Академический Документы
Профессиональный Документы
Культура Документы
TEMA:
TESIS
AUTOR:
DIRECTOR DE TESIS:
QUITO ECUADOR
2010
______________________
Daniel Flores Escobar
III
DEDICATORIA
Dedico este trabajo a mi madre por estar siempre a mi lado y quien me supo
dedicar todo su esfuerzo para que sea un profesional, adems de orientarme
e inculcarme principios para luchar en este duro camino.
A mis hermanos Diego y Diana quienes han sido los pilares de mi vida y la
fuerza para nunca dejarse vencer y siempre luchar hasta culminar cada meta
impuesta.
Daniel Flores
AGRADECIMIENTO
Agradezco a Dios por permitirme alcanzar esta meta y ser mi luz capaz de
iluminar todo momento sombro.
A mi madre y hermanos quienes me dieron su apoyo, gua y comprensin sin
condicin ni medida.
A mis abuelitos Jorge y Rosita por estar a mi lado y ser un ejemplo de lucha
y sacrificio
Quiero agradecer a la Universidad Tecnolgica Equinoccial por los
conocimientos impartidos en sus aulas a travs de sus maestro y en especial
al director de este proyecto Mat. Mauricio Garca por su gua y aportes en
este trabajo.
Y a todos los que no recuerdo pero que ayudaron a que pueda culminar esta
meta.
VI
NDICE GENERAL
DEDICATORIA ........................................................................................................ V
AGRADECIMIENTO .............................................................................................. VI
NDICE GENERAL ............................................................................................... VII
NDICE DE CONTENIDOS ................................................................................. VIII
NDICE DE ILUSTRACIONES .............................................................................. XI
NDICE DE ECUACIONES .................................................................................. XII
NDICE DE TABLAS............................................................................................ XIII
RESUMEN ............................................................................................................. XIV
SUMMARY............................................................................................................ XVI
CAPTULO I .............................................................................................................. 1
CAPTULO II ........................................................................................................... 14
CAPTULO III ......................................................................................................... 34
CAPTULO IV .......................................................................................................... 57
CAPTULO V ........................................................................................................... 75
BIBLIOGRAFA ...................................................................................................... 78
ANEXOS ................................................................................................................... 80
VII
NDICE DE CONTENIDOS
CAPTULO I .............................................................................................................. 1
1. INTRODUCCIN .................................................................................................. 1
1.1
1.2
1.3
JUSTIFICACIN ......................................................................................... 11
1.4
OBJETIVOS................................................................................................. 12
1.4.1
1.4.2
1.5
HIPTESIS .................................................................................................. 13
1.6
ALCANCE ................................................................................................... 13
CAPTULO II ........................................................................................................... 14
2. CREDIT SCORING ............................................................................................. 14
2.1
CONCEPTOS ............................................................................................... 14
2.2
CREDITOS............................................................................................................. 21
2.3
MODELAMIENTO ...................................................................................... 34
3.1.1
Seleccin de la muestra.......................................................................... 35
3.1.2
3.1.3
3.1.4
3.1.5
3.1.6
3.1.7
CAPTULO IV .......................................................................................................... 57
4. DESARROLLO .................................................................................................... 57
4.1
4.2
HERRAMIENTAS DE DESARROLLO....................................................... 58
4.2.1
4.2.2
4.2.3
SPSS...................................................................................................... 61
4.3
4.3.1
4.3.2
4.3.3
4.4
4.5
CAPTULO V ........................................................................................................... 75
5. CONCLUSIONES Y RECOMENDACIONES ................................................... 75
5.1 CONCLUSIONES ............................................................................................ 75
5.2 RECOMENDACIONES ................................................................................... 76
BIBLIOGRAFA ...................................................................................................... 78
IX
ANEXOS ................................................................................................................... 80
1. ANEXO 1............................................................................................................... 80
2. ANEXO 2............................................................................................................... 84
3. ANEXO 3............................................................................................................... 93
4. ANEXO 4............................................................................................................. 100
NDICE DE ILUSTRACIONES
XI
NDICE DE ECUACIONES
XII
NDICE DE TABLAS
XIII
RESUMEN
Este trabajo se ha planteado optimizar y reducir los errores en los anlisis de crditos,
mediante la creacin de una herramienta de evaluacin crediticia (Scoring Crediticio) de
otorgamiento til para la toma de decisiones, disminuyendo el riesgo en funcin del
historial de crdito de una persona.
Tambin que se genero una herramienta Web Service con la finalidad de que cualquier
institucin o persona que desee consultar el score de un sujeto, pueda acceder a la
misma sin importar la plataforma ni las herramientas que posea siendo esta una
herramienta flexible con el fin de independizar la arquitectura de una aplicacin
concreta, lgicamente, dentro de ciertas restricciones, impuestas por la naturaleza de los
sistemas de informacin o sistemas de control automticos.
XIV
Este proyecto parte fundamentalmente de la base de datos la cual debe cumplir con la
caracterstica de robustez y confiabilidad ya que para la obtencin del score y para que
el mismo sea predictivo se necesita de una gran cantidad de datos los cuales juegan un
papel muy importante para el clculo del mismo y adems que los datos sean correctos,
pero a su ves la muestra de datos obtenidos es pequea pero que tiene todas las
caractersticas fundamentales para el modelamiento del score.
XV
SUMMARY
This work is to optimize and reduce errors in credit analysis, by creating a credit
assessment tool (Credit Scoring) granting useful for decision making, reducing the risk
based on credit history of a person.
As part of this study and in the course of the chapters make a review and description of
the research content for the solution of the problem which was the subject for this thesis
topic.
Which also generated a Web Service tool for the purpose of any institution or person
you want to see the score of a person, can access it regardless of platform or tools
having this being a flexible tool to wean the architecture of a particular application, of
course, within certain restrictions imposed by the nature of information systems and
automatic control systems.
In addition, the score becomes a tool that assumes a probability of default, taking into
account similarities between the historical data presented to discriminate in a technical
way the granting of credit.
This project is mainly from the database which must comply with the property of
robustness and reliability as to obtain the score and that it needed to be predictive of a
large amount of data which play an important role in the calculation thereof and further
XVI
that the information is correct, but your see the sample data is small but has all the basic
features for modeling of the score.
XVII
CAPTULO I
CAPTULO I
1. INTRODUCCIN
1.1
PROBLEMA A RESOLVER
La gran mayora de los prstamos que a diario conceden las entidades financieras
podran ser otorgados mediante tcnicas de clasificacin, que en base a caractersticas
propias del cliente, determinen la probabilidad de que en un futuro este pueda hacer
frente a sus obligaciones de pago. Permitiendo clasificarle en dos grupos: el integrado
por individuos con una elevada probabilidad de devolver el crdito y el de aquellos
individuos que, previsiblemente, no harn frente a sus compromisos crediticios.
1.2
MARCO TERICO
Un banco es un tipo muy especial de empresa, que capta dinero del pblico, lo presta
conjuntamente con recursos propios de la entidad a terceros, quienes pagan intereses por
el uso de ese dinero. As, usualmente, los recursos con los que un banco genera sus
ingresos son, en parte propios (patrimonio o capital), y mayoritariamente ajenos
(depsitos del pblico). Por ello, dado que la mayora del dinero que un banco
administra no le pertenece, la gestin bancaria requiere un proceso constante de
evaluacin y medicin de los riesgos a los que se exponen los recursos de los
depositantes en las operaciones de la entidad. Estos riesgos, en conjunto, se llaman
Riesgo Bancario y su administracin suele ser regulada por la Superintendencia de
Bancos y Seguros (SBS) en el Ecuador y sus pares en todo el mundo.
Para regular el riesgo la SBS se crearon varias leyes entre las cuales tenemos la Ley
General de Instituciones de Sistema Financiero que dice en el Ttulo IV del Patrimonio
Captulo I Capital y Reservas, en el artculo 47 de esta ley en la que se indica: Con el
objeto de preservar su solvencia, las instituciones del sistema financiero debern
mantener, en todo tiempo, el conjunto de relaciones tcnicas que establezca la Junta
Bancaria mediante resolucin de carcter general, siguiendo los estndares
internacionales, especialmente los establecidos por el Comit de Basilea 1.
1 El acuerdo de Basilea consta de 25 principios que representan los requerimientos mnimos que deben ser implementados por las
autoridades bancarias para lograr un sistema de supervisin bancaria efectiva.
Entre los acuerdos del Comit de Basilea se encuentran dos principios fundamentales en
los cuales se basa la creacin y uso de los datos de las instituciones financieras en una
base de datos llamada Central de Riesgo los cuales son:
Principio 15. Los supervisores bancarios deben determinar que los bancos tengan
polticas, prcticas y procedimientos adecuados, que incluyan la estricta regla de
CONOCE A TU CLIENTE, lo cual promueve altos estndares de tica y
profesionalismo en el sector financiero. Estas medidas previenen que los bancos sean
utilizados por elementos criminales, en una forma voluntaria o involuntaria.
Principio 21. Los supervisores bancarios deben de asegurarse que cada banco mantenga
registros adecuados, diseados de manera que concuerden con polticas contables
consistentes, con prcticas que permitan al supervisor obtener una visin verdadera y
precisa de la condicin financiera del banco y de la rentabilidad de sus negocios y que el
banco haga publicaciones regulares del estado financiero, que reflejen realmente su
condicin.
Y es por eso que la Superintendencia de Bancos y Seguros del Ecuador en una de sus
normativas emitidas en marzo del 2008 para la conformacin de la Central de Riesgos
solicita a todos los Buros de Crdito, que los mismos debern reportar la informacin
crediticia de los clientes sobre la base de modelos estadsticos predictivos y no sobre la
informacin en bruto que reportan las instituciones bancarias de los clientes.
Los comienzos del Credit Scoring se remontan del ao 1936 cuando Fisher, introduce
el concepto de discriminar objetos dentro de una poblacin especfica.
Esta idea fue desarrollada ms ampliamente por Durand en 1941 donde fue aplicada en
un contexto financiero para discriminar entre un Buen y un Mal pagador.
mentalmente una solicitud de crdito en el presente con la experiencia que este mismo
analista ha acumulado con otros clientes con solicitudes parecidas, est aplicando
scoring, aunque sea un scoring implcito y subjetivo. De igual manera, cuando un micro
prestamista adopta una poltica de no renovar prstamos a clientes que han tenido
atrasos mayores a 30 das en su prstamo anterior, est aplicando scoring, aunque sea un
scoring simple y unidimensional. Por eso, aunque el nombre scoring puede sonar nuevo,
es una prctica antigua.
En una primera aproximacin a los mismos, se los puede definir como mtodos
estadsticos utilizados para clasificar a los solicitantes de crdito, o incluso a quienes ya
son clientes de una entidad evaluadora, entre las clases de riesgo bueno y malo 2.
2 Hand, D.J. y W.E. Henley. (1997) Statistical Classification Methods in Consumer Credit Scoring: A Review, Journal of the
Royal Statistical Association Series A, Vol. 160, No. 3, pp. 523-41.
.
5
Esta estimacin se puede obtener directamente del score en el caso de los modelos
economtricos, o tambin en funcin de la tasa de incumplimiento (TD, por tasa de
default) histrica observada en el grupo de deudores con la misma calificacin o score
similar.
Para evaluar el riesgo crediticio o la conveniencia de otorgar un crdito, hay una gran
variedad de metodologas disponibles: anlisis discriminante, regresin lineal, regresin
logstica, modelos probit, modelos logit, mtodos no paramtricos de suavizado,
mtodos de programacin matemtica, modelos basados en cadenas de Markov,
algoritmos de particionamiento recursivo (rboles de decisin), sistemas expertos,
algoritmos genticos, redes neuronales y, finalmente, el juicio humano, es decir, la
decisin de un analista acerca de otorgar un crdito. Aunque esta ltima presenta la
ventaja de ser ms eficaz en tratar las excepciones a la experiencia pasada, los mtodos
de credit scoring son ms eficientes a la vez que sus predicciones ms objetivas y
consistentes, por lo que pueden analizar y tomar decisiones sobre una gran cantidad de
solicitudes de crdito en poco tiempo y a un bajo costo
Adems se estableci que la regresin lineal no tiene el sustento terico apropiado para
la construccin de modelos con una variable dependiente binaria (por ejemplo, bueno o
7
diversos valores de X sern igual de confiables cercana o alejamiento con el cual estn
distribuidos los valores de Y alrededor de sus medias. Todos los valores de Y
correspondientes a diversos valores de X son igualmente importantes), y produce
probabilidades estimadas entre 0 y 1, las que sern asociadas a un score.
En algunos casos una variable puede tener una fuerte asociacin con la funcin logit de
la variable dependiente, sin que esta relacin sea lineal. Como resultado, esta relacin
puede no ser detectada o puede producir resultados no esperados. Transformar la
variable puede servir para detectar la relacin no lineal que de otra manera se perdera, o
para fortalecer dicha relacin. Tpicas transformaciones de variables incluyen la raz
cuadrada, el cuadrado, el binario (indicador), el logaritmo y el inverso. Por ejemplo, la
Ilustracin 1(a) indica una relacin no-lineal entre la Variable 1 y la variable
dependiente. Sin embargo, despus de aplicar la transformacin de raz cuadrada,
mostrada en la Ilustracin 1(b), la relacin no lineal se convierte en lineal.
V
a
r
i
a
b
l
e
V
a
r
i
a
b
l
e
D
e
p
e
n
d
i
e
n
t
e
D
e
p
e
n
d
i
e
n
t
e
Variable 1
a.
b.
c.
Es as que mediante esta tcnica se lograr clasificar a los individuos dentro de las
categoras (bueno/malo) de la variable dependiente, segn la probabilidad que tenga de
pertenecer a una de ellas dada la presencia de determinadas variables.
10
1.3
JUSTIFICACIN
Por eso se ha visto la necesidad de disear una aplicacin, la cual ayudar a tener una
correcta toma de decisiones con la mayor efectividad posible, basados en un sistema de
Scoring de Cobranzas, ya que en el Ecuador las Instituciones Financieras y, Pequeas y
Medinas Empresas PYMES,
11
1.4
OBJETIVOS
12
1.5
HIPTESIS
1.6
ALCANCE
CAPTULO II
CAPTULO II
2.
CREDIT SCORING
En este captulo se tratar sobre las definiciones del score crediticio, los mtodos
empleados para la construccin y sobre la regresin logstica que es el mtodo
seleccionado para el desarrollo de este proyecto.
2.1 CONCEPTOS
Los modelos de scoring crediticio nacen alrededor de los aos 1950s cuando Bill Fair y
Earl Isaac fundan su compaa dedicada a apoyar las actividades de importantes
empresas financieras y de ventas al menudeo. Posteriormente, en los aos 1960s se
inicia el periodo en el que se desarrolla la industria de las tarjetas de crdito con lo cual
los bancos ven una gran posibilidad de empezar utilizar modelos de scoring.
Se denomina credit scoring a un sistema que permite asignar una calificacin de riesgo,
una puntuacin, a un demandante de crdito (cliente real o cliente potencial).
14
Los modelos de scoring crediticio son aplicaciones que permiten apoyar la toma de
decisiones. Estos modelos surgen como una necesidad de poder evaluar de forma gil y
rpida las capacidades de endeudamiento de clientes ante la solicitud de un crdito.
Aunque existen diversos tipos de compaas y distintos tipo de crditos, la idea general
de un modelo de scoring crediticio es, por un lado, seleccionar aquellos individuos que
poseen mejores condiciones econmicas para retornar a la compaa el valor total del
prstamo solicitado; por otra parte, los modelos de scoring crediticio permiten mitigar el
riesgo en que se incurrira si se aprueba un crdito a un individuo que no cumple con
una capacidad de pago y endeudamiento.
4 Lewis, E.M. (1990) An Introduction to Credit Scoring, San Rafeal: Athena, LIC# 90-92258.
15
conocida a priori, se busca una regla que permita clasificar nuevas observaciones en dos
grupos: los que con alta probabilidad podrn hacer frente a sus obligaciones crediticias,
y los que, por el contrario, resultarn fallidos.
20 %
Bajo 999
Riesgo
60 %
Score
800
600
Buenas
Malas
20 %
400
200
Alto
Riesgo
Muy Buenas
Muy malas
16
As tambin el grafico muestra el objetivo del clculo que es exponer el riesgo que
actualmente un sujeto representa a un prestamista. Parmetros severos como el historial
de crdito, incluyendo historial de pagos, longitud de la historia de la cuenta, prstamos
y otros son formulados para producir un nmero de tres dgitos que oscila entre 1 y 999.
Este puntaje se divide en 3 categoras principales: Riesgo Bajo, Riesgo Medio y Riesgo
Alto.
Adems el grafico indica que el 60% de todas las personas con una puntuacin de
crdito de 550-900 presenta o present problemas con su crdito y para obtener uno
necesitar de requisitos poco favorables. El 20% de los sujetos no presentan ningn
problema en sus crditos obteniendo u score superior a los 700 y no presentan ningn
riesgo para las instituciones bancarias al ser sujetos de crdito, y el restante 20% se
encuentran con un score entre 1 y 549 los que representan un riesgo alto al ser sujeto de
crdito ya que poseen crditos vencidos o en demanda judicial en la institucin
bancaria.
Esto hace que el sistema se base en el desempeo pasado de clientes que tienen
caractersticas similares a aquellos a ser evaluados. El credit scoring termina, por tanto,
siendo un predictor del riesgo, cuya fortaleza no radica en la habilidad para explicar
causalidades (por qu algunos clientes incumplen y otros no) sino en la objetividad de la
metodologa aplicada.
17
Con el score, la institucin que utilice el sistema observar un valor numrico el cual
significa el riesgo y dependiendo de su valor el usuario aceptar o rechazar una
solicitud de prstamo5.
Los beneficios no slo se leen en una reduccin de la subjetividad del analista inmersa
en la concesin del crdito, al estar los mtodos tradicionales apoyados
fundamentalmente en informacin cualitativa mantenida en la mente del evaluador, sino
que al basarse en informacin cuantitativa mantenida en los sistemas de cmputo de la
institucin financiera y por ende cuantificables a bajo costo, se pueden lograr
reducciones de costos de morosidad y de evaluaciones de prstamos de tal forma que se
mejore la eficiencia (mejores colocaciones) y por ende la rentabilidad.
5 Estrictamente no todos los mtodos conducen a una 'puntuacin' o 'scorecard'. Algunos indican directamente la posibilidad de
que un cliente sea bueno y si la aprobacin del crdito vale la pena.
18
De lo que se pudo realizar el anlisis las ventajas y desventajas del uso de un modelo de
score se encuentran descritas en la siguiente tabla.
VENTAJAS
DESVENTAJAS
Requiere de una slida y extensa base de
Consistente
por ende genera gastos operativos
Su funcionamiento requiere de un sistema
Transparente
transaccional
19
sea explcito y como consecuencia de fcil comunicacin tanto a nivel de alta gerencia
como de analistas.
Del otro lado, se tiene un conjunto de desventajas que se deben considerar antes de
incurrir en un proceso de obtencin e implementacin de un modelo scoring para el
otorgamiento de crditos. La disponibilidad de una slida y extensa informacin es uno
de los principales obstculos al momento de desarrollar un modelo estadstico. Adems,
la cantidad de informacin registrada no debe slo ser buena sino vasta para que los
modelos desarrollados puedan compensar la ausencia de informacin financiera con
mucha capacidad de pronstico empleando un gran nmero de caractersticas menos
significativas. La calidad de las bases de datos es fundamental, no slo en cantidad de
registros almacenados en cada variable (porcentaje bajo de clientes en blanco) sino en la
confiabilidad de la informacin archivada. Por ejemplo, puede ser que la variable sueldo
no sea un buen predictor dentro de los modelos tal vez porque los clientes tienden a
mentir sobre su salario, por lo que la correlacin entre sueldo y riesgo es falsa, o por que
los vendedores de crdito adulteran la cifra ante la posibilidad de obtener una
aprobacin segura del crdito vendido por parte del analista.
20
2.2
Mtodos Paramtricos
Modelos Hbridos Estos mtodos representan una extensin a los modelos existentes y
consisten en una combinacin de tcnicas estadsticas o de soft computing otros
modelos relacionados.
21
Modelos de
Scoring
Crediticio
Modelos
Estadisticos
Soft
Computing
Paramtricos
Anlisis
Discriminante
Regresion
Logstica
K vecinos ms
cercanos
No
Paramtricos
Redes
Neuronales
Arboles de
Decisin
Densidad de
Kernel
Modelos
Hibrido
En los modelos de soft computing del que se deriva el modelo de redes neuronales esta
conformado por un conjunto de procesadores simples interconectados a los cuales se les
denomina nodos, organizados en capas lo que permite el procesamiento de la
informacin.
2.3
REGRESION LOGSTICA
23
Variables binarias: Identifica la pertenencia del individuo a cada uno de los grupos
analizados:
Variables explicativas: Son las variables que sirven para discriminar entre los grupos y
que determinan la pertenencia de un elemento a un grupo u otro. Pueden ser:
Variables cuantitativas que un campo de variacin que toma todos los valores
reales
24
1
1 e z
25
z w1x1 w2 x2 .... wn xn
Fuente: Introduccin al anlisis de regresin lineal
Elaborado Por: Daniel Flores
Donde
Xi
Wi
ejemplo:
Das de mora.
log[
p
] w1 x1 w2 x 2 ..... wn x n
1 p
27
Ejemplo:
yi
3,16666667
500-600
600-700
700-800
15
3,75
800-900
32
4,57142857
900-1000
70
22
3,18181818
1000-1100
163
47
3,46808511
1100-1200
269
56
4,80357143
1200 - 1300
332
58
5,72413793
1300 - 1400
385
59
6,52542373
1400 - 1500
329
43
7,65116279
1500 - 1600
185
26
7,11538462
1600 - 1700
85
9,44444444
1700 - 1800
2,5
1800 - 1900
26
6,5
1900 - 2000
2000 - 2100
2100 - 2200
2200 - 2300
2300 - 2400
12
12
28
Variable Dependiente:
1 = Posee
Nivel de Ingresos
Nivel de Ingresos
Variables Dummy
Alto
Medio
Bajo
Alto
Medio
Bajo
Sin Ingresos
Creamos tres variables dicotmicas o categricas las cuales no van a ser numricas
siendo estas unas variables dicotmicas: basndonos en el nivel de ingresos la primera
de ellas sera Alto. Quien lo sea tendr valor 1 en esa variable y valor cero en las
variables Medio y Bajo. Los de nivel de Ingreso Medio tendrn valor 1 en la
segunda variable y cero en las otras, etc. No necesitamos crear, en cambio, una variable
llamada Sin Ingresos: lo ser quien tenga valores cero en las tres anteriores. Esta
ltima es la categora base de las dummy.
29
Una vez realizada esta transformacin, estas variables pueden ser incorporadas en una
ecuacin de regresin: sus valores slo pueden variar entre cero y uno y sus coeficientes
b indicarn, en cada caso, cuanto aumentan o disminuyen los odds de probabilidad del
evento que se procura predecir cuando una de estas variables pasa de cero a uno.
Donde:
= Probabilidad de poseer Tarjeta de Crdito
= Probabilidad de no poseer Tarjeta de Crdito
Puesto que los datos se encuentran agrupados por el ingreso anual, la variable es la
media del grupo.
30
8
6
4
2
0
0
500
1000
1500
2000
2500
3000
Ingresos
exp ( 1 +
1 + exp ( 1 +
)
2
Donde:
Para lo cual previamente toco realizar una nueva reagrupacin de los datos basndonos
en la tabla de ejemplo anterior para no obtener valores igual a 0 y verificar que el
modelo no sea rechazado.
Rango
#Tarjetas
Ingresos
Credito
0-500
# Casos
yi
19
3,16666667
700-800
15
3,75
800-900
32
4,57142857
900-1000
70
22
3,18181818
1000-1100
163
47
3,46808511
1100-1200
269
56
4,80357143
1200 - 1300
332
58
5,72413793
1300 - 1400
385
59
6,52542373
1400 - 1500
329
43
7,65116279
1500 - 1600
185
26
7,11538462
1600 - 1700
85
9,44444444
1700 - 1800
2,5
1800 - 1900
26
6,5
2300 - 2400
12
12
32
yi
14
12
10
Y
8
6
yi
4
2
0
0
500
1000
1500
2000
2500
3000
Ingresos
Con la imagen se puede demostrar que los puntos se ajustan a una curva en forma de s
en la que se observa que a mayor ingreso existe mayor probabilidad de obtener o poseer
mayor nmero de tarjetas de crdito.
33
CAPTULO III
CAPTULO III
3.
METODOLOGA
En este captulo trataremos sobre la metodologa utilizada para el desarrollo del modelo
del scoring y las fases que incluye el modelamiento.
3.1 MODELAMIENTO
1. Seleccin de la muestra
2. Definicin de buenos y malos clientes
3. Definicin y seleccin de datos
4. Anlisis preliminar de los datos
5. Anlisis multivariado
6. Diseo del scorecard
7. Validacin del modelo
34
Con la finalidad de desarrollar un sistema scoring es necesario contar con una muestra
de clientes que tengan informacin historial credticia. Este requerimiento genera una
dicotoma entre dos elementos de decisin.
Es aqu justamente donde se genera el conflicto, dado que con esta muestra se necesita
definir el criterio de bueno y malo a emplear para encontrar las caractersticas relevantes
en el modelo. Para esto, en cambio, se necesitar informacin histrica suficiente y por
lo tanto un razonable horizonte temporal.
cartera para no calificar como bueno a un cliente que es malo, pero que no logra denotar
un comportamiento porque inicia a pagar su obligacin.
36
tomaron muestras aleatorias como se indic de las cdulas que su ltimo digito termina
en 3 y en 8.
37
3.1.1.1
Perodo de performance
tasademorosidad
# demalosclientes
# totaldeclientes
Donde:
De tal forma que el indicar representa el porcentaje de clientes cuyo crdito se encuentra
en estado de vencido en relacin con el total de clientes.
Credit Scoring and its Aplication, Lyn Tomas, David Edelman and Jonathan Crook
38
puede argumentar que se necesita, durante la ventana temporal elegida, que la razn tasa
de morosidad siga una distribucin uniforme. La eleccin de periodos con tasas de
morosidad decrecientes no implica necesariamente una mejora en el comportamiento de
la cartera, puede ser que estas cosechas por ser cercanas a la fecha actual estn
reflejando carteras poco maduras y por ende no comparables con otros periodos de
anlisis. A este tipo de estudios se los conoce como anlisis de cosechas.
39
As tambin que en el esquema arriba expuesto se puede observar que identificando las
caractersticas del sujeto en el punto de observacin basado en la informacin histrica
que se posee se definir si este sujeto es bueno o malo y a su vez se podr verificar que
tan predictor es el mismo al verificar su comportamiento basado en el score con
informacin a fechas de corte de posteriores.
40
modelos de riesgo, usualmente esta definicin hace alusin a esa cartera que de conocer
su comportamiento no se hubiese aceptado.
Como se mencion inicialmente una de las dificultades que puede afrontar un modelo
scoring es la escasez de una buena base de datos o incluso la ausencia de esta.
Es importante, por ende, contar no slo con una base de datos sino con un sistema de
informacin adecuadamente construido con una lgica de almacenamiento de datos que
permita contar con una codificacin o representacin numrica de las caractersticas
cualitativas y cuantitativas que servirn para la aplicacin de tcnicas estadsticas. La
definicin y seleccin de los datos a incluir en el modelo requiere identificar las escalas
de medida que pueden presentarse.
41
Las primeras son aquellas que no aparecen en forma numrica, sino como categoras o
atributos (gnero, actividad econmica, vivienda) y slo pueden ser nominales u
ordinales.
Las variables cuantitativas, en cambio son aquellas cuyas categoras pueden expresarse
numricamente. Su naturaleza numrica permite un tratamiento estadstico ms
elaborado debido a las operaciones matemticas que permiten. Estas variables pueden
ser discretas o continuas. Las primeras son aquellas cuyas categoras slo pueden tomar
valores enteros. Por ejemplo la variable nmero de cargas familiares, no existe un
cliente que pueda tener 2,3 cargas familiares. Las segundas son aquellas cuyas
categoras pueden fraccionarse segn cualquier entero, por ejemplo la variable salario.
Una vez definido los tipos de datos con los que se puede trabajar se procede a
seleccionar la informacin en funcin de las caractersticas disponibles.
De lo expuesto se defini que esta tesis por tratarse de un modelo para deudores del
sistema financiero ecuatoriano las variables a utilizar son las de un modelo de
comportamiento, no de originacin por lo tanto se han escogido las siguientes variables
de alta importancia y sus combinaciones que mide el comportamiento de un
determinado sujeto dentro del periodo de performance las cuales se muestran en la tabla
siguiente:
42
COD_TIPO_ID
C
C
C
C
C
C
C
COD_ID_SUJE
TO
1714738331
1714738331
1714738331
1714738331
1714738331
1714738331
1714738331
NUM_OPERA FEC_OPERACI
VAL_TOTAL_X VAL_TOTAL_ VAL_VENCID VAL_DEM_JU VAL_CART_C COD_CALIFIC
FEC_CORTE VAL_SALDO VAL_TOTAL
CION
ON
V
NDI
O
DICIAL
ASTIGADA
ACION
01100017002529
2 9/01/2003 30/06/2009
1570,59
1570,59
1570,59
0
0
0
0 A
4938493456724018
30/06/2009 30/06/2009
16,65
16,65
16,65
0
0
0
0 A
5545119008469610
30/06/2009 30/06/2009
127,33
127,33
127,33
0
0
0
0 A
5545119008469610
30/06/2009 30/06/2009
51,42
51,42
51,42
0
0
0
0 A
01100017002529
2 9/01/2003 31/05/2009
1642,37
1642,37
1642,37
0
0
0
0 A
4938493456724018
31/05/2009 31/05/2009
16,65
16,65
16,65
0
0
0
0 A
4938493456724018
31/05/2009 31/05/2009
97,09
97,09
97,09
0
0
0
0 A
VAL_VENC_0 VAL_VENC_1 VAL_VENC_2 VAL_VENC_3 VAL_VENC_6 VAL_VENC_9 VAL_VENC_1 VAL_VENC_2 VAL_VENC_3 VAL_XVENCE VAL_XVENCE VAL_XVENCE VAL_XVENCE
_1
_2
_3
_6
_9
_12
2_24
4_36
6
R
R_1_3
R_3_6
R_6_12
0
0
0
0
0
0
0
0
0
72,39
73
222,73
462,78
0
0
0
0
0
0
0
0
0
16,65
0
0
0
0
0
0
0
0
0
0
0
0
17,51
35,68
55,18
18,96
0
0
0
0
0
0
0
0
0
2,14
4,02
5,43
8,97
0
0
0
0
0
0
0
0
0
70,17
70,92
217,34
456,05
0
0
0
0
0
0
0
0
0
16,65
0
0
0
0
0
0
0
0
0
0
0
0
97,09
0
0
0
VAL_XVENCE VAL_OPE_CU
R_12
PO
739,69
3359,97
0
500
0
360
30,86
360
Fuente: Datos Central de Riesgo Muestra de Ejemplo
Elaborado Por: Daniel Flores
43
1.
2.
CALIFICACION
HASTA
Riesgo Normal
----
Uno
Riesgo Potencial
Uno
Tres
Deficiente
Tres
Seis
Dudoso Recaudo
Seis
Nueve
Perdida
Nueve
En adelante
3.
Saldo por vencer de 1 a 30 das.- Es el valor por vencer que consiste en la sumatoria de
todos los dividendos por pagar en el plazo mencionado.
44
4.
5.
6.
7.
Saldo por vencer ms de 12 meses.- Es el valor por vencer que consiste en la sumatoria
de todos los dividendos por pagar en el plazo mencionado
8.
9.
10. Valor que no devenga intereses ms de 3 a 6 meses.- Es el valor que no genera inters
cuando una operacin crediticia se encuentra vencida en el rango de tiempo indicado.
11. Valor que no devenga intereses ms de 6 a 12 meses Es el valor que no genera inters
cuando una operacin crediticia se encuentra vencida en el rango de tiempo indicado.
45
12. Valor que no devenga intereses ms de 12 meses.- Es el valor que no genera inters
cuando una operacin crediticia se encuentra vencida en el rango de tiempo indicado.
13. Valor vencido de 1 a 30 das.- Es el valor total vencido que consiste en la sumatoria de
todos los dividendos que estn en mora en el rango de tiempo indicado.
16. Valor vencido ms de 3 a 6 meses Es el valor total vencido que consiste en la sumatoria
de todos los dividendos que estn en mora en el rango de tiempo indicado.
46
21. Valor vencido ms de 36 meses.- Es el valor total vencido que consiste en la sumatoria
de todos los dividendos que estn en mora en el rango de tiempo indicado.
22. Valor vencido de comisin Es el valor total vencido que consiste en la sumatoria de
todos los dividendos que estn en mora en el rango de tiempo indicado.
23. Valor en demanda judicial.- Es el valor de una operacin que se encuentra en proceso de
Demanda Judicial por parte de la institucin financiera.
24. Cartera castigada.- Es el valor establecido como dudoso de recaudar por parte de la
Institucin Financiera.
25. Edad.- La edad en aos de la persona a consultar el score, en este caso nos encontramos
con un problema ya que no de todos las personas con crdito en el sistema ecuatoriano
se posee la edad o a su vez depende de la calidad de la informacin que poseamos ya
que esta puede no ser tan confiable y nos encontremos con valores inesperados como se
indica en la ilustracin 8.
47
48
Z4
X2
As pues la ilustracin 9 explica como una variable de entrada Z4 como por ejemplo la
fecha de nacimiento se puede convertir en la edad siendo esta una variable de salida X2.
49
51
Ejemplo:
Ha tenido una o ms operaciones con mora mayor o igual a 2 meses en los ltimos 24 meses, pero el total de deuda por vencer es
mayor o igual a 0.33333 del deuda total tomando en cuenta los ltimos 3 meses? La variable se denominara rfp3_2_cd_con
Bivariada (slo buenos y malos)
Poblacin Total
rfp3_2_cd_con
BMRatio
MBRatio
Total
Malo
Tasa de Malos
%Total
Total
%Total
0 (no)
1.17
0.85
77,123
18,143
23.5%
94.6%
77,123
94.6%
1 (s)
0.09
10.56
4,379
3,469
79.2%
5.4%
4,379
5.4%
Total de deuda en cartera castigada o demanda judicial en los ltimos 24 meses. La variable se denominar deuda_castplus
Bivariada (slo buenos y malos)
Poblacin Total
deuda_castplus
BMRatio
MBRatio
Total
Malo
Tasa de Malos
%Total
Total
%Total
1.38
0.73
74,671
15,485
20.7%
91.6%
74,671
91.6%
0 <- 5000
0.06
16.71
3,804
3,263
85.8%
4.7%
3,804
4.7%
0.03
36.17
787
731
92.9%
1.0%
787
1.0%
0.03
34.35
710
657
92.5%
0.9%
710
0.9%
20000 <
0.01
75.74
1,530
1,476
96.5%
1.9%
1,530
1.9%
52
Diseo del Score Card se basa en los pesos y signos asignados a las caractersticas
relevantes para identificar comportamiento de pago de un cliente. En su forma ms
simple es una tabla en la que se listan las variables seleccionadas y sus atributos con el
puntaje asignado a cada uno8. Un puntaje negativo indica que la variable estara
premiando al cliente que cumpla con este atributo, mientras que una variable positiva
estara castigando.
De acuerdo al anlisis realizado para esta tesis el score card que se utilizar ser el
siguiente:
Un score card es una tabla donde se presentan las caractersticas (variables) resultantes de la aplicacin
del modelo logstico, con el valor respectivo del parmetro ajustado para representar el valor de score con
el que aporta cada una de las caractersticas.
53
54
Donde:
@n_deuda_total_24
@n_d24_3a10
55
Para validar el modelo se realiz pruebas de backtesting o pruebas de pasado que tienen
como fin probar la predictibilidad del modelo con datos del pasado y compararlos con el
score calculado con informacin actual.
56
CAPTULO IV
CAPTULO IV
4.
DESARROLLO
En este captulo se explicar sobre las herramientas utilizadas para el desarrollo de esta
tesis y el sistema diseado para la explicacin del scoring crediticio.
La aplicacin tiene como objetivo ayudar al analista de crdito para que con el historial
crediticio pueda darse cuenta que tan apto es una persona para ser sujeto de crdito ya
que se basa en la probabilidad de mora del mismo.
Adems al ser una aplicacin Web Service ayuda a que cualquier institucin o persona
pueda desarrollar su aplicativo y con la informacin enviada va XML a travs del
internet pueda desarrollar sus propias pantallas de acuerdo a los estndares de la
institucin que desea utilizar.
As tambin los rangos de aprobacin del crdito pueden ser parametrizables de acuerdo
a la institucin que utilice el sistema.
57
4.2
HERRAMIENTAS DE DESARROLLO
Microsoft .Net es una herramienta de desarrollo que puede usarse para crear
plataformas independientes y dispositivos independientes del software. Se puede
usar .Net Framework para tener datos disponibles a travs del internet como es
el caso de esta tesis.
Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008
Elaborado Por: Daniel Flores
59
Soporte de transacciones.
4.2.3 SPSS
61
De tal forma que en este proyecto el programa SPSS se utiliz para el anlisis
estadstico de las variables cualitativas del modelo y para obtener una visin de
las variables que se deben utilizar en el desarrollo del score.
4.3
62
Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008
Elaborado Por: Daniel Flores
Con el grafico anterior se explica como funciona un Web Service que desde
cualquier explorador que el cliente utilice coloca la direccin http que desea
buscar, el XML Web Service responde con una lista de mtodos designados y
propiedades en XML.
63
64
Esta representacin se hace a travs de las relaciones entre los actores y los
casos de uso dentro del sistema. Los diagramas de caso de uso definen conjunto
de funcionalidades afines que el sistema debe cumplir para satisfaces todos los
requerimientos que tiene a su cargo. Esos conjuntos de funcionalidades son
representados por los casos de uso. Se pueden visualizar como las
funcionalidades son representados por los casos de uso. Se pueden visualizar
como las funciones ms importantes que la aplicacin puede realizar.
Proceso de la Informacin
Anlisis En este proceso donde se realizar el estudio con los datos que se posee
del sujeto para obtener el score crediticio.
Rechazado
Ingreso
Solicitud
Anlisis datos
Historial
Crediticio
Analizar
Solicitud
Sin
Informacin
4.4
Lo primero que se debe realizar es crear un clase que lo llamaremos wsScore, para que
el cdigo siguiente sea reconocido con un web service debe crearse con la extensin
.asmx.
66
System;
System.Web;
System.Web.Services;
System.Web.Services.Protocols;
System.Data;
[WebService(Namespace = "http://tempuri.org/")]
[WebServiceBinding(ConformsTo = WsiProfiles.BasicProfile1_1)]
public class wsScore : System.Web.Services.WebService
{
public wsScore()
{
}
//***************************************************************
//**************************** SCORE*****************************
//***************************************************************
[WebMethod(Description = "Mtodo Web que obtiene el score de un sujeto")]
public DataSet Score(string tipoDocumento, string numeroDocumento, out string mensajeError)
{
try
{
mensajeError = string.Empty;
if (tipoDocumento != "C")
{
mensajeError = "Tipo Documento errado";
return null;
}
if (tipoDocumento == "C")
{
if (numeroDocumento.Length != 10)
{
mensajeError = "Longitud de la cedula no valida";
return null;
}
}
if (numeroDocumento.Length > 10)
{
mensajeError = "Longitud de la cedula no valida";
return null;
}
DataSet ds = new DataSet();
ds = BD.consultarScore(tipoDocumento,numeroDocumento, out mensajeError);
DataSet ds1 = new DataSet();
ds1 = BD.VariablesRelevantesScore(tipoDocumento, numeroDocumento, 0, 36, out
mensajeError);
return ds;
}
catch (Exception ex)
{
mensajeError = ex.ToString();
return null;
}
}
}
67
Para poder utilizar el web service creado se debe consumir el mismo de la siguiente
manera:
68
Como para esta tesis el web service se encuentra en el equipo y no se dispone de una
direccin fsica realizamos la conexin a un servicio web del servicio local
La siguiente pantalla indica los web services diponibles en la mquina local, para el
caso de ejemplo debemos conectarnos al web service wsScore que fue creado con el
cdigo indicado anteriormente.
69
4.5
El siguiente cdigo es el desarrollado para realizar las pruebas de conexin con el web
service desarrollo y poder verificar que los datos obtenidos con la conexin de la base
de datos.
70
using
using
using
using
using
using
using
using
using
System;
System.Data;
System.Configuration;
System.Web;
System.Web.Security;
System.Web.UI;
System.Web.UI.WebControls;
System.Web.UI.WebControls.WebParts;
System.Web.UI.HtmlControls;
71
// Detalle de Tablas
int Contador = 0;
foreach (DataTable dttTabla in dsDatos.Tables)
{
Label lbl = new Label();
lbl.ID = "lbl" + "_" + Contador.ToString();
lbl.Text = "<BR>----------------------------- " +
dttTabla.TableName + "----------------------------- ";
lbl.Text += "<BR>Total Columnas: " + dttTabla.Columns.Count;
lbl.Text += "<BR>Total Filas: " + dttTabla.Rows.Count;
lbl.ForeColor = System.Drawing.Color.Salmon;
if (dttTabla.Rows.Count == 0)
{
DataRow dtr = dttTabla.NewRow();
dttTabla.Rows.Add(dtr);
}
GridView dgv = new GridView();
dgv.ID = "dgv" + "_" + Contador.ToString();
dgv.DataSource = dttTabla;
dgv.DataBind();
pnlResultados.Controls.Add(lbl);
pnlResultados.Controls.Add(dgv);
Contador++;
}
#endregion
}
catch (Exception ex)
{
lblError.Text = ex.Message;
lblError.Visible = true;
}
}
}
La pantalla obtenida con el desarrollo del web service es la siguiente la cual se obtiene
previamente con una conexin con la base de datos desarrollada con los datos de
muestra aleatoria obtenidos:
72
Probador Ws Score
Parametros
TipoDocumento
1714738331
NumeroDocumento
1714738331
Ejecutar
73
Por definicin en este proyecto y como ejemplo de cmo una institucin que utilice este
sistema puede poner rangos al scoring para aprobar una solicitud de crdito de un
sujeto determinado se puede poner rangos al score, para definir si un sujeto es apto o no
al crdito solicitado de acuerdo a la siguiente tabla la cual puede ser parametrizada:
Rango Score
Respuesta
1000 - 700
Aprobado
699 - 400
Analizar Solicitud
399 - 0
Rechazar
Sin
Informacin
(Sin Informacin)
analizar Score
74
para
CAPTULO V
CAPTULO V
5. CONCLUSIONES Y RECOMENDACIONES
5.1 CONCLUSIONES
El scoring crediticio es consistente, por ejemplo dos personas con las mismas
caractersticas crediticias tendrn el mismo score.
En este estudio se cont con una slida base de datos que permiti no slo
contar con informacin fiable sino de calidad permitiendo trabajar con una
gran cantidad de variables simples y cruzadas sin la prdida significativa de
informacin.
5.2 RECOMENDACIONES
Otra recomendacin es obtener una base de datos que contenga las siguientes
caractersticas: estabilidad, madurez y representatividad, todo esto garantiza
que luego del anlisis los datos se pueda concluir sobre el comportamiento
crediticio del cliente a travs del score.
77
BIBLIOGRAFA
Crditos
de
una
Organizacin
www.microfinance.com
78
de
Microfinanzas
en
Bolivia",
10. Hand, D.J. y W.E. Henley. (1997) Statistical Classification Methods in Consumer
Credit Scoring: A Review, Journal of the Royal Statistical Association Series A, Vol.
160, No. 3
11. Lewis, E.M. (1990) An Introduction to Credit Scoring, San Rafeal: Athena, LIC# 9092258.
DIRECCIONES ELECTRNICAS
12. http://hdl.handle.net/10469/61
13. www.superban.gov.ec.
14. http://www.dspace.espol.edu.ec/handle/123456789/1253
15. http://en.wikipedia.org/wiki/Multinomial_logit
79
ANEXOS
ANEXOS
1. ANEXO 1
Anlisis SPSS
Variable dependiente
Original
Internal
Value
Value
,00
1,00
De acuerdo al calculo del score realizado a los meses de enero Enero 2008, Septiembre
2007, Octubre 2007, Noviembre 2007, Diciembre 2007 y Agosto 2007 se obtuvo la
siguiente tabla de frecuencia:
80
Parameter
Frequency
ESTADO_ENERO_08 ,00
1,00
coding (1)
3097
1,000
6695
,000
2937
1,000
6855
,000
2633
1,000
7159
,000
2790
1,000
7002
,000
2847
1,000
6945
,000
1243
1,000
8549
,000
ESTADO_SEPTIEMB ,00
RE_07
1,00
ESTADO_OCTUBRE
,00
_07
1,00
ESTADO_NOVIEMB
,00
RE_07
1,00
ESTADO_DICIEMBR ,00
E_07
1,00
ESTADO_AGOSTO_
,00
07
1,00
81
X_N
5,00
0,00
-5,00
0,00
0,20
0,40
0,60
Probabilidad_nuevoscore
82
0,80
1,00
100,00
PROB_REDON
80,00
60,00
40,00
20,00
0,00
0,00
0,20
0,40
0,60
0,80
1,00
Probabilidad_nuevoscore
En el cual se puede verificar que la muestra sigue una tendencia, que como en todo
modelo existen casos que se encuentran fuera de del predictor, pero cabe mencionar que
estos casos se deben a la calidad de los datos que se obtuvo para predecir el score.
83
2. ANEXO 2
Anlisis EXCEL
RANGO
BUENOS
% BUENOS MALOS
MALOS
TOTAL
TOTAL
DIF
Puntaje de 1 a 2
411
9,3%
4.007
90,7%
4.418
8,2%
27,09%
Puntaje de 3 a 139
1.587
31,7%
3.420
68,3%
5.007
9,3%
47,10%
50,5%
3.150
49,5%
6.367
11,8%
61,14%
79,9%
1.367
20,1%
6.794
12,6%
57,12%
86,7%
626
13,3%
4.692
8,7%
51,32%
90,9%
440
9,1%
4.815
8,9%
43,43%
91,7%
383
8,3%
4.596
8,5%
35,55%
94,1%
417
5,9%
7.108
13,1%
37,46%
95,4%
263
4,6%
5.664
10,5%
25,76%
96,2%
178
3,8%
4.663
8,6%
15,76%
Total
73,7%
14.251
26,3%
54.124
100,0%
39.873
84
K-S
1,2
1
0,8
0,6
%BA
%MA
0,4
0,2
0
1
85
10
DATOS PERSONALES
INDICADORES
DEFINICION
0100000306
0100009380
0100012103
0100013945
0100014570
0100027432
0100028851
0100030634
0100032846
0100035229
0100040724
0100045236
0100047612
0100048735
0100048800
0100053495
0100054998
0100055797
0100058791
0100061068
0100062439
0100065374
0100067768
0100069285
0100075746
0100076496
0100077668
0100077775
0100081876
0100082775
0100084540
0100089978
0100096874
0100098961
970
81
814
964
703
936
973
1
964
643
935
899
899
524
945
953
974
185
290
203
906
899
934
686
145
885
926
957
942
974
947
359
1
875
86
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
1
1
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100107416
0100111343
0100111376
0100113513
0100117431
0100124668
0100140094
0100140383
0100142173
0100142892
0100144872
0100145093
0100146083
0100147693
0100152461
0100153501
0100156306
0100156819
0100157981
0100161942
0100163641
0100166081
0100166446
0100172410
0100177963
0100181569
0100184506
0100190727
0100193333
0100194885
0100205269
0100205939
0100206630
0100210269
0100210921
0100215839
0100217363
0100221720
0100225168
954
35
943
949
953
962
938
560
903
159
957
933
933
945
941
1
938
932
893
953
581
213
953
1
947
945
964
933
892
1
958
948
485
936
902
842
912
719
927
87
0
1
0
0
0
0
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100226133
0100229988
0100232388
0100235308
0100237304
0100240803
0100240829
0100241660
0100248665
0100252691
0100256163
0100256759
0100258763
0100258821
0100260249
0100263748
0100264894
0100270487
0100273408
0100275528
0100277599
0100277771
0100294420
0100296698
0100300052
0100304179
0100305317
0100310689
0100311166
0100311885
0100314087
0100315464
0100317882
0100317908
0100318062
0100318203
0100318427
0100318450
0100318518
936
962
836
956
946
974
159
916
54
70
939
99
934
944
888
949
946
953
953
932
939
278
946
943
968
954
955
959
895
957
957
905
914
1
934
928
62
931
928
88
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100318666
0100320035
0100320316
0100325745
0100326602
0100336338
0100338110
0100339605
0100346394
0100346758
0100348747
0100348945
0100356443
0100369396
0100371103
0100371590
0100372440
0100374131
0100396167
0100397058
0100400654
0100409010
0100413798
0100420728
0100421437
0100424324
0100435734
0100439009
0100441542
0100442359
0100442367
0100444603
0100445360
0100459114
0100466481
0100467943
0100476597
0100476944
0100487974
848
790
934
823
948
965
933
856
942
750
766
974
939
921
955
940
786
910
939
959
954
930
958
968
560
732
841
912
889
4
936
974
939
931
948
966
601
134
932
89
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100489921
0100493675
0100494343
0100510585
0100511054
0100511849
0100527969
0100531425
0100542562
0100554583
0100560721
0100561430
0100564707
0100579341
0100590660
0100591890
0100596360
0100597012
0100598564
0100601830
0100609106
0100610427
0100617455
0100620020
0100620699
0100621275
0100640978
0100642297
0100645555
0100651264
0100653260
0100653765
0100654110
0100655943
0100656248
0100659978
0100664424
0100664499
0100666031
553
950
944
954
974
974
963
959
505
906
959
909
928
773
942
26
943
734
879
13
13
951
930
938
947
958
55
951
654
290
516
961
961
821
965
941
962
886
865
90
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
1
0
0
1
0
0
0
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100666353
0100669415
0100679059
0100681477
0100699065
0100699990
0100700376
0100706613
0100709450
0100711365
0100719889
0100723881
0100728450
0100729789
0100730514
0100734185
0100735760
0100737964
0100747674
0100755586
0100759265
0100763382
0100763515
0100766138
0100767532
0100768316
0100770700
0100772250
0100774421
0100774462
0100779487
0100783844
0100785385
0100787787
0100788074
0100790534
0100790674
0100791532
0100792993
904
974
904
906
918
957
930
231
883
933
828
974
886
950
933
909
899
888
398
971
906
880
950
209
950
895
955
833
941
947
953
974
942
937
935
937
922
962
959
91
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100797059
0100801281
0100804939
0100811793
0100814300
0100814615
0100815596
0100817410
0100820422
0100822030
0100824655
0100825009
0100825199
0100825827
0100828730
0100831601
0100834928
0100835370
0100837863
0100839323
0100840230
0100841162
0100841873
0100843630
0100845353
0100847888
0100852581
890
950
461
964
952
897
879
855
940
912
949
934
919
306
16
950
580
929
960
43
942
915
571
938
463
510
487
92
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3. ANEXO 3
DESARROLLO SQL DEL SCORE CARD
set @i_c0 = @i_cant_total_1 - @i_cant_vencido_1
set
set
set
set
set
set
set
set
set
set
@i_c10 =
@i_c9a10
@i_c8a10
@i_c7a10
@i_c6a10
@i_c5a10
@i_c4a10
@i_c3a10
@i_c2a10
@i_c1a10
@i_cant_judicial_1
= @i_cant_castigada_1 + @i_c10
= @i_cant_vencido_99_1 + @i_c9a10
= @i_cant_vencido_36_1 + @i_c8a10
= @i_cant_vencido_24_1 + @i_c7a10
= @i_cant_vencido_12_1 + @i_c6a10
= @i_cant_vencido_6_1 + @i_c5a10
= @i_cant_vencido_3_1 + @i_c4a10
= @i_cant_vencido_2_1 + @i_c3a10
= @i_cant_vencido_1_1 + @i_c2a10
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
set
@n_c24_4a10
@n_c24_3a10
@n_c24_2a10
@n_c24_1a10
set
set
set
set
set
set
set
set
set
set
set
if
if
if
if
if
if
if
if
if
if
if
=
=
=
=
@i_cant_vencido_6_24/@i_periodo
@i_cant_vencido_3_24/@i_periodo
@i_cant_vencido_2_24/@i_periodo
@i_cant_vencido_1_24/@i_periodo
+
+
+
+
@n_c24_5a10
@n_c24_4a10
@n_c24_3a10
@n_c24_2a10
=
=
=
=
=
=
=
=
=
=
=
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
set
set
set
set
set
set
set
set
set
set
set
93
[Variables].[ValorMenorObtener](
3,@i_mold))
=
=
=
=
=
=
=
=
=
=
=
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
set
set
set
set
set
set
set
set
set
set
set
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
=
=
=
=
=
=
=
=
=
=
=
94
95
96
/* Codificacin de clusters */
if @i_NumDomicilio in (19602727, 32416715, 100451715, 100453400, 100453465,
100453640, 100455025, 113000975, 113001135, 113001405, 113001780, 113001840,
113002325, 113003555, 113003770, 113003970, 113004235, 113004280, 113004475,
113004540, 113300270, 113300565, 113301155, 113302405, 113304210, 113305005,
12600285, 12600730, 12600845, 12600860, 12600905, 12602255, 12602430, 12602570,
12602595, 12602680, 12603105, 12603165, 12603460, 12603685, 12603795, 12603850,
12603870, 12603980, 12604095, 12604200, 12604225, 12605135, 12605140, 12605290,
12651005, 12651760, 12651805, 12652385, 12653160, 12653505, 12654340, 12655420,
12700175, 12700885, 12705395, 12750395, 12750870, 12750890, 12751455, 12753375,
12754050, 12754565, 12755775, 12800750, 12801355, 12801490, 12802215, 12803360,
12803495, 12806085, 12850015, 12851130, 12853835, 12856045, 145900065 ,
145900595, 145901205, 145901250, 145901295, 145901345, 145902285, 145903440 ,
145903830, 145903950, 145904360, 145904485, 145905615, 145950090, 145950340 ,
145950350, 145950880, 145951910, 145952565, 145953225, 145953580, 145955425 ,
145955655, 146001720, 146003250, 146003320, 146003760, 146004305, 146005390 ,
146050645, 146050970, 146051365, 146052795, 146053565, 146053780, 146054115 ,
146055645, 146100180, 146101140, 146101635, 146102190, 146104300, 146106110 ,
146150155, 146150715, 146151685, 146153420, 146155760, 147950875, 147951300 ,
147956390, 149250710, 149251785, 149252750, 149253920, 149256445, 149261205 ,
149262285, 149266700, 15550455, 15551690, 15555690, 170650165, 170650480,
170652600, 170652635, 170653735, 170655060, 170655495, 170700055, 170700060 ,
170700650, 170700755, 170700850, 170703960, 170704155, 17806360, 180901375 ,
180905515, 181351745, 181400335, 181400365, 181400675, 181400900, 181401185 ,
181401320, 181401630, 181403905, 181405780, 181405900, 181450295, 181451210 ,
181452375, 181452945, 181453300, 181453485, 181453585, 181455225, 181455785 ,
181502270, 181503190, 181503200, 181504135, 181505105, 181552210, 181553885 ,
181554110, 181555830, 181604310, 181604550, 181605835, 18554560, 18556565 ,
188456555, 188504555, 18850575, 188506560, 18851175, 18852550, 18856595 ,
191301675, 191305520, 19151535, 19151540, 19151545, 19151550, 19151555 ,
19151560, 19151565, 19151570, 19151575, 19151580, 19151585, 19151590, 19152950,
19156435, 19550085, 19552725, 19556480, 19601650, 19606485, 196600915 ,
196601145, 196601240, 196602015, 196602695, 196602955, 196604195, 196604505 ,
196606315, 196652070, 196654105, 196656215, 196700985, 196702240, 196706295,
197750665, 197750945, 197751015, 197756355, 19906615, 199806625, 199806630 ,
208001220, 208004415, 208006510, 208050235, 208056505, 208104165, 208106515,
216250760, 216251045, 216251285, 216251290, 216251330, 216251790, 216251795,
216254470, 216255710, 216401170, 216402095, 216403220, 216403690, 216405525,
216502720, 216503005, 216503020, 216503705, 216506500, 21655375, 217200600 ,
217200780, 217202175, 217202765, 217203645, 217206140, 217451095, 217453750 ,
217456325, 218650230, 218651090, 218653615, 218656300, 32350310, 32350375 ,
32350585, 32351445, 32351825, 32352220, 32352885, 32353210, 32353575 ,32353945,
32405160, 40100250, 40100690, 40100910, 40101270, 40102065, 49951520 ,49956665,
51000035, 51000315, 51001485, 51001905, 51002480, 51002620, 51002920 ,51003530 ,
51003965, 51004035, 51005465, 51005940, 51050125, 51051430, 51052150 ,51052865 ,
51054015, 51054365, 51055820, 51150465, 51150830, 51150990, 51156070 ,51202460 ,
51202890, 51203155, 51205305, 59300815, 59300960, 59301735, 59302115 ,59306450 ,
61905475, 61950420, 61950445, 61950705, 61951280, 61952160, 61952165 ,61953035 ,
61953040, 61953095, 61953515, 61953560, 61956290, 62005550, 62100555 ,62102730 ,
62105430, 62150020, 62151465, 62151660, 62152485, 62152905, 62153025 ,62153820 ,
62153845, 62154030, 62155010, 62200515, 62200615, 62201370, 62202260 ,62205255,
62250925, 62251110, 62251325, 62252400, 62252975, 62253335, 62255740 ,68306540 ,
69006420, 73705790) set @i_cl1 = 1 else set @i_cl1 = 0
if @i_NumDomicilio in
100303290, 100303315,
100352785, 100353490,
100355980, 100400145,
100403800, 100404185,
100503415, 100505750,
100556190, 112901200,
112950290, 112950550,
113052360, 113053340,
113100485, 113100545,
113102605, 113102630,
113153535, 113155195,
113206025, 113252085,
113352520, 113353045,
113401845, 113403765,
114700360, 117300835,
(100300100, 100300130
100305165, 100305440,
100353525, 100353590,
100401310, 100401710,
100405910, 100405955,
100550425, 100552060,
112901480, 112903610,
112952710, 112956320,
113053600, 113053665,
113100995, 113101000,
113105180, 113105595,
113200590, 113201230,
113252145, 113253265,
113353270, 113355400,
113404460, 113405020,
117301035, 117305810,
,100300530, 100302020
100351040, 100351215,
100353630, 100353810,
100402820, 100402915,
100455050, 100500955,
100552675, 100553365,
112904455, 112905270,
113051165, 113051190,
113053815, 113054145,
113101380, 113102120,
113150695, 113151495,
113204150, 113205175,
113255385, 113255680,
113400320, 113400790,
113452575, 113453935,
117403345, 117406260,
97
,100302185,
100351360,
100355490 ,
100403115 ,
100502380 ,
100554080 ,
112950280 ,
113052280 ,
113056075 ,
113102140 ,
113153255 ,
113205240 ,
113350825 ,
113401645 ,
113456120 ,
118150385 ,
if @i_NumDomicilio in
100303290, 100303315,
100352785, 100353490,
100355980, 100400145,
100403800, 100404185,
100503415, 100505750,
100556190, 112901200,
112950290, 112950550,
113052360, 113053340,
113100485, 113100545,
113102605, 113102630,
113153535, 113155195,
113206025, 113252085,
113352520, 113353045,
113401845, 113403765,
114700360, 117300835,
(100300100, 100300130
100305165, 100305440,
100353525, 100353590,
100401310, 100401710,
100405910, 100405955,
100550425, 100552060,
112901480, 112903610,
112952710, 112956320,
113053600, 113053665,
113100995, 113101000,
113105180, 113105595,
113200590, 113201230,
113252145, 113253265,
113353270, 113355400,
113404460, 113405020,
117301035, 117305810,
,100300530, 100302020
100351040, 100351215,
100353630, 100353810,
100402820, 100402915,
100455050, 100500955,
100552675, 100553365,
112904455, 112905270,
113051165, 113051190,
113053815, 113054145,
113101380, 113102120,
113150695, 113151495,
113204150, 113205175,
113255385, 113255680,
113400320, 113400790,
113452575, 113453935,
117403345, 117406260,
,100302185,
100351360,
100355490 ,
100403115 ,
100502380 ,
100554080 ,
112950280 ,
113052280 ,
113056075 ,
113102140 ,
113153255 ,
113205240 ,
113350825 ,
113401645 ,
113456120 ,
118150385 ,
98
99
4. ANEXO 4
Base de Datos
100
101
102
103
104