Credit Analytics
4 recomendaciones1,438 vistas
El documento presenta una introducción a Business Analytics. Explica que Business Analytics utiliza datos para mejorar las decisiones de negocio mediante el uso de herramientas de Business Intelligence y Predictive Analytics. Luego describe algunos componentes clave de una plataforma predictiva como datos, herramientas, metodología, modelos predictivos, estrategias y monitoreo. Finalmente, menciona ejemplos de cómo se han implementado modelos predictivos en el banco para aplicaciones como scoring de clientes, colecciones y gestión de riesgos.
Credit Analytics
- 1. Business Analytics la diferencia
- 2. Agenda •Que es Business Analytics ? •Modelos Predictivos. Competidores. •Componentes de una Plataforma Predictiva. •Business Analytics: nuestra experiencia. •Ejemplos de implementaciones en el Banco. •Conclusiones Futuro del Business Analytics.
- 3. ¿Qué es Business Analytics? Business Intelligence Es el conjunto de estrategias y herramientas orientadas a acceder, agrupar y guardar datos en una empresa, de forma tal que contribuyan a mejorar la performance y decisiones. + Predictive Analytics Es un proceso que permite transformar los datos en conocimiento de manera de poder realizar predicciones para tomar mejores decisiones de negocio.
- 4. Dimensiones del Análisis Optimización Que le ofrecemos Orientado a “ACTUAR” para retenerlo ? hoy Modelos predictivos Que clientes no pagarán? Que clientes perderemos? Orientado a cio Ventaja Competitiva “PRONOSTICAR” o Forecast n eg Cuál será el nivel de previsiones que pasará el para el próximo año? a p ar or Alertas V al Reporte de vitrade (visa) Query / drill down Aumento de morosidad. De donde viene? Orientado a “ENTENDER” que pasó Ad hoc reports Cuanto aumento la mora en esa región? Standard reports Reporte / Tableros de evolución de ventas Grado de Inteligencia
- 5. Modelo Predictivo • Un modelo predictivo puede definirse como una representación matemática que permite predecir comportamientos futuros en función del conocimiento presente. • En un modelo predictivo No vamos predecir un evento, sino que vamos a calcular la probabilidad que ese evento ocurra. En un modelo predictivo No existe garantía de cuál será el resultado para un caso en particular. La probabilidad se aplica un conjunto de casos
- 6. Beneficios del método predictivo • Consistente • Objetivo • Eficiente • Automatizable • Auditable • Fácil de monitorear 6
- 7. Ejemplo-Competidor con plataforma Predictiva- Netflix es una corporación americana cuyo servicio consiste principalmente en ofrecer renta de vídeos (vía correo postal) y transmisión de vídeos por streaming. ¿Cómo funciona? •Se paga una suma fija y mensual y puedes solicitar películas de vídeo por correo o ver películas y episodios de series de televisión usando tu conexión a Internet. •Se envían por streaming a tu PC u otros dispositivos que se conectan a tu televisión y puedes ver películas instantáneamente. Aplicaciones Analíticas •Customer behavior and buying pattern (Cinematch: motor de recomendación de películas). •Algoritmo propietario (premio u$s 1MM por mejorar 10% la performance) Los competidores mas sofisticados están aquí y ahora 7
- 8. Componentes - Plataforma predictiva - Elementos críticos Datos Herramientas Metodologia Modelos predictivos Estrategias Monitoreo
- 9. Datos - Fuentes - Datos Transacciones en tarjetas de crédito y débito Año: 48.000.000 •Clientes datos Data View (Teradata) demográficos •Pagos y depósitos Mes: 4.000.000 realizados •Uso productos activos y pasivos Información Día: 133.000 •Llamados al call center valiosa cada •Accesos a Web segundo • Productos y Hora:5.500 comportamiento en el mercado •Uso de productos en el mercado Minuto:93 •Uso promociones Transacciones en tarjetas Segundo:1.5 de Crédito y Débito Uso de ATM 9
- 10. Modelo Predictivo – Aplicaciones- •El uso de los modelos predictivos se extiende a lo largo de toda la cadena de valor de créditos NEW 1 2 3 4 5 Existing Capital Targeting Underwriting customer Collections management management • Selección de • Pre-screening. • Manejo de • Scores para • Determinación clientes • Modelos de límites mora temprana de Expected prospectos. aplicación. • Autorizaciones y mora Loss y Capital • Modelos de • Procesos de • Cross Sell avanzada • PD,EAD,LGD propensión. automatización. • Retención • Pricing. El resultado de un modelo predictivo puede ser el output de un proceso o ser un input mas de otro proceso posterior.
- 11. Modelo Predictivo – Etapas y tiempos- Etapas en el desarrollo 1 2 3 4 Discriminatory 5 Post Data Collection Single Factor Multi-Factor power / development & Cleaning Analysis Analysis Calibration / validation Stability (OOT) • Recolección de datos • Seleccionar la • Selección de variables • Evaluar poder de • Testeo de resultados (raw data). muestra de desarrollo mas predictivas. discriminación buenos en la muestra OOT. • Evaluar la calidad de y testing. • Evaluar “VIF” este vs malos • Evaluación de deterioro los datos • Evaluar la información dentro de parámetros • Analizar actual vs vs modelo de • Encontrar y definir los que contiene cada aceptados. expected desarrollo y OOT.. campos key. respecto del target • Calculo de de ln(odds). • Analizar estabilidad de • Aceptación de la línea • Determinar el numero • Manejo de valores • Corrida de modelo con las variables de negocios de buenos y malos nulos y outliers. las variables de mayor • Analizar variables “information value” derivadas • Evaluar correlación entre variables Tiempos requeridos 1 2 3 4 5 60% 20% 10% 5% 5%
- 12. Modelo Predictivo -Esquema de trabajo - Línea de tiempo para el Desarrollo de un Modelo Pasado Hoy Futuro 4/2010 4/2011 Implementación Período de Observación Período de Performance (con información Ej:12 meses / 5 años Ej:12 meses al día de hoy) y toma de decisiones Construcción de variables predictivas Malo Bueno al Punto de Observación Variable Target Modelo Proceso de desarrollo del Score Score Score Bajo Alto Modelo Malo Bueno
- 13. Modelo Predictivo -Como saber si funciona- Casos Totales 10.000 Target 960 % Target 9,6%
- 14. Modelo Predictivo -Como saber si funciona- Casos Totales 10.000 Target 960 % Target 9,6% Random Bolas Rojas / Total Bolas Bolas Ac Bolas rojas 80% Extracción Total de bolas Extraído Rojas Negras rojas sobre total 10% 1.000 96 904 10,0% 10,0% 10% 1.000 96 904 10,0% 20,0% 10% 1.000 96 904 10,0% 30,0% 20% 10% 1.000 96 904 10,0% 40,0% 10% 1.000 96 904 10,0% 50,0% 10% 1.000 96 904 10,0% 60,0% 10% 1.000 96 904 10,0% 70,0% 10% 1.000 96 904 10,0% 80,0% 10% 1.000 96 904 10,0% 90,0% 10% 1.000 96 904 10,0% 100,0% 10.000 960 9.040
- 15. Modelo Predictivo -Como saber si funciona- Casos Totales 10.000 Target 960 % Target 9,6% 100% Bola de Cristal Bolas Rojas / Ac Bolas Total Bolas Extracción Bolas Rojas Total de bolas rojas sobre Extraído Negras rojas total 10% 1.000 960 40 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 9.6% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10% 1.000 0 1.000 100,0% 100,0% 10.000 960 9.040
- 16. Modelo Predictivo -Como saber si funciona- Casos Totales 10.000 Target 960 % Target 9,6% Modelo Predictivo Bolas Rojas / Ac Bolas Total Bolas Extracción Bolas Rojas Total de bolas rojas sobre Extraído Negras rojas total 10% 1.000 328 672 34,1% 34,1% 10% 1.000 164 836 17,1% 51,2% 10% 1.000 114 886 11,9% 63,1% 10% 1.000 94 906 9,8% 72,9% 10% 1.000 68 932 7,0% 79,9% 10% 1.000 54 946 5,7% 85,6% 10% 1.000 48 952 5,0% 90,6% 10% 1.000 39 961 4,0% 94,7% 10% 1.000 29 971 3,0% 97,7% 10% 1.000 23 977 2,4% 100,0% 10.000 960 9.040
- 17. Modelo Predictivo -Como saber si funciona- Casos Totales 10.000 Target 960 % Target 9,6% Random Modelo Ac Bolas rojas Ac Bolas rojas % Total sobre total sobre total 10,0% 10,0% 34,1% 20,0% 20,0% 51,2% 30,0% 30,0% 63,1% 40,0% 40,0% 72,9% 50,0% 50,0% 79,9% 60,0% 60,0% 85,6% 70,0% 70,0% 90,6% 80,0% 80,0% 94,7% 90,0% 90,0% 97,7% 100,0% 100,0% 100,0%
- 18. Monitoreo
- 19. Monitoreo C Business Banking REL – Total portfolio P C Business Banking REL – YTD Credit losses P Comments 1.400.000 YTD credit Losses (in AR$m) • The steady growth in the REL portfolio slowed 1.200.000 14.000 down during April. 1.000.000 12.000 12.500 • No material new Non Performing Loans were 800.000 10.000 observed on the REL segment for the last 6 10.100 8.000 months. 600.000 6.000 7.276 400.000 • The Business Support and Recovery rate had 4.000 been experiencing a downward trend over the 200.000 last quarter due to a combination of lower 2.000 740 0 1.150 inflow and higher write-offs ($10.7m). 0 Dec-09 Mar-10 Jun-10 Sep-10 Dec-10 Mar-11 Apr-11 Problem loans slightly increased 10 bps from Dec 10 YTD Apr 11 YTD RE Apr 11 FY Bud 11 RE FY last month as a small Agribusiness Co. (O/S $0.7m) was transferred from Watchlist to 50.000 Direct Management. Watchlist C BSR loans and Watchlist BSR Problem loansP C Business banking REL – Concentration risk P 40.000 • The portfolio posted marginal charges of 6.1% 35% $0.27m and remains Ar$0.4m below RE. 6.0% 5.1% 4.4% Top 20 3.6% 30% 30.000 • In terms of concentration, the 20 largest 25% 1.8% 1.9% customers represent around 31% of the book 20.000 20% Top 10 and the 10 largest around 20%. The business 15% is concentrated around a few numbers of 10.000 10% sectors with almost 50% in Agribusiness and Transportation. 5% 0 0% • RE1 projections maintain the same credit loss Dec 09 Mar-10 Jun-10 Sep-10 Dec-10 Mar-11 Apr-11 rate of the original budget (1%). Full year credit loss forecast was increased from $10.1m to $12.5 following the portfolio growth. C = Current; P = Projection
- 20. Como evolucionamos en Standard Bank Año 1995-1999 2000-2006 2007-2008 2009-Actualidad Origen de datos IT IT IT IT Almacenamiento IT Departamental IT IT de datos Desarrollo IT Departamental Departamental Departamental solución Lugar de proceso IT Departamental Departamental IT Alcance de la Organización Departamental Departamental Organización implementación
- 21. Ejemplos de trabajos •Targeting •Plataforma Originaciones •Primeros 12 meses •Account Management •Collection & Asset Recovery •Capital Management
- 22. Targeting - Ejercicio de Mercado Potencial - Drivers (Muestra 2%) •Reglas de exclusión •Concepto Bancarización •Tipo de Score •NSE •Políticas de Crédito •Zonas de Cobertura •Inconsistencia Códigos postales •Edades no admitidas Beneficios derivados 3. Entender la composición del mercado e identificar las oportunidades de negocio. 4. Entender la penetración por zona y cuantificar el mercado potencial remanente. 5. Evaluar la cobertura de la red y futura localización de nuevas Sucursales. 6. Ayudar a planificar objetivos de venta con mayor precisión.
- 23. Plataforma de Originación Datos solicitud Bases Internas Vector UNICO de entrada al proceso (355 variables) Bases Públicas Bureau de Crédito Acuerdo con IT: •No modificar el nodo Origen. ? •No modificar el nodo Destino. •Usar las 355 variables definidas. •Encargarnos de diseñar la política y mantenerla.
- 24. Plataforma de Originación •Las políticas de crédito tienen dos pasadas. La primera evalua bases internas y públicas y la 2da. evalúa bases externas y realiza cálculos de selección y asignación de línea.
- 25. Plataforma de Originación •Es visual y fácil de interpretar la secuencia •Con un doble click, vamos entrando en detalle. •Con otro doble click vemos que hace el nodo.
- 27. Plataforma de Originación Plantilla de diseño de política Filtro A Filtro B Filtro C Filtro D Requisitos / Exclusiones Líneas / Capacidad Riesgo / CRL Valor / Riesgo Decisión Final Datos Comportamiento Bases Exposure RCI PD EL Valor Riesgo Solicitud Interno Públicas Filter A to D R ec Valor/riesgo ≥ cut-off ha •Exposure Cliente z •Edad PD ≤ cut-off ad Aceptado •Exposure Producto Aceptado Aceptado Aceptado o •Atrasos en el Banco • Cut-off difiere por •Sit.BCRA •Exposure Mercado Ac •RCI EL ≤ cut-off producto, tipo ep Rechazado cliente y canal ta (automático) do Aceptado Rechazado (Automático) (manual) o ic át Aceptado m Rechazo / Rechazo / (manual) to Rechazo / Rechazo / Au Excepción Excepción Excepción Excepción l ua an M Modelo decisión (regla) Posibilidad de Tamaño excepción Modelo Revisar Automático Riesgo Modelo La decisión crediticia en el segmento de consumo incluye dos etapas: la selección y asignación de la línea de crédito.
- 28. Plataforma de Originación Retailers Sucursales Dealers
- 29. Plataforma de Originación Beneficios derivados •Reglas de negocio in house. •Automatización de operaciones. Actualmente 70%. Proyectado 80%. •Reducción de dotación y foco en casos donde el analista agrega valor. •Ahorro sustancial en consultas al Credit Bureau. •Solución escalable. Una solución atiende todos los canales. •Análisis del tipo What if. •Estrategias de tipo Champion – Challenger. •Simplificación de los controles y testeos pre – implementación. •Proceso ágil y seguro de puesta en producción. •Herramienta muy fácil de auditar. •Quality assurance inmediato de las operaciones originadas. •Monitoreo ágil y rápido sobre las nuevas originaciones.
- 30. Primeros 12 meses Renovación Incentivación Fidelización Activación 1- Welcome call Retención 2- Habilitación 3- Activación Habilitación 5 4- Incentivación 3 7 5- Fidelización 6 Welcome 6- Reactivación call 2 4 7- Retención Reactivación 1 Mes 3 Mes 6 Mes 9 Mes 12 Mes 13 Credit indicators •First payment default •Early payment default
- 31. Account Management - Ejemplos- CRL Manejo Segmentación de Límites Account Management Manejo Oportunidades Productos de Venta Revolving
- 32. Account Management - Riesgo- Credit Bureau Internal Customer Risk Level SCORE SCORES ETAPA I ETAPA II Bureau % Bads % Bads - Total Score 901-999 0,7% 4,6% 3,5% 2,6% 1,1% 0,6% 0,3% 0,2% 0,2% 0,2% 0,3% 851-900 1,9% 5,6% 4,6% 3,7% 2,3% 1,1% 1,0% 0,1% 0,5% 0,8% 0,5% 800-850 3,4% 6,7% 6,0% 3,5% 1,6% 1,1% 1,0% 0,6% 0,2% 0,3% 0,1% 751-800 5,8% 7,0% 4,8% 3,4% 3,4% 2,8% 2,9% 3,2% 0,2% 0,1% 0,2% 651-750 7,9% 10,9% 7,3% 4,5% 3,4% 3,3% 1,6% 2,7% 1,9% 0,6% 0,1% 401-650 9,0% 12,1% 10,2% 7,5% 7,6% 1,7% 4,6% 1,5% 1,6% 1,6% 1,9% 001-400 11,3% 19,7% 15,2% 10,1% 5,3% 7,7% 4,1% 2,8% 3,9% 2,1% 2,0% Total 2,6% 001-320 321-586 587-719 720-797 798-840 841-859 860-870 871-883 884-906 907-999 Score Interno Segmentar el Portafolio por nivel de Clasificación de los niveles de riesgo: riesgo. VL 90 + dpd in 18 month period 0 - 1 % L 1.1 - 2 % Mantener actualizado el riesgo y M MH 2.1 - 5 % 5.1 - 10 % monitorear la evolución del mismo. H VH 10.1 - 15 % + 15 %
- 33. Account Management - Conocimiento Clientes- Information at product level Credit Cards Personal Loan Customer Number 479200 TC_Limit $ 17.100 PL_Limit $ 9.302 Information at Customer Level ID Customer 20294421 TC_Balance $ 11.305 PL_Balance $ 9.302 Total Exposure $ 120.003 TC_DPD_Max 0 PL_DPD_Max $0 Total balance $ 112.481 TC_EAD_Value $ 13.313 PL_EAD_Value $ 9.302 Total EAD $ 117.037 TC_LGD_DT 0,4825 PL_LGD_DT 0,7788 DPD_Max 0 TC_Estimated risk % 2,20% PL_Estimated risk % 1,79% # Products 4 TC_Cases 2 PL_Cases 1 Estimated risk % 2,20% TC_Segment CSSS74 PL_Segment CSSS55 Risk Segment M Dpd Status C Auto Loan Checking Overdraft Default segment 2% - 3% AUTO_Limit 0 CH_OV_Limit $ 2.000 Month Nov-2010 AUTO_Balance 0 CH_OV_Balance $ 274 AUTO_DPD_Max 0 CH_OV_DPD_Max $0 AUTO_EAD_Value 0 CH_OV_EAD_Value $ 2.821 AUTO_LGD_DT 0 CH_OV_LGD_DT 0,5613 AUTO_Estimated risk % 0 CH_OV_Estimated risk % 1,91% AUTO_Cases 0 CH_OV_Cases 1 AUTO_Segment CH_OV_Segment CSSS56 Mortgage Loan ML_Limit $ 91.601 ML_Balance $ 91.601 ML_DPD_Max $0 Bad rate % Rango Basilea ML_EAD_Value $ 91.601 Rango Bureau 1 2 3 4 5 6 7 8 ML_LGD_TTC 0,1141 1 21,01% 13,66% 10,70% 9,52% 7,63% 3,92% 3,92% 0,84% ML_Estimated risk % 0,53% 2 19,95% 12,09% 8,87% 6,61% 5,20% 3,33% 1,62% 0,84% ML_Cases 1 3 17,23% 10,77% 9,07% 5,78% 3,58% 2,47% 1,62% 0,57% ML_Segment CSSS32 4 13,95% 8,62% 6,00% 4,34% 3,07% 1,34% 1,21% 0,42% 5 12,23% 6,08% 4,50% 3,06% 1,92% 1,34% 1,02% 0,40% 6 10,53% 4,62% 3,17% 2,37% 1,39% 1,10% 0,73% 0,35% 7 9,09% 4,62% 3,17% 2,20% 1,26% 0,78% 0,54% 0,35%
- 34. Account Management – Revisión de Limites-
- 35. Account Management – Revisión de Limites- - Exclusiones y selección de clientes elegibles- •CRL •Sin atrasos en sus productos. •Antigüedad > 9 meses. •Ultima modificación > 6 meses. Exclusiones •Edad 1 • Uso en las tarjetas del Banco. 2 • Uso en las tarjetas del Banco. 3 • Uso tarjetas de débito. 1 2 3 4 5 4 • Alertas mercado (nuevas tarjetas) 5 • Pedido de líneas transitorias / transacciones denegadas Target Selección
- 36. Account Management – Segmentación Riego + Ingresos- Clientes 100.000 A B C1 C2 C3 D1 D2 E Riesgo # $12.000 $7.300 $5.200 $4.300 $3.800 $3.100 $2.200 $1.400 20% 15% 25% 30% 5% 5% 4% 1% VL 43.000 L 25.000 M 11.000 MH 13.000 Estrategias H 5.000 diferenciadas VH 3.000 Con tarjeta en Total 100.000 el Mercado A $12.000 Sin tarjeta en el Mercado
- 37. Account Management – Valor del cliente- Valor Potencial: Esta dado por lo que el cliente hace conmigo y lo que hace en el mercado. (Visión completa del cliente) Mercado Bajo Medio Alto Alto Standard Bank 4 3 Proteger Blindar e incentivar Medio Bajo 1 2 Ignorar Conquistar
- 38. Cobranzas & Asset Recovery - organización- 1 Pre- Delinquency (0 dpd) 2 Early stage (1-29 dpd) 3 Cobranzas Mid stage (30-90dpd) Analytics 4 Late stage RRHH (90-180dpd) 6 Charge off (+180dpd) Asset Rcovery Agencias // In House 6 Technology (Mosaix) 7 Management information System (MIS)
- 39. Cobranzas Ejemplo - modelo predictivo- Score Score Casos Target Casos Target Decil Target K-S Gini Odds Min Max Totales % % ac % 1 500 794 23.949 7.847 32,8% 10,0% 32,8% 26,7 0,01 2,1 2 794 864 23.949 3.932 16,4% 10,0% 49,2% 34,5 0,04 5,1 3 864 904 23.948 2.725 11,4% 10,0% 60,6% 36,5 0,06 7,8 4 904 928 23.949 2.257 9,4% 10,0% 70,0% 36,3 0,07 9,6 5 928 938 23.948 1.620 6,8% 10,0% 76,8% 33,0 0,08 13,8 6 938 945 23.949 1.300 5,4% 10,0% 82,2% 28,2 0,09 17,4 7 945 952 23.949 1.159 4,8% 10,0% 87,0% 22,7 0,09 19,7 8 952 960 23.948 922 3,9% 10,0% 90,9% 16,1 0,10 25,0 9 960 968 23.949 698 2,9% 10,0% 93,8% 8,4 0,10 33,3 10 968 999 23.949 550 2,3% 10,0% 100,0% 0,0 0,11 42,3 Totales 239.487 23.010 9,6% 36,5 0,49 40,0% Target (%) por Decil 37,5% 35,0% 32,8% 32,5% 30,0% 27,5% 25,0% % Target 22,5% 20,0% 17,5% 16,4% 15,0% 12,5% 11,4% 9,4% 10,0% 6,8% 7,5% 5,4% 4,8% 5,0% 3,9% 2,9% 2,3% 2,5% 0,0% 1 2 3 4 5 6 7 8 9 10 Decil Target, exclusiones, periodo de observación y ventana de comportamiento
- 40. Cobranzas Ejemplo - modelo predictivo- Deciles Día Final Decil 5 Día Total 1 2 3 4 5 6 7 8 9 10 1.620 1,620 / 23,949 4 239.487 23.949 23.949 23.949 23.949 23.949 23.949 23.949 23.949 23.949 23.949 4 6,8% 1,620 / 22,498 5 225.942 23.475 23.149 22.950 22.760 22.498 22.066 22.348 22.355 22.259 22.082 5 7,2% 1,620 / 21,186 6 212.464 22.893 22.214 21.666 21.516 21.186 20.504 20.839 20.938 20.568 20.140 6 7,6% 1,620 / 18,696 7 182.064 21.528 20.270 19.060 18.825 18.696 17.406 17.461 17.098 16.333 15.388 7 8,7% 1,620 / 15,891 8 153.500 20.118 18.384 16.742 16.360 15.891 14.170 14.241 13.735 12.526 11.334 8 10,2% 1,620 / 13,481 9 131.122 18.881 16.701 14.833 14.256 13.481 11.716 11.767 11.122 9.815 8.550 9 12,0% 1,620 / 11,793 10 115.838 18.010 15.564 13.480 12.841 11.793 10.043 10.070 9.305 7.957 6.775 10 13,7% ,,,,,,,,,,, 11 106.714 17.433 14.847 12.588 11.981 10.690 8.979 9.087 8.305 6.964 5.840 11 15,2% ,,,,,,,,,, 12 98.319 17.015 14.066 11.777 10.974 9.366 7.939 8.129 7.459 6.284 5.309 12 17,3% ,,,,,,,,,, 13 92.584 16.552 13.326 11.014 10.255 8.674 7.426 7.632 6.931 5.799 4.975 13 18,7% ,,,,,,,,,, 14 76.432 15.361 11.618 9.357 8.530 7.007 5.922 5.881 5.082 4.116 3.558 14 23,1% ,,,,,,,,,, 15 64.122 14.403 10.186 8.041 7.105 5.539 4.729 4.549 3.818 3.083 2.669 15 29,2% ,,,,,,,,,, 16 57.646 13.699 9.406 7.240 6.326 4.837 4.132 3.951 3.239 2.593 2.223 16 33,5% ,,,,,,,,,, 17 52.645 13.092 8.719 6.654 5.656 4.257 3.692 3.515 2.860 2.275 1.925 17 38,1% ,,,,,,,,,, 18 49.737 12.745 8.250 6.289 5.311 3.975 3.428 3.246 2.642 2.094 1.757 18 40,8% ,,,,,,,,,, 19 48.564 12.601 8.055 6.132 5.139 3.815 3.321 3.166 2.567 2.053 1.715 19 42,5% ,,,,,,,,,, 20 46.892 12.327 7.804 5.917 4.898 3.646 3.193 3.033 2.450 1.974 1.650 20 44,4% ,,,,,,,,,, 21 43.262 11.740 7.227 5.413 4.490 3.349 2.909 2.746 2.181 1.742 1.464 21 48,4% ,,,,,,,,,, 22 38.986 11.008 6.583 4.852 4.013 2.968 2.584 2.376 1.887 1.476 1.238 22 54,6% ,,,,,,,,,, 23 35.724 10.435 6.023 4.389 3.632 2.677 2.340 2.131 1.697 1.312 1.087 23 60,5% ,,,,,,,,,, 24 33.042 9.858 5.590 4.042 3.350 2.464 2.100 1.918 1.532 1.217 970 24 65,7% ,,,,,,,,,, 25 31.366 9.513 5.333 3.828 3.161 2.320 1.970 1.786 1.429 1.140 885 25 69,8% ,,,,,,,,,, 26 30.558 9.366 5.145 3.727 3.080 2.254 1.902 1.717 1.394 1.108 864 26 71,9% ,,,,,,,,,, 27 29.419 9.110 4.943 3.555 2.952 2.171 1.799 1.645 1.341 1.071 831 27 74,6% ,,,,,,,,,, 28 27.218 8.653 4.588 3.269 2.705 1.979 1.652 1.482 1.200 943 746 28 81,9% 1,620 / 1,790 29 24.758 8.232 4.192 2.951 2.434 1.790 1.446 1.284 1.016 794 619 29 90,5% 1,620 / 1,620 30 23.010 7.847 3.932 2.725 2.257 1.620 1.300 1.159 922 698 550 30 100,0% Total 1 2 3 4 5 6 7 8 9 10 Target 9,6% 32,8% 16,4% 11,4% 9,4% 6,8% 5,4% 4,8% 3,8% 2,9% 2,3%
- 41. Cobranzas - Estrategias de llamados - Codigo % Target EstrategíaTipo llamada Mensaje <= 15% A No Call 15% - 30% B Virtual Standard 30% - 50% C Operador mesaje A 50% - 75% D Operador mesaje B >= 75% E Operador mesaje C Decil DPD 1 2 3 4 5 6 7 8 9 10 5 33% 17% 12% 10% 7% 6% 5% 4% 3% 3% 6 34% 18% 13% 10% 8% 6% 6% 4% 3% 3% 7 36% 19% 14% 12% 9% 7% 7% 5% 4% 4% 8 39% 21% 16% 14% 10% 9% 8% 7% 6% 5% 9 42% 24% 18% 16% 12% 11% 10% 8% 7% 6% 10 44% 25% 20% 18% 14% 13% 12% 10% 9% 8% 11 45% 26% 22% 19% 15% 14% 13% 11% 10% 9% 12 46% 28% 23% 21% 17% 16% 14% 12% 11% 10% 13 47% 30% 25% 22% 19% 18% 15% 13% 12% 11% Casos 100.000 14 51% 34% 29% 26% 23% 22% 20% 18% 17% 16% 15 54% 39% 34% 32% 29% 27% 25% 24% 23% 21% # veces 16 57% 42% 38% 36% 33% 31% 29% 28% 27% 25% Llamados contactados clientes 17 60% 45% 41% 40% 38% 35% 33% 32% 31% 29% Actual 223.260 1,93 18 62% 48% 43% 42% 41% 38% 36% 35% 33% 31% Propuesta 126.075 1,09 19 62% 49% 44% 44% 42% 39% 37% 36% 34% 32% Reducción 20 64% 50% 46% 46% 44% 41% 38% 38% 35% 34% -43,5% 21 67% 54% 50% 50% 48% 45% 42% 42% 40% 38% Tipo Mensaje 22 71% 60% 56% 56% 55% 50% 49% 49% 47% 45% Mensaje A 21.918 23 75% 65% 62% 62% 61% 56% 54% 54% 53% 51% Mensaje B 11.228 24 80% 70% 67% 67% 66% 62% 60% 60% 57% 57% Mensaje C 66.854 Total 100.000 25 82% 74% 71% 71% 70% 66% 65% 65% 61% 62% 26 84% 76% 73% 73% 72% 68% 68% 66% 63% 64% 27 86% 80% 77% 76% 75% 72% 70% 69% 65% 67% 28 91% 86% 83% 83% 82% 79% 78% 77% 74% 74% 29 95% 94% 92% 93% 91% 90% 90% 91% 88% 89% 30 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
- 42. Cobranzas Ejemplo – Implementación de Estrategia - Portafolio Drivers para la decisión Pagos vencidos 0 1 Realizó primer pago Sí No % de utilización 0-119 120+ Producto – MOB - 0-5 6+ Collection Score 0-579 580-609 610-639 640+ Bureau Score <640 640+ <620 620+ Acción Nro 001 002 004 010 011 012 011 013 020 030
- 43. Basilea Ejemplo – diagrama del proceso- Application Information Application Scorecard PD Model Behavioural Expected Credit Bureau Scorecard Loss EAD Model Capital Requirement Performance LGD Feedback and Account Data Model Data View (Teradata)
- 44. Business Analytics -Que vemos….. •Mas “Real Time” o “Right Time” en la decisión de negocios. •Mayor uso de alertas y menor cantidad de reportes. •Mas “visual analytics”. •Uso de modelos predictivos en otras áreas de negocio. •Text Mining y Web Mining •Test and Learn •Mayor demanda de gente con orientación analítica. •El cambio continuará…
- 45. Lo único constante es el cambio
- 46. Preguntas... Eduardo Donato Gerente Credit Analytics Standard Bank eduardo.donato@standardbank.com.ar 46
Notas del editor
- #4: BA es un termino que se deriva de dos conceptos BA el el proceso por el cual transformamos datos en informacion e informacion en conocimiento En la industria de servicios, especificamente bancos, los productos y las tecnologías que aplican los bancos es muy similar. Eso marca que el analytics es un factor diferenciador
- #5: El desafio es pasar de un departamento analitico a una organización analitica Ejemplos: targeting, cross sell, cobranzas El desafio es tomar decisiones informadas En un futuro no lejano el tomar decisiones sin analitics sera considerado una irresponsabilidad
- #6: El analisis estadistico comenzo a crecer en los 70´s con el paquete estadistico introducido por sas y spss permitiendo a researcher y hombres de negocio usarlo. El auge de los modelos predictivos coincide con la disponibilidad de datos. El pos y la web ayudaron a eso.
- #7: SPSS Inc. Copyright 2003-4, SPSS Inc.
- #8: SPSS Inc. Copyright 2003-4, SPSS Inc. Recomienda peliculas con alta aceptación haciend uso optimo de los inventarios Usa analytics para decidir cuanto pagar por los derechos Usuario del test and learn concept “screening room”
- #9: Enfatizar que el conocimiento y la habilidad en el manejo de software analitiocs no es ni será un comodity.
- #10: SPSS Inc. Copyright 2003-4, SPSS Inc. Hoy podemos decir que cualquier movimiento que el cliente realiza deja rastro. It consolido todo en un unico repositorio de negocios.
- #12: Antes se necesitaban 3 personas hoy solo 1
- #19: Uso de semaforos. Explicar que el score no solo tiene que rankear sino tambien debe ser preciso
- #21: 1995-1999 coincide en que solo manejaba datos IT y lños productos se despachaban. 2000-2006 el negocio crecia y necesitabamos saber si estabamos haciendo bien las cosas o no. Explicar que los portafolios crecian y no alcanzaba la foto de fin de mes. Habia que entender como evolucionaba no todo el portafolio sino tambien lo que se habia vendido en el ultimo año (vintage analisis). Empezamos a guardar info y subirla con IT (muy dificil) 2007-2008 It toma el control de los datos 2009-00 IT toma proceso e impacto pero cede la programacion.
- #40: Contestar a quienes, cuando y como?????
- #47: SPSS Inc. Copyright 2003-4, SPSS Inc.