Business Analytics la diferencia

Transcripción

1 Business Analytics la diferencia

2 Agenda Que es Business Analytics? Modelos Predictivos. Competidores. Componentes de una Plataforma Predictiva. Business Analytics: nuestra experiencia. Ejemplos de implementaciones en el Banco. Conclusiones Futuro del Business Analytics.

3 Qué es Business Analytics? Business Intelligence Es el conjunto de estrategias y herramientas orientadas a acceder, agrupar y guardar datos en una empresa, de forma tal que contribuyan a mejorar la performance y decisiones. Predictive Analytics Es un proceso que permite transformar los datos en conocimiento de manera de poder realizar predicciones para tomar mejores decisiones de negocio. +

4 Dimensiones del Análisis Optimización Que le ofrecemos para retenerlo? Orientado a ACTUAR hoy Ventaja Competitiva Alertas Query / drill down Ad hoc reports Forecast Modelos predictivos Que clientes no pagarán? Que clientes perderemos? Cuál será el nivel de previsiones para el próximo año? Reporte de vitrade (visa) Aumento de morosidad. De donde viene? Cuanto aumento la mora en esa región? Orientado a PRONOSTICAR que pasará Orientado a ENTENDER que pasó Standard reports Reporte / Tableros de evolución de ventas Grado de Inteligencia

5 Modelo Predictivo Un modelo predictivo puede definirse como una representación matemática que permite predecir comportamientos futuros en función del conocimiento presente. En un modelo predictivo No vamos predecir un evento, sino que vamos a calcular la probabilidad que ese evento ocurra. En un modelo predictivo No existe garantía de cuál será el resultado para un caso en particular. La probabilidad se aplica un conjunto de casos

6 Beneficios del método predictivo Consistente Objetivo Eficiente Automatizable Auditable Fácil de monitorear 6

7 Ejemplo-Competidor con plataforma Predictiva- Netflix es una corporación americana cuyo servicio consiste principalmente en ofrecer renta de vídeos (vía correo postal) y transmisión de vídeos por streaming. Cómo funciona? Se paga una suma fija y mensual y puedes solicitar películas de vídeo por correo o ver películas y episodios de series de televisión usando tu conexión a Internet. Se envían por streaming a tu PC u otros dispositivos que se conectan a tu televisión y puedes ver películas instantáneamente. Aplicaciones Analíticas Customer behavior and buying pattern (Cinematch: motor de recomendación de películas). Algoritmo propietario (premio u$s 1MM por mejorar 10% la performance) Los competidores mas sofisticados están aquí y ahora 7

8 Componentes - Plataforma predictiva - Elementos críticos Datos Herramientas Metodologia Modelos predictivos Estrategias Monitoreo

9 Datos - Fuentes - Datos Transacciones en tarjetas de crédito y débito Clientes datos demográficos Pagos y depósitos realizados Uso productos activos y pasivos Llamados al call center Accesos a Web Productos y comportamiento en el mercado Data View (Teradata) Información valiosa cada segundo Año: Mes: Día: Hora:5.500 Uso de productos en el mercado Minuto:93 Uso promociones Transacciones en tarjetas de Crédito y Débito Segundo:1.5 Uso de ATM 9

10 Modelo Predictivo Aplicaciones- El uso de los modelos predictivos se extiende a lo largo de toda la cadena de valor de créditos NEW Targeting Underwriting Existing customer management Collections Capital management Selección de clientes prospectos. Modelos de propensión. Pre-screening. Modelos de aplicación. Procesos de automatización. Pricing. Manejo de límites Autorizaciones Cross Sell Retención Scores para mora temprana y mora avanzada Determinación de Expected Loss y Capital PD,EAD,LGD El resultado de un modelo predictivo puede ser el output de un proceso o ser un input mas de otro proceso posterior.

11 Modelo Predictivo Etapas y tiempos- Etapas en el desarrollo 1 Data Collection & Cleaning 2 Single Factor Analysis 3 Multi-Factor Analysis 4 Discriminatory power / Calibration / Stability 5 Post development validation (OOT) Recolección de datos (raw data). Evaluar la calidad de los datos Encontrar y definir los campos key. Determinar el numero de buenos y malos Seleccionar la muestra de desarrollo y testing. Evaluar la información que contiene cada respectodel target Manejo de valores nulos y outliers. Analizar variables derivadas Selección de variables mas predictivas. Evaluar VIF este dentro de parámetros aceptados. Calculo de de ln(odds). Corrida de modelo con las variables de mayor information value Evaluar poder de discriminación buenos vs malos Analizar actual vs expected Analizar estabilidad de las variables Testeo de resultados en la muestra OOT. Evaluación de deterioro vs modelo de desarrollo y OOT.. Aceptación de la línea de negocios Evaluar correlación entre variables Tiempos requeridos % 20% 10% 5% 5%

12 Modelo Predictivo -Esquema de trabajo - Línea de tiempo para el Desarrollo de un Modelo Pasado 4/2010 Hoy 4/2011 Futuro Período de Observación Ej:12 meses / 5 años Construcción de variablespredictivas al Punto de Observación Período de Performance Ej:12 meses Malo Bueno Variable Target Implementación (con información al día de hoy) y toma de decisiones Proceso de desarrollo del Score Modelo Score Bajo Malo Modelo Score Alto Bueno

13 Modelo Predictivo -Como saber si funciona- Casos Totales Target 960 % Target 9,6%

14 Modelo Predictivo -Como saber si funciona- Casos Totales Target 960 % Target 9,6% Random Extracción Total Extraído Bolas Rojas Bolas Negras Bolas Rojas / Total de bolas rojas Ac Bolas rojas sobre total 10% ,0% 10,0% 10% ,0% 20,0% 10% ,0% 30,0% 10% ,0% 40,0% 10% ,0% 50,0% 10% ,0% 60,0% 10% ,0% 70,0% 10% ,0% 80,0% 10% ,0% 90,0% 10% ,0% 100,0% % 80%

15 Modelo Predictivo -Como saber si funciona- Casos Totales Target 960 % Target 9,6% Bola de Cristal 100% Extracción Total Extraído Bolas Rojas Bolas Negras Bolas Rojas / Total de bolas rojas Ac Bolas rojas sobre total 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% 10% ,0% 100,0% %

16 Modelo Predictivo -Como saber si funciona- Casos Totales Target 960 % Target 9,6% Modelo Predictivo Extracción Total Extraído Bolas Rojas Bolas Negras Bolas Rojas / Total de bolas rojas Ac Bolas rojas sobre total 10% ,1% 34,1% 10% ,1% 51,2% 10% ,9% 63,1% 10% ,8% 72,9% 10% ,0% 79,9% 10% ,7% 85,6% 10% ,0% 90,6% 10% ,0% 94,7% 10% ,0% 97,7% 10% ,4% 100,0%

17 Modelo Predictivo -Como saber si funciona- Casos Totales Target 960 % Target 9,6% % Total Random Ac Bolas rojas sobre total Modelo Ac Bolas rojas sobre total 10,0% 10,0% 34,1% 20,0% 20,0% 51,2% 30,0% 30,0% 63,1% 40,0% 40,0% 72,9% 50,0% 50,0% 79,9% 60,0% 60,0% 85,6% 70,0% 70,0% 90,6% 80,0% 80,0% 94,7% 90,0% 90,0% 97,7% 100,0% 100,0% 100,0%

18 Monitoreo

19 Monitoreo C Business Banking REL Total portfolio P C Business Banking REL YTD Credit losses P Comments YTD credit Losses (in AR$m) The steady growth in the REL portfolio slowed down during April Dec-09 Mar-10 Jun-10 Sep-10 Dec-10 Mar-11 Apr C BSR loans and Watchlist Watchlist BSR Problem loansp % 6.1% 5.1% 4.4% % 1.8% 1.9% Dec 09 Mar-10 Jun-10 Sep-10 Dec -10 Mar-11 Apr C 35% 30% 25% 20% 15% 10% 5% 0% Dec 10 YTD Apr 11 YTD RE Apr 11 FY Bud 11 RE FY Business banking REL Concentration risk Top 20 Top 10 P No material new Non Performing Loans were observed on the REL segment for the last 6 months. The Business Support and Recovery rate had been experiencing a downward trend over the last quarter due to a combination of lower inflow and higher write-offs ($10.7m). Problem loans slightly increased 10 bps from last month as a small Agribusiness Co. (O/S $0.7m) was transferred from Watchlist to Direct Management. The portfolio posted marginal charges of $0.27m and remains Ar$0.4m below RE. In terms of concentration, the 20 largest customers represent around 31% of the book and the 10 largest around 20%. The business is concentrated around a few numbers of sectors with almost 50% in Agribusiness and Transportation. RE1 projections maintain the same credit loss rate of the original budget (1%). Full year credit loss forecast was increased from $10.1m to $12.5 following the portfolio growth. C = Current; P = Projection

20 Como evolucionamos en Standard Bank Año Actualidad Origen de datos IT IT IT IT Almacenamiento de datos IT Departamental IT IT Desarrollo solución IT Departamental Departamental Departamental Lugar de proceso IT Departamental Departamental IT Alcance de la implementación Organización Departamental Departamental Organización

21 Ejemplos de trabajos Targeting Plataforma Originaciones Primeros 12 meses Account Management Collection & Asset Recovery Capital Management

22 Targeting - Ejercicio de Mercado Potencial - Drivers (Muestra 2%) Reglas de exclusión Concepto Bancarización Tipo de Score NSE Políticas de Crédito Zonas de Cobertura Inconsistencia Códigos postales Edades no admitidas Beneficios derivados 1. Entender la composición del mercado e identificar las oportunidades de negocio. 2. Entender la penetración por zona y cuantificar el mercado potencial remanente. 3. Evaluar la cobertura de la red y futura localización de nuevas Sucursales. 4. Ayudar a planificar objetivos de venta con mayor precisión.

23 Plataforma de Originación Datos solicitud Bases Internas Vector UNICO de entrada al proceso (355 variables) Bases Públicas Bureau de Crédito Acuerdo con IT: No modificar el nodo Origen. No modificar el nodo Destino. Usar las 355 variables definidas. Encargarnosdediseñar la política y mantenerla.?

24 Plataforma de Originación Las políticas de crédito tienen dos pasadas. La primera evalua bases internas y públicas y la 2da. evalúa bases externas y realiza cálculos de selección y asignación de línea.

25 Plataforma de Originación Es visual y fácil de interpretar la secuencia Con un doble click, vamos entrando en detalle. Con otro doble click vemos que hace el nodo.

26 Plataforma de Originación

27 Plataforma de Originación Plantilla de diseño de política Filtro A Requisitos / Exclusiones Filtro B Líneas / Capacidad Filtro C Riesgo / CRL Filtro D Valor / Riesgo Decisión Final Datos Solicitud Comportamiento Interno Bases Públicas Exposure RCI PD EL Valor Riesgo Filter A to D Edad Atrasos en el Banco Sit.BCRA Aceptado Exposure Cliente Exposure Producto Exposure Mercado RCI Aceptado PD = cut-off EL = cut-off Aceptado Valor/riesgo = cut-off Cut-off difiere por producto, tipo cliente y canal Aceptado Rechazado (automático) Aceptado (Automático) Rechazado (manual) Rechazo / Excepción Rechazo / Excepción Rechazo / Excepción Rechazo / Excepción Aceptado (manual) Modelo decisión (regla) Tamaño Revisar Modelo Posibilidad de excepción Automático Modelo Riesgo La decisión crediticia en el segmento de consumo incluye dos etapas: la selección y asignación de la línea de crédito.

28 Plataforma de Originación Retailers Sucursales Dealers

29 Plataforma de Originación Beneficios derivados Reglas de negocio in house. Automatización de operaciones. Actualmente 70%. Proyectado 80%. Reducción de dotación y foco en casos donde el analista agrega valor. Ahorro sustancial en consultas al Credit Bureau. Solución escalable. Una solución atiende todos los canales. Análisis del tipo What if. Estrategias de tipo Champion Challenger. Simplificación de los controles y testeos pre implementación. Proceso ágil y seguro de puesta en producción. Herramienta muy fácil de auditar. Quality assurance inmediato de las operaciones originadas. Monitoreo ágil y rápido sobre las nuevas originaciones.

30 Primeros 12 meses Activación Incentivación Fidelización Retención Renovación 1- Welcome call 2- Habilitación Welcome call Habilitación Activación 4- Incentivación 5- Fidelización 6- Reactivación 7- Retención 1 Reactivación Mes 3 Mes 6 Mes 9 Mes 12 Mes 13 Credit indicators First payment default Early payment default

31 Account Management - Ejemplos- CRL Segmentación Manejo de Límites Account Management Manejo Productos Revolving Oportunidades de Venta

32 Account Management - Riesgo- Credit Bureau SCORE Internal SCORES Customer Risk Level ETAPA I ETAPA II Bureau Score % Bads % Bads - Total ,7% 4,6% 3,5% 2,6% 1,1% 0,6% 0,3% 0,2% 0,2% 0,2% 0,3% ,9% 5,6% 4,6% 3,7% 2,3% 1,1% 1,0% 0,1% 0,5% 0,8% 0,5% ,4% 6,7% 6,0% 3,5% 1,6% 1,1% 1,0% 0,6% 0,2% 0,3% 0,1% ,8% 7,0% 4,8% 3,4% 3,4% 2,8% 2,9% 3,2% 0,2% 0,1% 0,2% ,9% 10,9% 7,3% 4,5% 3,4% 3,3% 1,6% 2,7% 1,9% 0,6% 0,1% ,0% 12,1% 10,2% 7,5% 7,6% 1,7% 4,6% 1,5% 1,6% 1,6% 1,9% ,3% 19,7% 15,2% 10,1% 5,3% 7,7% 4,1% 2,8% 3,9% 2,1% 2,0% Total 2,6% Score Interno Segmentar el Portafolio por nivel de riesgo. Mantener actualizado el riesgo y monitorear la evolución del mismo. Clasificación de los niveles de riesgo: 90 + dpd in 18 month period VL 0-1 % L % M % MH % H % VH + 15 %

33 Account Management - Conocimiento Clientes- Information at Customer Level Credit Cards Information at product level Personal Loan Customer Number TC_Limit $ PL_Limit $ ID Customer TC_Balance $ PL_Balance $ Total Exposure $ TC_DPD_Max 0 PL_DPD_Max $ 0 Total balance $ TC_EAD_Value $ PL_EAD_Value $ Total EAD $ TC_LGD_DT 0,4825 PL_LGD_DT 0,7788 DPD_Max 0 TC_Estimated risk % 2,20% PL_Estimated risk % 1,79% # Products 4 TC_Cases 2 PL_Cases 1 Estimated risk % 2,20% TC_Segment CSSS74 PL_Segment CSSS55 Risk Segment M Dpd Status C Auto Loan Checking Overdraft Default segment 2% - 3% AUTO_Limit 0 CH_OV_Limit $ Month Nov-2010 AUTO_Balance 0 CH_OV_Balance $ 274 AUTO_DPD_Max 0 CH_OV_DPD_Max $ 0 AUTO_EAD_Value 0 CH_OV_EAD_Value $ AUTO_LGD_DT 0 CH_OV_LGD_DT 0,5613 AUTO_Estimated risk % 0 CH_OV_Estimated risk % 1,91% AUTO_Cases 0 CH_OV_Cases 1 AUTO_Segment CH_OV_Segment CSSS56 Mortgage Loan ML_Limit $ ML_Balance $ ML_DPD_Max $ 0 ML_EAD_Value $ ML_LGD_TTC 0,1141 ML_Estimated risk % 0,53% ML_Cases 1 ML_Segment CSSS32 Bad rate % Rango Basilea Rango Bureau ,01% 13,66% 10,70% 9,52% 7,63% 3,92% 3,92% 0,84% 2 19,95% 12,09% 8,87% 6,61% 5,20% 3,33% 1,62% 0,84% 3 17,23% 10,77% 9,07% 5,78% 3,58% 2,47% 1,62% 0,57% 4 13,95% 8,62% 6,00% 4,34% 3,07% 1,34% 1,21% 0,42% 5 12,23% 6,08% 4,50% 3,06% 1,92% 1,34% 1,02% 0,40% 6 10,53% 4,62% 3,17% 2,37% 1,39% 1,10% 0,73% 0,35% 7 9,09% 4,62% 3,17% 2,20% 1,26% 0,78% 0,54% 0,35%

34 Account Management Revisión de Limites-

35 Account Management Revisión de Limites- - Exclusiones y selección de clientes elegibles- CRL Exclusiones Sin atrasos en sus productos. Antigüedad > 9 meses. Ultima modificación > 6 meses. Edad 1 Uso en las tarjetas del Banco. 2 Uso en las tarjetas del Banco. 3 Uso tarjetas de débito Alertas mercado (nuevas tarjetas) Target Selección 5 Pedido de líneas transitorias / transacciones denegadas

36 Account Management Segmentación Riego + Ingresos- Clientes Riesgo # A $ B $7.300 C1 $5.200 C2 $4.300 C3 $3.800 D1 $3.100 D2 $2.200 E $1.400 VL % 15% 25% 30% 5% 5% 4% 1% L M MH H VH Total Estrategias diferenciadas A $ Con tarjeta en el Mercado Sin tarjeta en el Mercado

37 Account Management Valor del cliente- Valor Potencial: Esta dado por lo que el cliente hace conmigo y lo quehaceen el mercado. (Visión completa del cliente) Mercado Standard Bank Alto Medio Bajo Medio Alto 4 Proteger 3 Blindar e incentivar Bajo 1 2 Ignorar Conquistar

38 Cobranzas & Asset Recovery - organización- 1 Pre- Delinquency (0 dpd) 2 Early stage (1-29 dpd) Cobranzas 3 4 Mid stage (30-90dpd) Late stage (90-180dpd) Analytics RRHH Asset Rcovery 6 Charge off (+180dpd) Agencias // In House 6 Technology (Mosaix) 7 Managementinformation System (MIS)

39 Cobranzas Ejemplo - modelo predictivo- Decil Score Score Casos Min Max Totales Target Target Casos Target % % ac % K-S Gini Odds ,8% 10,0% 32,8% 26,7 0,01 2, ,4% 10,0% 49,2% 34,5 0,04 5, ,4% 10,0% 60,6% 36,5 0,06 7, ,4% 10,0% 70,0% 36,3 0,07 9, ,8% 10,0% 76,8% 33,0 0,08 13, ,4% 10,0% 82,2% 28,2 0,09 17, ,8% 10,0% 87,0% 22,7 0,09 19, ,9% 10,0% 90,9% 16,1 0,10 25, ,9% 10,0% 93,8% 8,4 0,10 33, ,3% 10,0% 100,0% 0,0 0,11 42,3 Totales ,6% 36,5 0,49 % Target 40,0% 37,5% 35,0% 32,5% 30,0% 27,5% 25,0% 22,5% 20,0% 17,5% 15,0% 12,5% 10,0% 7,5% 5,0% 2,5% 0,0% Target (%) por Decil 32,8% 16,4% 11,4% 9,4% 6,8% 5,4% 4,8% 3,9% 2,9% 2,3% Decil Target, exclusiones, periodo de observación y ventana de comportamiento

40 Cobranzas Ejemplo - modelo predictivo- Deciles Día Final Decil 5 Día Total ,8% ,2% ,6% ,7% ,2% ,0% ,7% ,2% ,3% ,7% ,1% ,2% ,5% ,1% ,8% ,5% ,4% ,4% ,6% ,5% ,7% ,8% ,9% ,6% ,9% ,5% ,0% Total Target 9,6% 32,8% 16,4% 11,4% 9,4% 6,8% 5,4% 4,8% 3,8% 2,9% 2,3% 1,620 / 23,949 1,620 / 22,498 1,620 / 21,186 1,620 / 18,696 1,620 / 15,891 1,620 / 13,481 1,620 / 11,793,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 1,620 / 1,790 1,620 / 1,620

41 Cobranzas - Estrategias de llamados - Codigo % Target Estrategía Tipo llamada Mensaje <= 15% A No Call 15% - 30% B Virtual Standard 30% - 50% C Operador mesaje A 50% - 75% D Operador mesaje B >= 75% E Operador mesaje C Decil DPD % 17% 12% 10% 7% 6% 5% 4% 3% 3% 6 34% 18% 13% 10% 8% 6% 6% 4% 3% 3% 7 36% 19% 14% 12% 9% 7% 7% 5% 4% 4% 8 39% 21% 16% 14% 10% 9% 8% 7% 6% 5% 9 42% 24% 18% 16% 12% 11% 10% 8% 7% 6% 10 44% 25% 20% 18% 14% 13% 12% 10% 9% 8% 11 45% 26% 22% 19% 15% 14% 13% 11% 10% 9% 12 46% 28% 23% 21% 17% 16% 14% 12% 11% 10% 13 47% 30% 25% 22% 19% 18% 15% 13% 12% 11% 14 51% 34% 29% 26% 23% 22% 20% 18% 17% 16% 15 54% 39% 34% 32% 29% 27% 25% 24% 23% 21% 16 57% 42% 38% 36% 33% 31% 29% 28% 27% 25% 17 60% 45% 41% 40% 38% 35% 33% 32% 31% 29% 18 62% 48% 43% 42% 41% 38% 36% 35% 33% 31% 19 62% 49% 44% 44% 42% 39% 37% 36% 34% 32% 20 64% 50% 46% 46% 44% 41% 38% 38% 35% 34% 21 67% 54% 50% 50% 48% 45% 42% 42% 40% 38% 22 71% 60% 56% 56% 55% 50% 49% 49% 47% 45% 23 75% 65% 62% 62% 61% 56% 54% 54% 53% 51% 24 80% 70% 67% 67% 66% 62% 60% 60% 57% 57% 25 82% 74% 71% 71% 70% 66% 65% 65% 61% 62% 26 84% 76% 73% 73% 72% 68% 68% 66% 63% 64% 27 86% 80% 77% 76% 75% 72% 70% 69% 65% 67% 28 91% 86% 83% 83% 82% 79% 78% 77% 74% 74% 29 95% 94% 92% 93% 91% 90% 90% 91% 88% 89% % 100% 100% 100% 100% 100% 100% 100% 100% 100% Casos # veces Llamados contactados clientes Actual ,93 Propuesta ,09 Tipo Mensaje Mensaje A Mensaje B Mensaje C Total Reducción -43,5%

42 Cobranzas Ejemplo Implementación de Estrategia - Portafolio Drivers para la decisión Pagos vencidos 0 1 Realizó primer pago Sí No % de utilización Producto MOB - Collection Score Bureau Score < < Acción Nro

43 Basilea Ejemplo diagrama del proceso- Application Information Application Scorecard PD Model Credit Bureau Behavioural Scorecard EAD Model Expected Loss Capital Requirement Performance and Account Data LGD Model Feedback Data View (Teradata)

44 Business Analytics -Que vemos.. Mas Real Time o Right Time en la decisión de negocios. Mayor uso de alertas y menor cantidad de reportes. Mas visual analytics. Uso de modelos predictivos en otras áreas de negocio. Text Mining y Web Mining Test and Learn Mayor demanda de gente con orientación analítica. El cambio continuará

45 Lo único constante es el cambio

46 Preguntas... Eduardo Donato Gerente Credit Analytics Standard Bank 46