1

Estrategias para controlar el Riesgo

2

Breve presentaciBreve presentacióón de SPSSn de SPSSEmpresa dedicada a la provisión de soluciones de Data Mining (Software, Capacitación y Consultoría)Fundada en 1968. 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 Fortune500 son clientes de SPSS. Mas del 95% de las empresas de la revista Fortune1000 son clientes de SPSSEl 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.

3

Algunos Clientes LocalesAlgunos Clientes LocalesProyectos de ConsultorProyectos de Consultorííaa

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 estrategiasapropiadas en cada etapa del proceso de gerenciamiento del crédito.”

Gartner

5

TendenciasTendenciasAutomatización de los procesos de originaciones

Mejora operativaMejor servicio al clienteCentralización de políticasDistribución de decisiones

Sucursales, Comercios

Puede comenzar como servicioPero 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

6

Arquitectura de una soluciArquitectura de una solucióón de n de originacionesoriginaciones

7

TendenciasTendenciasAutomatización de los procesos de calificación de clientes y ajuste de límites de créditos revolventes

Mejora operativaMenor riesgoCentralización de políticasDisponibilidad 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

8

TendenciasTendencias

Sistemas de Cobranzas cada vez más ricos

Incorporación de Scores de CobranzasEspecialmente en Mora TempranaSegmentación de las accionesAhorro de costosMejor relación con los clientes

Acciones para Prevención de MoraCon creciente utilización de Scores específicos

9

0

20

40

60

80

100

120

Información Externa

Información Interna

Creciente utilizaciCreciente utilizacióón de informacin de informacióónn

Nuevo Cliente

Cliente Activo

Mora Temprana

Mora Avanzada

10

MMéétodos Predictivostodos Predictivos

Se puede predecir el futuro?Se puede predecir el futuro?

11

No predecimos un evento, sino que calculamos la probabilidad de que ese evento ocurra

¿¿Se puede predecir el futuro?Se puede predecir el futuro?

No existe garantía de cuál será el resultado para un caso en particular

La probabilidad se aplica un conjunto de casos

12

Es un método estadístico que permite estimar la probabilidad de un evento futuro a partir de datos conocidos

DATOSDATOSDemogrDemográáficosficosEstilo de VidaEstilo de Vida

ComportamientoComportamientoCrediticioCrediticio 914

¿¿QuQuéé es un score?es un score?

13

¿¿QuQuéé es un score?es un score?

El score es un número que permite ordenar las cuentas de acuerdo a la probabilidad de riesgo

MuyMalas

MuyBuenas

14

¿¿QuQuéé evento queremos predecir?evento queremos predecir?

¿¿Me va a pagar como se comprometiMe va a pagar como se comprometióó??

¿¿Cual es la probabilidad de que el Cual es la probabilidad de que el atraso no supere los 90 datraso no supere los 90 díías en los as en los prpróóximos 12 meses?ximos 12 meses?

Mas formalmenteMas formalmente……

15

TRADICIONAL PREDICTIVO

Dos mDos méétodos para tomar decisionestodos para tomar decisiones

16

••••••

SCORESCORE

••••••

1212232355

21212828151577

--434334347474

176176AceptarAceptar

0,900,90

Ambos Métodos:Asumen que el futuro va a ser similar al pasadoUtilizan la información disponible (actual e histórica) sobre la persona

TRADICIONAL VS PREDICTIVOTRADICIONAL VS PREDICTIVO

TRADICIONALTRADICIONALVALORVALOR

AntigAntigüüedad en el trabajoedad en el trabajoEstado CivilEstado CivilTipo de ViviendaTipo de ViviendaEdadEdadProfesiProfesióónnIngresosIngresosExperiencia BancariaExperiencia Bancaria

# de Atrasos# de Atrasos% Utilizaci% Utilizacióón del crn del crééditoditoScore de BureauScore de Bureau

TotalTotalDecisiDecisióónnProbabilidad de pagoProbabilidad de pago

CARACTERISTICASCARACTERISTICAS

••••••

••••••

••••••

••••••

••••••

••••••

10 a10 aññososCasadoCasadoAlquilaAlquila

??AdministrativoAdministrativo

1.5001.500SISI

1130%30%740740

++++--??++

OKOK++

--++++

++AceptarAceptar

??

17

ConsistenteObjetivoEficienteAutomatizableFlexibleEsta correlacionado con el comportamiento histórico realDefine un nivel de riesgo continuoPermite disminuir la tasa de morosidad y/o aumentar el nivel de aprobaciónSe puede utilizar durante todo el ciclo de vida de la cuentaSe puede registrar y monitorear

Beneficios del mBeneficios del méétodo Predictivotodo Predictivo

18

Valo

r par

a el

neg

ocio

Tiempo

¿Qué limite debo asignarles?

¿Qué limite debo asignarles?

Optimizaciónde

Estrategias

Optimizaciónde

Estrategias

¿Que clientes me van a pagar?¿Que clientes me van a pagar?

Data miningData

mining¿Cuál es la tasa de morosidad?

¿Cuál es la tasa de morosidad?

Query &ReportingQuery &Query &

ReportingReporting

DDEESCRIPTIVO VS PREDICTIVOSCRIPTIVO VS PREDICTIVO

OLAPOLAP

¿Y la tasa por sucursal y producto?

¿Y la tasa por sucursal y producto?

Descriptivo (histórica) Predictivo (futuro)

Los métodos predictivos responden preguntas estratégicas

19

¿¿CCóómo se utiliza el score?mo se utiliza el score?

Decidir Aceptación y Rechazo

Establecer límites de crédito iniciales

Decidir plazos y tasas de interés

Preseleccionar candidatos para ofertas

AdquisiciAdquisicióón de nuevas cuentasn de nuevas cuentas

20

Fuentes de InformaciFuentes de InformacióónnADQUISICION DE NUEVAS CUENTAS

SCORE DE SOLICITUD

Datos de la SolicitudEdadSexoAntigüedad en el empleoIngresos…

Informe de CréditoHistorial de pagoDeuda PendienteAntigüedad en el sistemaMezcla de productosCantidad y tipo de ConsultasScore de bureau…

INFORMEDE CREDITO

SOLICITUD

CONTRATO

21

¿¿CCóómo se utiliza el score?mo se utiliza el score?

Modificar límites de crédito

Autorizar sobre-límites

Establecer plazos de renovación

Realizar ventas cruzadas

Definir tasas de interés y comisiones

Focalizar actividades de fidelización

GestiGestióón de Cuentas Existentesn de Cuentas Existentes

22

Fuentes de InformaciFuentes de InformacióónnGESTION DE CUENTAS EXISTENTES

HISTORICOSPRODUCTO

DATOSDEMOGRAFICOS

OTROSPRODUCTOS

INFORMACIONDE MERCADO

SCORE DE COMPORTAMIENTO

Historia del Producto

Datos Demográficos

Otros Productos en la Entidad

Información de Mercado

23

¿¿CCóómo se utiliza el score?mo se utiliza el score?

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

CobranzasCobranzas

24

Fuentes de InformaciFuentes de InformacióónnGESTION DE CUENTAS EXISTENTES

HISTORICOSPRODUCTO

DATOSDEMOGRAFICOS

OTROSPRODUCTOS

INFORMACIONDE MERCADO

SCORE DE COBRANZAS

Además

Información del Sistema de Cobranzas

Hístórica

De gestiones actuales

25

LLíínea de tiempo para el Desarrollonea de tiempo para el DesarrolloPasado Futuro

Período de ObservaciónEj:6 mese/5 años

Información al Punto de Observación

Período de DesempeñoEj:12 meses

BuenoMalo

Modelo

Modelo

Información al Día de Hoy

Prob.Alta

Prob.Baja

BuenoMalo

ENTRENAMIENTO COMPROBACION

PROCESO DE DESAROLLO

26

GrGrááficofico de de GananciaGanancia

% de Malos en el Peor

71%54%30%

30%20%10%

EvaluaciEvaluacióónn

27

¿¿CCóómo se desarrolla un score?mo se desarrolla un score?

Las tLas téécnicas de scoring tiene una historia de cnicas de scoring tiene una historia de mas de 30 amas de 30 añños, en la industria financieraos, en la industria financiera

No es un arte, sino que es una tecnologNo es un arte, sino que es una tecnologíía a establecida en la industria, con beneficios establecida en la industria, con beneficios comprobados y comprobablescomprobados y comprobables

Existen metodologExisten metodologíías estandarizadas que as estandarizadas que orientan en el desarrollo y aplicaciorientan en el desarrollo y aplicacióón de los n de los scoresscores

SmartWorkbench utiliza SmartWorkbench utiliza ““plantillas de mejores plantillas de mejores prpráácticascticas”” para riesgo y actpara riesgo y actúúa como un gua como un guíía a ((““wizardwizard””)) para aplicar la metodologpara aplicar la metodologííaa

SmartWorkbenchSmartWorkbench

2828

ElementosElementos CrCrííticosticos

28

Acceso simple a los datosVisuales

Modelos Predictivos MonitoreoEstrategias

Metodología

HerramientasDatos

29

La La metodologmetodologííaa CRISPCRISP--DMDM

Preparación de los datos•Análisis Univariado•Agrupar y Discretizar•Eliminar casos anómalos•Construir Variables•Análisis Bivariado

Modelado•Selección de la/s técnica/s•Diseño de pruebas•Construcción de modelos•Evaluación de modelosEvaluación

•Incluir indeterminados•Evaluar subpoblaciones•Evaluación general

Distribución•Definir acciones•Plan de implementación•Informe final•Implementación

Monitoreo•Definir reportes•Plan de monitoreoy mantenimiento

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

30

Plantillas de mejores prácticas“La organizaciones buscan aplicaciones para resolver sus problemas de negocio.Por lo que están cada vez mas interesadas en plantillasprearmadas 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

31

MITOSMITOS

32

MITO:MITO:

Antes de hacer scoring necesitamos un Datawarehouse

Si bien es cierto que seria mas fSi bien es cierto que seria mas fáácil obtener los datos, muchas veces no se cil obtener los datos, muchas veces no se guarda la informaciguarda la informacióón que es necesaria para el desarrollo de los scoresn que es necesaria para el desarrollo de los scores

Clementine SmartWorkbench puede utilizar los backup y leer la inClementine SmartWorkbench puede utilizar los backup y leer la informaciformacióón n en men múúltiples formatos. Inclusive puede mantener actualizados los repoltiples formatos. Inclusive puede mantener actualizados los repositorios sitorios

para las corridas en batchpara las corridas en batch

33

MITO:MITO:Solo tiene sentido desarrollar scores para grandes

volúmenes de cuentas

Pueden desarrollarse modelos con bases que Pueden desarrollarse modelos con bases que contengan scontengan sóólo algunos cientos de casoslo algunos cientos de casos

34

MITO:MITO:“GARBAGE IN - GARBAGE OUT”Si hay basura y datos faltantes

no se puede desarrollar un score

La estadLa estadíística trabaja con grandes nstica trabaja con grandes núúmeros, identificando patrones meros, identificando patrones gengenééricos, por lo tanto una cantidad relativamente pequericos, por lo tanto una cantidad relativamente pequeñña de errores y a de errores y

datos faltantes no influyen en el resultado del modelodatos faltantes no influyen en el resultado del modeloIncluso se toma como dato el hecho que el dato no estIncluso se toma como dato el hecho que el dato no estéé informadoinformado

Se puede recurrir tambiSe puede recurrir tambiéén a las carpetas fn a las carpetas fíísicas para desarrollar el modelosicas para desarrollar el modelo

35

MITO:MITO:

Lleva mucho tiempo!

Con Con ClementineClementine SmartWorkbench el tiempo SmartWorkbench el tiempo se reduce sensiblementese reduce sensiblemente

36

MITO:MITO:Cuanto mejor sea el algoritmo, y/o su

implementación, mejor va a ser el score

El desarrollo de un score es un proceso que consiste en formularEl desarrollo de un score es un proceso que consiste en formular objetivos, obtener, objetivos, obtener, entender y preparar los datos, evaluar los resultados, monitoreaentender y preparar los datos, evaluar los resultados, monitorearlos y distribuirlosrlos y distribuirlos

La posibilidad de realizar este proceso en forma sistemLa posibilidad de realizar este proceso en forma sistemáática y sin errores es tica y sin errores es fundamental para garantizar los resultadosfundamental para garantizar los resultados

La experiencia en todas estas fases genera diferencias sustanciaLa experiencia en todas estas fases genera diferencias sustanciales.les.Muchas veces distintos algoritmos dan resultados similares!Muchas veces distintos algoritmos dan resultados similares!

perfect modelmarsneural netdecision treeglmregression

37

MITO: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 herramientLos algoritmos de data mining son complejos, pero hay herramientas que los hacen as que los hacen ffáácil de aplicarcil de aplicar

A menudo, la correcta aplicaciA menudo, la correcta aplicacióón de ann de anáálisis relativamente simples, grlisis relativamente simples, grááficos y tablas ficos y tablas pueden ayudar mucho en el procesopueden ayudar mucho en el proceso

Es esencial un conocimiento exhaustivo del problema para obtenerEs esencial un conocimiento exhaustivo del problema para obtener resultados resultados úútiles tiles al negocioal negocio

3838

CasoCaso de de ÉÉxitoxito

Standard Bank

Cobranzas

38

3939

MotivaciMotivacióónn del del objetivoobjetivo propuestopropuesto

Puntos relevantes

39

Oportunidad de SegmentaciónOportunidad de Segmentación

Enfoque “Más Inteligente”Enfoque “Más Inteligente”

Incremento de Cantidad deClientes en Mora

Incremento de Cantidad deClientes en Mora

Mismo TratamientoMismo Tratamiento

Enfoque IntensivoEnfoque Intensivo

Costos de RecuperoCostos de Recupero

Satisfacción del ClienteSatisfacción del Cliente

4040

CuCuááll fuefue la la propuestapropuesta? ?

40

Nueva EstrategiaNueva Estrategia

Modelo de ScoreModelo de Score

Curva de RecuperoCurva de Recupero

0,0%

20,0%

40,0%

60,0%

80,0%

100,0%

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 2 3 4 5 6 7 8 9 10 Total

Decil % Ac Totales

Score Min Score Max Cantidad Casos

Targets % Target % Target Ac

% Ac Target

% Ac No Target

K-S Gini Odds LN Odds

1 149 294 13.491 2.991 22,17 22,17 32,5 8,4 24,1 0,014 3,5 1,32 294 333 13.489 1.720 12,75 17,46 51,2 17,7 33,5 0,039 6,8 1,93 333 356 13.488 1.163 8,62 14,52 63,8 27,5 36,3 0,056 10,6 2,44 356 372 13.490 854 6,33 12,47 73,1 37,6 35,5 0,069 14,8 2,75 372 386 13.491 713 5,29 11,03 80,9 47,7 33,1 0,078 17,9 2,96 386 399 13.493 575 4,26 9,90 87,1 58,0 29,1 0,086 22,5 3,17 399 413 13.489 437 3,24 8,95 91,9 68,4 23,5 0,093 29,9 3,48 413 429 13.483 348 2,58 8,16 95,6 78,8 16,8 0,098 37,7 3,69 429 451 13.498 251 1,86 7,46 98,4 89,4 9,0 0,102 52,8 4,0

10 451 506 13.491 151 1,12 6,82 100,0 100,0 0,0 0,105 88,3 4,5134.903 9.203 6,82 36,3 0,482 13,7 2,6

4141

Y Y cucuááll fuefue el el resultadoresultado??

Ahorro en los costos del recupero del 40%

41

4242

Conceptos GeneralesConceptos Generales

42

• 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 DM3. Conocimiento del Negocio

4343

Problema de Negocio yProblema de Negocio yObjetivo del ModeloObjetivo del ModeloQué hace el área de Cobranzas?

43

a) SMS

b) Llamadas telefónicas pregrabadas

c) Llamadas telefónicas por operador

d) Cartas

ddddaa bb bb ccbbcc cc

Tasa de EficienciaHistórica

Bucket Inflow roll to next bucket

Efficiency %

1-29 dpd 100,00 15,00 85%30-59 dpd 15,00 9,00 40%60-89 dpd 9,00 6,75 25%90-120 dpd 6,75 5,90 13%120-180 dpd 5,90 5,37 9,0%Charge off 5,37

Archivo de clientes morosos

diario

• Medidas intensivas e iguales para todos los morosos

4444

Problema de Negocio yProblema de Negocio yObjetivo del ModeloObjetivo del Modelo

44

Los pronósticos de morosidad indican que pronto serían necesarios más agentes de cobranzas

4545

ConstrucciConstruccióónn del del ModeloModelo

45

• Muestra de desarrollo

Decil % Ac Totales

Score Min Score Max Cantidad Casos

Targets % Target % Target Ac

% Ac Target

% Ac No Target

K-S Gini Odds LN Odds

1 149 294 13.491 2.991 22,17 22,17 32,5 8,4 24,1 0,014 3,5 1,32 294 333 13.489 1.720 12,75 17,46 51,2 17,7 33,5 0,039 6,8 1,93 333 356 13.488 1.163 8,62 14,52 63,8 27,5 36,3 0,056 10,6 2,44 356 372 13.490 854 6,33 12,47 73,1 37,6 35,5 0,069 14,8 2,75 372 386 13.491 713 5,29 11,03 80,9 47,7 33,1 0,078 17,9 2,96 386 399 13.493 575 4,26 9,90 87,1 58,0 29,1 0,086 22,5 3,17 399 413 13.489 437 3,24 8,95 91,9 68,4 23,5 0,093 29,9 3,48 413 429 13.483 348 2,58 8,16 95,6 78,8 16,8 0,098 37,7 3,69 429 451 13.498 251 1,86 7,46 98,4 89,4 9,0 0,102 52,8 4,010 451 506 13.491 151 1,12 6,82 100,0 100,0 0,0 0,105 88,3 4,5

134.903 9.203 6,82 36,3 0,482 13,7 2,6

• Muestra de Desarrollo: Gini 48.2 / K-S 36.3,

4646

DefiniciDefinicióónn de la de la nuevanueva estrategiaestrategia

46

Quién ?

Cuándo?

Cómo?

4747

BeneficiosBeneficios de la Nueva de la Nueva EstrategiaEstrategia

47

4848

BeneficiosBeneficios de la Nueva de la Nueva EstrategiaEstrategia

48

La cartera creció levemente menos que lo previsto

La nueva estrategia permitió manejar todos los casossin incremento de recursos humanos

49

PREGUNTAS

Gracias !!!

Alberto Teszkiewicz

Gerente de Desarrollo de Negocios

SPSS Argentina SAalberto@spss.com.ar