Modelo de Scoring

UNIVERSIDAD TECNOLGICA EQUINOCCIAL
FACULTAD DE CIENCIAS DE LA INGENIERA
CARRERA DE INFORMTICA Y CIENCIAS DE LA COMPUTACIN
TEMA:
DISEO DEL SISTEMA DE INDICADOR FINANCIERO BASADO EN EL

SCORING DE COBRANZAS; PARA USO EMPRESARIAL, 2009
TESIS
PREVIA LA OBTENCIN DEL TTULO DE INGENIERO EN INFORMTICA Y

CIENCAS DE LA COMPUTACIN
AUTOR:
JOFFRE DANIEL FLORES ESCOBAR
DIRECTOR DE TESIS:
MAT. MAURICIO GARCIA
QUITO ECUADOR
2010
Del contenido del presente trabajo se responsabiliza el autor
______________________
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
PROBLEMA A RESOLVER .......................................................................... 1
1.2
MARCO TERICO ....................................................................................... 2
1.3
JUSTIFICACIN ......................................................................................... 11
1.4
OBJETIVOS................................................................................................. 12
1.4.1
Objetivo General ................................................................................... 12
1.4.2
Objetivos Especficos ............................................................................ 12
1.5
HIPTESIS .................................................................................................. 13
1.6
ALCANCE ................................................................................................... 13
CAPTULO II ........................................................................................................... 14
2. CREDIT SCORING ............................................................................................. 14
2.1
CONCEPTOS ............................................................................................... 14
2.2
MTODOS EMPLEADOS EN LA CONSTRUCCIN DE SCORE DE
CREDITOS............................................................................................................. 21
2.3
REGRESION LOGSTICA .......................................................................... 23
CAPTULO III ......................................................................................................... 34

3. METODOLOGA ................................................................................................. 34
3.1
MODELAMIENTO ...................................................................................... 34
3.1.1
Seleccin de la muestra.......................................................................... 35
3.1.2
Definicin de buenos y malos clientes ................................................... 40
3.1.3
Definicin y seleccin de datos .............................................................. 41

VIII
3.1.4
Anlisis preliminar de la Muestra ........................................................... 48
3.1.5
Anlisis Multivariado ............................................................................ 50
3.1.6
Diseo del Score Card ........................................................................... 53
3.1.7
Validacin del Modelo ........................................................................... 56
CAPTULO IV .......................................................................................................... 57
4. DESARROLLO .................................................................................................... 57
4.1
DISEO Y DESARROLLO ........................................................................ 57
4.2
HERRAMIENTAS DE DESARROLLO....................................................... 58
4.2.1
Microsoft .Net ....................................................................................... 58
4.2.2
SQL Server 2005 ................................................................................... 60
4.2.3
SPSS...................................................................................................... 61
4.3
DISEO DEL SISTEMA ............................................................................. 62
4.3.1
Web Service .......................................................................................... 62
4.3.2
Modelado del Sistema ............................................................................ 64
4.3.3
Casos de Uso ......................................................................................... 65
4.4
Creacin del Web Service ............................................................................. 66
4.5
Probador Web Service .................................................................................. 70
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
Ilustracin 1. Ejemplo de Transformacin ................................................................... 10

Ilustracin 2. Concepto de Score ................................................................................. 16
Ilustracin 3. Tcnicas Para el Desarrollo Scoring Crediticio ...................................... 22
Ilustracin 4. Grfico Funcin Logstica ..................................................................... 25
Ilustracin 5. Grfico de Dispersin ............................................................................ 31
Ilustracin 6. Grfica Resultado Ejemplo Regresin Logstica .................................... 33
Ilustracin 7. Esquema de Seleccin de la Muestra ..................................................... 39
Ilustracin 8. Distribucin de los Sujetos por Rangos de Edad .................................... 48
Ilustracin 9. Transformacin de una variable ............................................................. 49
Ilustracin 10. Diseo del Score Card Cgido Sql ....................................................... 54
Ilustracin 11. Caractersticas Herramientas .Net ........................................................ 59
Ilustracin 12. Sql Server 2005 ................................................................................... 60
Ilustracin 13. Funcionamiento de un Web Service ..................................................... 63
Ilustracin 14. Caso de Uso ......................................................................................... 66
Ilustracin 15. Cdigo .Net Creacin del Web Service ................................................ 67
Ilustracin 16. Creacin Referencia Web .................................................................... 68
Ilustracin 17. Busqueda del Servicio Web ................................................................. 69
Ilustracin 18. Seleccin del Web Seervice ................................................................. 70
Ilustracin 19. Codigo .Net Creacin del Probador Web Service ................................. 71
Ilustracin 20. Pantalla Probador Web Service ............................................................ 73
XI
NDICE DE ECUACIONES
Ecuacin 1. Regresin Logstica ................................................................................... 8

Ecuacin 2. Modelo General ....................................................................................... 25
Ecuacin 3. Funcin Lineal con Parmetros ................................................................ 26
Ecuacin 4. Funcin Logstica .................................................................................... 27
XII
NDICE DE TABLAS
Tabla 1. Ventajas y Desventajas del Scoring Crediticio ............................................... 19

Tabla 2. Nmero Registros por primeros y ltimos dgitos de la Cedula ..................... 37
Tabla 3. Periodo Morosidad en Meses ......................................................................... 44
Tabla 4. Parametrizacin Scoring Crediticio ............................................................... 74
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.
En el marco de este estudio y en el transcurso de los captulos se ha realizado una

revisin y descripcin del contenido de la investigacin para la solucin del problema
planteado para cual fue objeto este tema de tesis.
Es as que reconociendo las caractersticas y particularidades de los datos obtenidos; as

como el resultado que se desea obtener que esta demarcado en clasificar a un sujeto de
acuerdo a su riesgo crediticio para definirlo apto o no para ser sujeto de crdito, se ha
escogido la funcin de regresin logstica para la obtencin del modelo que mejor se
ajusta a las caractersticas de los datos que se posee.
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
Adems el score se convierte en una herramienta que asume una probabilidad de

incumplimiento, tomando en cuenta las similitudes presentadas entre los datos
histricos con el fin de discriminar de una manera tcnica el otorgamiento de un crdito.
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
En este captulo se presenta los objetivos principales del trabajo y su justificacin, as

como la descripcin resumida del contenido de la tesis.
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.
As de esta manera, mediante la utilizacin de modelos de scoring para la evaluacin

del riesgo de crdito, se puede determinar la probabilidad de que una persona incurra en
mora o clasificarle como un sujeto apto para acceder a un crdito.
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.
Uno de los modelos estadsticos predictivos denominado scoring crediticio fue

inventado por dos matemticos de Stanford, Bill Fair y Earl Isaac, quienes observaron
que los acreedores no buscaban el historial de crdito, sino un pronstico de aptitud de
crdito del individuo. Con el desarrollo de un sistema analtico que hoy en da se conoce
como el FICO Score (Fair Isaac Corporation Score) una de las herramientas ms usadas
a nivel mundial en relacin al anlisis de riesgo de crditos.
La utilizacin de modelos de credit scoring para la evaluacin del riesgo de crdito, y

ordenar a los deudores y solicitantes de financiamiento en funcin de su riesgo de
incumplimiento, comenz en los 70s pero se generaliz a partir de los 90s. Esto se ha
debido tanto al desarrollo de mejores recursos estadsticos y computacionales, como por
la creciente necesidad por parte de las instituciones bancarias de hacer ms eficaz y
eficiente la originacin de financiaciones, y de tener una mejor evaluacin del riesgo de
su portafolio.
El scoring crediticio se refiere al uso de conocimiento sobre el desempeo y

caractersticas de prstamos en el pasado para pronosticar el desempeo de prstamos
en el futuro. As, cuando un analista de crdito valora el riesgo comparando
4
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.
Los mtodos o modelos de credit scoring, a veces denominados score-cards o

classifiers, son algoritmos que de manera automtica evalan el riesgo de crdito de un
solicitante de financiamiento o de alguien que ya es cliente de una entidad crediticia.
Tienen una dimensin individual, ya que se enfocan en el riesgo de incumplimiento del
individuo o empresa, independientemente de lo que ocurra con el resto de la cartera de
prstamos
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.
Aunque originalmente en los 70s se basaban en tcnicas estadsticas (en particular, el

anlisis discriminante), en la actualidad tambin estn basados en tcnicas matemticas,
economtricas y de inteligencia artificial. En cualquier caso, los modelos de credit
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
scoring emplean principalmente la informacin del evaluado contenida en las

solicitudes de crdito y/o en fuentes internas y/o externas de informacin.
El resultado de la evaluacin se refleja en la asignacin de alguna medida que permita

comparar y ordenar a los evaluados en funcin de su riesgo, a la vez cuantifica. Por lo
general, los modelos de credit scoring le asignan al evaluado un puntaje o score, o una
calificacin o rating. Algunos mtodos los asignan a grupos, en donde cada grupo tiene
un perfil de riesgo distinto; sin embargo, en la prctica esto equivale a una calificacin.
A su vez, estos ordenamientos de los deudores permiten obtener estimaciones ms
concretas del riesgo; en general se busca obtener alguna estimacin de la probabilidad
de incumplimiento del deudor (PD, por probabilidad de default) asociada a su score,
rating o calificacin.
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.
La utilizacin de modelos de credit scoring para la evaluacin del riesgo de crdito, es

decir, para estimar probabilidades de default y ordenar a los deudores y solicitantes de
financiamiento en funcin de su riesgo de incumplimiento, comenz en los 70s pero se
generaliz a partir de los 90s. Esto se ha debido tanto al desarrollo de mejores recursos
estadsticos y computacionales, como por la creciente necesidad por parte de la industria
bancaria de hacer ms eficaz y eficiente la originacin de financiaciones, y de tener una
6
mejor evaluacin del riesgo de su portafolio. Estos modelos generalmente se asocian a

lo que se ha dado en llamar data mining (minera de datos), que son todos aquellos
procedimientos que permiten extraer informacin til y encontrar patrones de
comportamiento de los datos.
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
Dada la relevancia en el proceso de gestin crediticia, un punto fundamental de este

proyecto es determinar una variable dependiente (bueno/malo), para lo cual se
estableci que el modelo estadstico de regresin logstica es el ms apropiado para el
desarrollo de este proyecto.
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
malo). El trmino de error en una regresin lineal se asume normalmente distribuido, y

este supuesto es violado cuando la variable dependiente slo puede tomar dos valores.
Adems, la regresin lineal puede crear probabilidades estimadas mayores que uno y
menores que cero.
As se identific que lo ms apropiado para el desarrollo de este proyecto es el modelo

de regresin logstica ya que es una tcnica que sirve para modelar la relacin entre la
variable dependiente binaria y las variables independientes. Es una forma de modelo
lineal generalizado (GLM) y est dado por la frmula:
Ecuacin 1. Regresin Logstica
logit(pi) = log(pi/(1 pi))=0 + 1x1i + + kxki
Fuente: Anlisis de datos multivariantes

Elaborado por: Daniel Flores
Donde pi es la probabilidad de que una observacin tome un valor particular, y los i

son los parmetros asociados con cada variable independiente. El modelo resultante de
la regresin logstica utiliza las variables independientes para predecir la probabilidad
de que la variable dependiente tome un valor particular. Este modelo no se basa en el
supuesto estadstico de que el trmino de error est distribuido normalmente ni en el
supuesto de homoscedasticidad es decir que los diferentes grupos obtenidos presenten la
misma varianza o dispersin (las poblaciones de Y correspondientes a diversos valores
de X tienen la misma varianza. Si se cumple, todos los valores de Y que corresponden a
8
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.
De acuerdo a lo explicado en la metodologa de regresin logstica, un paso importante

en el proceso de desarrollo es determinar que variables independientes tienen una fuerte
relacin lineal con la funcin logit de la variable dependiente, es decir la funcin logit
ser utilizada para predecir el resultado binario, por ejemplo bueno / malo a sabiendas
que existen diferentes factores que pueden inferir en el resultado. Esta funcin logit es
un tipo de regresin en donde la variable dependiente es una variable dummy ejemplo 0
buen cliente 1 mal cliente.
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.
Ilustracin 1. Ejemplo de Transformacin

A
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
Raz cuadrada de Variable 1
Fuente: Introduccin al anlisis de regresin lineal

Elaborado Por: Daniel Flores
Para este modelo, se emplear metodologas estndares y anlisis de distribuciones para

hacer lo siguiente:
a.
Determinar la necesidad de transformacin para cada variable independiente;
b.
Determinar la transformacin ptima para cada variable; y
c.
Considerar la inclusin de las variables transformados en el desarrollo de los

modelos.
Este proceso asegurar que cada variable sea representada apropiadamente.
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
El sistema financiero desempea un papel crucial en el desarrollo de un pas, que afecta

tanto a la adecuada asignacin de recursos en el tiempo como a la correcta valoracin
del riesgo. En los ltimos aos, la globalizacin de la economa de mercado ha
disminuido la estabilidad y seguridad del negocio financiero, multiplicando los riesgos a
los que se enfrentan estas entidades, entre ellos el riesgo de crdito, o posibilidad de que
no se produzca la devolucin puntual de una determinada cantidad de dinero que se
prest en el pasado.
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,
en los ltimos tiempos viene enfrentndose a la
problemtica de la morosidad, que se situ en el 5.8%3 de los sujetos de crdito en el

Ecuador, en el ao 2008.
En donde este diseo de scoring
basado en informacin historial crediticia como
montos que debe a una institucin financiera, el tiempo de endeudamiento, morosidad,

el nmero de crditos recibidos, etc. de un determinado sujeto, sern evaluados
permitiendo agilizar el proceso de cobro en una empresa asignando una puntuacin de
forma consistente, determinado las probabilidades de que el sujeto incurra en mora.
3 Fuente: CreditReport Buro de Informacin Crediticia
11
1.4
OBJETIVOS
1.4.1 Objetivo General
Disear un modelo de Scoring, utilizando un conjunto de indicadores

financieros histricos de la Central de Riesgo, categorizando a los clientes en
base a su propensin para hacer un adecuado manejo de los mismos.
1.4.2 Objetivos Especficos
Presentar un modelo de score que permita identificar a un cliente con la

tipologa de riesgoso, para evitar perdidas en un crdito asignado.
Analizar de forma automtica las caractersticas y/o condiciones que un

cliente posee para catalogarse como riesgoso.
Definir un mecanismo analtico - matemtico que constituya de una forma

rpida, confiable, exacta y consistente para predecir el riesgo de un solicitante
para cumplir con sus deudas en el futuro, es decir minimiza el riesgo de
cobranzas.
12
1.5
HIPTESIS
Demostrar que este sistema de scoring permitir o no determinar si una

persona es sujeto de crdito.
Identificar aquellos clientes que tienen la tipologa de clientes riesgosos para

evitar cualquier tipo de fraude en el crdito asignado.
1.6
ALCANCE
Este sistema generar un valor numrico estadsticamente validado en base a anlisis

descriptivos que permita agilizar la toma de decisiones a la vez que busca reducir el
nivel de prdidas ya que se asigna puntuaciones de forma consistente, determinando las
probabilidades de que una solicitud se convierta en una cuenta con buen
comportamiento para predecir la recuperacin del crdito.
El sistema se basar en frmulas de evaluacin de las caractersticas relevantes que se

obtendr de la informacin historial crediticia para predecir la recuperacin del crdito.
A cada caracterstica se le asigna un valor numrico estadsticamente validado que
permita obtener un puntaje mediante el cual se pondr ms afn en la cobranza de una
deuda a un cliente.
13
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.
Bsicamente el credit scoring es un mtodo que se emplea para identificar diferentes

grupos dentro de una poblacin cuando no se pueden observar las caractersticas que los
definen sino nicamente las relaciones con estas.
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.
En trminos ms formales el credit scoring es un mtodo de evaluacin del riesgo de

crdito que emplea informacin histrica y tcnicas estadsticas, para tratar de aislar los
efectos que tienen las caractersticas de varios aplicantes sobre la reincidencia y el
incumplimiento. El mtodo arroja un puntaje o score que la institucin financiera puede
emplear para ranquear sus aplicaciones de crdito en trminos de riesgo4.
Y con lo mencionado anteriormente predecir el comportamiento de pago futuro de las

obligaciones crediticias que contraen las personas en funcin de su comportamiento
crediticio histrico, para lo cul utiliza toda la informacin de entidades Reguladas por
la Superintendencia de Bancos y Seguros SBS.
El credit scoring constituye, por tanto, un problema de clasificacin propiamente dicho,

pues dado un conjunto de observaciones cuya pertenencia a una determinada clase es
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.
De ah que para esta investigacin se defini que el puntaje obtenido estadsticamente se

encuentre dentro de un rango de 1 a 999 siendo 1 el puntaje menor y 999 el mayor
puntaje a obtener cuando un sujeto posee el mejor historial crediticio.
Ilustracin 2. Concepto de Score
20 %
Bajo 999
Riesgo
60 %
Score
800
600
Buenas
Malas
20 %
400
200
Alto
Riesgo
Muy Buenas
Muy malas
Fuente: Datos de la Central de Riesgo

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.
A la par coexisten tanto ventajas como desventajas en esta metodologa, dejando

siempre al final la opcin al prestamista de optar por un sistema de otorgamiento de
crditos subjetivo (scoring implcito) en donde el analista valora el riesgo del prestatario
comparando mentalmente las caractersticas de un aplicante con su experiencia
acumulada de otras aplicaciones similares o por un scoring estadstico que haga uso del
conocimiento cuantitativo del desempeo de clientes pasados almacenados en una base
de datos con el fin de pronosticar comportamientos futuros. Esto conduce, en virtud de
la seriedad acadmica, a exponer los pros y contras de hacer uso de esta tcnica.
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.
Tabla 1. Ventajas y Desventajas del Scoring Crediticio
VENTAJAS
DESVENTAJAS
Requiere de una slida y extensa base de
Cuantifica el riesgo como probabilidad

datos
Ignora toda informacin no existente en la
Multivariable
base de datos
Puede ser validado
Solo destaca los casos de alto riesgo

Puede necesitar de un consultor externo,
Consistente
por ende genera gastos operativos
Su funcionamiento requiere de un sistema
Transparente
transaccional
Fuente: Revisin Bibliogrfica

La consistencia surge de la homogeneidad en la calificacin otorgada a cada grupo de

clientes que comparta las mismas caractersticas, todas las solicitudes idnticas tendrn
por tanto el mismo valor de riesgo predicho; el hecho de contar con un modelo
matemtico que arroje un valor hace que el proceso de obtencin de esta probabilidad
19
sea explcito y como consecuencia de fcil comunicacin tanto a nivel de alta gerencia
como de analistas.
El contar con modelos estadsticos da la posibilidad de contrastacin de los mismos,

validando los modelos sea con informacin previa al periodo muestral empleado,
permitiendo observar como habra funcionado scoring si hubiera estado implementado
al momento de estos desembolsos o verificando, previo a la fase de implementacin, la
consistencia del modelo con los nuevos clientes. Esta fase suele denominarse
backtesting.
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 EMPLEADOS EN LA CONSTRUCCIN DE SCORE

DE CREDITOS
Las tcnicas ms importantes en la construccin de modelos de score crediticio son:
Modelos Estadsticos Se consideran los siguientes mtodos:
Mtodos Paramtricos
Comprenden tcnicas como Anlisis Discriminante
(Discriminant Analysis) y Regresin Logstica (Logistic Regression).
Mtodos No Paramtricos. Incluye tcnicas de rboles de Decisin, K-Nearest

Neighbor (K-NN) y Kernel Density.
Modelos de Computacin Suave o Soft Computing Se plantean principalmente dos

modelos:
Redes Neuronales Artificiales (Artificial Neural Networks, ANN).
Mquinas Vectoriales de Soporte (Support Vector Machines, SVM). Conjuntos

Rugosos (Rough Sets).
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
La ilustracin 3 muestra un organigrama sobre las tcnicas mas utilizadas para

desarrollar un modelo de score crediticio explicados anteriormente, adems de una
clasificacin de las tcnicas influyentes en la construccin del modelo.
Ilustracin 3. Tcnicas Para el Desarrollo Scoring Crediticio
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

El organigrama presenta un resumen de la clasificacin de los diferentes modelos para

el desarrollo de un scoring crediticio, estos se clasifican en modelos estadsticos del cual
se dividen en paramtricos (Anlisis Discriminante y Logit) y tres no paramtricos
(rboles de regresin, K vecinos mas cercanos y la densidad de Kernel), adems del
modelo soft computing del que se deriva los modelos que utilizan redes neuronales y
por ltimo tambin se encuentran los modelos hbridos.
22
Los modelos paramtricos parten de una funcin de distribucin o clasificacin

conocida, y reducen el problema a estimar los parmetros que mejor ajusten las
observaciones de la muestra6. Los modelos no paramtricos, conocidos tambin como
mtodos de distribucin libre pues no se encuentran sujetos a ninguna forma funcional,
estos modelos presentan pocas restricciones, por lo que en ocasiones resultan, ms
fciles de aplicar que los paramtricos y permiten reconstruir la funcin de clasificacin
en todo tipo de situaciones, incluidas aquellas en las que la funcin sea sencilla y
conocida (por ejemplo, lineal).
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
La Regresin Logstica (Logistic Regression, LR) es una tcnica estadstica

ampliamente utilizada en los modelos de score crediticio, as como en otras reas. Esta
tcnica considera un conjunto de variables independientes o predictoras y una variable
dependiente con dos posibles valores (variable dictoma) ejemplo:
Vota o no vota en unas elecciones
Diagnstico positivo o negativo en una prueba mdica
6 Martha Galicia Romero, nuevos Enfoques de Riesgo de Crdito
23
Las principales caractersticas que presenta este modelo se resumen en:
Variables binarias: Identifica la pertenencia del individuo a cada uno de los grupos
analizados:
Se identifica con un 1 al individuo que pertenece al grupo cuya probabilidad de

pertenencia estimar el modelo.
Se identifica con un 0 al individuo que no pertenece al grupo objeto de anlisis.
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
Variables cualitativas con distintas alternativas u opciones posibles.
Resultado del anlisis: El resultado es un valor numrico que indica la probabilidad de

pertenencia de un elemento al grupo que se le asign el valor 1, es decir, el grupo objeto
de anlisis.
La funcin logstica es una funcin de distribucin, y como se ha explicado toma los

valores entre 1 y 0, tiene la forma de S como se muestra en el siguiente grafico:
24
Ilustracin 4. Grfico Funcin Logstica

La forma general es:
Ecuacin 2. Modelo General
1
1 e z

25
Donde Z es la probabilidad de la clase recordando que la variable dependiente posee dos

valores posibles. Para el caso de un modelo de score, se consideran dos posibles
resultados: un cliente con buen hbito de pago y uno moroso. Para complementar,
obedece al siguiente modelo matemtico:
Ecuacin 3. Funcin Lineal con Parmetros
z w1x1 w2 x2 .... wn xn
Donde
Xi
(i = 1,2,..., n) es el conjunto de variables predictoras o conjunto de entrada,
es el punto de interseccin y Wi es el conjunto de coeficientes o vector de pesos
que ajustan el modelo.
En nuestro caso las variables predictoras o
Wi
podran ser las siguientes a modo de
ejemplo:
Monto del crdito.
Plazo del crdito.
Das de mora.
Nmero de Calificaciones E en la base de la Central de riesgo, etc

26
Puesto que el modelo anterior no es lineal respecto a las variables independientes, se

considera la inversa de la funcin logstica, que es el logit o logaritmo de la odds o
ventaja de que un suceso ocurra, definindose sta como el cociente entre la
probabilidad de que ocurra un acontecimiento y la probabilidad de que no ocurra, que es
su complementaria, como puede observarse en la siguiente expresin:
Ecuacin 4. Funcin Logstica
log[
p
] w1 x1 w2 x 2 ..... wn x n
1 p

En donde p es la probabilidad del resultado de inters, ejemplo: la probabilidad a priori

de que un individuo tenga buen hbito de pago o la probabilidad de que un individuo
pueda ser moroso o incurrir en fraude.
La formulacin anterior facilita la interpretacin del modelo y de sus coeficientes, que

reflejan, de este modo, el cambio en el logit correspondiente a un cambio unitario en la
variable independiente considerada.
27
Ejemplo:
Predecir la probabilidad de tener tarjeta de crdito basado en los ingresos de una

persona.
Basado en la siguiente tabla de datos:

Rango Ingresos
0-500
#Tarjetas Crdito # Casos

19
6
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
Fuente: Datos Central de Riesgo Muestra de Ejemplo

28
Variable Dependiente:
1 = Posee
Poseer Tarjeta (previamente categorizada )

0 = No posee
Variables que no son cuantitativas:
Nivel de Ingresos
Nivel de Ingresos
Variables Dummy
Alto
Medio
Bajo
Alto
Medio
Bajo
Sin Ingresos
Fuente: Tabla de Ejemplo Nivel de Ingreso

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.
De lo explicado anteriormente la probabilidad de tener tarjeta de crdito se ver

reflejada en la siguiente la funcin logstica
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.
As por ejemplo de la tabla indicada anteriormente de 6 personas con un ingreso de

entre 0 y 500 dlares su media es de 19/6, observando que hay 20 rangos de ingresos
diferentes de la muestra tomada.
30
Obteniendo el siguiente grafico (Ilustracin 5)
Ilustracin 5. Grfico de Dispersin

14
12
10
Y
8
6
4
2
0
0
500
1000
1500
2000
2500
3000
Ingresos
Fuente: Microsoft Excel Datos de Ejemplo

As pues arbitrariamente a manera de ejemplo se determin que la probabilidad de

poseer una tarjeta de crdito basada en los ingresos de una persona sera la siguiente:
exp ( 1 +
1 + exp ( 1 +
)
2

Donde:
es la probabilidad de que un sujeto posea una tarjeta de crdito con un ingreso

31
Interpretndose la misma de la siguiente manera: Cuando el ingreso es mayor existe la

posibilidad de poseer mayor nmero de tarjetas de crdito basndonos en la media
obtenida con el grupo de ejemplo.
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
Donde se obtuvo la grfica ajustada en la que se observa la curva logstica.
Ilustracin 6. Grfica Resultado Ejemplo Regresin Logstica
yi
14
12
10
Y
8
6
yi
4
2
0
0
500
1000
1500
2000
2500
3000
Ingresos
Fuente: Microsoft Excel Datos de Ejemplo

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
El modelo busca determinar el riesgo de no pago o incumplimiento futuro asociado a

una operacin crediticia, ordenando la poblacin y dando la posibilidad de manejar
ofertas comerciales diferenciadas por punto de corte. Dando adicionalmente la facilidad
de utilizar mltiples puntos de corte que van desde el rechazo (punto mas bajo) hasta la
aprobacin inmediata (puntaje ms alto otorgando rpidamente el ndice de riesgo
asociado a esa evaluacin).
Las fases que incluyen el proceso de modelamiento son las siguientes:
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
3.1.1 Seleccin de la muestra
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.
La muestra debe incorporar informacin suficiente acerca de las diferentes conductas de

pago de los clientes (buena y mala conducta en los extremos) a fin de identificar las
mejores caractersticas que lograrn recoger estos comportamientos.
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.
Para el caso de esta tesis de fijar un perodo de 72 meses, de informacin de datos de la

base de la Central de Riesgo donde se encuentra informacin consolidada de los
prestamos otorgados por las instituciones reguladas por la misma, contando con
informacin que a la vez recoja una madurez adecuada (comportamiento estable).
El perodo de observacin es el tiempo t en el que el investigador decide situarse y
observar el desempeo del cliente. Es este perodo de desempeo o performance el que
va a ser empleado para predecir el comportamiento futuro. En el punto de resultado se
asigna una calificacin (bueno o malo) al cliente con base en un resumen del
comportamiento en el periodo de desempeo. De ah la importancia de madurez de la
35
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.
Integrada la informacin de deudores directos del Sistema Crediticio, se puedo obtener

una muestra de aproximadamente un 1% de personas registradas en la base de datos
integrada de la Central de Riesgo (obteniendo una muestra de las personas que tienen
en su documento de identificacin el dgito verificador ltimo digito igual a 3).
Adicionalmente se obtuvo una muestra con la informacin de la central de riesgo de

cdulas cuyo ltimo dgito sea igual a 8, esta muestra se utiliz para la validacin final
del modelo (backtesting).
Para efectos de anlisis se tomaron datos reportados por Instituciones Financieras

Reguladas por la Superintendencia de Bancos a diferentes fechas desde enero 2002
hasta la ultima fecha de corte que se pudo obtener informacin reportada por las
Instituciones Bancarias a la Superintendencia de Bancos y de la cual se realizar un
anlisis (backtesting) con la informacin mencionada hasta enero del 2007 hacia atrs
para con esto verificar la probabilidad de prediccin que posee el score.
Lo explicado en los anteriores prrafos se refleja en la siguiente tabla donde mostramos

el nmero total registros en la base datos de la Central de Riesgos reportada por las
instituciones reguladas por la Superintendencia de Bancos, divididos por el ltimo
digito de la cdula de identidad y los primeros dos dgitos de la misma, de las cuales se
36
tomaron muestras aleatorias como se indic de las cdulas que su ltimo digito termina
en 3 y en 8.
Tabla 2. Nmero Registros por primeros y ltimos dgitos de la Cedula
Fuente: Direccion Nacional del Registro Civil

37
3.1.1.1
Perodo de performance
Como se mencion anteriormente es importante escoger un perodo que reflejando la

actual poblacin de clientes muestre un comportamiento estable de cartera. Un
indicador til es la tasa de morosidad.
tasademorosidad
# demalosclientes
# totaldeclientes
Donde:
# demalosclientes : Es el nmero de clientes malos

# totaldeclientes : Es el total de clientes
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.
La tasa de morosidad se construye por perodo de cosecha (fecha de venta de las

operaciones de crdito) y tiene por objeto mostrar en forma grfica y por mes de
colocacin la relacin clientes malos sobre total de clientes7, con el fin de sealar los
perodos en que esta razn se estabiliza como equivalentes a un comportamiento estable
de la cartera.
Un periodo se considera como estable en la medida que la razn de la cosecha t presente

pequeas variaciones en relacin a la cosecha t-1 y t+1. En trminos estadsticos se
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.
El siguiente esquema sintetiza la importancia del proceso de seleccin de la muestra, un

acertado periodo de performance, con lo cual aseguramos que la definicin de bueno y
malo permita modelar un adecuado comportamiento de pago en el futuro.
Ilustracin 7. Esquema de Seleccin de la Muestra
Fuente: Credi Report Buro de Informacin Creditica

Elaboracin Credit Report Buro de Informacin Crediticia
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.
3.1.2 Definicin de buenos y malos clientes
La implementacin de un modelo credit score requiere la definicin de buen y mal

cliente. Establecer que un cliente es malo no implica necesariamente que todos los
restantes sean buenos. En el camino se pueden encontrar al menos dos definiciones
adicionales. Los 'indeterminados' o aquellos casos que no se pueden definir como
buenos o como malos, y los ' experiencia insuficiente' o aquellos casos en que la cuenta,
producto de su poco o corto uso, no se puede definir como buena sin caer en un juicio
prematuro.
Resulta evidente que la definicin escogida no va a afectar la metodologa empleada

para calificar al cliente. (esta asume que la definicin crea una particin). Sin embargo,
la forma como definamos buenos y malos s va a tener efecto sobre los resultados del
scoring.
Cuando se habla de malos se busca describir al conjunto de clientes, que dada la

experiencia no quiere seleccionar para su actividad intermediadora. Para el caso de los
40
modelos de riesgo, usualmente esta definicin hace alusin a esa cartera que de conocer
su comportamiento no se hubiese aceptado.
De aqu se sigue que la definicin de bueno y malo se basar prcticamente en el

comportamiento de pago de los clientes: mora mxima histrica, mora promedio,
contadores de mora (nmero de veces que ha cado en mora o reincidencia). Este
criterio de seleccin es mucho ms deseable pues asocia el criterio de bondad a una tasa
de rendimiento, decidiendo la eleccin de bueno o malo con base en la mxima prdida
que se est dispuesto a asumir. Es evidente que estas definiciones pasan por un grado de
subjetividad siendo tan conservadoras como lo quiera la entidad o viceversa.
3.1.3 Definicin y seleccin de datos
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
Existen dos grupos de variables a estudiar: las cualitativas y las cuantitativas.
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
43
Las mismas que estn definidas por:
1.
Nmero de Operaciones Actuales e Histricas que posee el sujeto a calcular el scoring,

esto es cuantos prestamos un sujeto obtenido a travs de instituciones financieras
dentro de un rango de tiempo.
2.
Cantidad de Calificaciones E que de acuerdo a la Superintendencia de Bancos esta se

clasifica de la siguiente manera:
Tabla 3. Periodo Morosidad en Meses
CALIFICACION
PERIODO DE MOROSIDAD EN MESES

TIPO DE RIESGO MAYOR A
HASTA
Riesgo Normal
----
Uno
Riesgo Potencial
Uno
Tres
Deficiente
Tres
Seis
Dudoso Recaudo
Seis
Nueve
Perdida
Nueve
En adelante
Fuente: Superintendencia de Bancos y Seguros

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.
Saldo por vencer ms de 1 a 3 meses.- Es el valor por vencer que consiste en la

sumatoria de todos los dividendos por pagar en el plazo mencionado
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.
Valor que no devenga intereses de 1 a 30 das.- Es el valor que no genera inters

cuando una operacin crediticia se encuentra vencida en el rango de tiempo indicado.
9.
Valor que no devenga intereses ms de 1 a 3 meses.- Es el valor que no genera inters

10. Valor que no devenga intereses ms de 3 a 6 meses.- Es el valor que no genera inters
11. Valor que no devenga intereses ms de 6 a 12 meses Es el valor que no genera inters
45
12. Valor que no devenga intereses ms de 12 meses.- Es el valor que no genera inters
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.
14. Valor vencido ms de 1 a 2 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.

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.


19. Valor vencido ms de 12 a 24 meses Es el valor total vencido que consiste en la

46
20. Valor vencido ms de 24 a 36 meses Es el valor total vencido que consiste en la

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
Ilustracin 8. Distribucin de los Sujetos por Rangos de Edad
Fuente: Instituciones Financieras Ecuatorianas

3.1.4 Anlisis preliminar de la Muestra
En un principio todas las variables existentes en la base de datos deben ser

seleccionadas, e incluso analizadas para que a partir de estas construir nuevas variables
denominadas variables simples o de combinaciones de caractersticas como se describe
en la ilustracin 9.
48
Ilustracin 9. Transformacin de una variable
Z4
X2
La variable fecha de apertura de la operacin se puede

transformar en la fecha en la que por primera vez fue reportada
en la Central De Riesgo.
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.
Adems en este anlisis es necesario decidir sobre un esquema de segmentacin para

definir si se divide la muestra en subgrupos siempre y cuando estas tengan informacin
especial o distintiva, en el caso de esta tesis no va a ser necesario ya que la muestra que
se posee es homognea.
49
3.1.5 Anlisis Multivariado

En esta etapa se validar la calidad y cantidad de informacin que se posee a travs de
un anlisis exhaustivo de los mismos los cuales se dividen en:
3.1.5.1 Anlisis Univariado
El objetivo de esto es validar la calidad por cada variable en la muestra

seleccionada.
Este estudio cumple con los siguientes propsitos:
Verificar con la integridad de los datos

Deteccin de valores extremos
Tratamiento por datos faltantes
3.1.5.2 Anlisis Bivariado
El objetivo de este anlisis es evaluar la relacin entre las variables

independientes y las variables dependientes por ejemplo
Variable Dependiente: Variable Dicotmica (1 Si es mayor a 60 dias de

vencido en un prstamo otorgado por una institucin financiera o 0 en caso
contrario)
50
Variables Independientes Monto del prstamo otorgado, que tipo de crdito

(vivienda, consumo, microcrdito, etc), montos vencidos, etc.
Es as que a modo de ejemplo en las 2 siguientes tablas se puede identificar que

se uso la combinacin de las variables el valor por vencer a las cuales se les
realiz una suma, el valor en mora siempre y cuando sea mayor a 2 meses, y un
conteo de las operaciones las que cumplan con las dos condiciones anteriores.
De los cuales se obtuvo los coeficientes de media y comparacin, permitiendo

analizar el comportamiento actual y pasado, verificando que estos valores se
encuentran dentro de los rangos ptimos definidos para el modelamiento del
score.
As tambin en la segunda tabla se realiza una combinacin de variables como

son los valores de cartera castigada y valores en demanda judicial a los cuales
se les suma dentro de un rango de tiempo de los ltimos 24 meses que se tiene
en la informacin de la Central de Riesgo.
Y de igual manera se obtuvieron los coeficientes y se observ que los ratios o

coeficientes de medida y comparacin se encuentran dentro de los parmetros
aceptables.
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%
5000 <- 10000
0.03
36.17
787
731
92.9%
1.0%
787
1.0%
10000 <- 20000
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
3.1.6 Diseo del Score Card
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.
Un mayor o menor valor significa cun importante es la variable en la calificacin.
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
Ilustracin 10. Diseo del Score Card Cgido Sql
set @n_score = -5.0418819189 +

@i_b_avgmo_1_ec * 0.426007907 +
@i_b_avgmo_2_ec * 0.615325305 +
@i_b_avgmo_3_ec * 0.746487979 +
@i_b_avgmo_4_ec * 0.835391271 +
@i_b_avgmo_5_ec * 0.940640093 +
@i_b_avgmo_6_ec * 1.163488941 +
@i_b_avgmo_7_ec * 1.305610914 +
@i_b_avgmo_8_ec * 1.525070427 +
@i_b_wcurr_1_all * 0.633003213 +
@i_c1a10_1_all * 0.527885872 +
@n_c12_1a10_1_all * 0.435848447 +
@n_c3_2a10_1_all * 0.372657094 +
@i_cant_calificacion_e_1_all * 1.584073234 +
@i_cant_no_devenga_12_1_pd * 0.169503353 +
@i_cant_no_devenga_12_2_all * 0.31779479 +
@i_cant_no_devenga_24_1_ec * 0.484176497 +
@i_cant_por_vencer_12_1_all * 0.383397711 +
@i_cant_tipo_riesgo_titular_1_ec * 0.378465063 +
@i_cl1 * 0.687503404 +
@i_cl2 * 0.495688296 +
@i_cl3 * 0.384044386 +
@i_cl4 * 0.187988401 +
@i_copen_vig_3_1_all * -0.2652798865 +
@i_copen_vig_3_1_ec * -0.1950141455 +
@i_mnew_1_pd * 0.959436817 +
@i_mold_vig_1_all * 0.639567949 +
@n_rdt1s3_2_ec * 0.628773397 +
@n_rdt1s3_3_ec * 0.281621939 +
@i_rdt24_3a10_1_all * 0.538599523 +
@i_rdt3_2a10_1_all * 0.936851865 +
@i_rdt6_1a10_1_all * 0.302253614 +
@i_rfp12_2_all * 0.18566022 +
@i_rfp12_3_all * 0.430115998 +
@i_rfp3_2_cd * 0.479899586
set @n_score = round(1000/(1+exp(-@n_score)),0)
Fuente: Cdigo Sql

Y como explicacin se indicar la obtencin de una de las variables que se utilizan en el

diseo del score card, las dems se encuentran en el anexo 3
54
Desarrollo de la variable @i_rdt24_3a10_1_all
Si el valor de la variable (@n_rdt24_3a10 < .00001) entonces la variable

@i_rdt24_3a10_1_all toma el valor de 1 caso contrario toma el valor de 0
Donde:
La variable @n_rdt24_3a10 toma el valor de 0 si @n_deuda_total_24 es igual a 0

caso contrario la variable se calcula de la siguiente manera @n_rdt24_3a10 =
@n_d24_3a10/@n_deuda_total_24
Para lo que previamente se debe obtener las siguientes variables:
@n_deuda_total_24
@n_d24_3a10
As pues la variable @n_deuda_total_24 se obtiene de la suma total de los valores que

adeuda una persona a las entidades reguladas por la Superintendencia de Bancos en los
24 meses anteriores a la fecha de calculo del credit scoring
Y la variable @n_d24_3a10 se obtiene suma de los valores vencidos o en estado de

mora con las entidades reguladas por la Superintendencia de Bancos en los 24 meses
anteriores a la fecha de calculo del credit scoring
55
3.1.7 Validacin del Modelo
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.
As pues la prueba de backtesting realizada se bas en el historial crediticio del sujeto

con la cual se desarrollo una variable de prueba la cual consista en que si el sujeto a
partir de la fecha de calculo del scoring crediticio hasta un ao despus colocaba 1 si
este caa vencido o tenia valores en mora o 0 si este no tenia valores vencidos o en mora
en las instituciones reguladas por la Superintendencia de Bancos (Anexo 2).
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.
4.1 DISEO Y DESARROLLO
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
4.2.1 Microsoft .Net
Es un entorno de desarrollo integrado (IDE, por sus siglas en ingls) para

sistemas operativos Windows. Soporta varios lenguajes de programacin tales
como Visual C++, Visual C#, Visual J#, ASP.NET y Visual Basic .NET, aunque
actualmente se han desarrollado las extensiones necesarias para muchos otros.
Visual Studio permite a los desarrolladores crear aplicaciones, sitios y

aplicaciones web, as como servicios web en cualquier entorno que soporte la
plataforma .NET. As se pueden crear aplicaciones que se intercomuniquen entre
estaciones de trabajo, pginas web y dispositivos mviles.
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.
Algunas caractersticas principales y que se destacan por su relevancia son:
Es un potente lenguaje orientado al desarrollo basado en objetos.

Permite realizar aplicaciones ms robustas y fciles de depurar.
58
Es un lenguaje ms simplificado y uniforme.

El cdigo es reutilizable y fcil de leer.
Ilustracin 11. Caractersticas Herramientas .Net
Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008
59
4.2.2 SQL Server 2005

Ilustracin 12. Sql Server 2005
Fuente: Sql Server 2005

Microsoft SQL Server es un sistema de gestin de bases de datos relacionales

(SGBD) basado en el lenguaje Transact-SQL, y especficamente en Sybase IQ,
capaz de poner a disposicin de muchos usuarios grandes cantidades de datos de
manera simultnea, as como las siguientes caractersticas:
Soporte de transacciones.
Escalabilidad, estabilidad y seguridad.
Soporta procedimientos almacenados.
Incluye tambin un potente entorno grfico de administracin, que permite el

uso de comandos DDL y DML grficamente.
60
Permite trabajar en modo cliente-servidor, donde la informacin y datos se

alojan en el servidor y las terminales o clientes de la red slo acceden a la
informacin. Adems permite administrar informacin de otros servidores de
datos.
Microsoft SQL Server constituye la alternativa de Microsoft a otros potentes

sistemas gestores de bases de datos como son Oracle, Sybase ASE, PostgreSQL,
Interbase, Firebird o MySQL.
Es as que en SQL se almacenar los datos que se posee de la informacin de la

Central de Riesgo, y adems ser en donde se calcule el scoring crediticio
convirtindose esta en la capa de negocio del sistema, ya que as se evitar que
el aplicativo tarde mucho tiempo en obtener los datos y calcular el score.
4.2.3 SPSS
Statistical Package for the Social Sciences (SPSS) es un programa estadstico

informtico. En la actualidad, la sigla se usa tanto para designar el programa
estadstico como la empresa que lo produce.
El programa consiste en un mdulo base y mdulos anexos que se han ido

actualizando constantemente con nuevos procedimientos estadsticos.
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
DISEO DEL SISTEMA
4.3.1 Web Service
En concepto, un Web Service es un recurso programable y direccionable

mediante una URL. Desde el punto de vista del programador, un Web Service es
una clase, que se auto-define usando XML, y que es accesible mediante HTTP.
La clase es auto-definida en XML para ofrecer al exterior un interfaz estndar
con el que utilizar los mtodos que proporciona y es accesible mediante HTTP
por ser este el protocolo de aplicacin utilizado por los navegadores web.
Un servicio web es una herramienta que permite compartir programas lgicos y

capacidades con numerosas aplicaciones web y aplicaciones Windows y con
aplicaciones que pueden correr sobre otras plataformas.
62
Ilustracin 13. Funcionamiento de un Web Service
Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008
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
4.3.2 Modelado del Sistema
Se presenta a continuacin el modelado del sistema, basado en la metodologa

UML.
UML, o Lenguaje de Modelado Unificado es una especificacin de notacin

orientada a objetos, el cual se compone de diferentes diagramas, los cuales
representan las diferentes etapas del desarrollo del proyecto.
El sistema de acuerdo a su estructura y para el cumplimiento de los objetivos

propuestos se compone de la siguiente etapa.
El diagrama que he visto conveniente mostrar para su mejor comprensin y tener

una mejor visin de cmo est estructurado es el siguiente:
Diagrama de caso de uso
64
4.3.3 Casos de Uso
Este diagrama representa la funcionalidad completa de un sistema, mostrando su

interaccin con los agentes externos.
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
Solicitud Web Service
Es el proceso de ingreso de la informacin
correspondiente al nmero de identificacin del sujeto que solicita el crdito.
Anlisis En este proceso donde se realizar el estudio con los datos que se posee
del sujeto para obtener el score crediticio.
Aprobacin o Negacin Al finalizar el proceso de anlisis vamos a obtener el

Scoring de Aprobacin Final del cliente (Aprobada, Analizar Solicitud,
Rechazado o Sin Informacin para obtener score)
65
Ilustracin 14. Caso de Uso

Aprobado
Rechazado
Ingreso
Solicitud
Anlisis datos
Historial
Crediticio
Analizar
Solicitud
Sin
Informacin
4.4
Creacin del Web Service
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
Ilustracin 15. Cdigo .Net Creacin del Web Service

<%@ WebService Language="C#" Class="wsScore" %>
using
using
using
using
using
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
La primera lnea del cdigo indica que se cre un web service

<%@ WebService Language="C#" Class="wsScore" %>, el mismo que esta creado
en codigo C# y que la clase implementada se llama wsScore.
Para poder utilizar el web service creado se debe consumir el mismo de la siguiente
manera:
Agregar una referencia web como se indica en la siguiente ilustracin
Ilustracin 16. Creacin Referencia Web
Fuente: Microsoft Visual .Net

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
Ilustracin 17. Busqueda del Servicio Web
Fuente: Curso 2310. Microsoft Visual .Net

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
Ilustracin 18. Seleccin del Web Seervice
Fuente: Microsoft Visual .Net

Realizamos la conexin con el web service requerido y obtenemos una pantalla en la

que confirmamos que la conexin es la requerida.
4.5
Probador Web Service
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
Ilustracin 19. Codigo .Net Creacin del Probador Web Service
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;
public partial class _Default : System.Web.UI.Page

{
protected void Page_Load(object sender, EventArgs e)
{
}
public CabeceraCR CredencialesGenericas = new CabeceraCR();

protected void btnEjecutar_Click(object sender, EventArgs e)
{
try
{
Score.wsScore wsScore = new Score.wsScore();
string MensajeError = string.Empty;

DataSet dsDatos = new DataSet();
dsDatos = wsScore.Score(TipoDocumento.Text,NumeroDocumento.Text, out
MensajeError);
#region Generacion de HTML por resultados
if (dsDatos == null)
{
throw new Exception(MensajeError);
}
//mostrar resultados.
lblError.Visible = false;
int tablasVacias = 0;
int tablasConDatos = 0;
int totalTablas = 0;
foreach (DataTable dttTabla in dsDatos.Tables)
{
if (dttTabla.Rows.Count > 0)
tablasConDatos++;
else
tablasVacias++;
totalTablas++;
}
// Resumen General
Label lblResumen = new Label();
lblResumen.Text = " ----------------------------- RESUMEN GENERAL ---------------------------- ";
lblResumen.Text += " Total Tablas: " + totalTablas;
lblResumen.Text += " Tablas con datos: " + tablasConDatos;
lblResumen.Text += " Tablas vacas: " + tablasVacias + " ";
lblResumen.ForeColor = System.Drawing.Color.MidnightBlue;
lblResumen.Font.Bold = true;
pnlResultados.Controls.Add(lblResumen);
71
// Detalle de Tablas
int Contador = 0;
foreach (DataTable dttTabla in dsDatos.Tables)
{
Label lbl = new Label();
lbl.ID = "lbl" + "_" + Contador.ToString();
lbl.Text = " ----------------------------- " +
dttTabla.TableName + "----------------------------- ";
lbl.Text += " Total Columnas: " + dttTabla.Columns.Count;
lbl.Text += " 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
Ilustracin 20. Pantalla Probador Web Service
Probador Ws Score
Parametros
TipoDocumento
1714738331
NumeroDocumento
1714738331
Ejecutar
----------------------------- RESUMEN GENERAL ----------------------------Total Tablas: 4

Tablas con datos: 4
Tablas vacas: 0
----------------------------- Table----------------------------Total Columnas: 1
Total Filas: 1
Calificacion
ANALIZAR SOLICITUD
----------------------------- Table1----------------------------Total Columnas: 1
Total Filas: 1
Score
673,00
Total Filas: 6
Indicador
Valor
Nmero de instituciones acreedoras actuales
3
Numero de operaciones vencidas
0
Porcentaje de deuda vencida
0.00%
Porcentaje utilizacin de las tarjetas de crdito
22.72%
Valor por Vencer de 0 a 1 mes de tarjetas
36.30
Valor por Vencer de 0 a 1 mes de tarjetas y operaciones 108.69
Total Filas: 4
RangoScore
Calificacion
1000 - 700
Aprobado
699 - 400
Analizar Solicitud
399 - 0
Rechazar
Sin Informacin Sin Informacin para analizar Score
Fuente: Pantalla Probador Web Service

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:
Tabla 4. Parametrizacin Scoring Crediticio
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
En este capitulo trataremos sobre las conclusiones y recomendaciones de utilizar un

sistema de scoring crediticio.
5.1 CONCLUSIONES
A travs del scoring crediticio se puede pronosticar el desempeo de

prstamos futuros, basados en el uso del conocimiento cuantitativo acerca del
desempeo y caractersticas de prstamos pasados registrados en una base de
datos electrnica, con la finalidad de optimizar y reducir errores en el anlisis
crediticio.
Para el desarrollo del scoring crediticio se ha utilizado diferentes variables del

historial crediticio de un sujeto, con el objetivo de que sea til para la toma de
decisiones minimizando el riesgo, en funcin de los datos histricos con el fin
de preservar la integridad de los recursos preservados.
El scoring crediticio no realiza un anlisis discriminante, ms bien utilizando

tcnicas matemticas y estadsticas cuantifica el riesgo al que una institucin
se somete al entregar un crdito a un sujeto.
75
El scoring crediticio es consistente, por ejemplo dos personas con las mismas
caractersticas crediticias tendrn el mismo score.
As tambin en base a la clasificacin del score, se evidenci que clientes con

altos puntajes en su score presentan menor nivel de riesgo que aquellos con
puntajes bajos en su score, ya que estos incurren o han incurrido en mora en
su historial de credito.
El empleo de un modelo estadstico que permita segmentar la cartera de

clientes no solo conduce a un mejor control del riesgo sino que, solo
acompaado de una estrategia comercial lleva a incrementar las tasas de
rentabilidad de los crditos colocados, permitiendo obtener un promedio
mayor de retorno del crdito otorgado.
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
Una principal recomendacin que se puede dar es que el scoring crediticio es

un modelo matemtico que permitir dar una probabilidad en base a un
76
historial de datos, y que no se le debe tomar como una herramienta de

decisin, ms bien a este sistema se lo debe tomar como una herramienta de
ayuda muy confiable para la toma de decisiones, ya que al final el juicio
humano es decir la decisin de un analista de crdito podra cambiar el
resultado final basado en excepciones de experiencias pasadas.
Otra de las consideraciones importantes para construir un buen modelo radica

en la calidad de los datos escogidos y en la seleccin adecuada de las
variables que influyen en los modelos.
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.
El grupo establecido como rechazo puede ser considerado como parte de la

poblacin sujeto de crdito, eliminando los puntos de corte definidos en el
modelo scoring, no obstante, esta sugerencia queda en manos de la institucin
o persona que va a utilizar.
77
BIBLIOGRAFA
1. Anderson T. W., An Introduction To Multivariate Statistical Analysis,Second Edition,

Wiley, 1984
2. ALONSO MARTNEZ, C. (2001) "Credit scoring y consentimiento en la proteccin de
datos", Perspectivas del sistema financiero, n 72, pp. 85-91.
3. BANEGAS GARCA, C.; GARCA MARTNEZ, F. (2000) "El riesgo de crdito en la
banca ante la nueva regulacin del Banco de Espaa", Banca & Finanzas, n 60, pp. 69.
4. BERTRAN JORDANA, J. (1994) "Control y gestin de los riesgos financieros", Alta
Direccin, n 173, pp. 65-72.
5. LYN TOMAS , DAVID EDELMAN AND JONATHAN COOK , Credit Scoring and
its application, SIAM Society for Industrial and Applied Mathematics, Filadelfia,
2002, pp. 115-120
6. MONTGOMERY, D., PECK, E., VINING, G. "Introduccin al anlisis de regresin
lineal", Compaa Editorial Continental. Primera edicin en espaol
7. PEA, D. (2002) Anlisis de datos multivariantes. Madrid: Editorial McGraw-Hill.
8. GONZLEZ SNCHEZ, M. (2000) "Nuevas tendencias en la gestin de riesgos: riesgo
de crdito".
9. SCHREINER, Mark. (1999) "Un Modelo de Calificacin del Riesgo de Morosidad para
los
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
Con la obtencin del ODDS de incurrir en mora
X_N
5,00
0,00
-5,00
0,00
0,20
0,40
0,60
Probabilidad_nuevoscore
82
0,80
1,00
Al obtener los datos se realiza la regresin lineal, es decir el logaritmo natural de la

ODDS de la variable dependiente (esto es el logaritmo de la razn de las proporciones
de que un sujeto incurra en mora en un posible crdito) obteniendo el siguiente grfico.
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
Se realiz pruebas estadsticas de poder discriminatorio en donde se obtuvo la siguiente

tabla de resumen
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%
Puntaje de 140 a 620 3.217
50,5%
3.150
49,5%
6.367
11,8%
61,14%
Puntaje de 621 a 866 5.427
79,9%
1.367
20,1%
6.794
12,6%
57,12%
Puntaje de 867 a 899 4.066
86,7%
626
13,3%
4.692
8,7%
51,32%
Puntaje de 900 a 927 4.375
90,9%
440
9,1%
4.815
8,9%
43,43%
Puntaje de 928 a 936 4.213
91,7%
383
8,3%
4.596
8,5%
35,55%
Puntaje de 937 a 945 6.691
94,1%
417
5,9%
7.108
13,1%
37,46%
Puntaje de 946 a 954 5.401
95,4%
263
4,6%
5.664
10,5%
25,76%
Puntaje de 955 a 999 4.485
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
En donde observamos que el nivel de K-S que es la medida de mxima diferencia

absoluta entre las distribuciones acumuladas de buenos y malos, en nuestro caso se
observa que es mayor al 15 % por lo que se puede explicar que el poder predictivo del
scoring es aceptable.
Adems obtuvimos el coeficiente de Gini que obtuvimos comparando el porcentaje de

los buenos contra el porcentaje de los malos clientes para los mismos puntajes
obteniendo estos datos con el backtesting realizado.
1,2
1
0,8
0,6
%BA
%MA
0,4
0,2
0
1
85
10
DATOS PERSONALES
INDICADORES
DEFINICION
TIPO ID IDENTIFICACION SCORE BUENO/MALO EN EL

SISTEMA
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
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
set
set
set
set
set
set
set
set
set
set
set
set
@i_periodo = (select [Variables].[ValorMenorObtener]( 3,@i_mold))

@n_c3_0 = @i_cant_total_3/@i_periodo - @i_cant_vencido_3/@i_periodo
@n_c3_10 = @i_cant_judicial_3/@i_periodo
@n_c3_9a10 = @i_cant_castigada_3/@i_periodo + @n_c3_10
@n_c3_8a10 = @i_cant_vencido_99_3/@i_periodo + @n_c3_9a10
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
+
+
+
+
@n_c24_5a10
@n_c24_4a10
@n_c24_3a10
@n_c24_2a10
@n_d_0 = @n_deuda_total_1 - @n_deuda_vencido_1

@n_d_10 = @n_deuda_judicial_1
@n_d_9a10 = @n_deuda_castigada_1 + @n_d_10
@n_d_8a10 = @n_deuda_vencido_99_1 + @n_d_9a10
@n_d_7a10 = @n_@n_deuda_vencido_36_1 + @n_d_8a10
@n_d_3a10 = @n_@n_deuda_vencido_3_1 + @n_d_4a10
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
=
=
=
=
=
=
=
=
=
=
=
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
set
set
set
set
set
set
set
set
set
set
set
@n_rdt_0 = 0 else set @n_rdt_0 = @n_d_0/@n_deuda_total_1

@n_rdt_10 = 0 else set @n_rdt_10 = @n_d_10/@n_deuda_total_1
@n_rdt_9a10 = 0 else set @n_rdt_9a10 = @n_d_9a10/@n_deuda_total_1
93
set @i_periodo = (select

set
set
set
set
set
set
set
set
set
set
set
if
if
if
if
if
if
if
if
if
if
if
[Variables].[ValorMenorObtener](
3,@i_mold))
@n_d3_0 = @n_deuda_total_3/@i_periodo - @n_deuda_vencido_3/@i_periodo

@n_d3_10 = @n_deuda_judicial_3/@i_periodo
@n_d3_9a10 = @n_deuda_castigada_3/@i_periodo + @n_d3_10
@n_d3_8a10 = @n_deuda_vencido_99_3/@i_periodo + @n_d3_9a10
@n_d3_7a10 = @n_@n_deuda_vencido_36_3/@i_periodo + @n_d3_8a10
@n_d3_3a10 = @n_@n_deuda_vencido_3_3/@i_periodo + @n_d3_4a10
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
=
=
=
=
=
=
=
=
=
=
=
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
set
set
set
set
set
set
set
set
set
set
set
@n_rdt3_0 = 0 else set @n_rdt3_0 = @n_d3_0/@n_deuda_total_3

@n_rdt3_10 = 0 else set @n_rdt3_10 = @n_d3_10/@n_deuda_total_3
@n_rdt3_9a10 = 0 else set @n_rdt3_9a10 = @n_d3_9a10/@n_deuda_total_3
/* Definicion de d6_xay. Reemplaza a las deuda_vencido_x_6 */

set @i_periodo = (select [Variables].[ValorMenorObtener]( 6,@i_mold))
set @n_d6_0 = @n_deuda_total_6/@i_periodo - @n_deuda_vencido_6/@i_periodo
set @n_d6_10 = @n_deuda_judicial_6/@i_periodo
set @n_d6_9a10 = @n_deuda_castigada_6/@i_periodo + @n_d6_10
set @n_d6_8a10 = @n_deuda_vencido_99_6/@i_periodo + @n_d6_9a10
set @n_d6_7a10 = @n_@n_deuda_vencido_36_6/@i_periodo + @n_d6_8a10
if
if
if
if
if
if
if
if
if
if
if
(@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
=
=
=
=
=
=
=
=
=
=
=
0) set @n_rdt6_0 = 0 else set @n_rdt6_0 = @n_d6_0/@n_deuda_total_6

0) set @n_rdt6_10 = 0 else set @n_rdt6_10 = @n_d6_10/@n_deuda_total_6
0) set @n_rdt6_9a10 = 0 else set @n_rdt6_9a10 = @n_d6_9a10/@n_deuda_total_6
/* Definicion de d24_xay. Reemplaza a las deuda_vencido_x_24 */

set @i_periodo = (select [Variables].[ValorMenorObtener]( 24,@i_mold))
set @n_d24_0 = @n_deuda_total_24/@i_periodo - @n_deuda_vencido_24/@i_periodo
set @n_d24_10 = @n_deuda_judicial_24/@i_periodo
set @n_d24_9a10 = @n_deuda_castigada_24/@i_periodo + @n_d24_10
if @n_deuda_total_24 = 0 set @n_rdt24_0 = 0 else set @n_rdt24_0 = @n_d24_0/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_10 = 0 else set @n_rdt24_10 = @n_d24_10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_9a10 = 0 else set @n_rdt24_9a10 =
94
if @n_deuda_total_24 = 0 set @n_rdt24_3a10 = 0 else set @n_rdt24_3a10 = @n_d24_3a10/@n_deuda_total_24

/*hasta aqui compila*/
/* Definicion de d24m_xay. Reemplaza a las deuda_vencido_x_nl24m */
declare @i_numMesesHist int
set @i_numMesesHist = (select datediff(mm,'2002-01-01',@d_fec_corte))
set @i_periodo = (select [Variables].[ValorMenorObtener]( @i_numMesesHist,@i_mold))
--set @i_periodo = (select dbo.fn_get_min_value(30,@i_mold)) /* Ojo que 30 no es constante,
representa la mxima cantidad de meses con historia */
set @n_d24m0 = @n_deuda_total_24m/@i_periodo - @n_deuda_vencido_24m/@i_periodo
set @n_d24m10 = @n_deuda_judicial_24m/@i_periodo
set @n_d24m9a10 = @n_deuda_castigada_24m/@i_periodo + @n_d24m10
set @n_d24m8a10 = @n_deuda_vencido_99_24m/@i_periodo + @n_d24m9a10
set @n_d24m7a10 = @n_@n_deuda_vencido_36_24m/@i_periodo + @n_d24m8a10
/* Definicion de variables relativas histricas */
if (@n_deuda_total_3 > 0) set @n_rdt1s3 = @n_deuda_total_1/@n_deuda_total_3
else set @n_rdt1s3 = 0
if (@n_deuda_por_vencer_3 = 0) set @n_rfp3 = 0
else if (@n_deuda_total_3 = 0) set @n_rfp3 = 1
else if (@n_deuda_por_vencer_3/@n_deuda_total_3 > 1) set @n_rfp3 = 1
else set @n_rfp3 = @n_deuda_por_vencer_3/@n_deuda_total_3
if (@n_deuda_por_vencer_12 = 0) set @n_rfp12 = 0
else if (@n_deuda_total_12 = 0) set @n_rfp12 = 1
else if (@n_deuda_por_vencer_12/@n_deuda_total_12 > 1) set @n_rfp12 = 1
else set @n_rfp12 = @n_deuda_por_vencer_12/@n_deuda_total_12
/* Definicion de b_w_curr */
/* Constante de tolerancia usada: u$s 10 */
set @i_tol = 10
set @i_b_wcurr = 0
if (@n_deuda_judicial_1 > @i_tol) set @i_b_wcurr = 10
if (@n_deuda_castigada_1 > @i_tol) set @i_b_wcurr = 9
if (@n_deuda_vencido_99_1 > @i_tol) set @i_b_wcurr = 8
if (@n_@n_deuda_vencido_36_1 > @i_tol) set @i_b_wcurr = 7
if (@n_@n_deuda_vencido_3_1 > @i_tol) set @i_b_wcurr = 3
-- else
/* Definicion de @n_b_avgmo */
if (@i_copen_12_mas > 0 ) set @n_b_avgmo = @i_mopen/@i_copen_12_mas
else set @n_b_avgmo = 0
if (@s_CodDomicilio is null or @s_CodDomicilio ='0' or @s_CodDomicilio ='' or @s_CodDomicilio
='__') --or not_number or invalid
set @i_NumDomicilio =-1
else
set @i_NumDomicilio = convert(float,@s_CodDomicilio)
/* Definicin de @s_scorecard */
if (@n_d24m2a10 = 0) set @s_scorecard = 'EC'
else if (@n_d24m2a10 > 0 and @n_d_2a10 = 0) set @s_scorecard = 'PD'
else if (@n_d24m2a10 > 0 and @n_d_2a10 > 0) set @s_scorecard = 'CD'
else set @s_scorecard = 'ERR'
95
/* Definicin de variables dummies */

if (3.7 <= @n_b_avgmo and @n_b_avgmo < 6.5 and @s_scorecard = 'EC')
set @i_b_avgmo_1_ec = 1 else set @i_b_avgmo_1_ec = 0
if (9.42308 <= @n_b_avgmo and @n_b_avgmo < 12 and @s_scorecard = 'EC')
if (12 <= @n_b_avgmo and @n_b_avgmo < 14.75 and @s_scorecard = 'EC')
if (32.89286 <= @n_b_avgmo and @s_scorecard = 'EC')
if (@i_b_wcurr < 1 )
set @i_b_wcurr_1_all = 1 else set @i_b_wcurr_1_all = 0
if (@i_c1a10 < 1)
set @i_c1a10_1_all = 1 else set @i_c1a10_1_all = 0
if (@n_c12_1a10 < .08333)
set @n_c12_1a10_1_all = 1 else set @n_c12_1a10_1_all = 0
if (@n_c3_2a10 < .33333)
set @n_c3_2a10_1_all = 1 else set @n_c3_2a10_1_all = 0
if (@i_cant_calificacion_e < 1)
set @i_cant_calificacion_e_1_all = 1 else set @i_cant_calificacion_e_1_all = 0
if (@i_cant_no_devenga_12 < 1 and @s_scorecard = 'PD')
set @i_cant_no_devenga_12_1_pd = 1 else set @i_cant_no_devenga_12_1_pd = 0
if (1 <= @i_cant_no_devenga_12 and @i_cant_no_devenga_12 < 4 )
set @i_cant_no_devenga_12_2_all = 1 else set @i_cant_no_devenga_12_2_all = 0
if (@i_cant_no_devenga_24 < 1 and @s_scorecard = 'EC' )
set @i_cant_no_devenga_24_1_ec = 1 else set @i_cant_no_devenga_24_1_ec = 0
if (1 <= @i_cant_por_vencer_12)
set @i_cant_por_vencer_12_1_all = 1 else set @i_cant_por_vencer_12_1_all = 0
if (@i_cant_tipo_riesgo_titular < 1 and @s_scorecard = 'EC')
set @i_cant_tipo_riesgo_titular_1_ec = 1
else set @i_cant_tipo_riesgo_titular_1_ec = 0
if (1 <= @i_copen_vig_3 )
set @i_copen_vig_3_1_all = 1 else set @i_copen_vig_3_1_all = 0
if (@i_copen_vig_3 < 1 and @s_scorecard = 'EC')
set @i_copen_vig_3_1_ec = 1 else set @i_copen_vig_3_1_ec = 0
if (@i_mnew < 35 and @s_scorecard = 'PD')
set @i_mnew_1_pd = 1 else set @i_mnew_1_pd = 0
if (@i_mold_vig < 3)
set @i_mold_vig_1_all = 1 else set @i_mold_vig_1_all = 0
if (.01013 <= @n_rdt1s3 and @n_rdt1s3 < .27163 and @s_scorecard = 'EC')
set @n_rdt1s3_2_ec = 1 else set @n_rdt1s3_2_ec = 0
if (.27163 <= @n_rdt1s3 and @n_rdt1s3 < .30037 and @s_scorecard = 'EC')
set @n_rdt1s3_3_ec = 1 else set @n_rdt1s3_3_ec = 0
if (@n_rdt24_3a10 < .00001 )
set @i_rdt24_3a10_1_all = 1 else set @i_rdt24_3a10_1_all = 0
if (@n_rdt3_2a10 < .00063)
if (@n_rdt6_1a10 < .00001)
if (.82696 <= @n_rfp12 and @n_rfp12 < .97327)
set @i_rfp12_2_all = 1 else set @i_rfp12_2_all = 0
if (.97327 <= @n_rfp12)
set @i_rfp12_3_all = 1 else set @i_rfp12_3_all = 0
if (.33333 <= @n_rfp3 and @s_scorecard = 'CD')
set @i_rfp3_2_cd = 1 else set @i_rfp3_2_cd = 0
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 ,
118151180, 118151450, 118153755, 118156530, 12605450, 134600330, 134602555 ,

134606105, 166800150, 166800475, 166800735, 166801025, 166801260, 166801275 ,
166802450, 166803055, 166803180, 166803195, 166803785, 166803985, 166804005 ,
166804205, 166804510, 166805825, 166852310, 166853840, 166855650, 168806395 ,
168810735, 168816705, 170600030, 170600080, 170600195, 170600430, 170600785 ,
170600855, 170600865, 170601400, 170601440, 170601475, 170602055, 170602265 ,
170602275, 170602525, 170602530, 170602540, 170602560, 170602690, 170602825 ,
170602855, 170602895, 170602980, 170602985, 170603100, 170603325, 170603475 ,
170603925, 170604085, 170604290, 170604325, 170605435, 170655190, 170705620 ,
170752025, 170752330, 170754045, 170754090, 170756145, 170800680, 170803230 ,
170806605, 177702410, 177706350, 178956415, 181350095, 181350190, 181350210 ,
181350635, 181350800, 181350810, 181351625, 181351860, 181352435, 181352775 ,
181352830, 181352860, 181353120, 181353355, 181353380, 181353730, 181354065 ,
181355230, 181355455, 181355605, 181355840, 196550720, 196551390, 196551770 ,
196552155, 196552170, 196553260, 196554010, 196556305, 21650795, 21651255 ,
21651435, 21651890, 21653285, 21653545, 21653670, 21653710, 21653860, 21655035 ,
21700170, 21702315, 21703655, 21703995, 21705975, 21803500, 21805245, 21855350 ,
27606340, 29506470, 29506475, 32355065, 32355950, 32400935, 32400950, 32401335 ,
32401410, 32401605, 32401725, 32401775, 32401895, 32401900, 32403305, 32403895 ,
32404345, 32451085, 32452545, 32453410, 32454100, 32455115, 32502365, 32502745 ,
32505610, 37656345, 39053875, 39056425, 40051125, 40051195, 40051765, 40051885 ,
40052340, 40052900, 40054040, 40054070, 40054130, 40056165, 40105405, 40105970 ,
40151150, 40152040, 40153435, 40155295, 40156250, 40201835, 40201875, 40202010 ,
40205685, 40251055, 40251315, 40252205, 40252455, 40253680, 40256520, 51005310 ,
51005500, 51005555, 51100135, 51100745, 51102475, 51102490, 51102760, 51106000 ,
58251500, 58252965, 58256535, 61955630, 61956220, 61956230, 62000040, 62000045 ,
62000410, 62001415, 62001705, 62002080, 62003295, 62003425, 62003450, 62005315 ,
73500255, 73501120, 73505565, 73505805, 73506490, 73550325, 73551665, 73551815 ,
73552005, 73553330, 73554215, 73554525, 73556670, 73600005, 73601420, 73601425 ,
73601655, 73601700, 73601750, 73602350, 73604445, 73604450, 73606310, 73650390 ,
73650775, 73651225, 73652075, 73654160, 73654495, 73656365, 73656370, 73656375 ,
73700505, 73701385, 73702230, 73702465, 73702850, 73703650, 73706675, 73706680 ,
73750805, 73751695, 73752715, 73754545, 73755040, 75855715, 76900740, 76903275 ,
76904520, 76905850, 77050225, 77054480, 77054530, 77054535, 77055745, 77551075 ,
77551080, 77551100, 77556335, 78600160, 78606570, 78756590) set @i_cl2 = 1 else set @i_cl2 = 0
12605330, 12605360, 12605930, 12606090, 132301600, 132301620, 132305480,
134400010, 134400050, 134400770, 134401925, 134402970, 134403185 ,134403625 ,
134405265, 134405845, 134406585, 134451820, 134501800, 134503550 ,134505570 ,
134506135, 134550105, 134550560, 134551115, 134551880, 134552810 ,134552990 ,
134554490, 134655885, 134700220, 134701105, 134701610, 134702135, 134850240,
134853110, 134905505, 134950460, 134950540, 134951395, 134952090, 134955755,
135001070, 135006195, 135500265, 135502030, 135506170, 138401060, 138401065,
138406550, 139100580, 139101030, 139106430, 139706495, 139752305, 139756575,
152551020, 152552180, 152552640, 152553745, 152553790, 152555510, 156200025,
156200525, 156200940, 156201930, 156202755, 156203000, 156203050, 156206160,
156300510, 156300630, 156303720, 156304020, 156304295, 156305700, 156350670,
156350765, 156352770, 156353395, 156353890, 156355090, 156451235, 156451245 ,
156455815, 157000685, 157003605, 157005070, 157250415, 157250490, 157252930,
157253660, 157256200, 159350215, 159350400, 159351050, 159351680, 159353480 ,
159356455, 170600625, 170600725, 170602925, 170605015, 170605220, 170605235 ,
170605260, 170605325, 170605530, 170605535, 170605540, 170605575, 170606005 ,
170606035, 170606050, 170606240, 181355445, 181355545, 21750275, 21750345 ,
21753595, 21753775, 21753900, 21754515, 21755995, 40055415, 61955590, 62050500,
62050610, 62051865, 62054430, 62055145, 62056080, 93906405) set @i_cl3 = 1 else set @i_cl3 = 0
98
if @i_NumDomicilio in (12605905, 85610930, 85610965, 85612035, 85612445 ,

85613215, 85616720, 93900925, 94253975, 99866710, 113005320, 125150305 ,
125150520, 125151265, 125151525, 125152875, 125155215, 125166685, 125201460,
125201740, 125205085, 125250140, 125256245, 125303015, 125303510, 125305800,
125353175, 125355185, 125402420, 125404425, 125405855, 125406115, 125406635,
125406640, 125406645, 125406650, 125406655, 125406660, 125406690, 125453130 ,
125454330, 125456235, 12605075, 12605080, 12605370, 12605875, 12606010,
127105640, 127506330, 129456465, 129466695, 134405030, 134405280, 134405795 ,
134505635, 134706030, 134750470, 134750840, 134751810, 134753445, 134753675 ,
134755580, 134800380, 134800405, 134800495, 134800640, 134801160, 134803170 ,
134803350, 134805250, 134806055, 134855150, 135005300, 170600440, 170605110 ,
170605410, 170605935, 170605985, 170606020, 170805965, 170806600, 170850075 ,
170851755, 170854440, 170855730, 170855860, 170855865, 170855870, 170856065 ,
170856175, 170856180, 181355045, 181355560, 181355945, 73505625, 73556060 ,
73655770, 73800245, 73800300, 73804000, 73805340, 76955460, 85600450, 85600655,
85600895, 85600930, 85600965, 85602035, 85602320, 85602445, 85603205, 85603215 ,
85603570, 85603930, 85603940, 85604240, 85605210, 85605600, 85650120, 85650200 ,
85650370, 85651505, 85651510, 85651515, 85652125, 85652225, 85652335, 85652670 ,
85653405, 85653805, 85654170, 85654465, 85656205, 85700355, 85701010, 85701305 ,
85703125, 85703280, 85703390, 85703430, 85703470, 85705670, 85750700, 85750980 ,
85751530, 85752345, 85754230, 85755895, 85800070, 85800110, 85800435, 85800535 ,
85800570, 85800620, 85802395, 85803455, 85803725, 85803955, 85804075, 85804125 ,
85806130, 87851615, 87852130, 87853880, 87854055, 87856380, 90955470, 91255365 ,
93851470, 93851640, 93851915, 93901870, 93902470 ,93902940, 93903030, 93904120 ,
93905170, 93905355, 93905585, 93905720, 93905880, 93906095, 93906150, 93906400 ,
93951340, 93954275, 93956285, 94000260, 94001855, 94002105, 94004500, 94050115 ,
94051850, 94055920, 94056270, 94056275, 94056280 ,94200920, 94202390, 94203235 ,
94205660, 94255925, 94301350, 94301595, 94304220, 94305120, 94305155, 94305200 ,
94305765, 94305990, 94351830, 94353370, 94353740, 94353990, 94355675, 95055345 ,
95105705, 96755725, 97150185, 97151670, 97155735, 97356255, 97900660 ,97906385,
98204435, 98206525, 98356545, 98706580, 98906410, 99201730, 99206440, 99406460 ,
99856620) set @i_cl4 = 1 else set @i_cl4 = 0
85605205, 85605335, 93856225, 93905055, 93905125, 93905380, 93905695, 93905890,
93906185, 93906265, 94005275, 94100205, 94100605, 94100820, 94102355, 94103915,
94105130, 94106040, 94155100, 99656610) set @i_cl5 = 1 else set @i_cl5 = 0
/* Los casos de informacin no disponible van al cluster 4 */
if (@i_cl1 = 0 and @i_cl2 =0 and @i_cl3 =0 and @i_cl4 = 0 and @i_cl5 = 0) set @i_cl4 = 1
set @n_score = -5.0418819189 +
@i_b_avgmo_1_ec * 0.426007907 +
@i_b_avgmo_2_ec * 0.615325305 +
@i_b_avgmo_3_ec * 0.746487979 +
@i_b_avgmo_4_ec * 0.835391271 +
@i_b_avgmo_5_ec * 0.940640093 +
@i_b_avgmo_6_ec * 1.163488941 +
@i_b_avgmo_7_ec * 1.305610914 +
@i_b_avgmo_8_ec * 1.525070427 +
@i_b_wcurr_1_all * 0.633003213 +
@i_c1a10_1_all * 0.527885872 +
@n_c12_1a10_1_all * 0.435848447 +
@n_c3_2a10_1_all * 0.372657094 +
@i_cant_calificacion_e_1_all * 1.584073234 +
@i_cant_no_devenga_12_1_pd * 0.169503353 +
@i_cant_no_devenga_12_2_all * 0.31779479 +
@i_cant_no_devenga_24_1_ec * 0.484176497 +
@i_cant_por_vencer_12_1_all * 0.383397711 +
@i_cant_tipo_riesgo_titular_1_ec * 0.378465063 +
@i_cl1 * 0.687503404 +
@i_cl2 * 0.495688296 +
@i_cl3 * 0.384044386 +
@i_cl4 * 0.187988401 +
@i_copen_vig_3_1_all * -0.2652798865 +
@i_copen_vig_3_1_ec * -0.1950141455 +
@i_mnew_1_pd * 0.959436817 +
@i_mold_vig_1_all * 0.639567949 +
@n_rdt1s3_2_ec * 0.628773397 +
@n_rdt1s3_3_ec * 0.281621939 +
@i_rdt24_3a10_1_all * 0.538599523 +
@i_rdt3_2a10_1_all * 0.936851865 +
@i_rdt6_1a10_1_all * 0.302253614 +
@i_rfp12_2_all * 0.18566022 +
@i_rfp12_3_all * 0.430115998 +
@i_rfp3_2_cd * 0.479899586
set @n_score = round(1000/(1+exp(-@n_score)),0)
99
4. ANEXO 4
Base de Datos
100
101
102
103
104

Modelo de Scoring

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modelo de Scoring

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD TECNOLGICA EQUINOCCIAL

FACULTAD DE CIENCIAS DE LA INGENIERA

CARRERA DE INFORMTICA Y CIENCIAS DE LA COMPUTACIN

DISEO DEL SISTEMA DE INDICADOR FINANCIERO BASADO EN EL

PREVIA LA OBTENCIN DEL TTULO DE INGENIERO EN INFORMTICA Y

JOFFRE DANIEL FLORES ESCOBAR

MAT. MAURICIO GARCIA

Del contenido del presente trabajo se responsabiliza el autor

PROBLEMA A RESOLVER .......................................................................... 1

MARCO TERICO ....................................................................................... 2

Objetivo General ................................................................................... 12

Objetivos Especficos ............................................................................ 12

MTODOS EMPLEADOS EN LA CONSTRUCCIN DE SCORE DE

REGRESION LOGSTICA .......................................................................... 23

CAPTULO III ......................................................................................................... 34

Definicin de buenos y malos clientes ................................................... 40

Definicin y seleccin de datos .............................................................. 41

Anlisis preliminar de la Muestra ........................................................... 48

Anlisis Multivariado ............................................................................ 50

Diseo del Score Card ........................................................................... 53

Validacin del Modelo ........................................................................... 56

DISEO Y DESARROLLO ........................................................................ 57

Microsoft .Net ....................................................................................... 58

SQL Server 2005 ................................................................................... 60

DISEO DEL SISTEMA ............................................................................. 62

Web Service .......................................................................................... 62

Modelado del Sistema ............................................................................ 64

Casos de Uso ......................................................................................... 65

Creacin del Web Service ............................................................................. 66

Probador Web Service .................................................................................. 70

Ilustracin 1. Ejemplo de Transformacin ................................................................... 10

Ecuacin 1. Regresin Logstica ................................................................................... 8

Tabla 1. Ventajas y Desventajas del Scoring Crediticio ............................................... 19

En el marco de este estudio y en el transcurso de los captulos se ha realizado una

Es as que reconociendo las caractersticas y particularidades de los datos obtenidos; as

Adems el score se convierte en una herramienta que asume una probabilidad de

En este captulo se presenta los objetivos principales del trabajo y su justificacin, as

As de esta manera, mediante la utilizacin de modelos de scoring para la evaluacin

Uno de los modelos estadsticos predictivos denominado scoring crediticio fue

La utilizacin de modelos de credit scoring para la evaluacin del riesgo de crdito, y

El scoring crediticio se refiere al uso de conocimiento sobre el desempeo y

Los mtodos o modelos de credit scoring, a veces denominados score-cards o

Aunque originalmente en los 70s se basaban en tcnicas estadsticas (en particular, el

scoring emplean principalmente la informacin del evaluado contenida en las

El resultado de la evaluacin se refleja en la asignacin de alguna medida que permita

La utilizacin de modelos de credit scoring para la evaluacin del riesgo de crdito, es

mejor evaluacin del riesgo de su portafolio. Estos modelos generalmente se asocian a

Dada la relevancia en el proceso de gestin crediticia, un punto fundamental de este

malo). El trmino de error en una regresin lineal se asume normalmente distribuido, y

As se identific que lo ms apropiado para el desarrollo de este proyecto es el modelo

Ecuacin 1. Regresin Logstica

logit(pi) = log(pi/(1 pi))=0 + 1x1i + + kxki

Fuente: Anlisis de datos multivariantes

Donde pi es la probabilidad de que una observacin tome un valor particular, y los i

De acuerdo a lo explicado en la metodologa de regresin logstica, un paso importante

Ilustracin 1. Ejemplo de Transformacin

Raz cuadrada de Variable 1

Fuente: Introduccin al anlisis de regresin lineal

Para este modelo, se emplear metodologas estndares y anlisis de distribuciones para

Determinar la necesidad de transformacin para cada variable independiente;

Determinar la transformacin ptima para cada variable; y

Considerar la inclusin de las variables transformados en el desarrollo de los

Este proceso asegurar que cada variable sea representada apropiadamente.

El sistema financiero desempea un papel crucial en el desarrollo de un pas, que afecta