Comportamiento y Scores de Bureaus 7

8 Tendencias Sistemas de Cobranzas cada vez más ricos Incorporación de Scores de Cobranzas Especialmente en Mora Temprana Segmentación de las acciones Ahorro de costos Mejor relación con los clientes Acciones para Prevención de Mora Con creciente utilización de Scores específicos 8

9 Creciente utilización n de información Cliente Activo 80 Mora Temprana Información Externa Información Interna 20 Nuevo Cliente 0 Mora Avanzada 9

10 Métodos Predictivos Se puede predecir el futuro? 10

11 Se puede predecir el futuro? No predecimos un evento, sino que calculamos la probabilidad de que ese evento ocurra No existe garantía de cuál será el resultado para un caso en particular La probabilidad se aplica un conjunto de casos 11

12 Qué es un score? Es un método estadístico que permite estimar la probabilidad de un evento futuro a partir de datos conocidos DATOS Demográficos Estilo de Vida Comportamiento 914 Crediticio 12

13 Qué es un score? El score es un número que permite ordenar las cuentas de acuerdo a la probabilidad de riesgo Muy Malas Muy Buenas 13

14 Qué evento queremos predecir? Me va a pagar como se comprometió? Mas formalmente Cual es la probabilidad de que el atraso no supere los 90 días d en los próximos 12 meses? 14

15 Dos métodos m para tomar decisiones TRADICIONAL PREDICTIVO 15

16 TRADICIONAL VS PREDICTIVO Ambos Métodos: Asumen que el futuro va a ser similar al pasado Utilizan la información disponible (actual e histórica) sobre la persona CARACTERISTICAS VALOR TRADICIONAL SCORE Antigüedad en el trabajo Estado Civil Tipo de Vivienda Edad Profesión Ingresos Experiencia Bancaria 10 añosa Casado Alquila? Administrativo SI + + -? + OK # de Atrasos % Utilización n del crédito Score de Bureau 1 30% Total Decisión Probabilidad de pago + Aceptar? 176 Aceptar 0,90 16

17 Beneficios del método m Predictivo Consistente Objetivo Eficiente Automatizable Flexible Esta correlacionado con el comportamiento histórico real Define un nivel de riesgo continuo Permite disminuir la tasa de morosidad y/o aumentar el nivel de aprobación Se puede utilizar durante todo el ciclo de vida de la cuenta Se puede registrar y monitorear 17

18 DESCRIPTIVO VS PREDICTIVO Descriptivo (histórica) Predictivo (futuro) Valor para el negocio Cuál es la tasa de morosidad? Query & Reporting Y la tasa por sucursal y producto? OLAP Data mining Que clientes me van a pagar? Optimización de Estrategias Qué limite debo asignarles? Tiempo Los métodos predictivos responden preguntas estratégicas 18

19 Cómo se utiliza el score? Adquisición n de nuevas cuentas Decidir Aceptación y Rechazo Establecer límites de crédito iniciales Decidir plazos y tasas de interés Preseleccionar candidatos para ofertas 19

20 Fuentes de Información ADQUISICION DE NUEVAS CUENTAS INFORME DE CREDITO SOLICITUD CONTRATO SCORE DE SOLICITUD Informe de Crédito Historial de pago Deuda Pendiente Antigüedad en el sistema Mezcla de productos Cantidad y tipo de Consultas Score de bureau Datos de la Solicitud Edad Sexo Antigüedad en el empleo Ingresos 20

21 Cómo se utiliza el score? Gestión n de Cuentas Existentes Modificar límites de crédito Autorizar sobre-límites Establecer plazos de renovación Realizar ventas cruzadas Definir tasas de interés y comisiones Focalizar actividades de fidelización 21

22 Fuentes de Información GESTION DE CUENTAS EXISTENTES HISTORICOS PRODUCTO SCORE DE COMPORTAMIENTO DATOS DEMOGRAFICOS OTROS PRODUCTOS INFORMACION DE MERCADO Historia del Producto Datos Demográficos Otros Productos en la Entidad Información de Mercado 22

23 Cómo se utiliza el score? Cobranzas Segmentar a los clientes según su probabilidad de pago espontáneo Realizar la acción adecuada en el momento adecuado Ejecutar acciones de mora preventiva sólo en los casos en que se justifica 23

24 Fuentes de Información GESTION DE CUENTAS EXISTENTES HISTORICOS PRODUCTO SCORE DE COBRANZAS DATOS DEMOGRAFICOS OTROS PRODUCTOS INFORMACION DE MERCADO Además Información del Sistema de Cobranzas Hístórica De gestiones actuales 24

25 Línea de tiempo para el Desarrollo Pasado Futuro Período de Observación Ej:6 mese/5 años Información al Punto de Observación Período de Desempeño Ej:12 meses Malo Bueno Información al Día de Hoy PROCESO DE DESAROLLO Modelo ENTRENAMIENTO COMPROBACION Prob. Baja Prob. Alta Malo Bueno Modelo 25

26 Evaluación Gráfico de Ganancia % de Malos en el Peor 10% 30% 20% 54% 30% 71% 26

27 Cómo se desarrolla un score? Las técnicas t de scoring tiene una historia de mas de 30 años, a en la industria financiera No es un arte, sino que es una tecnología establecida en la industria, con beneficios comprobados y comprobables SmartWorkbench Existen metodologías estandarizadas que orientan en el desarrollo y aplicación n de los scores SmartWorkbench utiliza plantillas de mejores prácticas cticas para riesgo y actúa a como un guía ( wizard ) para aplicar la metodología 27

28 Elementos Críticos Acceso simple a los datos Visuales Datos Herramientas Metodología 28 Modelos Predictivos Estrategias Monitoreo 28

29 La metodología CRISP-DM Comprensión del Negocio Definición de objetivos Evaluación de la situación Fuentes de datos Comprensión de los datos Descripción de los datos Análisis de Calidad Codificar y Limpiar Monitoreo Definir reportes Plan de monitoreo y mantenimiento Preparación de los datos Análisis Univariado Agrupar y Discretizar Eliminar casos anómalos Construir Variables Análisis Bivariado Distribución Definir acciones Plan de implementación Informe final Implementación Evaluación Incluir indeterminados Evaluar subpoblaciones Evaluación general Modelado Selección de la/s técnica/s Diseño de pruebas Construcción de modelos Evaluación de modelos 29

30 Plantillas de mejores prácticas La organizaciones buscan aplicaciones para resolver sus problemas de negocio. Por lo que están cada vez mas interesadas en plantillas prearmadas que los guíen en la tarea que deben realizar, acompañadas de consultoría sobre que técnicas aplicar y que variables constituyen buenos predictores de comportamiento. Gartner La utilización de plantillas de mejores prácticas asegura que los modelos sean predictivos y que no sea necesario ser un experto en DataMining para utilizarlos Los resultados resultan rápidos, repetibles y confiables, permite minimizar el tiempo necesario para que los modelos redunden en valor para el negocio 30

31 MITOS 31

32 MITO: Antes de hacer scoring necesitamos un Datawarehouse Si bien es cierto que seria mas fácil f obtener los datos, muchas veces no se guarda la información n que es necesaria para el desarrollo de los scores Clementine SmartWorkbench puede utilizar los backup y leer la informaci formación en múltiples m formatos. Inclusive puede mantener actualizados los repositorios para las corridas en batch 32

33 MITO: Solo tiene sentido desarrollar scores para grandes volúmenes de cuentas Pueden desarrollarse modelos con bases que contengan sólo s algunos cientos de casos 33

34 MITO: GARBAGE IN - GARBAGE OUT Si hay basura y datos faltantes no se puede desarrollar un score La estadística stica trabaja con grandes números, n identificando patrones genéricos, por lo tanto una cantidad relativamente pequeña a de errores y datos faltantes no influyen en el resultado del modelo Incluso se toma como dato el hecho que el dato no esté informado Se puede recurrir también n a las carpetas físicas f para desarrollar el modelo 34

35 MITO: Lleva mucho tiempo! Con Clementine SmartWorkbench el tiempo se reduce sensiblemente 35

36 MITO: Cuanto mejor sea el algoritmo, y/o su implementación, mejor va a ser el score perfect model mars neural net decision tree glm regression El desarrollo de un score es un proceso que consiste en formular objetivos, obtener, entender y preparar los datos, evaluar los resultados, monitorearlos rlos y distribuirlos La posibilidad de realizar este proceso en forma sistemática tica y sin errores es fundamental para garantizar los resultados La experiencia en todas estas fases genera diferencias sustanciales. Muchas veces distintos algoritmos dan resultados similares! 36

37 MITO: Desarrollar modelos es un proceso sumamente complejo y sólo puede ser realizado por un experto en la tecnología Los algoritmos de data mining son complejos, pero hay herramientas as que los hacen fácil de aplicar A menudo, la correcta aplicación n de análisis relativamente simples, gráficos y tablas pueden ayudar mucho en el proceso Es esencial un conocimiento exhaustivo del problema para obtener resultados útiles al negocio 37

38 Caso de Éxito Standard Bank Cobranzas 38 38

39 Motivación del objetivo propuesto Puntos relevantes Incremento de Cantidad de Clientes en Mora Costos de Recupero Oportunidad de Segmentación Mismo Tratamiento Enfoque Más Inteligente Enfoque Intensivo Satisfacción del Cliente 39 39

40 Cuál fue la propuesta? Modelo de Score Nueva Estrategia Decil % Ac Score Min Score Max Cantidad Targets % Target % Target % Ac % Ac No K-S Gini Odds LN Odds Totales Casos Ac Target Target ,17 22,17 32,5 8,4 24,1 0,014 3,5 1, ,75 17,46 51,2 17,7 33,5 0,039 6,8 1, ,62 14,52 63,8 27,5 36,3 0,056 10,6 2, ,33 12,47 73,1 37,6 35,5 0,069 14,8 2, ,29 11,03 80,9 47,7 33,1 0,078 17,9 2, ,26 9,90 87,1 58,0 29,1 0,086 22,5 3, ,24 8,95 91,9 68,4 23,5 0,093 29,9 3, ,58 8,16 95,6 78,8 16,8 0,098 37,7 3, ,86 7,46 98,4 89,4 9,0 0,102 52,8 4, ,12 6,82 100,0 100,0 0,0 0,105 88,3 4, ,82 36,3 0,482 13,7 2,6 Curva de Recupero 100,0% 80,0% 60,0% 40,0% 20,0% 0,0% Total 40 40

41 Y cuál fue el resultado? Ahorro en los costos del recupero del 40% 41 41

42 Conceptos Generales El modelo permite ejecutar acciones diferenciales en subgrupos de la población total de acuerdo a las diferentes tasas de no recupero esperadas Sin Modelo Con Modelo 1. Datos (disponibilidad y tratamiento) 2. Conocimiento de las Técnicas de DM 3. Conocimiento del Negocio 42 42

43 Problema de Negocio y Objetivo del Modelo Qué hace el área de Cobranzas? a b d b c b c d c a) SMS b) Llamadas telefónicas pregrabadas c) Llamadas telefónicas por operador d) Cartas Tasa de Eficiencia Histórica Bucket Inflow roll to next bucket Efficiency % 1-29 dpd 100,00 15,00 85% dpd 15,00 9,00 40% dpd 9,00 6,75 25% dpd 6,75 5,90 13% dpd 5,90 5,37 9,0% Charge off 5,37 Archivo de clientes morosos diario 43 Medidas intensivas e iguales para todos los morosos 43

44 Problema de Negocio y Objetivo del Modelo Los pronósticos de morosidad indican que pronto serían necesarios más agentes de cobranzas 44 44

45 Construcción del Modelo Muestra de desarrollo Decil % Ac Score Min Score Max Cantidad Targets % Target % Target % Ac % Ac No K-S Gini Odds LN Odds Totales Casos Ac Target Target ,17 22,17 32,5 8,4 24,1 0,014 3,5 1, ,75 17,46 51,2 17,7 33,5 0,039 6,8 1, ,62 14,52 63,8 27,5 36,3 0,056 10,6 2, ,33 12,47 73,1 37,6 35,5 0,069 14,8 2, ,29 11,03 80,9 47,7 33,1 0,078 17,9 2, ,26 9,90 87,1 58,0 29,1 0,086 22,5 3, ,24 8,95 91,9 68,4 23,5 0,093 29,9 3, ,58 8,16 95,6 78,8 16,8 0,098 37,7 3, ,86 7,46 98,4 89,4 9,0 0,102 52,8 4, ,12 6,82 100,0 100,0 0,0 0,105 88,3 4, ,82 36,3 0,482 13,7 2,6 Muestra de Desarrollo: Gini 48.2 / K-S 36.3, 45 45

46 Definición de la nueva estrategia Quién? Cuándo? Cómo? 46 46

47 Beneficios de la Nueva Estrategia 47 47

48 Beneficios de la Nueva Estrategia La cartera creció levemente menos que lo previsto 48 La nueva estrategia permitió manejar todos los casos sin incremento de recursos humanos 48

49 Gracias!!! Alberto Teszkiewicz Gerente de Desarrollo de Negocios SPSS Argentina SA PREGUNTAS 49