Árboles estadísticos en las Microfinanzas
Post on 12-Mar-2015
79 Views
Preview:
Transcript
Árboles estadísticos en las microfinanzas:Haz tu propio scorecard en tu tiempo libre
Mark Schreiner
Microfinance Risk Managementwww.microfinance.com/Castellano/indice.html
Tercer Seminario sobre la Banca y las Microfinanzas en América Latina
12-13 de noviembre de 2001
Banco Central de la República DominicanaSanto Domingo, República Dominicana
Página 2 de 24, Mark Schreiner
Agenda
! Introducción: ¿Qué es scoring?
! Ejemplo de árboles estadísticos
! Comparación árboles y otros métodos
! Pautas para el uso de scoring
¡No sólo árboles estadísticos, sino scoringscoring!
Página 3 de 24, Mark Schreiner
Introducción: ¿Qué es scoring?
Pronóstico de riesgo que supone que:
! Características cuantificables afectanriesgo:— Prestatario (edad, actividad)— Préstamo (monto, plazo)— Prestamista (experiencia, analista)
! El futuro será como el pasado
Scoring vincula características con la mora.
Página 4 de 24, Mark Schreiner
¿Por qué usar scoring?
! Siempre se usa scoring:— Cualitativo (implícito, olfato)— Cuantificado (explícito, estadístico)
! Finanzas es el manejo de riesgo.Scoring estadístico cuantifica riesgo yhace explícita y consistente suevaluación
Página 5 de 24, Mark Schreiner
¿Por qué usar scoring? (cont.)
! Enfocar esfuerzo de evaluación ycobranza donde rinde más
! En las microfinanzas, scoring noreemplaza al analista y su evaluaciónsubjetiva del negocio y hogar, sino loscomplementa
Página 6 de 24, Mark Schreiner
¿Qué es un árbol estadístico?
! Igual que otros métodos, árboles vinculancaracterísticas con la mora en el pasado ysuponen que el futuro será como el pasado
! Árboles se parecen mucho a sistemas deexpertos:— Árboles usan experiencia cuantitativa de
una base de datos— Sistemas de expertos usan experiencia
cualitativa de alguna(s) persona(s)
Página 7 de 24, Mark Schreiner
Ejemplo sencillo de un árbol estadístico
Género
Todos créditosMalos / Cancelados= 21.979 / 141.759
= 0,155
Tipo del crédito
NuevosMalos / Cancelados
= 8.954 / 50.121= 0,179
RenovacionesMalos / Cancelados= 13.025 / 91.638
= 0,142
Género
MujeresMalos / Cancelados
= 5.515 / 33.761= 0,163
HombresMalos / Cancelados
= 3.440 / 16.360= 0,210
MujeresMalos / Cancelados
= 8.560 / 65.153= 0,131
HombresMalos / Cancelados
= 4.465 / 26.485= 0,169
Pronostico por el árbol estadístico:16,3% 21,0% 13,1% 16,9%
Resultado del sistema de expertos:Normal Riesgoso No riesgoso Normal
Página 8 de 24, Mark Schreiner
Ejemplo sencillo árbol/Colombia
Organización: BMM, con Hans Dellien
Malo: 7 días mora/cuota o 30 días corridos
Base de datos Año Riesgo Créditos Construcción: 1992-98 15,5% 141.759Prueba: 1999 17,6% 68.759
Prueba: Comparar riesgo pronosticado por árbolconstruido con datos hasta fines de 1998 conel riesgo real en 1999
Página 9 de 24, Mark Schreiner
Detalle del árbol estadístico/Colombia19991992-1998Teléfono o#
% mal% carterCasosMalos% malo% carterCasosMalosMora anteriGarantíaGéneroTipoClase29,78,65.8801.74821,98,111.5202.519TeléfonoPersonalMujerNuevo128,90,32326726,10,336896Sin teléfono213,815,010.3321.42912,814,620.6732.647TeléfonoOtro325,70,751013121,00,81.200252Sin teléfono434,04,02.76394025,04,56.3621.592TeléfonoPersonalHombre537,50,21445428,00,3372104Sin teléfono617,15,84.00368317,76,38.9781.585TeléfonoOtro729,90,42447324,50,5648159Sin teléfono817,33,12.1563749,53,85.4485170 díasPersonalMujerRepréstam920,14,73.21364519,15,47.6001.453hasta 2 días1029,74,53.07891436,72,63.6211.329>2 días117,713,19.0216954,915,421.7891.0760 díasOtro1210,214,19.72198911,713,819.5422.279hasta 2 días1318,97,95.4581.03126,65,07.1531.906>2 días1423,71,38712069,71,82.5522470 díasPersonalHombre1526,32,01.35635623,12,63.724862hasta 2 días1633,42,31.57052542,71,31.902813>2 días1710,33,92.7022795,95,47.6144520 díasOtro1813,34,63.13541714,95,57.7291.150hasta 2 días1923,43,42.35655131,72,12.964941>2 días20
Fuente: Cálculos de Schreiner con datos de BMM/C
Página 10 de 24, Mark Schreiner
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Proporcion de desembolsos
Pronosticado vs real, 199911
20
61425
161
4
107
19
313
159
1812
PronosticadoReal
8
17
Página 11 de 24, Mark Schreiner
Lecciones del ejemplo sencillo
! Pronosticó bien: créditos con poco riesgopronosticado tuvieron poco riesgo real
! Identificó atributos que disminuyen riesgo:— Ser mujer— Poseer teléfono— No requerir garantía personal— Tener poca mora anterior
! En algunos segmentos, no pronosticó bien
Página 12 de 24, Mark Schreiner
Efectos sobre la rentabilidad
! Se decide cómo usar scoring por lasconcesiones mutuas entre rentabilidad,tamaño de cartera, y esfuerzo/trabajo
! Se pueden estimar efectos en la rentabilidady en el número de desembolsos
! Supuestos:— Beneficio de evitar un malo: $250— Costo de perder un bueno: $100
Página 13 de 24, Mark Schreiner
Efectos sobre la rentabilidad (cont.)
! Con el árbol en 1999, si BMM rechazararenovaciones con > 2 días de mora anterior:— Evitaría 1.439 malos (31% de rechazos)
32% de los malos totales— Otorgaría 16,9% menos créditos— Perdería 3.209 buenos (69% echazos)
— Economizaría $250@1.439 =$359.750— Perdería $100@3.209 =$320,900
! Efecto: economiza $38.850, tiempo, esfuerzo
Página 14 de 24, Mark Schreiner
Ejemplo sencillo modelo regresión
(Trabajo estadístico especializado)
Riesgo = 0,100+ 0,010 @ Secuencia! 0,001 @ Edad! 0,015 @ Mujer+ 0,001 @ Monto+ 0,020 @ Máximo atraso anterior ! 0,045 @ Presencia de teléfono
Página 15 de 24, Mark Schreiner
Uso de scorecard tipo regresiónRenovación de 100 para hombre de 30años con teléfono y atrasos de 4 días:
Riesgo= 0,100+ 0,010 @ 2 (Secuencia)! 0,001 @ 30 (Edad)
! 0,015 @ 0 (Hombre)+ 0,001 @ 100 (Monto)+ 0,020 @ 4 (Atrasos ant.)! 0,045 @ 1 (Con teléfono)= 0,225 = 22,5%
Página 16 de 24, Mark Schreiner
Árboles comparados con otros métodos
Criterio ÁrbolesModelos
RegresiónSistemasexpertos
Multivariado Sí Sí Sí
Estadístico Sí Sí No
Revela causas de riesgo No Muy bien No
Tolerancia datos erróneos Alto Bajo Alto
Requerimientos datos Medio Mucho Nada
Construcción Fácil Difícil Fácil
Integración sistemas Igual
Sencillez / comprensión Buena Complejo Mejor
Poder de pronóstico Bueno Mejor Mediano
Página 17 de 24, Mark Schreiner
Etapas del cambio al scoring
1. Acumulación de datos2. Trabajo estadístico3. Integración en sistemas4. Uso diario en las agencias
ˆ El uso diario es lo más difícil; sepuede comprobar la eficacia de lasotras etapas antes del uso
Página 18 de 24, Mark Schreiner
Uso de scoring en el proceso de evaluación
Mark Schreiner, www.microfinance.com/Castellano/indice.html
Denegado
Pre-solicitud,Auxiliadora
Visita y evaluación tradicional,Analista
Digitación de la solicitud,Generación pronosticación,
DigitadorEvaluación tradicional,
Comité de crédito
Finalizar aprobación según riesgo pronosticado,Comité de crédito
Pasado
Pasado
Aprobado
Pasar datos
Pasar datos
Pasar riesgo pronosticado
Denegación
Riesgo < Umbral Súper-bueno
Umbral Súper-bueno < Riesgo < Umbral Peligroso
Umbral Peligroso < Riesgo < Umbral Súper-malo
Umbral Súper-malo < Riesgo
Súper-buenoPasar a línea
(cupo) de crédito
NormalAprobar
tal como está
PeligrosoRevisar eval. y
modificar, si fueranecesario
Súper-maloDenegar
Denegado
Denegado
Página 19 de 24, Mark Schreiner
Tabla de seguimiento
• Reporte central del sistema de scoring
• Indica si scoring pronostica bien o no
• Muestra distribución de riesgo en lacartera para fijar umbrales de política
• Indica si las excepciones tenían razón
Página 20 de 24, Mark Schreiner
Tabla de seguimiento, riesgo de 4 días, ColombiaRegresión multivariado con cancelados hasta 31-7-2001
Probado con vigentes al 31-7-2001Riesgo real (%)Créditos Riesgo
según días de vigencia transcurridosvigentesPronosticado270+180-27090-1800-90en rango (%)(rango, %)4,00,02,01,40,50-23,52,12,82,85,12-45,14,04,03,07,84-68,15,54,83,98,16-8
11,56,46,75,17,78-1018,111,68,15,517,010-1527,617,912,16,814,515-2033,123,816,99,011,420-2537,830,419,411,48,425-3045,837,325,014,610,030-4053,650,930,418,45,140-5060,457,242,323,02,750-6070,565,242,632,41,260-7077,965,562,934,30,570+
Mark Schreiner, BMM, 16 octubre 2001
Página 21 de 24, Mark Schreiner
Se fija umbrales de política según las metas
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
0 6 20 40 70Riesgo pronosticado de 4 dias
Súper-malos: 13,4% cartera,1,4 malos por 1 bueno
Súper-buenos: 8,8% cartera,0,05 malos por 1 bueno
Normales: 44,6% cartera,0,2 malos por 1 bueno
Peligrosos: 34,1% cartera,0,6 malos por 1 bueno
Página 22 de 24, Mark Schreiner
Cali, riesgo de 30 días, vigentes 270-360 días, peore# malo¿Malo?Riesgo pronost.Atraso prom.Atraso máx.Días vig.ClienteCódigo
1Sí0,89642,577308Javela, Maria AuroraE 137862Sí0,81421,136334Vargas Posada, Maria DioselinaC 499352No0,80114,825336Arboleda Montoya, Maria NivellyB 565173Sí0,79614,842304Beltran De Marin, DioselinaC 506323No0,72022,728337Nuñez Montealegre, DollyA 485764Sí0,71445,5101304De La Cruz Andrade, LeonorC 506305Sí0,67722,239304Aguirre Rivera, Maria AmeliaE 139405No0,61814,525337Agudelo De Marin, GracielaA 485716Sí0,59525,767304Morales Muñoz, Marco TulioC 506567Sí0,59336,086304Bedoya Silva, OswaldoF 168898Sí0,59324,758308DesconocidoD 176108No0,59111,918334Hernandez De Cardona, GracielaE 133558No0,5840,32285DesconocidoA 488018No0,5836,115293Gonzalez De Castillo, Rosa ElviraB 576428No0,5810,42348Ocampo Tabarez, Jose LibardoB 562658No0,58011,122334Marroquin Ocampo, LibiaA 489349Sí0,56982,7191334Rivera De Palma, Maria MelidaE 1336110Sí0,56225,854304Marulanda, Pablo EnrriqueA 4955210No0,5545,514356Valencia, Claudia PatriciaB 5598210No0,5480,52335Suarez Chala, YolandaI 344710No0,5487,720308Marin Simos, Jorge JulioC 5053511Sí0,54452,093292Lozano Arce, NevaliaG 1096111No0,5434,415318Berrio De Giraldo, FannyB 5599111No0,5394,512306Gomez Martinez, DiofanorA 4940011No0,5367,014319Mendoza De Calderon, Editha MariaH 707812Sí0,53261,6131306Campiño Marulanda, Maria NelcyE 1387312No0,5210,93279Castillo, HermenegildaG 10209
13Sí0,52115,539334Laverde Ortiz, Maria NubiaC 4992114Sí0,51912,636281Montoya Gomez, Jose JavierC 5106915Sí0,51468,9177304Chachinoy, Justo PeregrinoG 10826
Real=0,50Prom. riesgo pronost.=0,610Mark Schreiner, www.microfinance.com/Castellano/indice.html
Página 23 de 24, Mark Schreiner
Cali, riesgo de 30 días, vigentes 270-360 días, mejor# malo¿Malo?Riesgo pronost.Atraso prom.Atraso máx.Días vig.ClienteCódigo
0No0,0050,00292Tulande Valencia, Carmen LuceroF 169790No0,0050,11305Echeverry Betancourt, Fabio JoseG 107880No0,0050,00279Valencia Artunduaga, Juan CarlosH 76440No0,0050,00281Y Cia. S En Cs, Zorrilla RamirezG 110800No0,0050,00290Sanchez Osorio, Carlos HernanB 574840No0,0057,013316Escobar Balanta, PatriciaG 105290No0,0060,00322Angel Echandia, HenryF 162890No0,0060,11285Soto Jaramillo, Emma StellaG 109680No0,0060,00295Guevara Collazos, Julio CesarF 169000No0,0060,85336Paz Burbano, Maria FernandaH 66480No0,0060,00284Escobar Mayorquin, MonicaF 172020No0,0070,00287Motato Palomino, Diego De JesusF 171650No0,0070,00308Garcia E Hijos Ltda, Tulio AlbertoF 167380No0,0071,05305DesconocidoG 107820No0,0070,11318Rivera Contreras, Maria ElenaF 166030No0,0071,45323Sanchez Rojas, GonzaloF 162730No0,0070,00295Bonilla Lopez, Flor EmilsenD 178520No0,0070,00280Torres Vanegas, Maria ElenaG 111400No0,0074,020293Alegria Chacon, Lucelli EmilsaG 108710No0,0070,00356Gutierrez Rodriguez, LucilaF 156950No0,0070,11291Carvajal Lopez, Wilson AlejandroF 170610No0,0070,00323Cardona Castaño, AlvaroF 162720No0,0070,00287Franco Duque, Martha LuciaA 497990No0,0070,11294Polanco Carvajal, GerardoF 168930No0,0070,00349DesconocidoE 130370No0,0070,00287Agudelo Aristizabal, Maria EduvigesG 110730No0,0070,00314Ceballos Mejia, Luis JanertF 16593
0No0,0080,00323Escobar Micolta, Olice JoseD 171560No0,0080,00283Muñoz Cometa, EdinsonF 172700No0,0080,21341Tabarez Ramirez, Weilmar De JesusF 16105
Mark Schreiner, www.microfinance.com/Castellano/indice.html
Página 24 de 24, Mark Schreiner
Repaso de puntos claves
• Haz tu propio árbol: es sencillo, rápido, fácil,y suele ser poderoso
• Pruebe tu scorecard con datos históricos
• Use scoring sólo con créditos aprobadosprovisionalmente bajo las normas deevaluación tradicional
• Dé seguimiento constante al sistema
top related