Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Credit Scoring

No description
by

Enrique Garcia

on 24 September 2014

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Credit Scoring

"El todo es mayor que la suma de sus partes"
Aristóteles Credit Scoring Introducción Presentación de resultados La importancia del seguimiento a los modelos de score. Conceptos de Credit Scoring y Scorecard.

Ejemplo de Scorecard.

Process flow – Desarrollo de Scorecard Desarrollo Acceso y preparación de datos.

Análisis iniciales.
-Análisis exploratorio;
-Consistencia de la información;
-Dynamic delinquency report, Vintage analysis, Roll rate.

Desarrollo del modelo de score (Scorecard).
-Población conocida;
-Total población (incluye inferencia de rechazo).

Escalamiento de Scorecard. Tabla de distribución del puntaje de Score.
-Lectura de la tabla de distribución;
-Establecimiento de cut-off.

Ejercicio de interpretación de la tabla de distribución y toma de decisiones. Las organizaciones alrededor del mundo enfrentan riesgos que pueden afectar e impactar negativamente sus actividades y procesos, incluyendo los niveles esperados de rendimiento, metas, objetivos y estrategias. En este sentido, se ha incrementado la preocupación de la alta gerencia por el manejo eficiente y efectivo de los riesgos asociados al negocio, los cambios en los procesos, las nuevas tecnologías, las fallas del recurso humano, etc.

Entre uno de los riesgos a gestionar se encuentra el riesgo de crédito, definido como la posibilidad que una organización incurra en pérdidas y disminuya el valor de sus activos, como consecuencia de que un deudor o contraparte incumpla sus obligaciones. Introducción Estadístico Mezcla de Juicio Experto y Estadística Juicio Experto Estadístico Modelos Es un análisis de las características del cliente, utilizando variables y ponderaciones determinadas por la experiencia de los analistas en el proceso de crédito. El Credit Scoring Estadístico pronostica el riesgo basado en las características almacenadas en la base de datos. Esta técnica proporciona una medida cuantitativa e histórica del perfil de riesgo de los clientes de la organización. Modelos Híbridos Impactos y sus consecuencias Una manera de gestionar el riesgo de crédito es el proceso de otorgamiento.

Los modelos de crédito pueden llegar a impactar la estructura y los procesos de las organizaciones.
Reducir las pérdidas;
Tasa de interés basada en el riesgo;
Decisiones basadas en los clientes con mejor rentabilidad Leyendas urbanas NO son medidas mágicas que solucionan todos los problemas crediticios (pero como ayudan a mitigarlos);
NO eliminan a todos los clientes 'deficientes', su objetivo (entre otros) es mejorar el proceso de toma de decisiones;
NO son modelos cuánticos del átomo de BOHR, es únicamente ¿Qué es el Credit Scoring? Modelo numérico que permite evaluar el nivel de riesgo a nuevos solicitantes o a clientes ya existentes.

Utiliza técnicas estadísticas objetivas para minimizar la evaluación subjetiva del analista de crédito. ¿Qué es el Credit Scorecard? Modelo estadístico de riesgo que se estructura bajo un diseño fácilmente entendible. Equipo de todos los niveles de la organización entienden su funcionamiento Las agencias regulatorias están acostumbradas a este tipo de presentaciones de modelos de riesgo. Los scorecards son fáciles de implementar y monitorear a lo largo del tiempo. Después de la implementación de los scorecards, se deben de tomar decisiones estratégicas, como aceptar/rechazar las nuevas solicitudes de crédito, cuando incrementar la linea de crédito, entre otras tantas. Solicitudes Características / Variables Objetivo Edad Ingresos Estado civil BC_1 Meses de la cuenta más vieja Bueno Malo Bueno Bueno Malo Ejemplo Nivel de corte 500

Perfil socio demográfico
Edad 32 120 puntos
Tipo vivienda Propia 225 puntos
Ingresos mes $28,000 180 puntos

Puntaje final 525
SOLICITUD ACEPTADA Process Flow - Desarrollo Scorecard Dimensionar población objetivo 1 3 Construir la respuesta Identificar exclusiones 2 Construir las variables explicativas 4 Generación del primer modelo 5 Inferencia de rechazo 6 -Identificar población de acuerdo al objetivo
-Determinar si existe una base suficiente -Identificar los periodos de estudio, ventanas de análisis
Ventana de observación
Ventana de desempeño
Construcción de la variable respuesta (Bueno o Malo) Establecer aquellos casos que no deben de ser incluidos en el modelo. -Agrupación de los atributos para cada una de las características
-Selección de las variables, con base en su poder de “explicación” sobre el evento de interés Primera versión de scorecard. Población con desempeño conocido. - Inferencia de desempeño sobre la población rechazada
- Agregación a la base de datos sobre la población conocida Base de datos aumentada Iniciar de nuevo el proceso con la base de datos aumentada Análisis iniciales Análisis exploratorio (Variable discreta) La base de datos aumentada.
Modelo mas confiable y eficiente en términos estadísticos, debido a la inclusión de los rechazados. Análisis iniciales Análisis exploratorio (Variable continua) Análisis iniciales Análisis exploratorio (Variable continua - agrupada) Análisis iniciales Análisis exploratorio Información inconsistente Roll Rate Analysis Vintage Analysis Alguna vez 90DPD+ Vintage Analysis Alguna ve 60DPD+ Dynamic Delinquency Report TdTdM = 28.9% TdTdM = 26.6% TdTdM = 27.3% Desarrollo de score de originación Base de datos. 5,837 apps
Desarrollo. 4,377 apps (75%)
Validación 1,460 apps (25%) Muestreo Selección de variables predictivas Menos de 0.02, sin poder de predicción
0.02 - < 0.10, débil
0.10 - < 0.30, medio, y
0.30 +, alta predictivilidad Revisión visual
IV Análisis y agrupación de las variables predictivas
Bureau Score Análisis y agrupación de las variables predictivas
Bureau Score Análisis y agrupación de las variables predictivas
Purpose. Arrendamiento o Crédito Tasa de Morosidad Scorecard Points Scorecard points
Age oldest tl Tendencias por variable
Tasa de Morosidad y Scorecard points Tendencias por variable
Tasa de Morosidad y Scorecard points Tabla de distribución
Población conocida KS. 41.2%
Gini. 0.558 Medidas de desempeño del modelo El Índice de Gini es una de las métricas más utilizadas para medir la desigualdad entre dos poblaciones.
Se puede utilizar de forma alternativa al IV.
Bigger is better. Su rango es 0.0 y 1.0 El KS es la apertura máxima (en forma puntual) entre la distribución empírica del %Acum Malos y el %Acum Buenos.

La desventaja de esta medida es que es pun`tual, es decir, provee como resultado un número “simple”, pero no muestra la evaluación a total modelo. Métodos de inferencia de rechazo La inferencia de rechazo es el proceso de “inferir” la etiqueta/comportamiento de todas aquellas solicitudes rechazadas, se basa en el conocimiento de las solicitudes aceptadas (Known population).

Teniendo como referencia el modelo de la población conocida, se trata de hacer proyecciones que sean representativas a total población (Through The Door Population, TTD).

- Fuzzy;
- Hard cutoff; y
- Parceling. Métodos de inferencia de rechazo El método Fuzzy usa clasificaciones parciales de evento (default) /no evento para ponderar cada observación rechazada. En lugar de clasificar a los rechazos en una de las dos categorías mencionadas, lo que se hace es agregar dos observaciones por cada rechazo al conjunto de datos de aceptados (al nuevo conjunto se lo denomina aumentado). A una le asigna la categoría asociada al evento, mientras que a la otra le asigna la categoría asociada al no evento.

Hard Cutoff permite al usuario de riesgo ingresar un valor de corte para definir que rechazos son evento y cuáles no evento.

Parceling se distribuyen los rechazados en intervalos de igual tamaño definidos por rangos de score elegidos por el usuario. Luego, los rechazos dentro del intervalo son clasificados al azar como evento o no evento, teniendo en cuenta las proporciones de eventos y no eventos de los aceptados dentro del intervalo. Métodos de inferencia de rechazo Parceling Selección de variables predictivas
Base de datos aumentada Comparación nivel de predictibilidad
Base de datos aumentada vs datos conocidos Scorecard points
Base de datos aumentada Tendencias
Tasa de Morosidad vs. Scorecard Points Tabla de distribución (TTD) KS. 36.4%
Gini. 0.499 La gráfica de odds empíricos vs. odds estimados sirve para evaluar la calibración del modelo. Se calcula comparando los odds observados contra el valor promedio del score en cada rango. Ayuda a determinar donde el modelo es (o no) lo suficientemente ‘exacto’. Revisión visual Índice de Estabilidad
Base de datos Desarrollo vs. Validación Índice de Estabilidad
Base de datos Desarrollo vs. Validación Índice de Estabilidad
< 0.1. Sin cambios significativos
0.1 - <= 0.25%. Cambios estructurales mínimos
> 0.25. Cambios significativos Escalamiento Definir odds (buenos / malos) o probabilidad de caer en incumplimiento (Tasa de morosidad).
Definir amplitud score o score promedio (ejemplo 30:1 a 500 puntos).
Definir cada cuantos puntos 'espero' doblar la relación de buenos / malos ( ejemplo. odds 30:1 a 500 puntos y doblando la probabilidad cada 30 puntos). Score = Offset + Factor * ln(odds)
Score + pdo = Offset + Factor * ln (2*odds)

Donde pdo = points to double the odds Resolviendo el sistema queda:
Factor = pdo / ln(2)
Offset = Score - [Factor * ln(odds)] Escalamiento Ejemplo. Si se quiere escalar un modelo con una relación de 30:1 a 500 puntos y doblando los odds cada 30 puntos (pdo=30) (CRIF estándar) el factor y el offset sería:

Factor = 30/ln(2) = 43.28
Offset = 500 - 43.28*ln(30) = 352.79

Por lo tanto cada uno de los scores correspondientes a cada uno de los conjuntos de odds están calculados de la siguiente forma:

Score = 352.79 + 43.28*ln(odds) Selección de punto de corte Distribución de clientes
tasa de rechazo; Selección de punto de corte Algunas Definiciones La tasa de aceptación es del 70%, bajo la misma estrategia de originación, la nueva tasa de morosidad estimada es 2.7% Distribución de clientes
Disminución en la actual tasa de morosidad.
Actual TdM = 5.27%, se quiere disminuir en en 30%. La nueva TdM objetivo es 3.69% Bajo esta decisión de negocio tenemos: La tasa de rechazo sería de 15%;
Esta implica rechazar al 39.6% de todos los posibles clientes "Malos" por sólo el 13.6% de los posibles "Buenos". Selección de punto de corte Máxima separación (grado de discriminación, KS) Tasa de rechazo de 35%.
69.5% de todos los posibles clientes "Malos" por 33.0% de los posibles "Buenos".
La tasa de morosidad sería de 2.5%, una disminución de 53%. Zonas de "riesgo" TdM 14.0% TdM 14.0% TdM 6.7% TdM 4.1% TdM 2.1% TdM 0.4% Estimación de la severidad de las pérdidas Además de estimar la probabilidad de incumplimiento, podemos conocer la "severidad" de las pérdidas para determinar la distribución de las ganancias de la cartera de crédito.

Tasa promedio de impago (TdM) 2.1%
Promedio de pérdida del crédito en el evento de impago 48.09%

Calculo
TdM * Promedio de pérdida del crédito 2.1% * 48.09% =
Tasa promedio esperada de pérdida 1.01% Otras aplicaciones Modelos de Fraude Determinación de clientes con mayor probabilidad de fraude lo que implica una perdida a la empresa;
Variables demográficas;
Default (Fraude, No Fraude); y
Permiten disminuir las perdidas generadas por esta situación. Modelos de Fuga Determinación de clientes con mayor probabilidad a irse de la empresa;
Variables de comportamiento de pago histórico;
Implica mayor proactividad, pronosticar con anticipación;
Default (Fuga, No Fuga); y
Permiten generar distintas campañas de retención Otras aplicaciones Determinación de clientes con mayor probabilidad de seguir avanzando en estado de morosidad;
Variables Demográficas, comportamiento, cobranzas, externas
Default (Mejora/mantiene, Empeora)
Permiten optimizar campañas de cobranza Modelos de Cobranza Marketing y Riesgo: Credit Scoring Credit Scoring es una herramienta para valorar una operación en términos de riesgo. Tradicionalmente ha sido usado como herramienta para denegar o aprobar una operación de crédito.

El desarrollo de herramientas de Credit Scoring requiere de personas especializadas que entiendan por un lado los modelos estadísticos y por otro los requerimientos del negocio.

La validación y seguimiento de modelos de scoring debe realizarse de manera frecuente durante la vida de la herramienta y constituir un paso más del proyecto de desarrollo del Credit Scoring. Cuando una compañía tiene una cantidad considerable de herramientas de scoring, necesita un sistema integrado de alertas que identifique si el scoring no funciona adecuadamente Marketing y Riesgo: Credit Scoring Supóngase que sobre la cartera de tarjetas de crédito desea lanzar una campaña para incrementar la línea de crédito a sus Clientes con el objeto de incrementar la rentabilidad de los mismos. Los procesos de crédito diseñados a conciencia permiten a las instituciones poder acceder a mejores mercados, de manera más competitiva con menor riesgo, esto es una ventaja hoy cuando existe saturación de oferta, sin embargo todavía hay mucho por hacer para mejorar la calidad, transparencia, servicio en los diversos oferentes de crédito en México. Comentarios

y

Preguntas
Full transcript