Métodos Inteligentes de Cobranza Román Vega Martínez rvega@bancoppel.com Octubre de 2013
ABSTRACT Actualmente algunas instituciones Bancarias, en los créditos masivos, usan métodos econométricos para estimar las probabilidades de incumplimiento de los acreditados, utilizando variables del comportamiento de pago que se reportan en las sociedades de información crediticia y de las dimensiones sociodemográficas y del entorno laboral de los clientes. Estos métodos se potencializan cuando el acreditado ha generado suficiente información del comportamiento de pago lo largo de la vida de sus créditos. El uso de Filtros condicionados y no condicionados en conjunción con herramientas Estadísticas y de Inteligencia Artificial. Presentan una oportunidad de mejorar la gestión de cobranza como pilar de la inteligencia de negocio. En este trabajo se propone la incorporación de modelos de Learning Statistics, en particular modelos lineales y no lineales de SVM (Support Vector Machines) para mejorar la potencia de los filtros.
ABSTRACT Los modelos de SVM que se proponen para su desarrollo y validación son de la familia de SVM classifier Propuestos por Vapnik (1) Para el caso lineal 1) y para la entropía del atributo de crédito 2)
I.-INTRODUCCIÓN El pilar financiero de cualquier empresa descansa, sin duda, en una buena cobranza y, por tanto, siempre se le destina una parte importante de la estructura y recursos. Las estrategias de cobranza están enfocadas a los esquemas tradicionales; la cobranza a tiempo (normalmente automática) y la cobranza atrasada, siendo ésta la que consume más recursos. Generalmente las empresas cuentan ya con una estrategia definida y establecida en un manual de cobranza, en el cual se definen los diagramas y cronogramas de acciones a seguir, según los tiempos y el estatus del cliente. Ahora imaginemos esta magnífica estrategia funcionando de forma anticipada. Este trabajo es precisamente una herramienta que nos permite acortar los períodos de atraso ya que no sólo reacciona al presentarse un período de atraso sino que PREDICE (con un modelo estadístico de inteligencia de negocio) el comportamiento de pago futuro de cada uno de nuestros clientes, acelerando la toma de acciones previamente establecidas en la estrategia de cobranza, logrando así la optimización de la capacidad ya instalada.
I.1 Definición de Incumplimiento. La definición de incumplimiento empleada en este caso: Variable dependiente Para la definición de la variable dependiente se utilizó, la moda del incumplimiento en los doce meses del año de acuerdo a la variable de pago oportuno y completo de cada mes, considerando lo siguiente:
II.- MODELO DE REGRESIÓN LOGÍSTICA BINARIA. Este modelo es muy usado en la construcción de filtros para Collection Scoring, pues tiene parsimonia y facilita la interpretación de resultados. En este caso las variables son consideradas categorías que incluyen atributos que distinguen de manera cerrada los datos particulares de cada individuo, de tal suerte que si la categoría incluye k atributos se incluirán k-1 variables Dummy como regresores de esta categoría (variable independiente) en el modelo. La variable dependiente es binaria en correspondencia con la definición de incumplimiento.
II.- MODELO DE REGRESIÓN LOGÍSTICA BINARIA. Dados una cartera de N créditos tenemos las parejas ordenadas con variables independientes y variable dependiente binaria del incumplimiento entonces el Modelo Logístico Binario trata de estimar el incumplimiento mediante la ecuación lineal en el logaritmo de los Odds. Cabe señalar que las variables independientes son categorías que poseen atributos que son categorizadas mediante variables dummy. El método de estimación del vector de parámetros que se utiliza en este trabajo es el de máxima verosimilitud. x i n T w
II.1 La tabla de clasificación Se define la tabla de clasificación como medida de la calidad del filtro como sigue: TABLA DE CLASIFICACIÓN Real Incumplimiento Porcentaje Buenos Malos Subtotal correcto Buenos Tp Fp Tp+Fp Tp/(Tp+Fp) Malos Fn Tn Fn+Tn Tn/(Fn+Tn) Subtotal Tp+Fn Fp+Tn Tp+Tn+Fp+Fn Error tipo I Fn/(Tp+Fn) Error tipo II Fp/(Fp+Tn)
II.1 La tabla de clasificación El Error tipo I consiste en cobrarle intensamente a un cliente bueno, es un error más costoso que no cobrarle a un cliente malo (Dirty-Bad-Bank). Desde el punto de vista del negocio, el cliente malo nos afecta una sola vez hasta el máximo de su línea autorizada, sin embargo el cliente bueno para créditos masivos tiene un potencial de generación de ingresos por un periodo mucho mayor de tiempo.
III.- WOE (WEIGTH OF EVIDENCE) COMO ESTIMADOR DE LA ENTROPIA. Como ejemplo se presentan algunas variables que típicamente tienen poder predictivo en filtros de Cobranza: Variable: Voluntad de Pago. Esta variable mide la voluntad de pago del cliente o el grado de cumplimiento de convenios. Cuando este indicador es igual a uno, la voluntad de pago es total: el cliente paga lo que tiene que pagar. No obstante, en muchas ocasiones también el cliente hace un esfuerzo por continuar pagando aunque no logre su pago completo, pero refleja algún nivel de compromiso con las obligaciones contraídas. Evidentemente, a mayor indicador, menos riesgoso es el cliente. VOLUNTAD DE PAGO Mayor a 88% Entre 66.8% y 88% Entre 50% y 66.7% WOE Entre 1% y 49.9% 0-1200 -1000-800 -600-400 -200 0 200 400
Variable: Pago Puntual Consecutivo (PPC) III.- WOE (WEIGTH OF EVIDENCE) COMO ESTIMADOR DE LA ENTROPIA. El Pago Puntual Consecutivo (PPC) mide el poder del cliente para sostener el pago durante el periodo del crédito. Desde luego, cuanto mayor es el número de pagos consecutivos, el cliente es menos riesgoso. En la gráfica de los WOE s se observa este comportamiento. PPC 7 o más PPC De uno a 6 PPC Ningún PPC WOE -100 0 100 200 300 400
III.- WOE (WEIGTH OF EVIDENCE) COMO ESTIMADOR DE LA ENTROPIA. Variable Omisos Consecutivos (OMC) OMC 11 o más De 6 a 10 De 3 a 5 Menor o igual a 2-500 -400-300 -200-100 0 100 200 WOE La variable OMC mide el número de impagos consecutivos actuales del cliente. Debido a que la variable de PPC tiene la debilidad de que una vez que es igual a cero no se sabe cuántos incumplimientos tiene el cliente, una manera de atrapar esa información es a través de la variable OMC, que sí la recoge. Como se observa en esta gráfica, el comportamiento de la variable es decreciente, lo cual es consistente ya que en la medida en que el cliente tiene más incumplimiento, es más riesgoso y recibe puntos negativos.
III.1 Definiciones e Indicadores del desempeño. Se define: i.- Sensibilidad : La capacidad del modelo para distinguir al cliente bueno ii.- Error Tipo I : El error de tratar como Dirty a un cliente Clean iii.- Especificidad : La capacidad del modelo para predecir al cliente malo iv.- Error Tipo II : El error de confundir a un cliente mala paga con un Clean-Good-Bank. Para conocer y comparar la potencia de los filtros se utilizaron tres medidas de desempeño.
III.1 Definiciones e Indicadores del desempeño. 1.- Estadistico C (el área bajo la curva ROC) 2.- El Índice de GINI X: Proporción acumulada de Bad-Bank Y: Proporción acumulada de Good-Bank 3.- La K-S de Kolmogorov-Smirnoff Fn: Proporción acumulada de Good-Bank Fn : Proporción acumulada de Bad-Bank
IV.- SVM (SUPORT VECTOR MACHINES). Vapnik (1) Propone como una solución a los problemas de clasificación el uso de SVM para funciones lineales y no lineales Gaussianas. En particular en este trabajo proponemos y presentamos el resultado para el WOE (Weigth Of Evidence) como una medida de la entropía. Dada una cartera de N créditos definidos por las parejas con variables independientes y la variable dependiente del incumplimiento Entonces.
IV.- SVM (SUPORT VECTOR MACHINES). Definamos Lo cual es equivalente a La función no lineal mapea el espacio de las variables independientes y básicamente construye un hiperplano que discrimina entre ambas clases de acreditados. Para dos dimensiones se puede graficar el concepto como sigue.
Ilustración de optimización marginal de SVM, en el espacio característico 2 / w + + + Clase +1 x x x x x x x Clase -1 x x x + + + + + + + +
IV.- SVM (SUPORT VECTOR MACHINES). Bajo estas premisas se puede definir el siguiente problema de optimización Sujeto a Las variables i son variables de holgura que son necesarias para compensar los errores de clasificación del tipo I y II. La primera componente de la función objetivo es equivalente a maximizar la distancia de separación entre las distribuciones de Good-Bank vs. Bad-Bank. La segunda componente es la minimización del error de clasificación. La constante C puede considerarse como el parámetro de calibración del algoritmo.
V.- HALLAZGOS Se construyeron ambos filtros: I. Logístico Binario no Entrópico y II. SVM (Support Vector Machine) Entrópico. Se simularon para una ventana de doce meses el comportamiento de la variable incumplimiento. De los cuales los resultados simulados para ese horizonte de tiempo fueron Clasificados como Clean-Good-Bank y Dirty-Bad- Bank. Con esta construcción estadística se obtuvieron los siguientes resultados.
V.1 Logístico Binario Binario No entropico Rango de Score 200-220 220-240 240-260 260-280 Tasa de Malos (Bad Rate) Buenos-a- Malos Odds Cum. % Malos Cum. % Buenos Cum. % Total Rechazados Acept. Cum. % Malos 280-300 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 300-320 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 320-340 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 340-360 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 360-380 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 380-400 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 400-420 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 420-440 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 440-460 62.28% 0.61 1.67% 1.44% 1.58% 98.33% 0.23% 460-480 69.79% 0.43 6.59% 4.46% 5.71% 93.41% 2.12% 480-500 65.94% 0.52 14.41% 10.21% 12.68% 85.59% 4.20% 500-520 65.76% 0.52 26.13% 18.89% 23.14% 73.87% 7.24% 520-540 64.63% 0.55 43.99% 32.78% 39.36% 56.01% 11.20% 540-560 64.05% 0.56 55.03% 41.60% 49.48% 44.97% 13.43% 560-580 60.33% 0.66 65.00% 50.92% 59.18% 35.00% 14.08% 580-600 56.81% 0.76 75.08% 61.81% 69.60% 24.92% 13.26% 600-620 51.73% 0.93 82.53% 71.70% 78.06% 17.47% 10.83% 620-640 51.69% 0.93 87.22% 77.93% 83.38% 12.78% 9.29% 640-660 47.92% 1.09 94.83% 89.70% 92.71% 5.17% 5.13% 660-680 42.07% 1.38 95.94% 91.87% 94.26% 4.06% 4.07% 680-700 45.24% 1.21 99.31% 97.66% 98.63% 0.69% 1.64% 700-720 30.09% 2.32 99.86% 99.47% 99.70% 0.14% 0.38% 720-740 28.13% 2.56 100.00% 100.00% 100.00% 0.00% 0.00% 740-760 0.00% 0.00 100.00% 100.00% 100.00% 0.00% 0.00% 760-y mayor... 58.71% 0.70 100.00% 0.00% KS TABLA DE CLASIFICACIÓN Real Incumplimiento Porcentaje Buenos Malos correcto Buenos 58.4% 45.0% 47.7% Malos 41.6% 55.0% 65.3% 56.4% Error tipo I 41.60 Error tipo II 44.97
(%) Sensibilidad V.1 Logístico Binario Estadístico Valor KS 14.1% Indice de Gini 17.6% Estadistico C 58.8% 25.00% 20.00% 15.00% Grafico de K-S 10.00% 5.00% 0.00% 400 440 480 520 560 600 640 680 720 760 Limite de Aceptacion (Scoring) KS Potencia de la Prueba 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 90.00% 100.00% Error tipo II Azar Potencia de la Prueba
V.2 SVM (Support Vector Machine) Entrópico SMV Rango de Score Tasa de Malos (Bad Rate) Buenos-a- Malos Odds Cum. % Malos Cum. % Buenos Cum. % Total Rechazados Acept. Cum. % Malos KS 200-220 0.00% 0.00 0.00% 0.00% 0.00% 100.00% 0.00% 220-240 50.00% 1.00 0.02% 0.02% 0.02% 99.98% 0.01% 240-260 100.00% 0.00 0.16% 0.02% 0.10% 99.84% 0.14% 260-280 82.22% 0.22 0.76% 0.21% 0.53% 99.24% 0.55% 280-300 86.46% 0.16 2.09% 0.50% 1.44% 97.91% 1.59% 300-320 78.66% 0.27 5.30% 1.74% 3.83% 94.70% 3.56% 320-340 78.59% 0.27 10.32% 3.69% 7.58% 89.68% 6.63% 340-360 73.61% 0.36 17.77% 7.49% 13.53% 82.23% 10.29% 360-380 71.75% 0.39 27.09% 12.71% 21.15% 72.91% 14.39% 380-400 69.03% 0.45 38.22% 19.80% 30.61% 61.78% 18.41% 400-420 63.68% 0.57 49.20% 28.71% 40.74% 50.80% 20.49% 420-440 64.25% 0.56 59.47% 36.84% 50.12% 40.53% 22.63% 440-460 59.08% 0.69 68.32% 45.56% 58.92% 31.68% 22.76% 460-480 55.58% 0.80 76.09% 54.40% 67.14% 23.91% 21.70% 480-500 50.40% 0.98 82.12% 62.82% 74.15% 17.88% 19.29% 500-520 48.56% 1.06 87.28% 70.60% 80.40% 12.72% 16.68% 520-540 44.81% 1.23 91.45% 77.91% 85.86% 8.55% 13.54% 540-560 41.13% 1.43 94.51% 84.13% 90.23% 5.49% 10.38% 560-580 38.89% 1.57 96.76% 89.17% 93.63% 3.24% 7.59% 580-600 34.47% 1.90 98.23% 93.13% 96.12% 1.77% 5.10% 600-620 28.42% 2.52 99.07% 96.13% 97.85% 0.93% 2.94% 620-640 29.25% 2.42 99.57% 97.85% 98.86% 0.43% 1.72% 640-660 22.39% 3.47 99.81% 99.04% 99.49% 0.19% 0.77% 660-680 25.00% 3.00 99.95% 99.66% 99.83% 0.05% 0.30% 680-700 20.00% 4.00 100.00% 99.93% 99.97% 0.00% 0.07% 700-720 0.00% 0.00 100.00% 100.00% 100.00% 0.00% 0.00% 720-740 0.00% 0.00 100.00% 100.00% 100.00% 0.00% 0.00% 740-760 0.00% 0.00 100.00% 100.00% 100.00% 0.00% 0.00% 760-y mayor... 58.71% 0.70 100.00% 0.00% TABLA DE CLASIFICACIÓN Real Incumplimiento Porcentaje correcto Buenos Malos 0 Buenos 63.2% 40.5% 52.3% Malos 36.8% 59.5% 69.7% 61.0% Error tipo I 36.84 Error tipo II 40.53
(%) Sensibilidad V.2 SVM (Support Vector Machine) Entrópico Estadístico Valor KS 22.8% Indice de Gini 31.1% Estadistico C 64.8% Grafico de K-S Potencia de la Prueba 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% 200 240 280 320 360 400 440 480 520 560 600 640 680 720 760 Limite de Aceptacion (Scoring) KS 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% 60.00% 70.00% 80.00% 90.00% 100.00% Error tipo II Azar Potencia de la Prueba
V.3 Pronóstico de Comportamiento de Pago Individual El pronóstico de comportamiento de pago individual, es una proyección con vista hacia el futuro, para poder anticipar la gestión de cobranza en forma individualizada para cada uno de los clientes, por sus características sociodemográficas y de comportamiento de pago. En conjunto estas características, que son únicas para cada cliente, pronostican una ventana del comportamiento de pago respecto del compromiso que adquirió. Con el uso de este pronóstico se le cobra de manera diferente a todos los clientes, por ejemplo si éstas lo definen como cliente irregular, tiene un riesgo medio de que incumpla en su siguiente compromiso, lo que nos lleva a realizar una gestión de cobranza diferenciada entre los clientes de riesgo bajo y los de riesgo alto. Es la combinación de estas características individuales lo que nos dará una pauta a seguir con la gestión de cobranza.
V.3 Pronóstico de Comportamiento de Pago Individual El Proceso del cálculo del Pronóstico de Comportamiento de Pago Individual se describe en el siguiente esquema: CLIENTE AU SCORE SOCIODEMOGRÁFICO SCORE DE COMPORTAMIENTO NO CONDICIONADO NO PROBABILIDAD DE INCUMPLIMIENTO <.50 SI NO PROBABILIDAD DE INCUMPLIMIENTO <.75 SI SCORE CONDICIONADO DE RIESGO BAJO SCORE CONDICIONADO DE RIESGO ALTO SCORE CONDICIONADO DE RIESGO MEDIO CLIENTE CALIFICADO CLIENTE CALIFICADO CLIENTE CALIFICADO FIN
Score Sociodemográfico V.3 Pronóstico de Comportamiento de Pago Individual En el momento en que se origina el cliente, después de haber decidido otorgarle el crédito, pasa por un proceso donde le es calculado un Grado de Riesgo que incluye cuatro variables sociodemográficas: Edad Ocupación Entidad Federativa Antigüedad de la cuenta En este Grado de Riesgo se agrega un recargo por un riesgo subnormal, cuando es el caso de la presencia de grupos sociales promotores del incumplimiento.
V.3 Pronóstico de Comportamiento de Pago Individual Score Comportamiento de Pago No Condicionado Cuando se conoce el comportamiento de pago del cliente, puede ser sometido a este score, calculando su nivel de riesgo asociado a las variables sociodemográficas y de comportamiento de pago, mediante una probabilidad asignada. Dado esto puede darse cualquiera de los siguientes sucesos: Si su probabilidad de recuperación está entre 92% y 100%, es grado de Riesgo A. Si su probabilidad de cumplimiento se encuentra entre el rango de (54.2% - 70.8%), el cliente posee un nivel de Riesgo B Si su probabilidad de recuperación tiene un rango entre (29.2% - 45.8%), es grado de Riesgo C. De lo contario, si su probabilidad de incumplimiento supera el 95.8% indica que el cliente se encuentra en un nivel de Riesgo Alto.
V.3 Pronóstico de Comportamiento de Pago Individual Scores de Riesgos Condicionados Alto, Medio y Bajo El cálculo de estas probabilidades permitirá personalizar la gestión para cada cliente con un filtro más fino y conociendo las posibilidades con las que cuenta para migrar ya sea a la mejoría o al deterioro, y la velocidad con la que lo hará. A continuación veremos un ejemplo del cálculo del Pronóstico de Comportamiento de Pago Individual. José Alfredo Rodríguez es un hombre que tiene 28 años y vive en Coahuila. Su ocupación es Asalariado con un puesto de Coordinador técnico con un nivel medio y cuenta con las siguientes características generales y financieras:
V.3 Pronóstico de Comportamiento de Pago Individual Variables de Entrada Variable Valor FECHA DE OTORGAMIENTO 13/FEBRERO/2012 EDAD 28 ESTADO COAHUILA EMPLEADO NIVEL OCUPACION MEDIO VALOR DE LA MENSUALIDAD $ 1,000.00 VALOR DEL CREDITO $ 20,000.00 SCORE CUOTA PURA DE RIESGO 0.0693 INGRESO MENSUAL $ 5,000.00 MENSUALIDAD RESPECTO AL INGRESO 0.20 INGRESO RESPECTO AL MONTO DEL CREDITO 0.25 SEMANAS EN GESTION 18 PAGO PUNTUAL CONTINUO (PPC) 0 NUMERO DE OMISOS CONTINUOS 1 PAGO SEMANA 1 $ 1,000.00 PAGO SEMANA 2 $ 1,000.00 PAGO SEMANA 3 $ 1,000.00 PAGO SEMANA 4 $ 1,000.00 PAGO SEMANA 5 $ 1,000.00 PAGO SEMANA 6 $ 1,000.00 PAGO SEMANA 7 $ 1,000.00 PAGO SEMANA 8 $ 1,000.00 PAGO SEMANA 9 $ 1,000.00 PAGO SEMANA 10 $ 1,000.00 PAGO SEMANA 11 $ 1,000.00 PAGO SEMANA 12 $ 1,000.00 PAGO SEMANA 13 $ - PAGO SEMANA 14 $ 1,000.00 PAGO SEMANA 15 $ 1,000.00 PAGO SEMANA 16 $ 1,000.00 PAGO SEMANA 17 $ 1,000.00 PAGO SEMANA 18 $ - PAGO SEMANA 19 PAGO SEMANA 20 PAGO SEMANA 21 PAGO SEMANA 22 PAGO SEMANA 23 PAGO SEMANA 24 VOLUNTAD DE PAGO 0.8889
V.3 Pronóstico de Comportamiento de Pago Individual En el Score Sociodemográfico como resultado el valor de.06933 construido con las variables sociodemográficas. Con el valor del score cuota pura de riesgo y variables de comportamiento de pago obtenemos el Score de Comportamiento de Pago No Condicionado. La clasificación del cliente, en este ejemplo, arroja un valor de.1660, por tanto, tiene un riesgo bajo. Dado que en el score comportamiento de pago no condicionado tuvo un riesgo bajo, calculamos el Score Condicionado de Riesgo Bajo que da como resultado el valor.4596, con un pronóstico de deterioro. Con la combinación de estos valores, una primera acción sería VISITA DE COBRO dado que es un cliente con 1 omiso continuo, con cero pagos puntuales continuos, y una segunda acción sería COBRANZA INTENSIVA dado que tiene un pronóstico de deterioro.
V.3 Pronóstico de Comportamiento de Pago Individual Resultado # CRÉDITOS OMC
V.4 Análisis de Cartera Introducción Posterior a la realización de los scores tanto del Comportamiento Condicionado como del No Condicionado Individuales, se procede a realizar el análisis de la cartera al cierre del mes. Aplicandose los dos scores a cada uno de los clientes con el fin de conocer su estatus al día de hoy y las acciones que se deberían tomar. Cobranza oportuna Para realizar una cobranza oportuna, es necesario considerar tres factores del acreditado: El número de incumplimientos consecutivos vigentes El grado de riesgo (alto, medio y bajo) La perspectiva de la calificación al deterioro o a la mejoría, que se obtiene como el pronóstico del score de Gestión.
V.4 Análisis de Cartera Estos elementos abren un abanico de posibilidades de cobranza, tanto en oportunidad como en intensidad. En este sentido, es necesario partir de los tres niveles de riesgo definidos en el Score No condicionado (bajo, medio y alto) y captar el estatus actual del cliente, que incorpora la probabilidad del regreso al cumplimiento o la migración al deterioro a través de las calificaciones obtenidas de las probabilidades condicionadas. Todo esto permite rescatar a los clientes que, encontrándose en una etapa de incumplimiento, tengan la posibilidad de regresar a cumplir sin necesidad de aplicar la cobranza más intensiva hacia ellos. También, permite detectar a aquéllos que posiblemente comiencen a incumplir y que debido a sus características están propicios a deteriorarse con mayor rapidez, lo que generaría un mayor costo a la cobranza.
V.4 Análisis de Cartera Cartera analizada bajo Score no condicionado Las tablas que se muestran a continuación están clasificadas por periodos consecutivos de incumplimiento: clientes vigentes, clientes con hasta dos semanas de incumplimiento consecutivo y clientes con 3 ó más semanas consecutivas de incumplimiento. El propósito de que éstas sean clasificadas por colores es destacar la intensidad de la cobranza que se sugiere sea aplicada. Además, en ellas se muestra el estatus de la cartera 3,381 clientes simulados, bajo el primer filtro (Score de comportamiento no condicionado). Si no existieran las calificaciones condicionadas, este criterio de grado de riesgo sería el que marcaría la estrategia de cobranza.
V.4 Análisis de Cartera Cartera analizada bajo Score no condicionado Sin gestión Llamada amigable Visita de cobro Cobranza intensiva Cobranza de cobro inmediato Abogado
V.4 Análisis de Cartera No obstante, y con el propósito de captar no sólo el estatus actual sino también la probabilidad a la mejoría o al deterioro, se incorporaron calificaciones y nuevamente se considera el número de incumplimientos consecutivos. En los siguientes tres cuadros se aprecia la estrategia a seguir dado el nivel de riesgo en que se encuentra, el nivel de calificación y el número de incumplimientos consecutivos.
V.4 Análisis de Cartera Score de Comportamiento condicionado, Nivel de Riesgo Bajo El primer análisis se realizó para los clientes con un nivel de riesgo bajo. Las acciones sugeridas se muestran por colores.
V.4 Análisis de Cartera Para ilustrar mejor esta propuesta de estrategia de cobranza, consideremos un cliente que tiene un solo incumplimiento y tiene riesgo bajo y calificación de A+. De acuerdo a la estrategia, la oficina de cobranza debería realizar únicamente una visita de cobro. El argumento es que por sus características, este cliente tiene altas probabilidades de regresar de manera rápida al estatus de cumplimiento lo que hace innecesaria una gestión de cobranza más fuerte e inmediata.
V.4 Análisis de Cartera Score de Comportamiento condicionado, Nivel de Riesgo Medio Los clientes que tienen un nivel de riesgo medio, según la propuesta de cobranza bajo la calificación no condicionada, debieron haber recibido una visita de cobro, por lo menos. Bajo este esquema hay clientes que cuentan con una calificación alta, y que es suficiente con una llamada amigable para motivar al pago.
V.4 Análisis de Cartera Como podrá observarse, en la tabla anterior no se sugiere que haya clientes a los que no se aplique ningún tipo de gestión, pues aunque bajo el score condicionado obtienen una buena calificación, provienen de un nivel de riesgo medio, y sería un error no llevar un seguimiento de su comportamiento. Score de Comportamiento condicionado, Nivel de Riesgo Alto Los clientes que se encuentran en este nivel de riesgo, son clientes que están muy propensos al incumplimiento de obligaciones, es decir, debido a ese nivel no se puede ignorar cualquier incumplimiento y esperar que el cliente por sí mismo haga el pago oportuno, sino que es necesario aplicar una gestión más directa y en algunas ocasiones agresiva. Como se muestra, el proceso más amigable sería, en este, caso una visita de cobro.
V.4 Análisis de Cartera El propósito de estas gestiones es adelantar las acciones ante el deterioro del cliente, cuando sea el caso, y tomar las medidas preventivas necesarias que minimicen las pérdidas para la cartera por tener un cliente que tiene bajas posibilidades de regresar al cumplimiento de pago. Por otro lado, apoyar al cliente que, por sus características, tiene potencial a la mejoría.
VI. Conclusiones I.-El WOE de los atributos de cada categoría como regresor del modelo SMV Entrópico es determinante en la potencia del modelo, sus características discretas, pero no dicotómicas ayudan de manera sustantiva a reducir el error de clasificación. Adicionalmente la suma de las WOE s en cada variable también apoya el criterio de significancia estadística (Information Value) de cada atributo. II:_La Metodología SVM Entrópica al igual que los modelos logísticos binarios considera la minimización del error cuadrático medio del ajuste, pero adicionalmente maximiza la distancia de separación entre la intersección (traslape) de los hiperplanos de la clase de Clean-Good-Bank vs. Dirty-Bad-Bank, incluyendo el parámetro de escala o ajuste fino (fine-tunning) en el algoritmo de optimización.
VI. Conclusiones III.-Los modelos de Behavioral Scoring son útiles para pronosticar el comportamiento futuro de un cliente basado en su experiencia reciente, empleando para ello información tanto de clientes Clean-Good Bank como de clientes Dirty-Bad Bank. IV.-El modelo propuesto de Collection scoring presentado introduce principalmente variables de comportamiento de pago, así como variables de Grado de Riesgo (Clean & Dirty) para captar información del cliente en la originación (variables sociodemográficas y de riesgo subnormal por correlaciones del incumplimiento) V.-Con este conjunto de variables, se obtiene un filtro no condicionado que sugiere acciones a tomar dados distintos impagos observados, desde una acción preventiva de cobranza, hasta una acción de cobranza legal y abogado. VI.-Aplicando entonces un enfoque bayesiano, se introducen elementos de juicio más refinados a través de un segundo Score que está condicionado al estatus vigente del cliente.
VI. Conclusiones VII.-De esta manera, se tiene una cubeta cuya acción de cobranza para cada cliente es en función de su propia calificación y de la perspectiva de cambio. VIII.-Las acciones a tomar están en este sentido individualizadas. Esta estrategia tiene varias bondades, entre otras, no genera costos de cobranza ni molestias a clientes Clean-Good-Bank, lo que hace eficiente la operación del negocio al destinar y priorizar los recursos de cobranza. Lo más importante, es anticiparse al deterioro del cliente, y tomar acciones en consecuencia que eviten mayores pérdidas para la cartera por mantener clientes de alta morosidad. IX.-La metodología tiene entonces tres elementos: El Grado de Riesgo La probabilidad de incumplimiento general La probabilidad de incumplimiento condicionada al estatus de la calificación
VI. Conclusiones X.-Con esto, se recoge información de la realidad del cliente cuando se originó la cuenta considerando variables sociodemográficas y de riesgo subnormal por la correlación de grupos promotores del incumplimiento. XI.-Se desarrolla entonces un filtro grueso que incorpora el nivel de riesgo derivado de las variables de comportamiento de pago y se aplica un segundo filtro condicionado a la calificación vigente, que mide la probabilidad de regreso del cliente omiso al cumplimiento. XII.-Es de esperarse que las variables que van actualizándose periodo a periodo sean las que vayan marcando la pauta del comportamiento del crédito y de su calificación, mientras que las variables que se utilizaron en la originación sean cada vez menos relevantes conforme el cliente va madurando en el proceso. Este modelo mantiene un equilibrio entre las tres probabilidades mencionadas para evaluar el riesgo potencialmente inherente a los créditos por otorgar y mitigar las pérdidas por a las deudas de difícil cobro.
VI. Conclusiones XIII.-Dado que el periodo de los créditos es de corto plazo, el cambio a un criterio semanal es relevante. Con este esquema y apoyado en un modelo apropiado de comportamiento se apoya la gestión de cobranza con una mirada puesta en los clientes con características desfavorables. Bajo un criterio semanal, se propone en este trabajo un cuadro de estrategias de cobranza dependiendo el riesgo (alto, medio o bajo) y la perspectiva de deterioro o mejoría de la calificación. XIV.-Como conclusión, debe destacarse que manejar los riesgos en la cartera es complicado; asumir un riesgo demasiado alto lleva a créditos incobrables, pero asumir muy poco riesgo lleva a perder oportunidades de incrementar las ganancias. El éxito depende de maximizar el ingreso por cliente al mismo tiempo que se reduce el impacto de deudas no cobradas en el resultado total.
VI. Conclusiones XV.-En el caso de carteras NO bancarizadas que carecen de líneas validas en los Buros de Crédito, el error de clasificación es alto. Es por ello que la aportación de la metodología SVM Entrópica en carteras como la analizada en este documento, de hasta 1,810 bps en la potencia discriminante, puede representar el umbral que defina participar o no en el otorgamiento de créditos en sectores tradicionalmente considerados subnormales. XVI.-Es claro que las limitantes en la disponibilidad de información representan un riesgo mayor en la cobranza efectiva. Sin embargo con un filtro que aproveche al máximo el poder discriminante de los datos de que disponemos. Sugiere que se puede hacer inteligencia de negocio PREVENTIVAMENTE en los mercados masivos al usar la infraestructura actual con el poder predictivo del SVM-Collection Score.
VII.- BIBLIOGRAFÍA 1) Vapnik V (1998). Statistical Learning Theory. John Wiley: New York. 2) Baesens B, Van Gestel T, et al. (2003). Benchmarking stateof-the-art classification algorithms for credit scoring. Journal of the Operational Research Society 54: 627-635. 3) Friedman N, Geiger D and Goldszmidt M (1997). Bayesian network classifiers. Mach Learn 29: 131 163. 4) Hastie T, Tibshirani R and Friedman J (2001). The Elements of Statistical Learning, Data Mining, Inference, and Prediction. Springer, New York. 5) Siddiqi, Naeem (2006). Credit Risk Scorecards, Developing and Implementing Intelligent Credit Scoring. John Wiley: New Jersey.