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 [email protected]