Вы находитесь на странице: 1из 28

Instituto del Riesgo Financiero

QU ES SCORING? Una visin prctica de la gestin del riesgo de crdito


Por Lilian Simbaqueba1

Gerente General

El scoring es una metodologa estadstica que asigna en rangos la probabilidad de un resultado desconocido al otorgar puntajes a variables conocidas. Ha sido utilizado aproximadamente por 50 aos para tomar decisiones crediticias y su utilizacin Este artculo pretende plantear los aspectos generales del Scoring y las tcnicas empleadas a travs de las cuales se concreta. Los objetivos que se pretenden cubrir son

Palabras clave: Tabla de puntaje, caractersticas de muestreo, regresin lineal mltiple, definicin de buenos/malos, ndice de estabilidad de la poblacin, mtodos estadsticos multivariados, modelos de aceptacin y rechazo, pesos crticos, puntajes mnimos, scoring de comportamiento.

Ingeniera de Sistemas especializada en Administracin de la Universidad de Konstanz Alemania. Master in Business Administration de la Universidad de los Andes en Bogot. Realiz una especializacin en Mercadeo de la Universidad de Berkeley en el programa de extensin en Bogot. Durante cinco aos, trabaj para la empresa lder en Credit Scoring y productos asociados en Europa, con sede principal en Inglaterra. Tambin tuvo la oportunidad de trabajar en proyectos de mercadeo con la utilizacin de Scoring y de recoleccin de cartera morosa. Con el crecimiento de la empresa fue adquiriendo posiciones directivas y tuvo a su cargo un equipo de analistas y programadores. Conjuntamente elaboraron grandes proyectos de automatizacin de procesos crediticios va Scoring en bancos como el Citibank, el BfG (parte de Credit Lyonnais), Postbank de Alemania; compaas financieras de automviles como Fiatbank, Fordbank, Toyotabank y AKB Bank y otros bancos personales de Alemania. Es gerente general de LiSim. Contacto: lilian@lisim.com
Pag. 1 de 28

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Instituto del Riesgo Financiero

QU ES SCORING? Implantacin de la prctica


Por Lilian Simbaqueba Gerente General, LiSim NDICE

1. Qu es Scoring ? 2. Tcnicas de Scoring de Aprobacin 3. Anlisis de caractersticas 4. Racionalizacin de caractersticas 5. Mtodos estadsticos multivariados 6. Scoring de Comportamiento

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 2 de 28

Instituto del Riesgo Financiero

QU ES SCORING? El scoring es una metodologa estadstica que asigna en rangos la probabilidad de un resultado desconocido al otorgar puntajes a variables conocidas. Ha sido utilizado aproximadamente por 50 aos para tomar decisiones crediticias y su utilizacin es cada vez ms comn desde que los costos de procesamiento de informacin han disminuido en los aos 80. Este instrumento no es utilizado solamente para tomar decisiones crediticias tambin se ha generalizado su uso en actividades de mercadeo as como en cobranzas- Actualmente se espera que el desarrollo del scoring del consumidor conduzca a stos agentes a obtener condiciones favorables de servicios como resultado de la relacin que entablen con la institucin. Muchas instituciones ajenas al sector financiero estn utilizando tcnicas de scoring por ejemplo, la telefona celular puede utilizar el scoring para decidir si otorga un telfono en prepago o post-pago; las compaas de servicios pblicos pueden utilizar scoring para decidir si el medidor debe ser instalado e incluso los almacenes de cadena pueden utilizar el scoring para decidir si un cliente puede comprar productos con un crdito instantneo. Que es una Scorecard (Tabla de Puntaje) Una scorecard (tabla de puntaje) en su forma ms simple es una tabla de variables, atributos posibles con el puntaje dado a cada una. A continuacin un ejemplo:

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 3 de 28

Instituto del Riesgo Financiero

Entre ms bajo sea el puntaje obtenido, la probabilidad de que el solicitante entre en default ser mayor. Un puntaje alto indica un solicitante de mejor calidad en trminos de probabilidad de pago de la deuda. La gran mayora de compaas definen el puntaje mnimo para aceptar o rechazar a un solicitante. Esto significa que solicitantes por encima del puntaje requerido sern aceptados como dignos de crdito mientras que solicitantes por debajo del puntaje mnimo sern rechazados. TCNICAS DE SCORING DE APROBACIN Introduccin El scoring es una combinacin de ciencia y arte. Las tcnicas descritas en este proceso ayudarn a construir una scorecard que sea estadsticamente vlida pero sin ningn sentido de los negocios. El arte se encuentra en comprender las necesidades del negocio y ajustar la informacin que se posee para ser considerada en la scorecard o la scorecard definitiva, de manera que todava sea estadsticamente valida pero tenga la nocin del negocio. Todas las tcnicas descritas necesitarn una preparacin de la informacin antes de ser utilizadas. No existe solo una forma correcta de construir una scorecard pues sta es solo una herramienta que otorgar rangos al riesgo. Su desempeo se puede identificar cuando la scorecard se emplea para tomar decisiones de una manera cientfica y por tal razn de una manera constante. Esto es especialmente verdadero cuando la scorecard de comportamiento es implementada. La llave es un pequeo nmero de estrategias y monitoreo estricto de las mismas. Regresion Lineal Multiple Esta es la forma ms comn y antigua de desarrollar una scorecard. Las scorecards son construidas utilizando mltiples regresiones lineales teniendo en cuenta que el puntaje, las probabilidades relacionadas son lineales. Una linea recta sigue la ecuacin y=mx+c donde m es la curva y c es la constante. Si tomamos x como la suma de las caractersticas individuales del puntaje entonces podemos separar x de manera que:

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 4 de 28

Instituto del Riesgo Financiero

La scorecard tendr pequeos valores, que despus pueden ser puestos en escala para que sean fcilmente entendibles. ANLISIS DE CARACTERSTICAS Integridad de los Datos Todos los datos en la muestra deben ser un reflejo de la informacin de las solicitudes de crdito en el momento en que fueron recibidas. Si los datos estn siendo introducidos directamente por el modulo de captura diseado para capturar las solicitudes sto no ser un problema. Sin embargo, si los datos fueron digitados de los formularios de solicitud entonces la integridad de los datos debe ser revisada. Inicialmente, 40-50 solicitudes de crdito deben ser revisadas contra la informacin digitada en el sistema para asegurar que la digitacin fue correcta. Es recomendable, involucrar pruebas de frecuencia y estadstica bsica como la media en todas las caractersticas. Hecho que permitir detectar errores en los datos y asegurar que todas las caractersticas caigan en el rango esperado. Es el caso de la variable edad que no debe ser menor de 18 y superior de 70 para solicitudes de crdito. Valores en blanco Inicialmente los valores en blanco deben ser tomados como otro atributo y no asumidos. Por ejemplo, si un SI o NO ha sido dejado en blanco, la respuesta no se asume como NO. Los valores en blanco pueden ser combinados con otros atributos en la etapa de clasificacin. Es importante recordar, para la clasificacin, que si un valor en blanco es pesado positivamente el equipo de ventas puede tomar ventaja de esto y no llenar la solicitud correctamente. Esto es particularmente peligroso cuando se contrata una fuerza de ventas externa. Definicin de Buenos y Malos Una consideracin cuidadosa se requiere cuando se crea la definicin de Buenos y Malos, que depende del conocimiento del sistema de cartera en mora dentro de la compaa y del proceso de cobranzas entre otros. Por ejemplo, utilizar un mes de cartera en mora no sera una foto verdadera del estado de la cartera de la mayora de compaas. Efectivamente, una definicin de Malos se refiere a aquellas cuentas, que dada su experiencia, la entidad no quiere seleccionar para actividad comercial. En el caso de un modelo de riesgo, usualmente esta definicin se refiere a esos casos, que usted deseara no haber aprobado si hubiera conocido qu pasara.
(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 5 de 28

Instituto del Riesgo Financiero

Algunos casos sern clasificados como indeterminados ya que no han llegado a ser Malos pero no pueden clasificarse como buenos. Por ejemplo, cuando la definicin de Malos es 3 meses en cartera en mora, un cliente que se encuentra 2 meses en cartera, no podr ser calificado como Bueno pero nunca podr este mismo cliente pasar de 3 meses. Estos casos deben dejarse por fuera de la construccin del modelo, pero deben ser utilizados cuando se infiera el desempeo de la scorecard. En este ejemplo, la tasa de Malos probablemente sera fijada en 90 das, ya que hay una gran diferencia entre el desempeo de 60 y 90 das mientras que la diferencia entre 90 y 120 das es menos marcada. Una tcnica alternativa es mirar la tabla para encontrar la probabilidad que un cliente pueda pasar de un rango a otro en un determinado mes. Ene 30 Das 60 Das 90 Das 120 Das Castigo R1 R2 32% 55% 79% 88% 99% 12% Feb 37% 58% 71% 80% 92% 12% Mar 33% 56% 70% 89% 90% 12% Abril 30% 54% 78% 85% 97% 11% May 39% 59% 71% 80% 92% 13% 10% Promedio 34% 56% 74% 84% 94% 11%

La cifra R1 establece el mltiplo del movimiento entre das de mora, mientras que R2 es utilizada para mirar el mltiplo de la cartera castigada. Si la cifra R2 es ms baja que la cifra R1 entonces los clientes actuales que fluyen por la cartera tienen una mayor probabilidad de ser ms Malosen su desempeo que los previos y viceversa. Este tipo de anlisis puede ser utilizado para detectar problemas potenciales con el proceso de cobranza, pero tambin muestra que la mayora de casos en 90 das terminan como castigos, as que puede ser utilizado para establecer la definicin de malos. Periodo de Exposicin Un cuadro de cartera en mora contra el mes mostrar cundo la cartera en mora se ha estabilizado, punto en donde el periodo de exposicin debe ser establecido. ste es usualmente establecido entre 12 y 18 meses dependiendo del producto y del ambiente econmico, por ejemplo, una tarjeta de crdito tender a madurar ms rpidamente que un crdito hipotecario, pero los dos se

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 6 de 28

Instituto del Riesgo Financiero

van a desempear de una manera diferente en tiempos de inestabilidad econmica. Este anlisis mostrar si la muestra para el desarrollo del modelo es suficientemente madura para que el anlisis sea valido. Tambin determinar el perodo en el cual la informacin debe ser recolectada con el fin de proveer los datos mas reciente sobre las cuentas. Ventana de Aplicacin Es importante escoger una ventana donde la tasa de morosidad se haya estabilizado y la poblacin sea comparable con la actual poblacin de clientes. Por tanto, se recomienda escoger una ventana en la cual la poblacin actual sea igual a la poblacin que solicita el crdito. En primer lugar, se debe inquirir sobre las actividades inusuales de la entidad con respecto a mercadeo o cobranzas en un determinado periodo y el ambiente econmico actual. Por ejemplo, en un reciente desarrollo para una tarjeta de crdito en Taiwan, el departamento de mercadeo no report al contratista del modelo acerca del convenio para enviar solicitudes con la Oficina de Correo de Taiwan. Esto implic que un gran numero de solicitantes de diferentes reas geogrficas que no estaban contempladas en el desarrollo, por lo cual cre trabajo adicional para validar y monitorear adicionalmente las nuevas zonas geogrficas. Una vez el modelo ha sido construido la prueba del ndice de estabilidad de la poblacin (PSI) mostrar si el modelo es valido para ambos, la muestra del desarrollo y los nuevos clientes aceptados en el proceso de aprobacin. ndice de Estabilidad de la Poblacin Este ndice es utilizado para asegurar que las poblaciones estn similarmente distribuidas. Puede ser utilizado para validar el 20% de la muestra contra la muestra de clientes recientemente aceptados. Tambin puede ser empleado para establecer si modelos genricos son recomendados para utilizar en una nueva poblacin. El siguiente cuadro muestra un pequeo cambio positivo (es decir, la poblacin analizada tiene un puntaje ms alto del esperado) pero sto no ser suficiente para invalidar la scorecard. Movimientos abruptos de la poblacin deben ser analizados cuidadosamente.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 7 de 28

Instituto del Riesgo Financiero

El ndice de la estabilidad de la poblacins e calcula as: Suma{(O-E)*ln(O/E) }=100 Donde O = Valor observado (%de la poblacin) E = Valor esperado (% de la poblacin) Por cada banda (usualmente deciles). Una cifra de menos de 0.1 es buena, mientras que entre 0.1-0.25 es preocupante y debe ser monitoreado de cerca. Mientras que un valor superior a 0.25 indica un cambio significativo que puede ser consecuencia de un cambio significativo de la poblacin y requerir una investigacin y el mantenimiento del modelo o su total procesamiento nuevamente. Al hacer esta prueba, tambin se recomienda mirar el anlisis de caractersticas, que mostrar si alguna caracterstica en particular se est comportando inusualmente. Hay otras pruebas que se pueden utilizar como la prueba Kolmogorov Smirnoff o la prueba Chi2 pero es importante que estas pruebas se construyan correctamente, es decir, para si la poblacin se ha movido para determinar si la scorecard est pronosticando Buenos y Malos. Este ndice parece ser ms robusto y fcil de usar.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 8 de 28

Instituto del Riesgo Financiero

Muestreo En donde la ventana de muestra provee numerosos casos en exceso de los requerimientos mnimos de la muestra, el mtodo de muestreo debe ser estratificado para asegurar suficientes Buenos y malos. De otro lado, los rechazados deben ser muestreados desde el mismo periodo cuando sea posible, pero en donde se afecte adversamente el perfil de la poblacin, ellos podran ser tomados de una muestra ms reciente en el tiempo. Muestra Representativa Para ambos, los clientes nuevos y la muestra de desarrollo, deben seguir el siguiente anlisis para asegurar que la muestra sea representativa. Una vez el diagrama ha sido creado para ambos, la muestra de desarrollo, la poblacin de clientes nuevos y los pesos pueden ser aplicados a la muestra de desarrollo para crear las correctas proporciones de las aplicaciones. Tamao Idealmente, la muestra debe contener 1500 Buenos, 1500 Malos y 1500 rechazados, pero las scorecards pueden ser desarrolladas con muestra inferior. No es en todo caso recomendable, desarrollar con menos de 500 datos de cada uno (Buenos, Malos, rechazados), al menos que la tabla de puntaje sea validada profundamente y monitoreada. Esto muchas veces, parece muy pequeo para aquellos no familiarizados con la estadstica pero cualquier poblacin que sea menor que un 3% del total de la muestra es poco probable que entre a una scorecard y con la condicin que la muestra de 1500 Buenos y 1500 Malos se haya tomado de manera aleatoria, entonces un 3% de la poblacin deber ser evidente en la muestra tomada. Muestra no utilizada Aproximadamente el 20% de la muestra de desarrollo no debe entrar en el modelo para poder validar la scorecard una vez esta se haya construido. La muestra debe ser aleatoria y es necesario asegurarse que el 20% de la muestra contenga una proporcin similar de Buenos y Malos como la muestra del 80%. Esencialmente, la muestra del 20% debe obtener puntajes utilizando el modelo creado para la muestra del 80%, y despus todas las estadsticas calculadas para el 80% deben ser recalculadas. El coeficiente Gini debe ser similar, y no debe haber cambios en la poblacin, como tampoco el anlisis de las caractersticas debe mostrar cambios significativos en el otorgamiento de puntajes promedio.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 9 de 28

Instituto del Riesgo Financiero

RACIONALIZACIN DE CARACTERSTICAS Caractersticas Inicialmente todas las caractersticas que han sido capturadas deben ser introducidas dentro de la seleccin. Es importante, investigar la posibilidad de crear nuevas caractersticas que resulten de clculos basados en informacin existente. Esto puede ayudar especialmente para crear combinaciones de caractersticas como el nmero de nmeros telefnicos dados que est basado en telfono de la casa, telfono del trabajo y celular. Esta tcnica puede tambin ser utilizada para crear campos nuevos como el nmero de veces con mora mayor a 90 das para efectos de proyectos de scoring de comportamiento. Es tambin un procedimiento beneficioso cuando la scorecard existente est siendo adivinada por el departamento comercial, ya que es mucho ms difcil detectar una combinacin de variables que variables individuales. Clasificacin Fina Esta es la enumeracin inicial de los datos donde todos los atributos para cada caracterstica son analizados. La clasificacin dura es desarrollada despus de visualizar las tendencias en la clasificacin fina. Cuando es posible poseer grandes grupos es ideal un mnimo de 20 grupos o modelar continuamente si es posible. Algunas pruebas estadsticas como probabilidades de Buenos/Malos o informacin de valores son aplicados a grupos de clase fina para establecer qu tanta energa contribuirn. En donde una caracterstica es particularmente dbil puede no tomarse en cuenta en esta etapa. La probabilidad de Buenos/Malos trabaja como las probabilidades en las apuestas donde 3:1 se refiere a 3 Buenos por cada malo ( 1 en 4 casos siendo malo) que a su turno dara como resultado una tasa de Malos del 25%. El valor de informacin es calculado al tomar el logaritmo de ( el % de los Buenos dividido por el % de los Malos) y multiplicando por el % de los Buenos menos el % de los Malos. La primera parte de esta ecuacin ( Buenos / % Malos) se llama Evidencia de Peso y da una indicacin del poder predictivo de los atributos individuales. De forma generalizada, las caractersticas con valores de informacin por debajo del 3% no son utilizadas en esta etapa.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 10 de 28

Instituto del Riesgo Financiero

Clasificacin Dura Es la agrupacin de atributos en un nmero ms manejable de grupos, los grupos contienen los mismos desempeos de los atributos. La clasificacin fina una vez agrupada en una clase ms grande se vera as: Padres y arriendos fueron agrupados en el grupo 1 ya que tenan similares pesos de evidencia y probabilidades de Buenos y Malos. Es usual no tener ms de 8 a 10 grupos una vez la etapa de la clasificacin dura ha sido alcanzada y es importante mantener los grupos significativos, con al menos 5% de la muestra de desarrollo cayendo dentro de cada clase dura. Estas agrupaciones no deberan reducir el poder total de ninguna caracterstica en una cantidad significativa pero usualmente debilitan su fuerza. Para establecer esto, es necesario mirar las probabilidades de Buenos/Malos o la informacin de los valores otra vez en esta etapa. Es tambin importante que los grupos tengan sentido de negocios, y esto quiere decir que algunos grupos son producidos, lo que es estadsticamente por debajo del ptimo. Con la condicin de que la caracterstica todava provee algn poder al modelo este sacrificio puede ser beneficioso para facilitar la implementacin de la scorecard. Un ejemplo de esto puede ser categoras de Trabajo que son codificadas en grupos y cuyo cdigo sera difcil de cambiar. Cuando los grupos no sean los ptimos pueden ser utilizados con la condicin de que la scorecard definitva sea lo suficientemente robusta. Es importante no caer en la trampa de esperar que los grupos sean iguales para todos los desarrollos. En Inglaterra, hay muchas veces una clara divisin por edad a los 30 aos con los solicitantes jvenes teniendo un mayor riesgo. Divisiones en la Poblacin En donde secciones distintas de la poblacin pueden ser identificadas como significativas desde el punto de vista del perfil de riesgo y existan suficientes datos para desarrollar mltiples scorecards es importante dividir la poblacin del desarrollo en sub poblaciones. Solamente es posible dividir la poblacin donde hay suficientes nmeros de Buenos y Malos disponibles en la etapa de muestreo. Si los nmeros son insuficientes y la divisin es significativamente poderosa, la caracterstica debe ser entrada en el modelo al final de la etapa de regresin. Donde un sub grupo no contiene Malos o un mnimo aceptable de malos, puede ser posible aceptar la sub poblacin en su totalidad sin importar el puntaje obtenido.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 11 de 28

Instituto del Riesgo Financiero

El hecho de identificar las divisiones en la poblacin se debe a la propiedad de predecir, excepto cuando las probabilidades de Buenos y Malos son extremadamente fuertes. Algn trabajo se ha desarrollado en el uso de redes neurales para indicar divisiones probables e interacciones de variables para caractersticas combinadas. Indicaciones iniciales son que esta es una herramienta extremadamente poderosa para utilizar con tcnicas tradicionales de regresin. Pesos de Evidencia Los pesos de evidencia pueden tambin ser utilizados para construir una scorecard, sto tender a darle una mayor continuidad a la regresin, pero es preferida por algunos desarrolladores porque ahorra tiempo de programacin. Una sola variable es requerida por cada caracterstica y una caracterstica por atributo. MTODOS ESTADSTICOS MULTIVARIADOS Regresin La regresin es utilizada actualmente como la ruta ms empleada para construir scorecards . Es posible utilizar la regresin logstica o lineal. La ltima es ms fcil para construir e implementar con una pequea prdida de poder y es por esto preferida por muchos. Esto es sin embargo una decisin personal y ambos mtodos han sido probados por dcadas de uso. Una ecuacin de regresin mltiple esencialmente toma la siguiente forma:

en donde los coeficientes B0, B1, B2 ... Bn son los pesos que deben ser adjudicados a las variables xo,x1,x2 ...xn que pueden ser variables dummuy o simplemente variables que contengan los pesos de evidencia, dependiendo de la tcnica que est siendo utilizada. El error E es conocido como el residual y se refiere al error estandar esperado de la ecuacin. Es usual devolverse contra el indicador de buenos/malos, que tiene un valor de 0 para Malos y 100 ( o 1000) para buenos. Esto puede ser ajustado dependiendo del sistema que se est utilizando y los puntajes podrn ser calibrados para alcanzar una escala diferente si se requiere.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 12 de 28

Instituto del Riesgo Financiero

Pesos Tpicamente una muestra de desarrollo consistir de 1500 buenos, 1500 Malos y 1500 rechazados, donde esto no sea posible ayuda muchas veces pesar la muestra a estos tamaos, de manera que estadstica comparativa pueda ser utilizada. Por ejemplo, el error estndar en la etapa de regresin debera siempre ser menor de 3 con estos pesajes, mientras que sera diferente para otros tamaos de muestras. Es necesario, volver a pesar la muestra en la poblacin de clientes nuevos proporcionalmente antes de investigar cualquier cambio en la poblacin o creando estadsticas de eficiencia como el coeficiente Gini. Pasos Graduales en la regresin lineal Esta regresin comienza sin variables luego una a una, las variables son introducidas gradualmente en la regresin para establecer si el mltiplo R ha sido significativamente mejorado por la introduccin de la variable. Todas las variables en la regresin son despus verificadas para ver si pueden ser gradualmente retiradas de la regresin. Enter linear regression Este mtodo efectivamente fuerza todas las variables dentro del modelo. Puede ser utilizado como un atajo para establecer el poder relativo de los atributos. Deber ser recordado en todo caso, que este mtodo puede acomodar las variables dentro del modelo con el fin de que estas sean digitadas. Esto quiere decir que los pesos de las ltimas variables que entraron sern por definicin ms dbiles que si estas hubieran entrado al comienzo. Por esta razn, muchos expertos utilizarn el mtodo ENTER para sus variables ms fuertes despus de haber modelado las otras variables utilizando el mtodo de paso gradual de regresin lineal. Esto disminuir el peso de las variables ms fuertes y reducir el impacto en las ms dbiles. Esta tcnica de modelamiento es utilizada usualmente con informacin de Centrales de Riesgo en Inglaterra particularmente donde un puntaje genrico de riesgo es utilizado como Wescore o Delphi. Esto permite emanar el poder mximo de la aplicacin de informacin, y en algunos casos puede permitir aceptar un caso ser sin tener en cuenta el score del bureau.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 13 de 28

Instituto del Riesgo Financiero

Regresin Lineal hacia Adelante y hacia Atrs Esta regresin es similar al mtodo de paso gradual excepto que solamente revisan las variables en una direccin, eso es, cuando entran en el modelo, o cuando salen del modelo. Todas las variables sern involucradas al mtodo hacia atrs y despus removidas una a una basados en criterios de seleccin, mientras que en la tcnica hacia adelante, las variables sern entradas una a una basados en criterios de seleccin, pero una vez dentro, estas no son removidas. Escenario mltiple en modelos de regresin Algunas veces es necesario introducir las caractersticas ms fuertes despus de que las caractersticas ms dbiles han sido tenidas en cuenta. Es a veces necesario introducir caractersticas ms fuertes despus de que las caractersticas ms dbiles han sido consideradas. Mientras que algunos sistemas permiten un acercamiento de dos fases dentro del software, otros no pueden, donde este sea el caso, las caractersticas ms fuertes se pueden modelar contra la residual, y los coeficientes beta se pueden agregar a sos establecidos en la regresin de la primera fase. La constante se debe agregar a la constante inicial de la etapa. Otras etapas son posibles, pero es mejor intentar evitarlas, pues llegan a ser complejas para documentar y para explicar. Pesos crticos Una vez que la scorecard se haya desarrollado a veces habr necesidad de enmendar manualmente algunas de las caractersticas. La razn de esto podra ser poltica o debido a un conocimiento de las circunstancias que afectan adversamente la muestra de desarrollo. Por ejemplo, los clientes desempleados sern aceptados generalmente solamente si se sabe que ellos representan un riesgo muy bajo (quizs con un depsito grande en una hipoteca) y saldran as del modelo calificados altamente. No sera sensible permitir que este modelo se generalice ya que muchos otros desempleados seran tomados, y el modelo no funcionara. Es importante sin embargo mantener esto en un mnimo, puede de vez en cuando ser necesario donde estn apretados los plazos, y la informacin llega a estar disponible al final de un proyecto que era desconocido en la etapa de clasificacin. En circunstancias normales sin embargo clientes que tienen probabilidad de devaluar el modelo se deben excluir, y las razones documentadas, o la clasificacin se deben disear para tomar cualquier atributo anmalo en cuenta.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 14 de 28

Instituto del Riesgo Financiero

Revisin de desempeo inicial Despus de construir un modelo inicial de buenos/Malos es importante comprobar la fortaleza del modelo. La mayora del software para modelar dar algunas indicaciones del mltiple R de la regresin lineal y el error estndar. El mltiple R debe estar cerca de 1 como sea posible y el error estndar debe ser menor de 3 si los pesos recomendados de 1500 buenos, Malos y rechazados se han utilizado. Ms all de estos indicadores iniciales algunas otras estadsticas claves son usualmente utilizadas. Estadstica para medir eficacia Un coeficiente Gini mide la eficacia de la scorecard., compara el porcentaje de las buenas cuentas contra el porcentaje de las malas cuentas para los mismos puntajes. Si el porcentaje de malas cuentas se traza contra el porcentaje de las buenas cuentas para una serie de bandas de puntajes el resultado es una curva (ABC). El coeficiente Gini es el rea entre la curva (ABC) y la lnea de la eficiencia nula (AC) establecida como un porcentaje del rea del tringulo (ACZ).

El coeficiente Gini = rea ABC / rea del tringulo AZC El coeficiente Gini se calcula como sigue: gi = % acumulado de Buenos en un puntaje dado gi-1 = % acumulado de Buenos en el puntaje anterior a gi bi = % acumulado de los Malos en un puntaje dado bi-1 = % acumulado de los Malos en el puntaje anterior a bi
(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 15 de 28

Instituto del Riesgo Financiero

El rea por debajo de la curva para un puntaje dado (etiquetada) est definida como: - Area score = 1/2*(bi - bi-1)*(gi + gi-1) El rea total debajo de la curva por n intervalos definidos por la forma ABCZ es por lo tanto:AREA = Si=2 to n Areascore El rea definida por el triangulo ACZ es definido as: Area del tringulo = 1/2 * 100 * 100 = 5000 El Gini (el cociente del rea dentro dela curva ABC) se define as: Gini = (5000 - REA) 5000 Idealmente un coeficiente Gini debe superar el 35% para un scorecard de aprobacin y estar generalmente ms cercano al 60% para un scorecard de comportamiento dependiendo de las limitaciones sobre los datos y producto. La divergencia mide con eficacia la diferencia entre la media de las distribuciones de Buenos y Malos y se calcula como sigue. Divergencia = 2 X (media(buenos)-media(malos))2 (var (buenos)+ var (malos)

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 16 de 28

Instituto del Riesgo Financiero

La medida del mximo de separacin entre Buenos y Malos cuando es trazado acumuladamente por puntaje.

La divergencia debe ser mayor de 0,95 y la extensin del mximo debe ser mayor de 28-35% Validacin Final Para finalmente validar un scorecard este debe ser confrontado contra el 20% fuera de la muestra y de la poblacin de clientes nuevos usando tanta estadstica eficiente como sea posible, stos incluirn la divergencia, el mximo separador de Gini y el ndice de estabilidad de la poblacin. Si todas estas estadsticas aparecen cercanas para el 80% y la muestra del 20% entonces los mismos ejercicios se deben emprender para la poblacin de clientes nuevos. En tanto que donde aparece que ha habido un cambio en la contribucin individual de los puntajes para cada caracterstica se debe investigar para intentar entender por qu. Donde ha ocurrido un cambio, el desarrollo ser desechado generalmente, pero vale intentar pesar la muestra de desarrollo para que se vea ms como las aplicaciones actuales y despus repetir la etapa de la regresin para evitar el cambio. Esta tcnica es particularmente til, donde los datos estn en escalas cortas en cuanto a cantidad y tiempo. Bureau data En Inglaterra y en algunos otros pases (ms notablemente los Estados Unidos) las agencias de referencias de crdito se utilizan a menudo para establecer el
(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 17 de 28

Instituto del Riesgo Financiero

desempeo de los solicitantes con otras instituciones. Si ste es el caso, entonces una muestra de datos debe tambin ser fuente del CRA como en el marco de tiempo de la ventana de la muestra. Esto se conoce como muestra retrospectiva del bureau. El tipo de informacin est disponible e incluir cualquier juicio en el corte que va 6 aos hacia atrs, as como tambin la historia mes por mes de cmo se ha comportado con otras instituciones, si el cliente est en la lista de votantes y si es as, su edad y otra informacin demogrfica. Tambin habr un puntaje genrico de riesgo creado por el bureau. Algunos o todos estos datos estarn disponibles para el interesado. Donde se requiere una muestra retrospectiva de los datos, esta debe ser planeada cuidadosamente, el CRA debe ser notificado de las escalas de tiempo probables tan pronto como sea posible, y una vez que se haya convenido la muestra de desarrollo los nombres y las direcciones y las fechas de aplicacin se deben pasar al bureau tan rpidamente como sea posible. Es esta fase la que hace que predominantemente los proyectos se atrasen y los problemas se pueden evitar a menudo con una buena planeacin y la comunicacin frecuente con el bureau correspondiente. Inferencia de rechazos La inferencia del rechazo se refiere a una serie de tcnicas que se utilizan para intentar deducir el desempeo de clientes que han sido rechazados en la etapa del desarrollo. En algunos portafolios tales como hipotecas no se rechazan muchos clientes y estas tcnicas son menos importantes, pero con portafolios de mayor riesgo la tasa de rechazo puede estar en el exceso de el 50%. Si el desempeo de los rechazados se puede predecir exactamente entonces la tasa de aceptacin se puede aumentar sin ningn incremento en la tasa de malos. Esto mejorar obviamente la rentabilidad, y la inferencia del rechazo se ha convertido en algo as como arte negro. Estas tcnicas son utilizadas extensamente por los desarrolladores de los scorecards de aprobacin, pero puede ser demostrado que los rechazos no agregan al scorecard a menos que se hagan asunciones adicionales. Consecuentemente el nico mtodo robusto para rechazar inferencia es aceptar una muestra de solicitudes rechazadas y observar su comportamiento. El uso de otras tcnicas puede agregar valor, si se hacen las asunciones convenientes. Algunas de las tcnicas que se utilizan se enumeran abajo. Registre todas las ofertas En el tiempo, el perfil de los clientes Malos llegar a estar claro, y estos tipos de cuentas pueden ser rechazadas. Es sin embargo una estrategia costosa
(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 18 de 28

Instituto del Riesgo Financiero

particularmente en portafolios de alto riesgo. Aparentemente, la cadena de tiendas Sony utiliz al parecer este mtodo por un nmero de aos, ya que los clientes nuevos que entraron eran bsicamente de un riesgo intrnseco bajo. Aceptacin al azar Este concepto es similar al anterior excepto que solamente una proporcin pequea de los clientes normalmente rechazados son aceptados para observar su comportamiento. En un cierto plazo llega a estar claro si cualquiera de los segmentos parece comportarse significativamente mejor o peor que los otros. Modelacin de Aceptacin, Rechazo

Desarrolle un scorecard que pronostique las probabilidades de Buenos y Malos. Desarrolle un scorecard que predice las probabilidades de Aceptacin/Rechazo Produzca una matriz de puntajes de ambos scorecards y establezca la probabilidad de que un rechazo sea bueno. Establezca la regresin utilizando la probabilidad de que los rechazos sean Buenos Valide la scorecard resultante. Este mtodo tiene la ventaja de tomar las decisiones ms en lnea con las decisiones actuales de los evaluadores de cartera. Otro mtodo es multiplicar las probabilidades de rechazo y Malos continuamente en comparacin con tomar el mtodo de la matriz, que hace con eficacia lo mismo, pero para bandas individuales de puntaje.

Cosecha Este mtodo estima con eficacia la probabilidad de que un rechazo sea bueno o malo basado en el puntaje que recibira del scorecard de buenos/malos. Cada rechazo se puede repartir en parte bueno y en parte basado en el puntaje. Un cliente que obtiene un puntaje alto puede tener el 90% de probabilidad de ser bueno y el 10% de probabilidad de ser malo. El procedimiento es:

Desarrolle una scorecard de buenos/malos. Evale las probabilidades de buenos/Malos dentro de cada rango de puntaje Diagrame el puntaje contra las probabilidades y establezca una lnea recta (la lnea mejor posible) Extrapole la lnea como sea necesario y calcule las probabilidades de buenos/Malos para cada rechazo. Esto permite una estimacin inicial de la probabilidad de Buenos o Malos para que cada rechazo sea comprobado.
Pag. 19 de 28

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Instituto del Riesgo Financiero

Los rechazos se pueden ahora incluir con los Buenos y Malos conocidos, y el procedimiento de la regresin se puede volver a efectuar para deducir una nueva relacin de puntaje/probabilidades. El ltimo fin es que la relacin de las probabilidades de puntaje/logaritmo para clientes rechazados sea igual para los clientes aprobados. Para conseguir esto simplemente repita el proceso hasta que converjan las lneas.

Recomendaciones para los puntajes mnimos Es usual con la mayora de los scorecards tener un puntaje mnimo para aceptar o rechazar clientes, es decir un puntaje en donde los clientes, con puntajes por encima del mnimo, son aceptados y aquellos cuyo puntaje est por debajo del lmite son rechazados.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 20 de 28

Instituto del Riesgo Financiero

Puede ser el caso que mltiples puntajes mnimos puedan ser utilizados por ejemplo al usar un mtodo de bandas, con diversas estrategias para los casos de puntajes altos y bajos. La tabla bsica producida se demuestra aqu en parte: Tasa de Intervalo Intervalo Portafolio

Score Aprobacin Tasa de Probabilidades Tasa de Malos Malos Buenos/ Malos 130 131 132 133 134 135 136 137 138 139 140 141 142 143 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 99% 14% 14% 15% 16% 16% 17% 17% 18% 18% 18% 19% 19% 20% 20% 6.09 5.92 5.65 5.27 5.11 4.97 4.77 4.67 4.57 4.42 4.24 4.17 4.08 3.98 1.38% 1.27% 1.26% 1.25% 1.24% 1.23% 1.22% 1.21% 1.20% 1.19% 1.18% 1.17% 1.16% 1.15%

La tasa de aprobacin se refiere a la proporcin de los clientes, que seran aprobados si el puntaje mnimo fuera fijado en ese intervalo del puntaje, es decir, todos los clientes por encima de ese puntaje. El intervalo de la tasa de Malos es el porcentaje malo en el puntaje dado, y similarmente las probabilidades de Buenos/Malos. La tasa de Malos del portafolio es el total de tasas de Malos para el portafolio por encima del intervalo de los puntajes. Es esta cifra y la cifra de aprobacin de clientes, los que son generalmente los ms importantes. Esencialmente la decisin es simple, si apuntamos por ms clientes aprobados, o una reduccin de la tasa de malos, o una combinacin de los dos. Esta decisin ser tomada generalmente por la entidad en su totalidad, con el apoyo de mercadeo, riesgo y posiblemente cobranzas. En ltima instancia la decisin es acerca de rentabilidad y/o las metas de la organizacin. Las tasas malas a veces sern permitidas disminuir para ganar participacin de mercado, y a veces las tasas de aprobacin bajarn para proteger mrgenes.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 21 de 28

Instituto del Riesgo Financiero

Hay muchos grficos y teoras disponibles para maximizar las ganancias usando el puntaje mnimo, pero la decisin ser tomada en ltima instancia siempre en los intereses del negocio en el momento en que el puntaje mnimo es fijado. Los departamentos ms astutos del riesgo se asegurarn de que este puntaje mnimo sea revisado inmediatamente cambien las metas corporativas. Especificacin de Sistemas y plan de implementacin Los procedimientos del proceso de aprobacin deben ser examinados cuidadosamente y ser enmendados cuando sea necesario antes de comenzar un proyecto de scoring. Sealando los temas temprano en el desarrollo, las soluciones pueden ser implementadas durante el proceso de construccin. Algunos desarrollos sern restringidos en ltima instancia a la funcionalidad dentro de sistemas existentes, mientras que otros sern ms dinmicos. Las reglas de las polticas se deben examinar antes del desarrollo de un scorecard nuevo, pues los rechazados por cuenta de las polticas necesitarn ser excluidos de la muestra de desarrollo. El sistema de procesamiento de solicitudes debe tambin permitir que las polticas sean revisadas de modo que las reglas no estn abiertas a cometer abusos. Las razones para invalidar una decisin se deben capturar en el sistema, y los lmites sern fijados idealmente para los puntajes y invalidacin de polticas. Esto permitir que los nmeros sean supervisados y tambin proveer una fuente de informacin de la calidad de clientes que se invalidan para tomar una decisin de aprobado. La estrategia detrs de la scorecard debe tambin ser entendida, ha sido diseada para mejorar el nmero de aprobaciones, o para reducir la tasa de Malos por ejemplo? Lo antes que esto sea aclarado, lo ms fcil que ser el desarrollo para los analistas implicados en el proyecto. Una vez que se haya desarrollado y convenido el modelo, debe ser validado a fondo contra con la informacin de nuevos clientes, y despus los puntajes se deben asignar a casos verdaderos para asegurarse de que se estn tomando decisiones acertadas. Despus de las pruebas, todos deben estar satisfechos que cualquier combinacin de las variables que vienen a travs del sistema de aprobacin se calificarn correctamente. Para que esto sea garantizado es sensible ofrecer ayuda con el plan de prueba. El plan de prueba debe ser tan comprensivo como sea posible sin ser oneroso. Todos los resultados posibles se deben probar con la menor cantidad de clientes posible. En lo posible el puntaje esperado se debe escribir en la solicitud para la comparacin cuando esta sea digitada.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 22 de 28

Instituto del Riesgo Financiero

El rea de mercadeo necesitar ser educada en el uso de modelos de scoring si no poseen cierta capacitacin. En particular, debe ser expresamente claro que la scorecard se ha construido con datos histricos, con la asuncin de que el negocio futuro ser similar en trminos de fuentes y calidad. Esto no imposibilita cambios en las actividades de mercadeo, pero las nuevas campaas deben ser susceptibles de ser supervisadas por separado para poder entender si el scorecard representa con eficacia las nuevas poblaciones. La planeacin es muy importante en la etapa de la puesta en prctica, y los plazos realistas se deben fijar para las etapas de programacin y de prueba. Donde se requiere el recurso de especialista-programador esto puede conducir a plazos estrictos. La seguridad es importante, ya que solamente los individuos autorizados especficamente deben tener la capacidad de alterar el puntaje mnimo, o los pesos de la scorecard. Idealmente, los pesos se deben compartir idealmente solamente con algunos vicepresidentes o gerentes de manera que las solicitudes no puedan ser manipuladas para pasar el scorecard. Esto aumentara la tasa de malos, y destruye la relacin de puntaje/probabilidades. Puede ser prudente no mostrar el puntaje real a los vendedores o digitadores. Los puntajes mltiples deben ser sealados para investigacin, pues pueden ser indicativos de tentativas de conseguir aprobacin para incrementar las ventas. Es tambin sensible intentar y asegurar mens de pantalla pues esto reducir el tiempo gastado en averiguar el texto libre del formato para los valores similares. Una vez que la prueba sea completada el scorecard se puede poner en produccin. Esto puede ser como la primera scorecard o en un ambiente de campen-retador. La decisin la tomar la institucin, y depender en parte de la urgencia de la scorecard, el producto implicado, y la funcionalidad del sistema de procesamiento. Vender a su Empresa Si una scorecard se ha construido y se ha documentado a fondo con la participacin de todas las partes cncernientes del negocio, despus no debe haber una necesidad "de vender" el producto final. Desafortunadamente sin embargo ste es raramente el caso, pues los proyectos de scoring tendrn generalmente un patrocinador de una disciplina que no desear involucrar las otras disciplinas hasta que sea demasiado tarde.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 23 de 28

Instituto del Riesgo Financiero

Donde hay preocupaciones por la introduccin de scoring, o un scorecard nuevo, el mejor mtodo es presentar las metas del proyecto, junto con la estadstica del funcionamiento antes de la reunin para establecer el puntaje mnimo. Si el departamento del riesgo ha comisionado un scorecard y mercadeo no est contento por el impacto potencial en su desempeo entonces que es posible estresar el efecto positivo de ms clientes aprobados por la misma tasa de Malos mientras que se estresa lo opuesto a Riesgo. El negocio decidir en ltima instancia sobre la estrategia de vincular nuevos clientes, pero no estar libre de hacerlo al menos hasta que el modelo sea ratificado por todos los partes en cuestin. Una vez el modelo funciona propiamente, puede ser comparado contra la experiencia anterior y mostrar que presenta mejoras de desempeo. Cambios y monitoreo del desarrollo Hemos discutido ya medidas de eficacia, y estas se deben comprobar regularmente para asegurarse de que la scorecard todava est discriminando, y no se est comenzando a deteriorar. Un solo informe mensual no es suficiente para autorizar re-pesar o hacer mantenimiento al modelo, pero si la eficacia se est reduciendo durante 3 meses o ms entonces es probablemente una buena indicacin que la relacin de los puntajes y las probabilidades se ha deteriorado. Es usual mirar las tasas de Malos por intervalo de puntajes para asegurarse que el puntaje mnimo se encuentre todava en el lugar correcto. Otro informe que puede ser hecho por separado es el puntaje mnimo contra la tasa de malos, esto detalla la tasa de Malos del portafolio en cualquier puntaje mnimo dado. En otras palabras, el nmero de clientes por encima del puntaje mnimo que se espera que vayan ha ser malos. La parte final de este informe es la tasa de aceptacin por puntaje, o la curva de la estrategia, que demuestra la tasa de aprobacin en cualquier puntaje mnimo dado. Es ms fcil mirar todos estos informes en una tabla, para poder dibujar comparaciones. Mirar la distribucin acumulada de Buenos y Malos por puntaje puede dar una indicacin de la extensin en el intervalo de los puntajes. Si se est utilizando la estadstica de la extensin del mximo estas distribuciones sern solamente tiles si la distribucin total de los puntajes no est siguiendo una distribucin normal. Por ejemplo la extensin del mximo puede ser el 25%, pero puede ocurrir 3 veces en una curva de la distribucin vaga que no es obviamente normal, y sera una causa para una cierta preocupacin. El informe de la estabilidad de la poblacin se ha detallado ya, pero es una medida clave y se debe tomar peridicamente para asegurarse de que la poblacin del desarrollo sigue siendo una representacin vlida de los nuevos clientes.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 24 de 28

Instituto del Riesgo Financiero

El reporte del anlisis de las caractersticas ser producido junto con el scorecard, y demostrar la contribucin promedio de los puntos para cada una de las caractersticas. Esto se debe replicarse sobre una base regular para los nuevos negocios para asegurarse de que ninguna de las caractersticas con puntajes ha cambiado dramticamente. Algunas cambios pueden ocurrir que se cancelan mutuamente en el informe de la estabilidad de la poblacin, pero sin embargo se puede requerir un re-peso. La mora dinmica es efectivamente la tasa de Malos en el tiempo usados para establecer el resultado del perodo. Estos cuadros mostrarn cualquier cambio en la calidad de los negocios que se han hecho, como la tasa de Malos aumenta o disminuye ms rpidamente que en perodos anteriores. Tablas de recaudo y cobranzas son tambin una buena indicacin de cambios en la calidad del negocio, pero debe ser recordado que los cambios en estrategias de cobranza pueden tambin tener un efecto. Otro informe que se debe producir con menos frecuencia (posiblemente trimestralmente) es el informe del desalineamiento del puntaje. Este informe trabaja con el principio de que todos los clientes con el mismo puntaje deben tener las mismas probabilidades de buenos/Malos sin importar cualidades individuales. Donde este no sea el caso los puntajes los puntajes estarn mal alineados, y las cualidades que se ofenden deben re-pesadas. Probabilidades de Buenos/Malos Score 90100 100110 110120 120130 130140 Scorecard 1:1 2:1 3:1 4:1 5:1 Edad<45 1:1 2:1 3:1 4:1 5:1 Edad >45 1:1 2:1 4:1 4:1 6:1

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 25 de 28

Instituto del Riesgo Financiero

140150 150160 160170 170180

6:1 7:1 8:1 9:1

6:1 7:1 8:1 9:1

8:1 10:1 12:1 14:1

Como se puede ver en la tabla anterior, el atributo para la edad > 45 est mal alineado, parece que el peso de esta variable es demasiado fuerte, pues las probabilidades no estn en lnea con el resto del scorecard para las mismas bandas de puntaje. El logaritmo natural de las probabilidades por cada banda de puntaje se debe tambin trazar junto con el de la muestra de desarrollo para demostrar si la relacin de las probabilidades de los puntajes todava estn en lnea con lo que se esper. Si la lnea de clientes nuevos permanece paralela entonces la relacin de las probabilidades ha trabajado, pero un cambio hacia arriba significa que ha habido un cambio positivo en los clientes nuevos, mientras que un movimiento hacia abajo sugiere un cambio negativo. Esto se puede ajustar en el mediano a largo plazo al ajustar el puntaje mnimo. Si los clientes nuevos comienza a rotar en relacin con la muestra de desarrollo, entonces las probabilidades de los puntajes han comenzado a deteriorarse, y la reconstruccin es la nica opcin.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 26 de 28

Instituto del Riesgo Financiero

El grfico superior muestra claramente los diversos movimientos en la relacin de las probabilidades de puntaje/logaritmo. La lnea TTD1 demuestra una interrupcin en la relacin de las probabilidades, mientras que TTD2 y 3 muestran la relacin de las probabilidades de los puntajes esencialmente intactas, pero movindose positiva y negativamente respectivamente. La mejor manera de explicar porqu miramos el logaritmo de las probabilidades es demostrar las relaciones naturales de las probabilidades en el grfico siguiente. Est claro que el grfico hace que las comparaciones sean imposibles, que es porqu se utilizan las probabilidades de logaritmo.

SCORING DE COMPORTAMIENTO El scoring de comportamiento trabaja de la misma manera que el scoring de aprobacin, es usualmente modelado de la misma manera pero es en s diferente. El scoring de comportamiento utiliza el comportamiento de un cliente para predecir un resultado por ejemplo si llegar a ser malo, solicitar otro crdito, pagar su deuda, etc. Es ms potente cuando es utilizado con los productos de crdito rotativo tales como tarjetas de crdito. La combinacin de compras y de pagos da una indicacin particularmente fuerte del probable comportamiento a futuro del cliente.
Pag. 27 de 28

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Instituto del Riesgo Financiero

Ms recientemente las compaas han comenzado a apreciar que hay mayores posibilidades de utilizacin, como en hipotecas, crditos personales y crdito de vehculos. Aqu hay generalmente solamente un pago o resultado sin pago cada mes, no obstante durante meses, y con datos agregados de Centrales de Riesgo o datos estables de la aplicacin un modelo de gran alcance puede ser construido. Una scorecard de comportamiento tendr un mayor poder predictivo que el equivalente scorecard de aprobacin, porque la entidad conoce ms sobre la habilidad y probabilidad de pago de un cliente de manera que puede prevenir el deterioro de la cartera. Irnicamente, no es el poder de la scorecard lo ms importante del scoring de comportamiento. La decisin de aceptar o rechazar a un cliente se ha tomado ya, y los fondos se han prestado ya. La clave ahora es manejar al cliente con estrategias apropiadas. Puede ser que el puntaje de comportamiento sea utilizado como aviso para una actividad ms fuerte de cobranza, incrementar cupos de crdito, ofertas especiales o un nmero de otros servicios. Son estos servicios o estrategias, que traducen la ventaja de la scorecard en ganancias para la empresa.

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: lisim@riesgofinanciero.com

Pag. 28 de 28