EXPERTOS EN RED

Cuando acudir al credit scoring y al rating

(Esta es la segunda y última parte de la tribuna de David Fernández que se publicó en el pasado número)

Beneficios e inconvenientes de la aplicación del credit scoring

La aplicación del credit scoring nos aporta beneficios en todas las etapas que tienen que ver con el riesgo de crédito:

1. Otorgamiento: Es el punto clave en el que deben intervenir directamente los algoritmos de scoring, controlando el riesgo en admisión. Pero además, la utilización de herramientas de credit scoring en el otorgamiento trae consigo otros beneficios asociados:

• Permite un incremento del negocio, ya que las solicitudes se analizan de manera automática. En todo caso, el experto únicamente debe intervenir cuando la solicitud queda en zona de grises. Por tanto, el experto se reserva para resolver las situaciones difíciles.
  
  
• Este tratamiento automático conlleva una disminución de tiempos de análisis, así como una reducción de los costes de admisión.
  
  
• Se homogeneiza la decisión en toda la organización.
  
  
• Todo ello contribuye a mejorar la calidad en la relación con los clientes.

2. Tramitación: La implementación de los algoritmos de credit scoring aporta importantes beneficios en la tramitación. La fase de implantación de una herramienta de este tipo es un buen momento para revisar los circuitos de tramitación de los expedientes para hacerlos más eficientes. Para ello, existe software en el mercado que implementa esquemas de work-flow aportando:

• Optimización de todos los procesos al utilizar un esquema de trabajo que está pensado como la cadena de producción de una fábrica. Para ello, es necesario definir y gestionar la secuencia de acciones y actores en todo el circuito:
  
  
  • ETAPA: evaluación automática, recepción de documentación, ...
    
  • TIPOS DE USUARIO: comercial sucursal, riesgos-zona, capturista, ...
    
  • EVENTOS: acciones que producen los cambios
    
  • FLUJO DEL PROCESO: la etapa de evaluación automática con resultado conceder nos traslada a la etapa de recepción de documentación.
    
    
• Reducción del riesgo operativo y legal, ya que la aplicación permite la gestión de los procedimientos no automáticos: recepción y verificación documental, datos fraudulentos, seguros, tasaciones, notas simples, ...
  
  
• Finalmente, la utilización de este tipo de software lleva asociada la generación de una base de datos de riesgos que repercute directamente tanto en un buen seguimiento de las operaciones como en la mejora de los algoritmos de scoring.

3. Seguimiento: Un punto clave en el seguimiento es la anticipación a la morosidad a través de indicadores que nos avisen sobre el comportamiento de pago previsto para un cliente en un horizonte temporal cercano. Esto se puede hacer a través de sistemas de alertas de riesgo o bien con scorings de comportamiento:

• Sistemas de alertas de riesgo
  
  Son sistemas de seguimiento que permiten el reconocimiento y anticipación de los riesgos problemáticos, mediante alertas capturadas de forma periódica de manera automática.
  
  Una alerta es una información que refleja un comportamiento distinto al considerado como estándar.
  
  
• Scorings de comportamiento
  
  Tal como hemos visto antes, son sistemas de calificación automática que utilizan básicamente información de comportamiento de pago.
  
  Analizando las necesidades y resultados de cada uno podremos valorar la conveniencia de aplicar uno u otro sistema:

4. Gestión del portafolio: Los sistemas de credit scoring son una pieza importante y necesaria para una gestión eficiente del portafolio, que se convierte en imprescindible.

• El credit scoring es la primera pieza que permite llegar al cálculo de la pérdida esperada.
  
  
• Esta herramienta permite realizar simulaciones de aplicación de distintas políticas de riesgo y, además, los modelos más avanzados permiten introducir la evolución esperada del ciclo económico para una mejor predicción de la situación futura.

Por el contrario, los principales inconvenientes en su aplicación son:

1. Necesidades de información: La construcción de un algoritmo de credit scoring presenta como principal dificultad unas importantes necesidades de información. Con el agravante de que estas necesidades difícilmente se pueden cubrir si no existe antes una plataforma de gestión del riesgo que almacene la información de manera conveniente. Para solventar esta dificultad, que podría llegar a impedir el acceso a la utilización de estas técnicas a muchas entidades, existen diversas opciones en el desarrollo. Estas opciones vienen determinadas por el tipo de información disponible por la entidad:

• Muestra amplia
  En este caso, las necesidades de información estarían cubiertas y se desarrollaría un modelo totalmente “a medida” de la cartera de la entidad.
• Muestra reducida
  A pesar de que existe la posibilidad de recuperar información, ésta no es suficiente para el desarrollo de un modelo. En este caso se optaría por desarrollar un modelo “mixto” ajustando un modelo construido a partir de una cartera estándar.
• Sin muestra
  Cuando no existe la posibilidad de recuperar ningún tipo de información, se debe recurrir a algoritmos estándar, adaptándolos a las características de la cartera de la entidad.

2. Introducir una nueva cultura en la entidad: Las herramientas de scoring aportan a la entidad una nueva manera de trabajar. Y las novedades pueden acarrear un rechazo inicial, por lo desconocido de las mismas. Por este motivo, la introducción de herramientas de este tipo en una entidad debe realizarse de modo gradual, con una primera etapa en la que el scoring sea simplemente una herramienta de consulta pero que su resultado no sea vinculante. Esta etapa de transición ayudará a minimizar el posible rechazo de la herramienta por parte de los usuarios. Paralelamente, es imprescindible realizar una venta interna del producto, para descubrir a la organización las enormes ventajas que aporta esta nueva forma de trabajar.

3. Es necesario un determinado volumen mínimo para justificar la inversión: Es posible realizar un análisis del retorno de la inversión para poder determinar si el volumen de negocio justifica la implantación de una herramienta de este tipo. Evidentemente, no existe una “regla universal” que permita establecer unos criterios para todos. En el análisis sobre el retorno de la inversión hay que valorar los siguientes componentes:

• Beneficios por el control del riesgo
  
• Beneficios por la reducción de coste

¿Qué se necesita para desarrollar un credit scoring?

En el sector financiero se han utilizado diferentes tipos de metodologías para estimar la calidad de riesgo o probabilidad de default (mora) de operaciones de crédito. Las prácticas más usuales son:

• Evaluación basada en puntos:
  - Asignación manual de puntos.
  - Asignación de puntos mediante un modelo estadístico (análisis discriminante, regresión logística…).
• Redes neuronales.
• Algoritmos genéticos.
• Sistemas expertos.
• Sistemas de clasificación automática o árboles de regresión.

Todas las metodologías tienen puntos a favor y puntos en contra, no pudiéndose en ningún caso hablar de la metodología perfecta.

Sin embargo, el método basado en asignación de puntos a características mediante la utilización de modelos estadísticos es el que presenta menos dificultades o puntos en contra. Las principales ventajas que ofrece este método son:

- No se precisa de grandes muestras de análisis.
- Fácil de identificar la contribución de cada factor al resultado obtenido por el modelo.
- Facilidad para incluir conocimiento experto subjetivo o de negocio dentro del modelo.
- Posibilidad de determinar cuantitativamente la calidad del modelo o bondad de ajuste.
- Modelos robustos y estables al estar sustentados por una teoría matemática formal.

Las otras metodologías presentan algunos inconvenientes que en muchos casos impiden su utilización fuera del laboratorio.

- La asignación de puntos a características de forma manual difícilmente consigue separar causalidad de casualidad en los factores explicativos del riesgo.
- Los algoritmos genéticos y redes neuronales operan como "cajas negras", en las que no es posible explicar el porqué de un resultado dado.
- Los sistemas expertos son difíciles de construir ya que se precisa que un experto en concesión de créditos transmita su conocimiento a un ingeniero para que este lo implemente en un sistema. A menudo el conocimiento del experto en concesión de créditos es difícil de verbalizar.
- Los árboles de clasificación automática, precisan de grandes muestras de aprendizaje para su construcción y muchas veces estas muestras no están disponibles.

Sin embargo, la metodología a emplear dependerá del caso concreto a resolver y se valorarán aspectos como: tipo de modelo a desarrollar, segmento al que se dirige y disponibilidad de información. Los modelos de credit scoring se basan en la información disponible en tiempo de concesión de operaciones maduras y la evolución que estas operaciones han tenido en el tiempo. A cada operación se la etiqueta con buen pagador o mal pagador en función del buen o mal fin real que haya tenido. A través del algoritmo desarrollado pasarán las operaciones nuevas informando aquellas variables que hayan resultado discriminantes. El algoritmo determinará el buen o mal fin estimado para la operación.

Las fuentes de información que se utilizan en el desarrollo van desde los datos de la solicitud hasta información externa de agencias de información comercial (INFORMA, AXESOR, etc.) pasando por información de comportamiento de pago en productos anteriores, tal y como hemos vistos en puntos anteriores. El criterio de mal pagador puede ser sumamente directo o bien complejo, dependiendo de las necesidades de la entidad. En general se aplican los criterios de banca central, sin embargo, se pueden utilizar criterios alternativos, tales como códigos ya especificados o alarmas de riesgo.

¿Qué resultados ofrece el credit scoring?

Los algoritmos de credit scoring ofrecen una puntuación o score que puede ser traducido en una probabilidad de mal pagador. Esta probabilidad se agrupa en tramos homogéneos de riesgo lo que, en realidad, da como resultado una calificación. Esta calificación suele presentar tres posibles valores y se le llama dictamen. Los valores de este dictamen suelen ser:

• Aceptado.
  
• Dudoso.
  
• Rechazado.
  

Este dictamen se combina con la capacidad de repago del cliente, que puede ser:

• Alta
  
• Media
• Baja

La combinación de ambas nos dará como resultado el dictamen final de la propuesta. El algoritmo también calculará y existe la posibilidad de replantear la operación, en caso de que, bajo las condiciones en las que se solicitó, ésta no sea aceptada.

El resultado del scoring permite gestionar de manera eficiente los límites de riesgo a conceder, ya que permite encontrar el equilibrio riesgo-negocio. El objetivo de establecer una estructura de límites desde una perspectiva de riesgos es:

• Limitar los riesgos asumidos por el deudor:
  • Adaptar la línea de crédito a la capacidad de endeudamiento y tamaño del deudor.
  • Limitar el deterioro de la calidad crediticia debido al endeudamiento adicional.
    
    
• Fomentar la diversificación dentro del balance del banco:
  • Limitar la pérdida que la quiebra fortuita de una contraparte pueda producir en el capital de la institución.
  • Impedir que el nivel de inversión global de la institución sea superior al permitido por las autoridades regulatorias.
    

El objetivo de establecer una estructura de límites desde una perspectiva de negocio es:

• Mejorar el nivel de servicio ofrecido:
  • Anticiparse a las necesidades de los clientes.
  • Agilizar la respuesta ante nuevas solicitudes.
    
    
• Facilitar la operativa en la concesión de operaciones:
  
  • Reducir costes de análisis y formalización.
    
    
• Agilizar procesos de seguimiento (renovaciones).
  

David Fernández
Jefe de Proyecto
AIS – Aplicaciones de Inteligencia Artificial, S.A.