III JORNADAS DE DATA MINING CASO DE ÉXITO: SOLUCIONES PREDICTIVAS PARA LA. Luciano Menéndez Dello Analytics Manager en HSBC

Transcripción

1 III JORNADAS DE DATA MINING EN EL MACRO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL CASO DE ÉXITO: SOLUCIONES PREDICTIVAS PARA LA BANCA RETAIL Luciano Menéndez Dello Analytics Manager en HSBC IAE - Pilar, 12 y 13 de agosto de 2008

2 Soluciones predictivas para banca retail HSBC Bank Argentina Luciano Menéndez ndez Dello Jornadas Data Mining - IAE

3 Situación La adquisición de la Banca Nazionale del Lavoro (BNL) generó el desafío de integrar la cartera heredada al perfil deseado de cliente HSBC. El área de Analytics realiza un análisis integral del ciclo de negocios buscando oportunidades de mejora: Acquisition Credit Bureau based Recoveries Maintainance In-house developments Collections

4 Situación Se busca utilizar los datos descriptivos existentes para construir modelos predictivos capaces de: Ordenar la cola de cobranzas que se encuentra colapsada. Controlar los indicadores de mora de los distintos productos que componen la cartera. Insertar el concepto de riesgo en las áreas comerciales a través del Credit Scoring.

5 Solución con modelos predictivos SAS Un modelo de cobranzas nos aporta la probabilidad de pago dentro de un plazo para clientes que ya están atrasados. Nos permite decidir sobre cuáles de ellos actuar antes. Se emplean para su desarrollo, datos transaccionales más los específicos de cobranzas y los aportados por el Bureau de Crédito.

6 HEXB Collections Scorecard: Análisis Univariado Como primer paso en la construcción del modelo, se estudian todas las variables disponibles en nuestras bases de datos mediante un análisis univariado (PROC UNIVARIATE + PROC BOXPLOT): Se controla la presencia de outliers y se analizan las distribuciones por variable.

7 HEXB Collections Scorecard : Análisis Bivariado En segundo lugar construimos análisis bivariados para entender la relación de cada variable con nuestro target. Bivariate Analysis Variable #322 Min - Max 664 Value Total Goods Bads Bad rate ,8% ,2% ,1% ,1% ,1% ,3% Total ,0% ok F statistic 1.265,791 P-value 0,00% Necesitamos entender qué variables discriminan los clientes que pagan de los que no lo hacen. Empleamos para construir el modelo predictivo el algoritmo de regresión logística de SAS sobre las variables que muestran mayor capacidad de discriminación en los análisis bivariados.

8 HEXB Collections Scorecard Medimos el poder predictivo del modelo con una macro de SAS que calcula varios indicadores. El primero que veremos es el Kolmogorov- Smirnov Test que mide la distancia máxima entre dos distribuciones acumuladas. KS

9 HEXB Collections Scorecard El power stat compara buestro modelo contra un modelo óptimo que fuera capaz de predecir el 100% de los clientes malos. Power_Stat

10 HEXB Collections Scorecard: Implementación Una vez que estuvimos seguros de su poder y buen funcionamiento, el modelo de cobranzas se implementó en Enterprise Guide 4 para ser ejecutado siempre que sea necesario.

11 Solución con modelos predictivos SAS La posibilidad de ejecutar el modelo desde Enterprise Guide 4 automáticamente nos permitió garantizar la ausencia de error humano en el proceso de cálculo. También nos ayudó a simplificar los procesos de auditoría.

12 Solución con modelos predictivos SAS Un modelo de comportamiento nos aporta una probabilidad de default para un cliente que hoy está al día con sus pagos. Con este dato podemos definir nuestras políticas a futuro Se emplean para este desarrollo los datos transaccionales que figuran en nuestras bases de datos.

13 Solución con modelos predictivos SAS Volvemos a emplear la macro de SAS que calcula los indicadores. KS

14 Solución con modelos predictivos SAS El power stat confirma los resultados del KS. Power_Stat

15 Proyecto Inicio del proyecto: Marzo 2007 Duración planeada: 6 meses Patrocinio: La iniciativa surge como respuesta a las demandas de nuestro Head de Credit & Risk de mejorar los indicadores de mora de la nueva cartera. Métrica de evaluación: % de cuentas en mora. Proceso de diseño: In-house Los usuarios finales (marketing y cobranzas) interactuaron con nuestra área de Analytics para definir alcances y especificar necesidades concretas. Obstáculos: El principal problema que enfrentamos fue la diversidad de orígenes de datos. Esto generó la necesidad de realizar un proceso de limpieza de información.

16 Resultados Beneficios directos Se alcanza a llamar a todos los clientes dentro de cobranzas. Reducción general de las cuentas en mora. Reducción del número de cuentas con atraso. Menor % sobre el total cartera. Reducción del gasto de Marketing (no se invierte en clientes con bajo score). Costos del área. Reducción del gasto de cobranzas (Se requieren menos cobradores por aumento de productividad). Número de cobradores.

17 Resultados Beneficios indirectos Se genera el hábito de emplear clusters de probabilidades a la hora de enfocar nuevas iniciativas, tanto desde una perspectiva comercial como de cobranzas. Al mejorar la performance de los clientes en cobranzas gestionados vía score, se liberan recursos para el resto.

18 Muchas gracias