¿Cómo hacer más rentables nuestras decisiones?

1. ¿Cómo hacer más rentables nuestras decisiones?

2. Rentabilidad

5. Que es el score? • Es un valor numérico que va del 1 al 999. Dicho valor es obtenido mediante un algoritmo estadístico que indica la Probabilidad de que el cliente entre en Default, en un determinado horizonte temporal.

6. Que es el score? • Es un valor numérico que va del 1 al 999. Dicho valor es obtenido mediante un algoritmo estadístico que indica la Probabilidad de que el cliente entre en Default, en un determinado horizonte temporal. Default • Un individuo incurre en DEFAULT, cuando alcanza un atraso mayor a 90 días (Situación 3 BCRA). • Siempre que esa deuda supere el 10% de su endeudamiento global

7. Que es el score? • Es un valor numérico que va del 1 al 999. Dicho valor es obtenido mediante un algoritmo estadístico que indica la Probabilidad de que el cliente entre en Default, en un determinado horizonte temporal. Horizonte temporal • La predicción tiene un horizonte temporal de 1 año en sintonía con las mejores prácticas internacionales de Basilea y su versión local en las recientes comunicaciones del banco central (Ej. 5203).

8. Que es el score? • Es un valor numérico que va del 1 al 999. Dicho valor es obtenido mediante un algoritmo estadístico que indica la Probabilidad de que el cliente entre en Default, en un determinado horizonte temporal. Horizonte temporal INFORMACIÓN A HOY = SCORE Predicción comportamiento12 meses posteriores

9. La relación entre el valor de SCORE y la Probabilidad de Default (PD) • Es importante aclarar que si bien la industria se maneja con el concepto numérico del valor del Score que varía entre 1 y 999, el modelo lo que busca predecir es la probabilidad de default. • Esta probabilidad, que mide que tan posible es que un individuo con determinadas características (Xi) incurra en Default, se ve de la siguiente manera: • Donde el exponente es función lineal • de las Características (Xi) del individuo.

11. Muestra representativa y aleatoria • El proceso de obtención de muestra impacta directamente en la calidad del score y en los beneficios de su utilización. El score NOSIS utiliza una selección de muestra en base a representatividad y aleatoriedad: • Población total Muestra Construcción • Muestra Validación • Aleatoria • # 488.971

12. El indicador de Kolmogorov y Smirnov (K-S) busca la mayor diferencia entre la distribución acumulada de los buenos pagadores y la de los malos pagadores. Mientras mayor sea la máxima distancia entre estas distribuciones, mejor separa el modelo los buenos pagadores de aquellos que no lo son. • K-S • Indicadores de poder: K-S, GINI y tasa de mora (TM) por nivel de riesgo • Para medir el poder predictivo del modelo NOSIS V3i se utilizaron las siguientes herramientas de poder: Muestra ordenada de Mayor a Menor Score

13. GINI

14. GINI

15. GINI

16. El GINI es otro indicador que mide que tan bueno es el modelo construido respecto a un modelo perfecto y uno completamente aleatorio. En este sentido se deben construir 3 curvas CAP, la curva CAP indica el porcentaje de incumplidores detectados, sobre el total de incumplidores, a medida que se avanza de menor a mayor score en la muestra. • GINI B A

17. Un indicador utilizado para medir el ajuste de los modelos es la distribución de la tasa de Morosidad en grupos de Score ordenados por deciles y ventiles. • Lo que se observa en este caso es que dicha tasa sea creciente a medida que se baja en los niveles de score y que exista un amplio rango entre la TM del nivel de mayor riesgo respecto de aquel de menor riesgo. • TM

18. En el caso de la Tasa de mora, depende de factores que pueden variar según la tasa de mora promedio del mercado. Pero como criterio general es necesario que la TM sea creciente a medida que baja el SCORE. • K-S • Indicadores de poder: que valores esperar? • A continuación se exponen intervalos de valores para definir si un modelo es aceptable, un estándar de mercado o refleja las mejores prácticas. Es importante resaltar que estos indicadores son válidos siempre que se analicen muestras SIN DEFAULTS AL INICIO. • GINI • TM

19. K-S • Nuestros Resultados: • Score Rangos 100 • 62 • 47 • GINI • TM

20. K-S • Nuestros Resultados: Bancarizados • 64 • 48 • GINI • TM

21. K-S • Nuestros Resultados: No Bancarizados • 57 • 42 • GINI • TM

23. Calibración • El modelo de Scoring aquí presentado es compendio de distintas regresiones alineadas con un mismo algoritmo de calibración. Este proceso garantiza una escala de probabilidad de default mas adecuada para la toma de decisiones independientemente de la población de la que provenga el individuo.

24. PD Teórica • Calibración • El modelo de Scoring aquí presentado es compendio de distintas regresiones alineadas con un mismo algoritmo de calibración. Este proceso garantiza una escala de probabilidad de default mas adecuada para la toma de decisiones independientemente de la población de la que provenga el individuo. • Es aquella que surge de la relación entre el SCORE y la PD, es el resultado de la estimación estadística:

25. Calibración • El modelo de Scoring aquí presentado es compendio de distintas regresiones alineadas con un mismo algoritmo de calibración. Este proceso garantiza una escala de probabilidad de default mas adecuada para la toma de decisiones independientemente de la población de la que provenga el individuo.

26. Calibración • El modelo de Scoring aquí presentado es compendio de distintas regresiones alineadas con un mismo algoritmo de calibración. Este proceso garantiza una escala de probabilidad de default mas adecuada para la toma de decisiones independientemente de la población de la que provenga el individuo. PD Empírica • Es aquella que surge de calcular el % de personas que pertenecen al intervalo que incurrieron en default: • MALOS / (MALOS +BUENOS)

27. Calibración • El modelo de Scoring aquí presentado es compendio de distintas regresiones alineadas con un mismo algoritmo de calibración. Este proceso garantiza una escala de probabilidad de default mas adecuada para la toma de decisiones independientemente de la población de la que provenga el individuo.

28. Calibración • El modelo de Scoring aquí presentado es compendio de distintas regresiones alineadas con un mismo algoritmo de calibración. Este proceso garantiza una escala de probabilidad de default mas adecuada para la toma de decisiones independientemente de la población de la que provenga el individuo. ZONA GEOGRÁFICA NIVEL SOCIO ECONOMICO OTROS CORTES

29. Dudas Prácticas: Calibración • Es importante entender la calibración, porque explica un fenómeno muy consultado respecto a la comparación del valor del score en NOSIS y el score en la competencia. COMPETENCIA 500 700 EQUIVALENCIAS DISTRIBUCIÓN

30. EQUIVALENCIAS • Dudas Prácticas COMPETENCIA 500 700 SCORE

31. EQUIVALENCIAS • Dudas Prácticas COMPETENCIA 500 700 SCORE

32. EQUIVALENCIAS • Dudas Prácticas COMPETENCIA 500 700 SCORE 3,4% PD

33. EQUIVALENCIAS • Dudas Prácticas COMPETENCIA 500 700 SCORE 3,4% PD

34. DISTRIBUCIÓN • Dudas Prácticas COMPETENCIA 500 700 SCORE

35. DISTRIBUCIÓN • Dudas Prácticas COMPETENCIA 500 700 SCORE 1 2 3 4 5 6 1 2 3 4 5 6

36. DISTRIBUCIÓN • Dudas Prácticas COMPETENCIA 500 700 SCORE 1 2 3 4 5 6 1 2 3 4 5 6

37. Puntos de Corte y Rentabilidad

38. Puntos de Corte y Rentabilidad

39. Rentabilidad

40. Rentabilidad

41. ¡ Muchas gracias por su atención!