Aplicación de Herramientas Analíticas en la Originación de Créditos. Edgar Escobar D Achiardi. Experian DataCrédito. Vicepresidente Analytics S.

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Aplicación de Herramientas Analíticas en la Originación de Créditos. Edgar Escobar D Achiardi. Experian DataCrédito. Vicepresidente Analytics S."

Dolores Bustamante Chávez
hace 6 años
Vistas:

1 Aplicación de Herramientas Analíticas en la Originación de Créditos Edgar Escobar D Achiardi Experian DataCrédito Vicepresidente Analytics S.Latam edgar.escobar@experian.com

Presencia Global y Expertise Experian es la Empresa Líder Global en Servicios de Información, herramientas analíticas, plataformas tecnológicas y servicios de consultoría de riesgo crediticio HQ HQ

2 Presencia Global y Expertise Experian es la Empresa Líder Global en Servicios de Información, herramientas analíticas, plataformas tecnológicas y servicios de consultoría de riesgo crediticio HQ HQ HQ HQ Experian Bureau Experian Decision Analytics HQ Experian en Colombia cuenta con uno de los HUB de Excelencia de Analytics para la región de Spanish Latam y ofrecer las mejores prácticas del GAC Clientes Experian tiene operación en 42 países y vende a 90 países en el mundo En Analytics, constituimos el Consejo Global de Analytics (GAC en ingles) que cuenta con los lideres Analíticos de las 6 Regiones y busca consolidar Buenas Practicas y Conocimiento Más de 600 Analistas enfocados en Analytics Un equipo de Deep Dive Analytics con mas de 30 Data Scientist a Nivel Global Somos una compañía con alcance Global

Desarrollo Integral Data Experian gestiona una amplitud sin igual con profundidad de datos para ayudar a los clientes a obtener un amplio conocimiento de las personas, las empresas y los mercados.

3 Desarrollo Integral Data Experian gestiona una amplitud sin igual con profundidad de datos para ayudar a los clientes a obtener un amplio conocimiento de las personas, las empresas y los mercados. Data Inteligence Ayudamos a los clientes a capturar y optimizar sus propios datos, conectar con otras fuentes de datos valiosos, y tornar ambos conjuntos de información en datos relevantes y decisiones pertinentes. Analytics Aplicando técnicas de scoring, modelos analíticos y software, ayudamos a los clientes a tener una imagen enriquecida de lo que está sucediendo en el mercado y predecir eficientemente las necesidades de sus clientes, preferencias, riesgo y comportamientos futuros. Implementación Nuestras plataformas permiten a nuestros clientes gestionar datos, definir estrategias de toma de decisión, establecer flujo de trabajo, comunicar y generar reportes. Esta plataforma ayuda a entender o comprar nuestros productos. Estrategia Tenemos expertos de dominio en temas e industria. Trabajamos con los clientes, combinando información y realizando análisis expertos apoyados en casos del mundo real para una mejor toma de decisiones. Mejores Prácticas Damos servicio a nuestros clientes desde una extensa red de oficinas alrededor del mundo. Esto nos permite apoyar y servir a los clientes desde todas los frentes posibles con capacidades globales y empresariales a gran escala.

Qué es un Score? Es un modelo estadístico que permite calificar clientes en función de una variable respuesta. 1. Toda población tiene diferencias, estos se denominan patrones estadísticos.

4 Qué es un Score? Es un modelo estadístico que permite calificar clientes en función de una variable respuesta. 1. Toda población tiene diferencias, estos se denominan patrones estadísticos Utilizando técnicas matemáticas identificamos estos patrones que permiten diferenciar entre tipos de individuos Cada tipo de individuo representa un puntaje. Este puntaje se relaciona a la probabilidad de que el evento seleccionado ocurra

Que elementos componen un score? 1. Variable Objetivo 4. Validación 2.

Modelo Estadístico Min Score Max Score Probabilidad 950 999 0,50% 900 949 1,00% 850 899

500 549 10,00% 450 499 15,00% 400 449 20,00% 350 399 25,00% 300 349 40,00% 250 299 50,00%

5 Que elementos componen un score? 1. Variable Objetivo 4. Validación 2. Variables Explicativa Usos Cupos txc Experiencia Hábitos Tenencia de productos 3. Modelo Estadístico Min Score Max Score Probabilidad ,50% ,00% ,00% ,00% ,50% ,00% ,50% ,50% ,50% ,00% ,00% ,00% ,00% ,00% ,00% ,00% ,00% TOTAL 5,50% El score no toma decisiones, estima probabilidades para ayudar a medir tasa de ocurrencia.

6 Por qué se hace un Score? Las personas presentan comportamientos reiterativos, es decir que sus acciones futuras serán similares a sus acciones pasadas. Es una manera sencilla de agrupar diferentes variables y dar una respuesta puntual a una pregunta especifica. Permite tomar decisiones objetivas, el score no depende de criterios personales y ayuda a evaluar personas. Permite estandarizar procesos y aumentan la posibilidad de acceder a créditos de manera rápida y eficientemente

7 Ejemplo Práctico de como funciona un Score EJEMPLO Si Usted fuera un tendero le fiaría a los vecinos que pagan bien? El tendero sabe que el grupo de vecinos que reiteradamente pagan a tiempo, seguramente lo harán en el futuro. El score, al igual que el tendero, pronostica acciones futuras basado en comportamientos pasados. PREGUNTA 1 Cree Usted que el tendero le fiaría a personas que le deben a otro establecimiento? PREGUNTA 2 El tendero ha identificado que los clientes con una edad entre los 30 y 40 años son cumplidos en sus pagos. Solo fía a esta población? No, Esto mismo hace el score. Basado en relaciones históricas, determina que tan probable es se repita este tipo de comportamiento. No, Al igual que el score, el tendero detecta que la gente de esa edad usualmente tiene familia y una cultura financiera; son responsables con sus pagos. Esto no implica que clientes con una edad diferente no paguen. El score no es un número aleatorio. Al igual que los ejemplos enunciados, el score no utiliza ninguna variable o lógica contra intuitiva. Alguien que tiene comportamientos relacionados al pago, seguramente seguirá así en el futuro.

8 Beneficios en el Ciclo de Vida de los Clientes

9 Innovación en el desarrollo de scores Data Consultancy Infraestructura bajo el principio de Big data Conocimiento técnico Conocimiento en programación Evolución en Hardware y software Alcance open source Conocimiento del negocio Capacidades personales Procesamiento y almacenamiento Conectividad con automodel Nuevas metodologías analíticas Boosting (Adaptative learning) SMOTE ( Synthetic Minority sampling Tecnique) Redes Neuronales Bayesianas Modelos adaptativos en tiempo real

10 Scoring: Aplicación y Caso de Exito

Con los resultados de la segmentación se desarrolla una consultoría (Strategy Design) que determine la política acertada conectada a rentabilidad.

11 Aplicación del Score en la Política de Riesgo Por medio de árboles de decisión y en conjunto con el Score de riesgo más apropiado, se busca un incremento en la tasa de aprobación manteniendo niveles de morosidad. La segmentación puede involucrar data del cliente y/o de Bureau. Con los resultados de la segmentación se desarrolla una consultoría (Strategy Design) que determine la política acertada conectada a rentabilidad. Por medio de plataformas informáticas se realiza la implementación de la política parametrizada de acuerdo a los criterios definidos en consultoría y del cliente.

Aplicación del Score - Fases de la aplicación 4 1 DATOS Identificación de la base de trabajo.

DEFINICION DE POLITICAS Desarrollo de un set de políticas aplicando el score incorporando el

EVALUACION POLITICAS Min Score Max Score Probabilidad 950 999 0,50% 900 949 1,00% 850 899 2,00%

10,00% 450 499 15,00% 400 449 20,00% 350 399 25,00% 300 349 40,00% 250 299 50,00% 200 249 60,00%

discriminación y la rentabilidad 3 Backtesting y caso de negocio con el score.

75,00% TOTAL 5,50% MANTENIMIENTO KS? ROA?

12 Aplicación del Score - Fases de la aplicación 4 1 DATOS Identificación de la base de trabajo. Filtros duros de la entidad y sugeridos. DEFINICION DE POLITICAS Desarrollo de un set de políticas aplicando el score incorporando el concepto de rescatados. 5 TENDENCIAS Análisis de cosechas y evaluación de tendencias. EVALUACION POLITICAS Min Score Max Score Probabilidad ,50% ,00% ,00% ,00% ,50% ,00% ,50% ,50% ,50% ,00% ,00% ,00% ,00% ,00% ,00% ,00% ,00% TOTAL 5,50% Backtesting y caso de negocio de las políticas que aumentan la discriminación y la rentabilidad 3 Backtesting y caso de negocio con el score. 2 SCORE Min Score Max Score Probabilidad ,50% ,00% ,00% ,00% ,50% ,00% ,50% ,50% ,50% ,00% ,00% ,00% ,00% ,00% ,00% ,00% ,00% TOTAL 5,50% MANTENIMIENTO KS? ROA? Se asegura el mantenimiento de las políticas por lo menos cada seis meses.

13 Aplicación del Score - Resultados Tasa de Aprobación Utilidad* ROA Tasa Malos Política actual entidad 65.7% 2, % 12.2% Score (sin políticas) 73.1% 4, % 8.5% Segmentación (Políticas tomando Score) 74.50% 5, % 7.4% Rescate 80.7% 5, % 7.4% Al final permitió: Aumentó en la aprobación un 23%. Aumentó en la utilidad del 86%. Aumentó en el ROA del 43%. Disminución en la tasa de malos del 39%. *Utilidad en millones de pesos

14 GRACIAS

Documentos relacionados

crédito. Por ejemplo si la institución ha fijado que los clientes buenos son aquellos que tienen 500 puntos o más, este cliente sería rechazado.

crédito. Por ejemplo si la institución ha fijado que los clientes buenos son aquellos que tienen 500 puntos o más, este cliente sería rechazado. 6.- Validación del modelo 6.1.- Análisis de percentiles