universidad tecnológica equinoccial facultad de ciencias de la

UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL
FACULTAD DE CIENCIAS DE LA INGENIERÍA
CARRERA DE INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN
TEMA:
“DISEÑO DEL SISTEMA DE INDICADOR FINANCIERO BASADO EN EL
SCORING DE COBRANZAS; PARA USO EMPRESARIAL, 2009”
TESIS
PREVIA LA OBTENCIÓN DEL TÍTULO DE INGENIERO EN INFORMÁTICA Y
CIENCAS DE LA COMPUTACIÓN
AUTOR:
JOFFRE DANIEL FLORES ESCOBAR
DIRECTOR DE TESIS:
MAT. MAURICIO GARCIA
QUITO – ECUADOR
2010
Del contenido del presente trabajo se responsabiliza el autor
______________________
Daniel Flores Escobar
III
DEDICATORIA
Dedico este trabajo a mi madre por estar siempre a mi lado y quien me supo
dedicar todo su esfuerzo para que sea un profesional, además de orientarme
e inculcarme principios para luchar en este duro camino.
A mis hermanos Diego y Diana quienes han sido los pilares de mi vida y la
fuerza para nunca dejarse vencer y siempre luchar hasta culminar cada meta
impuesta.
Daniel Flores
V
AGRADECIMIENTO
Agradezco a Dios por permitirme alcanzar esta meta y ser mi luz capaz de
iluminar todo momento sombrío.
A mi madre y hermanos quienes me dieron su apoyo, guía y comprensión sin
condición ni medida.
A mis abuelitos Jorge y Rosita por estar a mi lado y ser un ejemplo de lucha
y sacrificio
Quiero agradecer a la Universidad Tecnológica Equinoccial por los
conocimientos impartidos en sus aulas a través de sus maestro y en especial
al director de este proyecto Mat. Mauricio García por su guía y aportes en
este trabajo.
Y a todos los que no recuerdo pero que ayudaron a que pueda culminar esta
meta.
VI
ÍNDICE GENERAL
DEDICATORIA ........................................................................................................ V
AGRADECIMIENTO .............................................................................................. VI
ÍNDICE GENERAL ............................................................................................... VII
ÍNDICE DE CONTENIDOS ................................................................................. VIII
ÍNDICE DE ILUSTRACIONES .............................................................................. XI
ÍNDICE DE ECUACIONES .................................................................................. XII
ÍNDICE DE TABLAS............................................................................................ XIII
RESUMEN ............................................................................................................. XIV
SUMMARY............................................................................................................ XVI
CAPÍTULO I .............................................................................................................. 1
CAPÍTULO II ........................................................................................................... 14
CAPÍTULO III ......................................................................................................... 34
CAPÍTULO IV .......................................................................................................... 57
CAPÍTULO V ........................................................................................................... 75
BIBLIOGRAFÍA ...................................................................................................... 78
ANEXOS ................................................................................................................... 80
VII
ÍNDICE DE CONTENIDOS
CAPÍTULO I .............................................................................................................. 1
1. INTRODUCCIÓN .................................................................................................. 1
1.1
PROBLEMA A RESOLVER .......................................................................... 1
1.2
MARCO TEÓRICO ....................................................................................... 2
1.3
JUSTIFICACIÓN ......................................................................................... 11
1.4
OBJETIVOS................................................................................................. 12
1.4.1
Objetivo General ................................................................................... 12
1.4.2
Objetivos Específicos ............................................................................ 12
1.5
HIPÓTESIS .................................................................................................. 13
1.6
ALCANCE ................................................................................................... 13
CAPÍTULO II ........................................................................................................... 14
2. CREDIT SCORING ............................................................................................. 14
2.1
CONCEPTOS ............................................................................................... 14
2.2
MÉTODOS EMPLEADOS EN LA CONSTRUCCIÓN DE SCORE DE
CREDITOS............................................................................................................. 21
2.3
REGRESION LOGÍSTICA .......................................................................... 23
CAPÍTULO III ......................................................................................................... 34
3. METODOLOGÍA ................................................................................................. 34
3.1
MODELAMIENTO ...................................................................................... 34
3.1.1
Selección de la muestra.......................................................................... 35
3.1.2
Definición de buenos y malos clientes ................................................... 40
3.1.3
Definición y selección de datos .............................................................. 41
VIII
3.1.4
Análisis preliminar de la Muestra ........................................................... 48
3.1.5
Análisis Multivariado ............................................................................ 50
3.1.6
Diseño del Score Card ........................................................................... 53
3.1.7
Validación del Modelo ........................................................................... 56
CAPÍTULO IV .......................................................................................................... 57
4. DESARROLLO .................................................................................................... 57
4.1
DISEÑO Y DESARROLLO ........................................................................ 57
4.2
HERRAMIENTAS DE DESARROLLO....................................................... 58
4.2.1
Microsoft .Net ....................................................................................... 58
4.2.2
SQL Server 2005 ................................................................................... 60
4.2.3
SPSS...................................................................................................... 61
4.3
DISEÑO DEL SISTEMA ............................................................................. 62
4.3.1
Web Service .......................................................................................... 62
4.3.2
Modelado del Sistema ............................................................................ 64
4.3.3
Casos de Uso ......................................................................................... 65
4.4
Creación del Web Service ............................................................................. 66
4.5
Probador Web Service .................................................................................. 70
CAPÍTULO V ........................................................................................................... 75
5. CONCLUSIONES Y RECOMENDACIONES ................................................... 75
5.1 CONCLUSIONES ............................................................................................ 75
5.2 RECOMENDACIONES ................................................................................... 76
BIBLIOGRAFÍA ...................................................................................................... 78
IX
ANEXOS ................................................................................................................... 80
1. ANEXO 1............................................................................................................... 80
2. ANEXO 2............................................................................................................... 84
3. ANEXO 3............................................................................................................... 93
4. ANEXO 4............................................................................................................. 100
X
ÍNDICE DE ILUSTRACIONES
Ilustración 1. Ejemplo de Transformación ................................................................... 10
Ilustración 2. Concepto de Score ................................................................................. 16
Ilustración 3. Técnicas Para el Desarrollo Scoring Crediticio ...................................... 22
Ilustración 4. Gráfico Función Logística ..................................................................... 25
Ilustración 5. Gráfico de Dispersión ............................................................................ 31
Ilustración 6. Gráfica Resultado Ejemplo Regresión Logística .................................... 33
Ilustración 7. Esquema de Selección de la Muestra ..................................................... 39
Ilustración 8. Distribución de los Sujetos por Rangos de Edad .................................... 48
Ilustración 9. Transformación de una variable ............................................................. 49
Ilustración 10. Diseño del Score Card Cógido Sql ....................................................... 54
Ilustración 11. Características Herramientas .Net ........................................................ 59
Ilustración 12. Sql Server 2005 ................................................................................... 60
Ilustración 13. Funcionamiento de un Web Service ..................................................... 63
Ilustración 14. Caso de Uso ......................................................................................... 66
Ilustración 15. Código .Net Creación del Web Service ................................................ 67
Ilustración 16. Creación Referencia Web .................................................................... 68
Ilustración 17. Busqueda del Servicio Web ................................................................. 69
Ilustración 18. Selección del Web Seervice ................................................................. 70
Ilustración 19. Codigo .Net Creación del Probador Web Service ................................. 71
Ilustración 20. Pantalla Probador Web Service ............................................................ 73
XI
ÍNDICE DE ECUACIONES
Ecuación 1. Regresión Logística ................................................................................... 8
Ecuación 2. Modelo General ....................................................................................... 25
Ecuación 3. Función Lineal con Parámetros ................................................................ 26
Ecuación 4. Función Logística .................................................................................... 27
XII
ÍNDICE DE TABLAS
Tabla 1. Ventajas y Desventajas del Scoring Crediticio ............................................... 19
Tabla 2. Número Registros por primeros y últimos dígitos de la Cedula ..................... 37
Tabla 3. Periodo Morosidad en Meses ......................................................................... 44
Tabla 4. Parametrización Scoring Crediticio ............................................................... 74
XIII
RESUMEN
Este trabajo se ha planteado optimizar y reducir los errores en los análisis de créditos,
mediante la creación de una herramienta de evaluación crediticia (Scoring Crediticio) de
otorgamiento útil para la toma de decisiones, disminuyendo el riesgo en función del
historial de crédito de una persona.
En el marco de este estudio y en el transcurso de los capítulos se ha realizado una
revisión y descripción del contenido de la investigación para la solución del problema
planteado para cual fue objeto este tema de tesis.
Es así que reconociendo las características y particularidades de los datos obtenidos; así
como el resultado que se desea obtener que esta demarcado en clasificar a un sujeto de
acuerdo a su riesgo crediticio para definirlo apto o no para ser sujeto de crédito, se ha
escogido la función de regresión logística para la obtención del modelo que mejor se
ajusta a las características de los datos que se posee.
También que se genero una herramienta Web Service con la finalidad de que cualquier
institución o persona que desee consultar el score de un sujeto, pueda acceder a la
misma sin importar la plataforma ni las herramientas que posea siendo esta una
herramienta flexible con el fin de independizar la arquitectura de una aplicación
concreta, lógicamente, dentro de ciertas restricciones, impuestas por la naturaleza de los
sistemas de información o sistemas de control automáticos.
XIV
Además el score se convierte en una herramienta que asume una probabilidad de
incumplimiento, tomando en cuenta las similitudes presentadas entre los datos
históricos con el fin de discriminar de una manera técnica el otorgamiento de un crédito.
Este proyecto parte fundamentalmente de la base de datos la cual debe cumplir con la
característica de robustez y confiabilidad ya que para la obtención del score y para que
el mismo sea predictivo se necesita de una gran cantidad de datos los cuales juegan un
papel muy importante para el cálculo del mismo y además que los datos sean correctos,
pero a su ves la muestra de datos obtenidos es pequeña pero que tiene todas las
características fundamentales para el modelamiento del score.
XV
SUMMARY
This work is to optimize and reduce errors in credit analysis, by creating a credit
assessment tool (Credit Scoring) granting useful for decision making, reducing the risk
based on credit history of a person.
As part of this study and in the course of the chapters make a review and description of
the research content for the solution of the problem which was the subject for this thesis
topic.
Which also generated a Web Service tool for the purpose of any institution or person
you want to see the score of a person, can access it regardless of platform or tools
having this being a flexible tool to wean the architecture of a particular application, of
course, within certain restrictions imposed by the nature of information systems and
automatic control systems.
In addition, the score becomes a tool that assumes a probability of default, taking into
account similarities between the historical data presented to discriminate in a technical
way the granting of credit.
This project is mainly from the database which must comply with the property of
robustness and reliability as to obtain the score and that it needed to be predictive of a
large amount of data which play an important role in the calculation thereof and further
XVI
that the information is correct, but your see the sample data is small but has all the basic
features for modeling of the score.
XVII
CAPÍTULO I
CAPÍTULO I
1. INTRODUCCIÓN
En este capítulo se presenta los objetivos principales del trabajo y su justificación, así
como la descripción resumida del contenido de la tesis.
1.1
PROBLEMA A RESOLVER
La gran mayoría de los préstamos que a diario conceden las entidades financieras
podrían ser otorgados mediante técnicas de clasificación, que en base a características
propias del cliente, determinen la probabilidad de que en un futuro este pueda hacer
frente a sus obligaciones de pago. Permitiendo clasificarle en dos grupos: el integrado
por individuos con una elevada probabilidad de devolver el crédito y el de aquellos
individuos que, previsiblemente, no harán frente a sus compromisos crediticios.
Así de esta manera, mediante la utilización de modelos de scoring para la evaluación
del riesgo de crédito, se puede determinar la probabilidad de que una persona incurra en
mora o clasificarle como un sujeto apto para acceder a un crédito.
1
1.2
MARCO TEÓRICO
Un banco es un tipo muy especial de empresa, que capta dinero del público, lo presta
conjuntamente con recursos propios de la entidad a terceros, quienes pagan intereses por
el uso de ese dinero. Así, usualmente, los recursos con los que un banco genera sus
ingresos son, en parte propios (patrimonio o capital), y mayoritariamente ajenos
(depósitos del público). Por ello, dado que la mayoría del dinero que un banco
administra no le pertenece, la gestión bancaria requiere un proceso constante de
evaluación y medición de los riesgos a los que se exponen los recursos de los
depositantes en las operaciones de la entidad. Estos riesgos, en conjunto, se llaman
Riesgo Bancario y su administración suele ser regulada por la Superintendencia de
Bancos y Seguros (SBS) en el Ecuador y sus pares en todo el mundo.
Para regular el riesgo la SBS se crearon varias leyes entre las cuales tenemos la Ley
General de Instituciones de Sistema Financiero que dice en el Título IV del Patrimonio
Capítulo I Capital y Reservas, en el artículo 47 de esta ley en la que se indica: “Con el
objeto de preservar su solvencia, las instituciones del sistema financiero deberán
mantener, en todo tiempo, el conjunto de relaciones técnicas que establezca la Junta
Bancaria mediante resolución de carácter general, siguiendo los estándares
internacionales, especialmente los establecidos por el Comité de Basilea” 1.
1 El acuerdo de Basilea consta de 25 principios que representan los requerimientos mínimos que deben ser implementados por las
autoridades bancarias para lograr un sistema de supervisión bancaria efectiva.
2
Entre los acuerdos del Comité de Basilea se encuentran dos principios fundamentales en
los cuales se basa la creación y uso de los datos de las instituciones financieras en una
base de datos llamada Central de Riesgo los cuales son:
Principio 15. Los supervisores bancarios deben determinar que los bancos tengan
políticas, prácticas y procedimientos adecuados, que incluyan la estricta regla de
CONOCE A TU CLIENTE, lo cual promueve altos estándares de ética y
profesionalismo en el sector financiero. Estas medidas previenen que los bancos sean
utilizados por elementos criminales, en una forma voluntaria o involuntaria.
Principio 21. Los supervisores bancarios deben de asegurarse que cada banco mantenga
registros adecuados, diseñados de manera que concuerden con políticas contables
consistentes, con prácticas que permitan al supervisor obtener una visión verdadera y
precisa de la condición financiera del banco y de la rentabilidad de sus negocios y que el
banco haga publicaciones regulares del estado financiero, que reflejen realmente su
condición.
Y es por eso que la Superintendencia de Bancos y Seguros del Ecuador en una de sus
normativas emitidas en marzo del 2008 para la conformación de la Central de Riesgos
solicita a todos los Buros de Crédito, que los mismos deberán reportar la información
crediticia de los clientes sobre la base de modelos estadísticos predictivos y no sobre la
información en bruto que reportan las instituciones bancarias de los clientes.
3
Los comienzos del Credit Scoring se remontan del año 1936 cuando Fisher, introduce
el concepto de discriminar objetos dentro de una población específica.
Esta idea fue desarrollada más ampliamente por Durand en 1941 donde fue aplicada en
un contexto financiero para discriminar entre un “Buen” y un “Mal” pagador.
Uno de los modelos estadísticos predictivos denominado scoring crediticio fue
inventado por dos matemáticos de Stanford, Bill Fair y Earl Isaac, quienes observaron
que los acreedores no buscaban el historial de crédito, sino un pronóstico de aptitud de
crédito del individuo. Con el desarrollo de un sistema analítico que hoy en día se conoce
como el FICO Score (Fair Isaac Corporation Score) una de las herramientas más usadas
a nivel mundial en relación al análisis de riesgo de créditos.
La utilización de modelos de credit scoring para la evaluación del riesgo de crédito, y
ordenar a los deudores y solicitantes de financiamiento en función de su riesgo de
incumplimiento, comenzó en los 70’s pero se generalizó a partir de los 90’s. Esto se ha
debido tanto al desarrollo de mejores recursos estadísticos y computacionales, como por
la creciente necesidad por parte de las instituciones bancarias de hacer más eficaz y
eficiente la originación de financiaciones, y de tener una mejor evaluación del riesgo de
su portafolio.
El scoring crediticio se refiere al uso de conocimiento sobre el desempeño y
características de préstamos en el pasado para pronosticar el desempeño de préstamos
en el futuro. Así, cuando un analista de crédito valora el riesgo comparando
4
mentalmente una solicitud de crédito en el presente con la experiencia que este mismo
analista ha acumulado con otros clientes con solicitudes parecidas, está aplicando
scoring, aunque sea un scoring implícito y subjetivo. De igual manera, cuando un micro
prestamista adopta una política de no renovar préstamos a clientes que han tenido
atrasos mayores a 30 días en su préstamo anterior, está aplicando scoring, aunque sea un
scoring simple y unidimensional. Por eso, aunque el nombre scoring puede sonar nuevo,
es una práctica antigua.
Los métodos o modelos de credit scoring, a veces denominados score-cards o
classifiers, son algoritmos que de manera automática evalúan el riesgo de crédito de un
solicitante de financiamiento o de alguien que ya es cliente de una entidad crediticia.
Tienen una dimensión individual, ya que se enfocan en el riesgo de incumplimiento del
individuo o empresa, independientemente de lo que ocurra con el resto de la cartera de
préstamos
En una primera aproximación a los mismos, se los puede definir como “métodos
estadísticos utilizados para clasificar a los solicitantes de crédito, o incluso a quienes ya
son clientes de una entidad evaluadora, entre las clases de riesgo ‘bueno’ y ‘malo’” 2.
Aunque originalmente en los 70’s se basaban en técnicas estadísticas (en particular, el
análisis discriminante), en la actualidad también están basados en técnicas matemáticas,
econométricas y de inteligencia artificial. En cualquier caso, los modelos de credit
2 Hand, D.J. y W.E. Henley. (1997) “Statistical Classification Methods in Consumer Credit Scoring: A Review”, Journal of the
Royal Statistical Association Series A, Vol. 160, No. 3, pp. 523-41.
.
5
scoring emplean principalmente la información del evaluado contenida en las
solicitudes de crédito y/o en fuentes internas y/o externas de información.
El resultado de la evaluación se refleja en la asignación de alguna medida que permita
comparar y ordenar a los evaluados en función de su riesgo, a la vez cuantifica. Por lo
general, los modelos de credit scoring le asignan al evaluado un puntaje o score, o una
calificación o rating. Algunos métodos los asignan a grupos, en donde cada grupo tiene
un perfil de riesgo distinto; sin embargo, en la práctica esto equivale a una calificación.
A su vez, estos ordenamientos de los deudores permiten obtener estimaciones más
concretas del riesgo; en general se busca obtener alguna estimación de la probabilidad
de incumplimiento del deudor (PD, por probabilidad de default) asociada a su score,
rating o calificación.
Esta estimación se puede obtener directamente del score en el caso de los modelos
econométricos, o también en función de la tasa de incumplimiento (TD, por tasa de
default) histórica observada en el grupo de deudores con la misma calificación o score
similar.
La utilización de modelos de credit scoring para la evaluación del riesgo de crédito, es
decir, para estimar probabilidades de default y ordenar a los deudores y solicitantes de
financiamiento en función de su riesgo de incumplimiento, comenzó en los 70’s pero se
generalizó a partir de los 90’s. Esto se ha debido tanto al desarrollo de mejores recursos
estadísticos y computacionales, como por la creciente necesidad por parte de la industria
bancaria de hacer más eficaz y eficiente la originación de financiaciones, y de tener una
6
mejor evaluación del riesgo de su portafolio. Estos modelos generalmente se asocian a
lo que se ha dado en llamar data mining (minería de datos), que son todos aquellos
procedimientos que permiten extraer información útil y encontrar patrones de
comportamiento de los datos.
Para evaluar el riesgo crediticio o la conveniencia de otorgar un crédito, hay una gran
variedad de metodologías disponibles: análisis discriminante, regresión lineal, regresión
logística, modelos probit, modelos logit, métodos no paramétricos de suavizado,
métodos de programación matemática, modelos basados en cadenas de Markov,
algoritmos de particionamiento recursivo (árboles de decisión), sistemas expertos,
algoritmos genéticos, redes neuronales y, finalmente, el juicio humano, es decir, la
decisión de un analista acerca de otorgar un crédito. Aunque esta última presenta la
ventaja de ser más eficaz en tratar las excepciones a la experiencia pasada, los métodos
de credit scoring son más eficientes a la vez que sus predicciones más objetivas y
consistentes, por lo que pueden analizar y tomar decisiones sobre una gran cantidad de
solicitudes de crédito en poco tiempo y a un bajo costo
Dada la relevancia en el proceso de gestión crediticia, un punto fundamental de este
proyecto es determinar una variable dependiente (bueno/malo), para lo cual se
estableció que el modelo estadístico de regresión logística es el más apropiado para el
desarrollo de este proyecto.
Además se estableció que la regresión lineal no tiene el sustento teórico apropiado para
la construcción de modelos con una variable dependiente binaria (por ejemplo, bueno o
7
malo). El término de error en una regresión lineal se asume normalmente distribuido, y
este supuesto es violado cuando la variable dependiente sólo puede tomar dos valores.
Además, la regresión lineal puede crear probabilidades estimadas mayores que uno y
menores que cero.
Así se identificó que lo más apropiado para el desarrollo de este proyecto es el modelo
de regresión logística ya que es una técnica que sirve para modelar la relación entre la
variable dependiente binaria y las variables independientes. Es una forma de modelo
lineal generalizado (GLM) y está dado por la fórmula:
Ecuación 1. Regresión Logística
logit(pi) = log(pi/(1 – pi))=0 + 1x1i + … + kxki
Fuente: Análisis de datos multivariantes
Elaborado por: Daniel Flores
Donde pi es la probabilidad de que una observación tome un valor particular, y los i
son los parámetros asociados con cada variable independiente. El modelo resultante de
la regresión logística utiliza las variables independientes para predecir la probabilidad
de que la variable dependiente tome un valor particular. Este modelo no se basa en el
supuesto estadístico de que el término de error está distribuido normalmente ni en el
supuesto de homoscedasticidad es decir que los diferentes grupos obtenidos presenten la
misma varianza o dispersión (las poblaciones de Y correspondientes a diversos valores
de X tienen la misma varianza. Si se cumple, todos los valores de Y que corresponden a
8
diversos valores de X serán igual de confiables cercanía o alejamiento con el cual están
distribuidos los valores de Y alrededor de sus medias. Todos los valores de Y
correspondientes a diversos valores de X son igualmente importantes), y produce
probabilidades estimadas entre 0 y 1, las que serán asociadas a un score.
De acuerdo a lo explicado en la metodología de regresión logística, un paso importante
en el proceso de desarrollo es determinar que variables independientes tienen una fuerte
relación lineal con la función logit de la variable dependiente, es decir la función logit
será utilizada para predecir el resultado binario, por ejemplo bueno / malo a sabiendas
que existen diferentes factores que pueden inferir en el resultado. Esta función logit es
un tipo de regresión en donde la variable dependiente es una variable dummy ejemplo 0
buen cliente 1 mal cliente.
En algunos casos una variable puede tener una fuerte asociación con la función logit de
la variable dependiente, sin que esta relación sea lineal. Como resultado, esta relación
puede no ser detectada o puede producir resultados no esperados. Transformar la
variable puede servir para detectar la relación no lineal que de otra manera se perdería, o
para fortalecer dicha relación. Típicas transformaciones de variables incluyen la raíz
cuadrada, el cuadrado, el binario (indicador), el logaritmo y el inverso. Por ejemplo, la
Ilustración 1(a) indica una relación no-lineal entre la Variable 1 y la variable
dependiente. Sin embargo, después de aplicar la transformación de raíz cuadrada,
mostrada en la Ilustración 1(b), la relación no lineal se convierte en lineal.
9
Ilustración 1. Ejemplo de Transformación
A
B
V
a
r
i
a
b
l
e
V
a
r
i
a
b
l
e
D
e
p
e
n
d
i
e
n
t
e
D
e
p
e
n
d
i
e
n
t
e
Variable 1
Raíz cuadrada de Variable 1
Fuente: Introducción al análisis de regresión lineal
Elaborado Por: Daniel Flores
Para este modelo, se empleará metodologías estándares y análisis de distribuciones para
hacer lo siguiente:
a.
Determinar la necesidad de transformación para cada variable independiente;
b.
Determinar la transformación óptima para cada variable; y
c.
Considerar la inclusión de las variables transformados en el desarrollo de los
modelos.
Este proceso asegurará que cada variable sea representada apropiadamente.
Es así que mediante esta técnica se logrará clasificar a los individuos dentro de las
categorías (bueno/malo) de la variable dependiente, según la probabilidad que tenga de
pertenecer a una de ellas dada la presencia de determinadas variables.
10
1.3
JUSTIFICACIÓN
El sistema financiero desempeña un papel crucial en el desarrollo de un país, que afecta
tanto a la adecuada asignación de recursos en el tiempo como a la correcta valoración
del riesgo. En los últimos años, la globalización de la economía de mercado ha
disminuido la estabilidad y seguridad del negocio financiero, multiplicando los riesgos a
los que se enfrentan estas entidades, entre ellos el riesgo de crédito, o posibilidad de que
no se produzca la devolución puntual de una determinada cantidad de dinero que se
prestó en el pasado.
Por eso se ha visto la necesidad de diseñar una aplicación, la cual ayudará a tener una
correcta toma de decisiones con la mayor efectividad posible, basados en un sistema de
Scoring de Cobranzas, ya que en el Ecuador las Instituciones Financieras y, Pequeñas y
Medinas Empresas PYMES,
en los últimos tiempos viene enfrentándose a la
problemática de la morosidad, que se situó en el 5.8%3 de los sujetos de crédito en el
Ecuador, en el año 2008.
En donde este diseño de scoring
basado en información historial crediticia como
montos que debe a una institución financiera, el tiempo de endeudamiento, morosidad,
el número de créditos recibidos, etc. de un determinado sujeto, serán evaluados
permitiendo agilizar el proceso de cobro en una empresa asignando una puntuación de
forma consistente, determinado las probabilidades de que el sujeto incurra en mora.
3 Fuente: CreditReport Buro de Información Crediticia
11
1.4
OBJETIVOS
1.4.1 Objetivo General
Diseñar un modelo de Scoring, utilizando un conjunto de indicadores
financieros históricos de la Central de Riesgo, categorizando a los clientes en
base a su propensión para hacer un adecuado manejo de los mismos.
1.4.2 Objetivos Específicos

Presentar un modelo de score que permita identificar a un cliente con la
tipología de riesgoso, para evitar perdidas en un crédito asignado.

Analizar de forma automática las características y/o condiciones que un
cliente posee para catalogarse como riesgoso.

Definir un mecanismo analítico - matemático que constituya de una forma
rápida, confiable, exacta y consistente para predecir el riesgo de un solicitante
para cumplir con sus deudas en el futuro, es decir minimiza el riesgo de
cobranzas.
12
1.5
HIPÓTESIS

Demostrar que este sistema de scoring permitirá o no determinar si una
persona es sujeto de crédito.

Identificar aquellos clientes que tienen la tipología de clientes riesgosos para
evitar cualquier tipo de fraude en el crédito asignado.
1.6
ALCANCE
Este sistema generará un valor numérico estadísticamente validado en base a análisis
descriptivos que permita agilizar la toma de decisiones a la vez que busca reducir el
nivel de pérdidas ya que se asigna puntuaciones de forma consistente, determinando las
probabilidades de que una solicitud se convierta en una cuenta con buen
comportamiento para predecir la recuperación del crédito.
El sistema se basará en fórmulas de evaluación de las características relevantes que se
obtendrá de la información historial crediticia para predecir la recuperación del crédito.
A cada característica se le asigna un valor numérico estadísticamente validado que
permita obtener un puntaje mediante el cual se pondrá más afán en la cobranza de una
deuda a un cliente.
13
CAPÍTULO II
CAPÍTULO II
2.
CREDIT SCORING
En este capítulo se tratará sobre las definiciones del score crediticio, los métodos
empleados para la construcción y sobre la regresión logística que es el método
seleccionado para el desarrollo de este proyecto.
2.1 CONCEPTOS
Los modelos de scoring crediticio nacen alrededor de los años 1950s cuando Bill Fair y
Earl Isaac fundan su compañía dedicada a apoyar las actividades de importantes
empresas financieras y de ventas al menudeo. Posteriormente, en los años 1960s se
inicia el periodo en el que se desarrolla la industria de las tarjetas de crédito con lo cual
los bancos ven una gran posibilidad de empezar utilizar modelos de scoring.
Básicamente el credit scoring es un método que se emplea para identificar diferentes
grupos dentro de una población cuando no se pueden observar las características que los
definen sino únicamente las relaciones con estas.
Se denomina credit scoring a un sistema que permite asignar una calificación de riesgo,
una puntuación, a un demandante de crédito (cliente real o cliente potencial).
14
Los modelos de scoring crediticio son aplicaciones que permiten apoyar la toma de
decisiones. Estos modelos surgen como una necesidad de poder evaluar de forma ágil y
rápida las capacidades de endeudamiento de clientes ante la solicitud de un crédito.
Aunque existen diversos tipos de compañías y distintos tipo de créditos, la idea general
de un modelo de scoring crediticio es, por un lado, seleccionar aquellos individuos que
poseen mejores condiciones económicas para retornar a la compañía el valor total del
préstamo solicitado; por otra parte, los modelos de scoring crediticio permiten mitigar el
riesgo en que se incurriría si se aprueba un crédito a un individuo que no cumple con
una capacidad de pago y endeudamiento.
En términos más formales el “credit scoring es un método de evaluación del riesgo de
crédito que emplea información histórica y técnicas estadísticas, para tratar de aislar los
efectos que tienen las características de varios aplicantes sobre la reincidencia y el
incumplimiento. El método arroja un puntaje o score que la institución financiera puede
emplear para ranquear sus aplicaciones de crédito en términos de riesgo”4.
Y con lo mencionado anteriormente predecir el comportamiento de pago futuro de las
obligaciones crediticias que contraen las personas en función de su comportamiento
crediticio histórico, para lo cuál utiliza toda la información de entidades Reguladas por
la Superintendencia de Bancos y Seguros SBS.
El credit scoring constituye, por tanto, un problema de clasificación propiamente dicho,
pues dado un conjunto de observaciones cuya pertenencia a una determinada clase es
4 Lewis, E.M. (1990) An Introduction to Credit Scoring, San Rafeal: Athena, LIC# 90-92258.
15
conocida a priori, se busca una regla que permita clasificar nuevas observaciones en dos
grupos: los que con alta probabilidad podrán hacer frente a sus obligaciones crediticias,
y los que, por el contrario, resultarán fallidos.
De ahí que para esta investigación se definió que el puntaje obtenido estadísticamente se
encuentre dentro de un rango de 1 a 999 siendo 1 el puntaje menor y 999 el mayor
puntaje a obtener cuando un sujeto posee el mejor historial crediticio.
Ilustración 2. Concepto de Score
20 %
Bajo 999
Riesgo
60 %
Score
800
600
Buenas
Malas
20 %
400
200
Alto
Riesgo
Muy Buenas
Muy malas
1
Fuente: Datos de la Central de Riesgo
Elaborado Por: Daniel Flores
16
Así también el grafico muestra el objetivo del cálculo que es exponer el riesgo que
actualmente un sujeto representa a un prestamista. Parámetros severos como el historial
de crédito, incluyendo historial de pagos, longitud de la historia de la cuenta, préstamos
y otros son formulados para producir un número de tres dígitos que oscila entre 1 y 999.
Este puntaje se divide en 3 categorías principales: Riesgo Bajo, Riesgo Medio y Riesgo
Alto.
Además el grafico indica que el 60% de todas las personas con una puntuación de
crédito de 550-900 presenta o presentó problemas con su crédito y para obtener uno
necesitará de requisitos poco favorables. El 20% de los sujetos no presentan ningún
problema en sus créditos obteniendo u score superior a los 700 y no presentan ningún
riesgo para las instituciones bancarias al ser sujetos de crédito, y el restante 20% se
encuentran con un score entre 1 y 549 los que representan un riesgo alto al ser sujeto de
crédito ya que poseen créditos vencidos o en demanda judicial en la institución
bancaria.
Esto hace que el sistema se base en el desempeño pasado de clientes que tienen
características similares a aquellos a ser evaluados. El credit scoring termina, por tanto,
siendo un predictor del riesgo, cuya fortaleza no radica en la habilidad para explicar
causalidades (por qué algunos clientes incumplen y otros no) sino en la objetividad de la
metodología aplicada.
17
Con el score, la institución que utilice el sistema observará un valor numérico el cual
significa el riesgo y dependiendo de su valor el usuario aceptará o rechazará una
solicitud de préstamo5.
Los beneficios no sólo se leen en una reducción de la subjetividad del analista inmersa
en la concesión del crédito, al estar los métodos tradicionales apoyados
fundamentalmente en información cualitativa mantenida en la mente del evaluador, sino
que al basarse en información cuantitativa mantenida en los sistemas de cómputo de la
institución financiera y por ende cuantificables a bajo costo, se pueden lograr
reducciones de costos de morosidad y de evaluaciones de préstamos de tal forma que se
mejore la eficiencia (mejores colocaciones) y por ende la rentabilidad.
A la par coexisten tanto ventajas como desventajas en esta metodología, dejando
siempre al final la opción al prestamista de optar por un sistema de otorgamiento de
créditos subjetivo (scoring implícito) en donde el analista valora el riesgo del prestatario
comparando mentalmente las características de un aplicante con su experiencia
acumulada de otras aplicaciones similares o por un scoring estadístico que haga uso del
conocimiento cuantitativo del desempeño de clientes pasados almacenados en una base
de datos con el fin de pronosticar comportamientos futuros. Esto conduce, en virtud de
la seriedad académica, a exponer los pros y contras de hacer uso de esta técnica.
5 Estrictamente no todos los métodos conducen a una 'puntuación' o 'scorecard'. Algunos indican directamente la posibilidad de
que un cliente sea bueno y si la aprobación del crédito vale la pena.
18
De lo que se pudo realizar el análisis las ventajas y desventajas del uso de un modelo de
score se encuentran descritas en la siguiente tabla.
Tabla 1. Ventajas y Desventajas del Scoring Crediticio
VENTAJAS
DESVENTAJAS
Requiere de una sólida y extensa base de
Cuantifica el riesgo como probabilidad
datos
Ignora toda información no existente en la
Multivariable
base de datos
Puede ser validado
Solo destaca los casos de alto riesgo
Puede necesitar de un consultor externo,
Consistente
por ende genera gastos operativos
Su funcionamiento requiere de un sistema
Transparente
transaccional
Fuente: Revisión Bibliográfica
Elaborado Por: Daniel Flores
La consistencia surge de la homogeneidad en la calificación otorgada a cada grupo de
clientes que comparta las mismas características, todas las solicitudes idénticas tendrán
por tanto el mismo valor de riesgo predicho; el hecho de contar con un modelo
matemático que arroje un valor hace que el proceso de obtención de esta probabilidad
19
sea explícito y como consecuencia de fácil comunicación tanto a nivel de alta gerencia
como de analistas.
El contar con modelos estadísticos da la posibilidad de contrastación de los mismos,
validando los modelos sea con información previa al periodo muestral empleado,
permitiendo observar como habría funcionado scoring si hubiera estado implementado
al momento de estos desembolsos o verificando, previo a la fase de implementación, la
consistencia del modelo con los nuevos clientes. Esta fase suele denominarse
backtesting.
Del otro lado, se tiene un conjunto de desventajas que se deben considerar antes de
incurrir en un proceso de obtención e implementación de un modelo scoring para el
otorgamiento de créditos. La disponibilidad de una sólida y extensa información es uno
de los principales obstáculos al momento de desarrollar un modelo estadístico. Además,
la cantidad de información registrada no debe sólo ser buena sino vasta para que los
modelos desarrollados puedan compensar la ausencia de información financiera con
mucha capacidad de pronóstico empleando un gran número de características menos
significativas. La calidad de las bases de datos es fundamental, no sólo en cantidad de
registros almacenados en cada variable (porcentaje bajo de clientes en blanco) sino en la
confiabilidad de la información archivada. Por ejemplo, puede ser que la variable sueldo
no sea un buen predictor dentro de los modelos tal vez porque los clientes tienden a
mentir sobre su salario, por lo que la correlación entre sueldo y riesgo es falsa, o por que
los vendedores de crédito adulteran la cifra ante la posibilidad de obtener una
aprobación segura del crédito vendido por parte del analista.
20
2.2
MÉTODOS EMPLEADOS EN LA CONSTRUCCIÓN DE SCORE
DE CREDITOS
Las técnicas más importantes en la construcción de modelos de score crediticio son:
Modelos Estadísticos Se consideran los siguientes métodos:

Métodos Paramétricos
Comprenden técnicas como Análisis Discriminante
(Discriminant Analysis) y Regresión Logística (Logistic Regression).

Métodos No Paramétricos. Incluye técnicas de Árboles de Decisión, K-Nearest
Neighbor (K-NN) y Kernel Density.
Modelos de Computación Suave o Soft Computing Se plantean principalmente dos
modelos:

Redes Neuronales Artificiales (Artificial Neural Networks, ANN).

Máquinas Vectoriales de Soporte (Support Vector Machines, SVM). Conjuntos
Rugosos (Rough Sets).
Modelos Híbridos Estos métodos representan una extensión a los modelos existentes y
consisten en una combinación de técnicas estadísticas o de soft computing otros
modelos relacionados.
21
La ilustración 3 muestra un organigrama sobre las técnicas mas utilizadas para
desarrollar un modelo de score crediticio explicados anteriormente, además de una
clasificación de las técnicas influyentes en la construcción del modelo.
Ilustración 3. Técnicas Para el Desarrollo Scoring Crediticio
Modelos de
Scoring
Crediticio
Modelos
Estadisticos
Soft
Computing
Paramétricos
Análisis
Discriminante
Regresion
Logística
K vecinos más
cercanos
No
Paramétricos
Redes
Neuronales
Arboles de
Decisión
Densidad de
Kernel
Modelos
Hibrido
Fuente: Revisión Bibliográfica
Elaborado Por: Daniel Flores
El organigrama presenta un resumen de la clasificación de los diferentes modelos para
el desarrollo de un scoring crediticio, estos se clasifican en modelos estadísticos del cual
se dividen en paramétricos (Análisis Discriminante y Logit) y tres no paramétricos
(Árboles de regresión, K vecinos mas cercanos y la densidad de Kernel), además del
modelo soft computing del que se deriva los modelos que utilizan redes neuronales y
por último también se encuentran los modelos híbridos.
22
Los modelos paramétricos “parten de una función de distribución o clasificación
conocida, y reducen el problema a estimar los parámetros que mejor ajusten las
observaciones de la muestra”6. Los modelos no paramétricos, conocidos también como
métodos de distribución libre pues no se encuentran sujetos a ninguna forma funcional,
estos modelos presentan pocas restricciones, por lo que en ocasiones resultan, más
fáciles de aplicar que los paramétricos y permiten reconstruir la función de clasificación
en todo tipo de situaciones, incluidas aquellas en las que la función sea sencilla y
conocida (por ejemplo, lineal).
En los modelos de soft computing del que se deriva el modelo de redes neuronales esta
conformado por un conjunto de procesadores simples interconectados a los cuales se les
denomina nodos, organizados en capas lo que permite el procesamiento de la
información.
2.3
REGRESION LOGÍSTICA
La Regresión Logística (Logistic Regression, LR) es una técnica estadística
ampliamente utilizada en los modelos de score crediticio, así como en otras áreas. Esta
técnica considera un conjunto de variables independientes o predictoras y una variable
dependiente con dos posibles valores (variable dicótoma) ejemplo:

Vota o no vota en unas elecciones

Diagnóstico positivo o negativo en una prueba médica
6 Martha Galicia Romero, nuevos Enfoques de Riesgo de Crédito
23
Las principales características que presenta este modelo se resumen en:
Variables binarias: Identifica la pertenencia del individuo a cada uno de los grupos
analizados:

Se identifica con un 1 al individuo que pertenece al grupo cuya probabilidad de
pertenencia estimará el modelo.

Se identifica con un 0 al individuo que no pertenece al grupo objeto de análisis.
Variables explicativas: Son las variables que sirven para discriminar entre los grupos y
que determinan la pertenencia de un elemento a un grupo u otro. Pueden ser:

Variables cuantitativas que un campo de variación que toma todos los valores
reales

Variables cualitativas con distintas alternativas u opciones posibles.
Resultado del análisis: El resultado es un valor numérico que indica la probabilidad de
pertenencia de un elemento al grupo que se le asignó el valor 1, es decir, el grupo objeto
de análisis.
La función logística es una función de distribución, y como se ha explicado toma los
valores entre 1 y 0, tiene la forma de S como se muestra en el siguiente grafico:
24
Ilustración 4. Gráfico Función Logística
Fuente: Introducción al análisis de regresión lineal
Elaborado Por: Daniel Flores
La forma general es:
Ecuación 2. Modelo General
z
1
1  e z
Fuente: Introducción al análisis de regresión lineal
Elaborado Por: Daniel Flores
25
Donde Z es la probabilidad de la clase recordando que la variable dependiente posee dos
valores posibles. Para el caso de un modelo de score, se consideran dos posibles
resultados: un cliente con buen hábito de pago y uno moroso. Para complementar,
z
obedece al siguiente modelo matemático:
Ecuación 3. Función Lineal con Parámetros
z    w1x1  w2 x2  .... wn xn
Fuente: Introducción al análisis de regresión lineal
Elaborado Por: Daniel Flores
Donde
Xi
(i = 1,2,..., n) es el conjunto de variables predictoras o conjunto de entrada,
 es el punto de intersección y Wi es el conjunto de coeficientes o vector de pesos
W
que ajustan el modelo.
En nuestro caso las variables predictoras o
Wi
podrían ser las siguientes a modo de
ejemplo:

Monto del crédito.

Plazo del crédito.

Días de mora.

Número de Calificaciones E en la base de la Central de riesgo, etc
26
Puesto que el modelo anterior no es lineal respecto a las variables independientes, se
considera la inversa de la función logística, que es el logit o logaritmo de la odds o
ventaja de que un suceso ocurra, definiéndose ésta como el cociente entre la
probabilidad de que ocurra un acontecimiento y la probabilidad de que no ocurra, que es
su complementaria, como puede observarse en la siguiente expresión:
Ecuación 4. Función Logística
log[
p
]    w1 x1  w2 x 2  .....  wn x n
1 p
Fuente: Introducción al análisis de regresión lineal
Elaborado Por: Daniel Flores
En donde p es la probabilidad del resultado de interés, ejemplo: la probabilidad a priori
de que un individuo tenga buen hábito de pago o la probabilidad de que un individuo
pueda ser moroso o incurrir en fraude.
La formulación anterior facilita la interpretación del modelo y de sus coeficientes, que
reflejan, de este modo, el cambio en el logit correspondiente a un cambio unitario en la
variable independiente considerada.
27
Ejemplo:
Predecir la probabilidad de tener tarjeta de crédito basado en los ingresos de una
persona.
Basado en la siguiente tabla de datos:
Rango Ingresos
0-500
#Tarjetas Crédito # Casos
19
6
yi
3,16666667
500-600
0
0
0
600-700
0
0
0
700-800
15
4
3,75
800-900
32
7
4,57142857
900-1000
70
22
3,18181818
1000-1100
163
47
3,46808511
1100-1200
269
56
4,80357143
1200 - 1300
332
58
5,72413793
1300 - 1400
385
59
6,52542373
1400 - 1500
329
43
7,65116279
1500 - 1600
185
26
7,11538462
1600 - 1700
85
9
9,44444444
1700 - 1800
5
2
2,5
1800 - 1900
26
4
6,5
1900 - 2000
0
0
0
2000 - 2100
0
0
0
2100 - 2200
0
0
0
2200 - 2300
2
1
0
2300 - 2400
12
1
12
Fuente: Datos Central de Riesgo Muestra de Ejemplo
Elaborado Por: Daniel Flores
28
Variable Dependiente:
1 = Posee

Poseer Tarjeta (previamente categorizada )
0 = No posee
Variables que no son cuantitativas:

Nivel de Ingresos
Nivel de Ingresos
Variables Dummy
Alto
Medio
Bajo
Alto
1
0
0
Medio
0
1
0
Bajo
0
0
1
Sin Ingresos
0
0
0
Fuente: Tabla de Ejemplo Nivel de Ingreso
Elaborado Por: Daniel Flores
Creamos tres variables dicotómicas o categóricas las cuales no van a ser numéricas
siendo estas unas variables dicotómicas: basándonos en el nivel de ingresos la primera
de ellas sería “Alto”. Quien lo sea tendrá valor 1 en esa variable y valor cero en las
variables “Medio” y “Bajo”. Los de nivel de Ingreso Medio tendrán valor 1 en la
segunda variable y cero en las otras, etc. No necesitamos crear, en cambio, una variable
llamada “Sin Ingresos”: lo será quien tenga valores cero en las tres anteriores. Esta
última es la categoría base de las dummy.
29
Una vez realizada esta transformación, estas variables pueden ser incorporadas en una
ecuación de regresión: sus valores sólo pueden variar entre cero y uno y sus coeficientes
b indicarán, en cada caso, cuanto aumentan o disminuyen los “odds” de probabilidad del
evento que se procura predecir cuando una de estas variables pasa de cero a uno.
De lo explicado anteriormente la probabilidad de tener tarjeta de crédito se verá
reflejada en la siguiente la función logística
=
Elaborado Por: Daniel Flores
Donde:
= Probabilidad de poseer Tarjeta de Crédito
= Probabilidad de no poseer Tarjeta de Crédito
Puesto que los datos se encuentran agrupados por el ingreso anual, la variable es la
media del grupo.
Así por ejemplo de la tabla indicada anteriormente de 6 personas con un ingreso de
entre 0 y 500 dólares su media es de 19/6, observando que hay 20 rangos de ingresos
diferentes de la muestra tomada.
30
Obteniendo el siguiente grafico (Ilustración 5)
Ilustración 5. Gráfico de Dispersión
14
12
10
Y
8
6
4
2
0
0
500
1000
1500
2000
2500
3000
Ingresos
Fuente: Microsoft Excel Datos de Ejemplo
Elaborado Por: Daniel Flores
Así pues arbitrariamente a manera de ejemplo se determinó que la probabilidad de
poseer una tarjeta de crédito basada en los ingresos de una persona sería la siguiente:
=
exp ( 1 +
1 + exp ( 1 +
)
2
)
Fuente: Revisión Bibliográfica
Elaborado Por: Daniel Flores
Donde:
es la probabilidad de que un sujeto posea una tarjeta de crédito con un ingreso
31
.
Interpretándose la misma de la siguiente manera: Cuando el ingreso es mayor existe la
posibilidad de poseer mayor número de tarjetas de crédito basándonos en la media
obtenida con el grupo de ejemplo.
Para lo cual previamente toco realizar una nueva reagrupación de los datos basándonos
en la tabla de ejemplo anterior para no obtener valores igual a 0 y verificar que el
modelo no sea rechazado.
Rango
#Tarjetas
Ingresos
Credito
0-500
# Casos
yi
19
6
3,16666667
700-800
15
4
3,75
800-900
32
7
4,57142857
900-1000
70
22
3,18181818
1000-1100
163
47
3,46808511
1100-1200
269
56
4,80357143
1200 - 1300
332
58
5,72413793
1300 - 1400
385
59
6,52542373
1400 - 1500
329
43
7,65116279
1500 - 1600
185
26
7,11538462
1600 - 1700
85
9
9,44444444
1700 - 1800
5
2
2,5
1800 - 1900
26
4
6,5
2300 - 2400
12
1
12
Fuente: Datos Central de Riesgo Muestra de Ejemplo
Elaborado Por: Daniel Flores
32
Donde se obtuvo la gráfica ajustada en la que se observa la curva logística.
Ilustración 6. Gráfica Resultado Ejemplo Regresión Logística
yi
14
12
10
Y
8
6
yi
4
2
0
0
500
1000
1500
2000
2500
3000
Ingresos
Fuente: Microsoft Excel Datos de Ejemplo
Elaborado Por: Daniel Flores
Con la imagen se puede demostrar que los puntos se ajustan a una curva en forma de s
en la que se observa que a mayor ingreso existe mayor probabilidad de obtener o poseer
mayor número de tarjetas de crédito.
33
CAPÍTULO III
CAPÍTULO III
3.
METODOLOGÍA
En este capítulo trataremos sobre la metodología utilizada para el desarrollo del modelo
del scoring y las fases que incluye el modelamiento.
3.1 MODELAMIENTO
El modelo busca determinar el riesgo de no pago o incumplimiento futuro asociado a
una operación crediticia, ordenando la población y dando la posibilidad de manejar
ofertas comerciales diferenciadas por punto de corte. Dando adicionalmente la facilidad
de utilizar múltiples puntos de corte que van desde el rechazo (punto mas bajo) hasta la
aprobación inmediata (puntaje más alto otorgando rápidamente el índice de riesgo
asociado a esa evaluación).
Las fases que incluyen el proceso de modelamiento son las siguientes:
1. Selección de la muestra
2. Definición de buenos y malos clientes
3. Definición y selección de datos
4. Análisis preliminar de los datos
5. Análisis multivariado
6. Diseño del scorecard
7. Validación del modelo
34
3.1.1 Selección de la muestra
Con la finalidad de desarrollar un sistema scoring es necesario contar con una muestra
de clientes que tengan información historial credticia. Este requerimiento genera una
dicotomía entre dos elementos de decisión.
La muestra debe incorporar información suficiente acerca de las diferentes conductas de
pago de los clientes (buena y mala conducta en los extremos) a fin de identificar las
mejores características que lograrán recoger estos comportamientos.
Es aquí justamente donde se genera el conflicto, dado que con esta muestra se necesita
definir el criterio de bueno y malo a emplear para encontrar las características relevantes
en el modelo. Para esto, en cambio, se necesitará información histórica suficiente y por
lo tanto un razonable horizonte temporal.
Para el caso de esta tesis de fijará un período de 72 meses, de información de datos de la
base de la Central de Riesgo donde se encuentra información consolidada de los
prestamos otorgados por las instituciones reguladas por la misma, contando con
información que a la vez recoja una madurez adecuada (comportamiento estable).
El período de observación es el tiempo t en el que el investigador decide situarse y
observar el desempeño del cliente. Es este período de desempeño o performance el que
va a ser empleado para predecir el comportamiento futuro. En el punto de resultado se
asigna una calificación (bueno o malo) al cliente con base en un resumen del
comportamiento en el periodo de desempeño. De ahí la importancia de madurez de la
35
cartera para no calificar como bueno a un cliente que es malo, pero que no logra denotar
un comportamiento porque inicia a pagar su obligación.
Integrada la información de deudores directos del Sistema Crediticio, se puedo obtener
una muestra de aproximadamente un 1% de personas registradas en la base de datos
integrada de la Central de Riesgo (obteniendo una muestra de las personas que tienen
en su documento de identificación el dígito verificador último digito igual a 3).
Adicionalmente se obtuvo una muestra con la información de la central de riesgo de
cédulas cuyo último dígito sea igual a 8, esta muestra se utilizó para la validación final
del modelo (backtesting).
Para efectos de análisis se tomaron datos reportados por Instituciones Financieras
Reguladas por la Superintendencia de Bancos a diferentes fechas desde enero 2002
hasta la ultima fecha de corte que se pudo obtener información reportada por las
Instituciones Bancarias a la Superintendencia de Bancos y de la cual se realizará un
análisis (backtesting) con la información mencionada hasta enero del 2007 hacia atrás
para con esto verificar la probabilidad de predicción que posee el score.
Lo explicado en los anteriores párrafos se refleja en la siguiente tabla donde mostramos
el número total registros en la base datos de la Central de Riesgos reportada por las
instituciones reguladas por la Superintendencia de Bancos, divididos por el último
digito de la cédula de identidad y los primeros dos dígitos de la misma, de las cuales se
36
tomaron muestras aleatorias como se indicó de las cédulas que su último digito termina
en 3 y en 8.
Tabla 2. Número Registros por primeros y últimos dígitos de la Cedula
Fuente: Direccion Nacional del Registro Civil
Elaborado Por: Daniel Flores
37
3.1.1.1
Período de performance
Como se mencionó anteriormente es importante escoger un período que reflejando la
actual población de clientes muestre un comportamiento estable de cartera. Un
indicador útil es la tasa de morosidad.
tasademorosidad 
# demalosclientes
# totaldeclientes
Donde:
# demalosclientes : Es el número de clientes malos
# totaldeclientes : Es el total de clientes
De tal forma que el indicar representa el porcentaje de clientes cuyo crédito se encuentra
en estado de vencido en relación con el total de clientes.
La tasa de morosidad se construye por período de cosecha (fecha de venta de las
operaciones de crédito) y tiene por objeto mostrar en forma gráfica y por mes de
colocación la relación clientes malos sobre total de clientes7, con el fin de señalar los
períodos en que esta razón se estabiliza como equivalentes a un comportamiento estable
de la cartera.
Un periodo se considera como estable en la medida que la razón de la cosecha t presente
pequeñas variaciones en relación a la cosecha t-1 y t+1. En términos estadísticos se
7
Credit Scoring and its Aplication, Lyn Tomas, David Edelman and Jonathan Crook
38
puede argumentar que se necesita, durante la ventana temporal elegida, que la razón tasa
de morosidad siga una distribución uniforme. La elección de periodos con tasas de
morosidad decrecientes no implica necesariamente una mejora en el comportamiento de
la cartera, puede ser que estas cosechas por ser cercanas a la fecha actual estén
reflejando carteras poco maduras y por ende no comparables con otros periodos de
análisis. A este tipo de estudios se los conoce como análisis de cosechas.
El siguiente esquema sintetiza la importancia del proceso de selección de la muestra, un
acertado periodo de performance, con lo cual aseguramos que la definición de bueno y
malo permita modelar un adecuado comportamiento de pago en el futuro.
Ilustración 7. Esquema de Selección de la Muestra
Fuente: Credi Report Buro de Información Creditica
Elaboración Credit Report Buro de Información Crediticia
39
Así también que en el esquema arriba expuesto se puede observar que identificando las
características del sujeto en el punto de observación basado en la información histórica
que se posee se definirá si este sujeto es bueno o malo y a su vez se podrá verificar que
tan predictor es el mismo al verificar su comportamiento basado en el score con
información a fechas de corte de posteriores.
3.1.2 Definición de buenos y malos clientes
La implementación de un modelo credit score requiere la definición de buen y mal
cliente. Establecer que un cliente es malo no implica necesariamente que todos los
restantes sean buenos. En el camino se pueden encontrar al menos dos definiciones
adicionales. Los 'indeterminados' o aquellos casos que no se pueden definir como
buenos o como malos, y los ' experiencia insuficiente' o aquellos casos en que la cuenta,
producto de su poco o corto uso, no se puede definir como buena sin caer en un juicio
prematuro.
Resulta evidente que la definición escogida no va a afectar la metodología empleada
para calificar al cliente. (esta asume que la definición crea una partición). Sin embargo,
la forma como definamos buenos y malos sí va a tener efecto sobre los resultados del
scoring.
Cuando se habla de malos se busca describir al conjunto de clientes, que dada la
experiencia no quiere seleccionar para su actividad intermediadora. Para el caso de los
40
modelos de riesgo, usualmente esta definición hace alusión a esa cartera que de conocer
su comportamiento no se hubiese aceptado.
De aquí se sigue que la definición de bueno y malo se basará prácticamente en el
comportamiento de pago de los clientes: mora máxima histórica, mora promedio,
contadores de mora (número de veces que ha caído en mora o reincidencia). Este
criterio de selección es mucho más deseable pues asocia el criterio de bondad a una tasa
de rendimiento, decidiendo la elección de bueno o malo con base en la máxima pérdida
que se está dispuesto a asumir. Es evidente que estas definiciones pasan por un grado de
subjetividad siendo tan conservadoras como lo quiera la entidad o viceversa.
3.1.3 Definición y selección de datos
Como se mencionó inicialmente una de las dificultades que puede afrontar un modelo
scoring es la escasez de una buena base de datos o incluso la ausencia de esta.
Es importante, por ende, contar no sólo con una base de datos sino con un sistema de
información adecuadamente construido con una lógica de almacenamiento de datos que
permita contar con una codificación o representación numérica de las características
cualitativas y cuantitativas que servirán para la aplicación de técnicas estadísticas. La
definición y selección de los datos a incluir en el modelo requiere identificar las escalas
de medida que pueden presentarse.
41
Existen dos grupos de variables a estudiar: las cualitativas y las cuantitativas.
Las primeras son aquellas que no aparecen en forma numérica, sino como categorías o
atributos (género, actividad económica, vivienda) y sólo pueden ser nominales u
ordinales.
Las variables cuantitativas, en cambio son aquellas cuyas categorías pueden expresarse
numéricamente. Su naturaleza numérica permite un tratamiento estadístico más
elaborado debido a las operaciones matemáticas que permiten. Estas variables pueden
ser discretas o continuas. Las primeras son aquellas cuyas categorías sólo pueden tomar
valores enteros. Por ejemplo la variable número de cargas familiares, no existe un
cliente que pueda tener 2,3 cargas familiares. Las segundas son aquellas cuyas
categorías pueden fraccionarse según cualquier entero, por ejemplo la variable salario.
Una vez definido los tipos de datos con los que se puede trabajar se procede a
seleccionar la información en función de las características disponibles.
De lo expuesto se definió que esta tesis por tratarse de un modelo para deudores del
sistema financiero ecuatoriano las variables a utilizar son las de un modelo de
comportamiento, no de originación por lo tanto se han escogido las siguientes variables
de alta importancia y sus combinaciones que mide el comportamiento de un
determinado sujeto dentro del periodo de performance las cuales se muestran en la tabla
siguiente:
42
COD_TIPO_ID
C
C
C
C
C
C
C
COD_ID_SUJE
TO
1714738331
1714738331
1714738331
1714738331
1714738331
1714738331
1714738331
NUM_OPERA FEC_OPERACI
VAL_TOTAL_X VAL_TOTAL_ VAL_VENCID VAL_DEM_JU VAL_CART_C COD_CALIFIC
FEC_CORTE VAL_SALDO VAL_TOTAL
CION
ON
V
NDI
O
DICIAL
ASTIGADA
ACION
01100017002529
2 9/01/2003 30/06/2009
1570,59
1570,59
1570,59
0
0
0
0 A
4938493456724018
30/06/2009 30/06/2009
16,65
16,65
16,65
0
0
0
0 A
5545119008469610
30/06/2009 30/06/2009
127,33
127,33
127,33
0
0
0
0 A
5545119008469610
30/06/2009 30/06/2009
51,42
51,42
51,42
0
0
0
0 A
01100017002529
2 9/01/2003 31/05/2009
1642,37
1642,37
1642,37
0
0
0
0 A
4938493456724018
31/05/2009 31/05/2009
16,65
16,65
16,65
0
0
0
0 A
4938493456724018
31/05/2009 31/05/2009
97,09
97,09
97,09
0
0
0
0 A
VAL_VENC_0 VAL_VENC_1 VAL_VENC_2 VAL_VENC_3 VAL_VENC_6 VAL_VENC_9 VAL_VENC_1 VAL_VENC_2 VAL_VENC_3 VAL_XVENCE VAL_XVENCE VAL_XVENCE VAL_XVENCE
_1
_2
_3
_6
_9
_12
2_24
4_36
6
R
R_1_3
R_3_6
R_6_12
0
0
0
0
0
0
0
0
0
72,39
73
222,73
462,78
0
0
0
0
0
0
0
0
0
16,65
0
0
0
0
0
0
0
0
0
0
0
0
17,51
35,68
55,18
18,96
0
0
0
0
0
0
0
0
0
2,14
4,02
5,43
8,97
0
0
0
0
0
0
0
0
0
70,17
70,92
217,34
456,05
0
0
0
0
0
0
0
0
0
16,65
0
0
0
0
0
0
0
0
0
0
0
0
97,09
0
0
0
VAL_XVENCE VAL_OPE_CU
R_12
PO
739,69
3359,97
0
500
0
360
30,86
360
Fuente: Datos Central de Riesgo Muestra de Ejemplo
Elaborado Por: Daniel Flores
43
Las mismas que están definidas por:
1.
Número de Operaciones Actuales e Históricas que posee el sujeto a calcular el scoring,
esto es cuantos prestamos un sujeto obtenido a través de instituciones financieras
dentro de un rango de tiempo.
2.
Cantidad de Calificaciones E que de acuerdo a la Superintendencia de Bancos esta se
clasifica de la siguiente manera:
Tabla 3. Periodo Morosidad en Meses
CALIFICACION
PERIODO DE MOROSIDAD EN MESES
TIPO DE RIESGO MAYOR A
HASTA
Riesgo Normal
----
Uno
Riesgo Potencial
Uno
Tres
Deficiente
Tres
Seis
Dudoso Recaudo
Seis
Nueve
Perdida
Nueve
En adelante
Fuente: Superintendencia de Bancos y Seguros
Elaborado Por: Daniel Flores
3.
Saldo por vencer de 1 a 30 días.- Es el valor por vencer que consiste en la sumatoria de
todos los dividendos por pagar en el plazo mencionado.
44
4.
Saldo por vencer más de 1 a 3 meses.- Es el valor por vencer que consiste en la
sumatoria de todos los dividendos por pagar en el plazo mencionado
5.
Saldo por vencer más de 3 a 6 meses.- Es el valor por vencer que consiste en la
sumatoria de todos los dividendos por pagar en el plazo mencionado
6.
Saldo por vencer más de 6 a 12 meses.- Es el valor por vencer que consiste en la
sumatoria de todos los dividendos por pagar en el plazo mencionado
7.
Saldo por vencer más de 12 meses.- Es el valor por vencer que consiste en la sumatoria
de todos los dividendos por pagar en el plazo mencionado
8.
Valor que no devenga intereses de 1 a 30 días.- Es el valor que no genera interés
cuando una operación crediticia se encuentra vencida en el rango de tiempo indicado.
9.
Valor que no devenga intereses más de 1 a 3 meses.- Es el valor que no genera interés
cuando una operación crediticia se encuentra vencida en el rango de tiempo indicado.
10. Valor que no devenga intereses más de 3 a 6 meses.- Es el valor que no genera interés
cuando una operación crediticia se encuentra vencida en el rango de tiempo indicado.
11. Valor que no devenga intereses más de 6 a 12 meses Es el valor que no genera interés
cuando una operación crediticia se encuentra vencida en el rango de tiempo indicado.
45
12. Valor que no devenga intereses más de 12 meses.- Es el valor que no genera interés
cuando una operación crediticia se encuentra vencida en el rango de tiempo indicado.
13. Valor vencido de 1 a 30 días.- Es el valor total vencido que consiste en la sumatoria de
todos los dividendos que están en mora en el rango de tiempo indicado.
14. Valor vencido más de 1 a 2 meses.- Es el valor total vencido que consiste en la
sumatoria de todos los dividendos que están en mora en el rango de tiempo indicado.
15. Valor vencido más de 2 a 3 meses.- Es el valor total vencido que consiste en la
sumatoria de todos los dividendos que están en mora en el rango de tiempo indicado.
16. Valor vencido más de 3 a 6 meses Es el valor total vencido que consiste en la sumatoria
de todos los dividendos que están en mora en el rango de tiempo indicado.
17. Valor vencido más de 6 a 9 meses.- Es el valor total vencido que consiste en la
sumatoria de todos los dividendos que están en mora en el rango de tiempo indicado.
18. Valor vencido más de 9 a 12 meses.- Es el valor total vencido que consiste en la
sumatoria de todos los dividendos que están en mora en el rango de tiempo indicado.
19. Valor vencido más de 12 a 24 meses Es el valor total vencido que consiste en la
sumatoria de todos los dividendos que están en mora en el rango de tiempo indicado.
46
20. Valor vencido más de 24 a 36 meses Es el valor total vencido que consiste en la
sumatoria de todos los dividendos que están en mora en el rango de tiempo indicado.
21. Valor vencido más de 36 meses.- Es el valor total vencido que consiste en la sumatoria
de todos los dividendos que están en mora en el rango de tiempo indicado.
22. Valor vencido de comisión Es el valor total vencido que consiste en la sumatoria de
todos los dividendos que están en mora en el rango de tiempo indicado.
23. Valor en demanda judicial.- Es el valor de una operación que se encuentra en proceso de
Demanda Judicial por parte de la institución financiera.
24. Cartera castigada.- Es el valor establecido como dudoso de recaudar por parte de la
Institución Financiera.
25. Edad.- La edad en años de la persona a consultar el score, en este caso nos encontramos
con un problema ya que no de todos las personas con crédito en el sistema ecuatoriano
se posee la edad o a su vez depende de la calidad de la información que poseamos ya
que esta puede no ser tan confiable y nos encontremos con valores inesperados como se
indica en la ilustración 8.
47
Ilustración 8. Distribución de los Sujetos por Rangos de Edad
Fuente: Instituciones Financieras Ecuatorianas
Elaborado Por: Daniel Flores
3.1.4 Análisis preliminar de la Muestra
En un principio todas las variables existentes en la base de datos deben ser
seleccionadas, e incluso analizadas para que a partir de estas construir nuevas variables
denominadas variables simples o de combinaciones de características como se describe
en la ilustración 9.
48
Ilustración 9. Transformación de una variable
Z4
X2
La variable fecha de apertura de la operación se puede
transformar en la fecha en la que por primera vez fue reportada
en la Central De Riesgo.
Elaborado Por: Daniel Flores
Así pues la ilustración 9 explica como una variable de entrada Z4 como por ejemplo la
fecha de nacimiento se puede convertir en la edad siendo esta una variable de salida X2.
Además en este análisis es necesario decidir sobre un esquema de segmentación para
definir si se divide la muestra en subgrupos siempre y cuando estas tengan información
especial o distintiva, en el caso de esta tesis no va a ser necesario ya que la muestra que
se posee es homogénea.
49
3.1.5 Análisis Multivariado
En esta etapa se validará la calidad y cantidad de información que se posee a través de
un análisis exhaustivo de los mismos los cuales se dividen en:
3.1.5.1 Análisis Univariado
El objetivo de esto es validar la calidad por cada variable en la muestra
seleccionada.
Este estudio cumple con los siguientes propósitos:
 Verificar con la integridad de los datos
 Detección de valores extremos
 Tratamiento por datos faltantes
3.1.5.2 Análisis Bivariado
El objetivo de este análisis es evaluar la relación entre las variables
independientes y las variables dependientes por ejemplo
Variable Dependiente: Variable Dicotómica (1 Si es mayor a 60 dias de
vencido en un préstamo otorgado por una institución financiera o 0 en caso
contrario)
50
Variables Independientes Monto del préstamo otorgado, que tipo de crédito
(vivienda, consumo, microcrédito, etc), montos vencidos, etc.
Es así que a modo de ejemplo en las 2 siguientes tablas se puede identificar que
se uso la combinación de las variables el valor por vencer a las cuales se les
realizó una suma, el valor en mora siempre y cuando sea mayor a 2 meses, y un
conteo de las operaciones las que cumplan con las dos condiciones anteriores.
De los cuales se obtuvo los coeficientes de media y comparación, permitiendo
analizar el comportamiento actual y pasado, verificando que estos valores se
encuentran dentro de los rangos óptimos definidos para el modelamiento del
score.
Así también en la segunda tabla se realiza una combinación de variables como
son los valores de cartera castigada y valores en demanda judicial a los cuales
se les suma dentro de un rango de tiempo de los últimos 24 meses que se tiene
en la información de la Central de Riesgo.
Y de igual manera se obtuvieron los coeficientes y se observó que los ratios o
coeficientes de medida y comparación se encuentran dentro de los parámetros
aceptables.
51
Ejemplo:
¿Ha tenido una o más operaciones con mora mayor o igual a 2 meses en los últimos 24 meses, pero el total de deuda por vencer es
mayor o igual a 0.33333 del deuda total tomando en cuenta los últimos 3 meses? La variable se denominara rfp3_2_cd_con
Bivariada (sólo buenos y malos)
Población Total
rfp3_2_cd_con
BMRatio
MBRatio
Total
Malo
Tasa de Malos
%Total
Total
%Total
0 (no)
1.17
0.85
77,123
18,143
23.5%
94.6%
77,123
94.6%
1 (sí)
0.09
10.56
4,379
3,469
79.2%
5.4%
4,379
5.4%
Total de deuda en cartera castigada o demanda judicial en los últimos 24 meses. La variable se denominará deuda_castplus
Bivariada (sólo buenos y malos)
Población Total
deuda_castplus
BMRatio
MBRatio
Total
Malo
Tasa de Malos
%Total
Total
%Total
0
1.38
0.73
74,671
15,485
20.7%
91.6%
74,671
91.6%
0 <- 5000
0.06
16.71
3,804
3,263
85.8%
4.7%
3,804
4.7%
5000 <- 10000
0.03
36.17
787
731
92.9%
1.0%
787
1.0%
10000 <- 20000
0.03
34.35
710
657
92.5%
0.9%
710
0.9%
20000 <
0.01
75.74
1,530
1,476
96.5%
1.9%
1,530
1.9%
Fuente: Datos Central de Riesgo Muestra de Ejemplo
Elaborado Por: Daniel Flores
52
3.1.6 Diseño del Score Card
Diseño del Score Card se basa en los pesos y signos asignados a las características
relevantes para identificar comportamiento de pago de un cliente. En su forma más
simple es una tabla en la que se listan las variables seleccionadas y sus atributos con el
puntaje asignado a cada uno8. Un puntaje negativo indica que la variable estaría
premiando al cliente que cumpla con este atributo, mientras que una variable positiva
estaría castigando.
Un mayor o menor valor significa cuán importante es la variable en la calificación.
De acuerdo al análisis realizado para esta tesis el score card que se utilizará será el
siguiente:
8
Un score card es una tabla donde se presentan las características (variables) resultantes de la aplicación
del modelo logístico, con el valor respectivo del parámetro ajustado para representar el valor de score con
el que aporta cada una de las características.
53
Ilustración 10. Diseño del Score Card Cógido Sql
set @n_score = -5.0418819189 +
@i_b_avgmo_1_ec * 0.426007907 +
@i_b_avgmo_2_ec * 0.615325305 +
@i_b_avgmo_3_ec * 0.746487979 +
@i_b_avgmo_4_ec * 0.835391271 +
@i_b_avgmo_5_ec * 0.940640093 +
@i_b_avgmo_6_ec * 1.163488941 +
@i_b_avgmo_7_ec * 1.305610914 +
@i_b_avgmo_8_ec * 1.525070427 +
@i_b_wcurr_1_all * 0.633003213 +
@i_c1a10_1_all * 0.527885872 +
@n_c12_1a10_1_all * 0.435848447 +
@n_c3_2a10_1_all * 0.372657094 +
@i_cant_calificacion_e_1_all * 1.584073234 +
@i_cant_no_devenga_12_1_pd * 0.169503353 +
@i_cant_no_devenga_12_2_all * 0.31779479 +
@i_cant_no_devenga_24_1_ec * 0.484176497 +
@i_cant_por_vencer_12_1_all * 0.383397711 +
@i_cant_tipo_riesgo_titular_1_ec * 0.378465063 +
@i_cl1 * 0.687503404 +
@i_cl2 * 0.495688296 +
@i_cl3 * 0.384044386 +
@i_cl4 * 0.187988401 +
@i_copen_vig_3_1_all * -0.2652798865 +
@i_copen_vig_3_1_ec * -0.1950141455 +
@i_mnew_1_pd * 0.959436817 +
@i_mold_vig_1_all * 0.639567949 +
@n_rdt1s3_2_ec * 0.628773397 +
@n_rdt1s3_3_ec * 0.281621939 +
@i_rdt24_3a10_1_all * 0.538599523 +
@i_rdt3_2a10_1_all * 0.936851865 +
@i_rdt6_1a10_1_all * 0.302253614 +
@i_rfp12_2_all * 0.18566022 +
@i_rfp12_3_all * 0.430115998 +
@i_rfp3_2_cd * 0.479899586
set @n_score = round(1000/(1+exp(-@n_score)),0)
Fuente: Código Sql
Elaborado Por: Daniel Flores
Y como explicación se indicará la obtención de una de las variables que se utilizan en el
diseño del score card, las demás se encuentran en el anexo 3
54
Desarrollo de la variable @i_rdt24_3a10_1_all
Si el valor de la variable (@n_rdt24_3a10 < .00001) entonces la variable
@i_rdt24_3a10_1_all toma el valor de 1 caso contrario toma el valor de 0
Donde:
La variable @n_rdt24_3a10 toma el valor de 0 si @n_deuda_total_24 es igual a 0
caso contrario la variable se calcula de la siguiente manera @n_rdt24_3a10 =
@n_d24_3a10/@n_deuda_total_24
Para lo que previamente se debe obtener las siguientes variables:
@n_deuda_total_24
@n_d24_3a10
Así pues la variable @n_deuda_total_24 se obtiene de la suma total de los valores que
adeuda una persona a las entidades reguladas por la Superintendencia de Bancos en los
24 meses anteriores a la fecha de calculo del credit scoring
Y la variable @n_d24_3a10 se obtiene suma de los valores vencidos o en estado de
mora con las entidades reguladas por la Superintendencia de Bancos en los 24 meses
anteriores a la fecha de calculo del credit scoring
55
3.1.7 Validación del Modelo
Para validar el modelo se realizó pruebas de backtesting o pruebas de pasado que tienen
como fin probar la predictibilidad del modelo con datos del pasado y compararlos con el
score calculado con información actual.
Así pues la prueba de backtesting realizada se basó en el historial crediticio del sujeto
con la cual se desarrollo una variable de prueba la cual consistía en que si el sujeto a
partir de la fecha de calculo del scoring crediticio hasta un año después colocaba 1 si
este caía vencido o tenia valores en mora o 0 si este no tenia valores vencidos o en mora
en las instituciones reguladas por la Superintendencia de Bancos (Anexo 2).
56
CAPÍTULO IV
CAPÍTULO IV
4.
DESARROLLO
En este capítulo se explicará sobre las herramientas utilizadas para el desarrollo de esta
tesis y el sistema diseñado para la explicación del scoring crediticio.
4.1 DISEÑO Y DESARROLLO
La aplicación tiene como objetivo ayudar al analista de crédito para que con el historial
crediticio pueda darse cuenta que tan apto es una persona para ser sujeto de crédito ya
que se basa en la probabilidad de mora del mismo.
Además al ser una aplicación Web Service ayuda a que cualquier institución o persona
pueda desarrollar su aplicativo y con la información enviada vía XML a través del
internet pueda desarrollar sus propias pantallas de acuerdo a los estándares de la
institución que desea utilizar.
Así también los rangos de aprobación del crédito pueden ser parametrizables de acuerdo
a la institución que utilice el sistema.
57
4.2
HERRAMIENTAS DE DESARROLLO
4.2.1 Microsoft .Net
Es un entorno de desarrollo integrado (IDE, por sus siglas en inglés) para
sistemas operativos Windows. Soporta varios lenguajes de programación tales
como Visual C++, Visual C#, Visual J#, ASP.NET y Visual Basic .NET, aunque
actualmente se han desarrollado las extensiones necesarias para muchos otros.
Visual Studio permite a los desarrolladores crear aplicaciones, sitios y
aplicaciones web, así como servicios web en cualquier entorno que soporte la
plataforma .NET. Así se pueden crear aplicaciones que se intercomuniquen entre
estaciones de trabajo, páginas web y dispositivos móviles.
Microsoft .Net es una herramienta de desarrollo que puede usarse para crear
plataformas independientes y dispositivos independientes del software. Se puede
usar .Net Framework para tener datos disponibles a través del internet como es
el caso de esta tesis.
Algunas características principales y que se destacan por su relevancia son:
 Es un potente lenguaje orientado al desarrollo basado en objetos.
 Permite realizar aplicaciones más robustas y fáciles de depurar.
58
 Es un lenguaje más simplificado y uniforme.
 El código es reutilizable y fácil de leer.
Ilustración 11. Características Herramientas .Net
Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008
Elaborado Por: Daniel Flores
59
4.2.2 SQL Server 2005
Ilustración 12. Sql Server 2005
Fuente: Sql Server 2005
Elaborado Por: Daniel Flores
Microsoft SQL Server es un sistema de gestión de bases de datos relacionales
(SGBD) basado en el lenguaje Transact-SQL, y específicamente en Sybase IQ,
capaz de poner a disposición de muchos usuarios grandes cantidades de datos de
manera simultánea, así como las siguientes características:

Soporte de transacciones.

Escalabilidad, estabilidad y seguridad.

Soporta procedimientos almacenados.

Incluye también un potente entorno gráfico de administración, que permite el
uso de comandos DDL y DML gráficamente.
60

Permite trabajar en modo cliente-servidor, donde la información y datos se
alojan en el servidor y las terminales o clientes de la red sólo acceden a la
información. Además permite administrar información de otros servidores de
datos.
Microsoft SQL Server constituye la alternativa de Microsoft a otros potentes
sistemas gestores de bases de datos como son Oracle, Sybase ASE, PostgreSQL,
Interbase, Firebird o MySQL.
Es así que en SQL se almacenará los datos que se posee de la información de la
Central de Riesgo, y además será en donde se calcule el scoring crediticio
convirtiéndose esta en la capa de negocio del sistema, ya que así se evitará que
el aplicativo tarde mucho tiempo en obtener los datos y calcular el score.
4.2.3 SPSS
Statistical Package for the Social Sciences (SPSS) es un programa estadístico
informático. En la actualidad, la sigla se usa tanto para designar el programa
estadístico como la empresa que lo produce.
El programa consiste en un módulo base y módulos anexos que se han ido
actualizando constantemente con nuevos procedimientos estadísticos.
61
De tal forma que en este proyecto el programa SPSS se utilizó para el análisis
estadístico de las variables cualitativas del modelo y para obtener una visión de
las variables que se deben utilizar en el desarrollo del score.
4.3
DISEÑO DEL SISTEMA
4.3.1 Web Service
En concepto, un Web Service es un recurso programable y direccionable
mediante una URL. Desde el punto de vista del programador, un Web Service es
una clase, que se auto-define usando XML, y que es accesible mediante HTTP.
La clase es auto-definida en XML para ofrecer al exterior un interfaz estándar
con el que utilizar los métodos que proporciona y es accesible mediante HTTP
por ser este el protocolo de aplicación utilizado por los navegadores web.
Un servicio web es una herramienta que permite compartir programas lógicos y
capacidades con numerosas aplicaciones web y aplicaciones Windows y con
aplicaciones que pueden correr sobre otras plataformas.
62
Ilustración 13. Funcionamiento de un Web Service
Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008
Elaborado Por: Daniel Flores
Con el grafico anterior se explica como funciona un Web Service que desde
cualquier explorador que el cliente utilice coloca la dirección http que desea
buscar, el XML Web Service responde con una lista de métodos designados y
propiedades en XML.
63
4.3.2 Modelado del Sistema
Se presenta a continuación el modelado del sistema, basado en la metodología
UML.
UML, o Lenguaje de Modelado Unificado es una especificación de notación
orientada a objetos, el cual se compone de diferentes diagramas, los cuales
representan las diferentes etapas del desarrollo del proyecto.
El sistema de acuerdo a su estructura y para el cumplimiento de los objetivos
propuestos se compone de la siguiente etapa.
El diagrama que he visto conveniente mostrar para su mejor comprensión y tener
una mejor visión de cómo está estructurado es el siguiente:
 Diagrama de caso de uso
64
4.3.3 Casos de Uso
Este diagrama representa la funcionalidad completa de un sistema, mostrando su
interacción con los agentes externos.
Esta representación se hace a través de las relaciones entre los actores y los
casos de uso dentro del sistema. Los diagramas de caso de uso definen conjunto
de funcionalidades afines que el sistema debe cumplir para satisfaces todos los
requerimientos que tiene a su cargo. Esos conjuntos de funcionalidades son
representados por los casos de uso. Se pueden visualizar como las
funcionalidades son representados por los casos de uso. Se pueden visualizar
como las funciones más importantes que la aplicación puede realizar.
Proceso de la Información
Solicitud Web Service
Es el proceso de ingreso de la información
correspondiente al número de identificación del sujeto que solicita el crédito.
Análisis En este proceso donde se realizará el estudio con los datos que se posee
del sujeto para obtener el score crediticio.
Aprobación o Negación Al finalizar el proceso de análisis vamos a obtener el
Scoring de Aprobación Final del cliente (Aprobada, Analizar Solicitud,
Rechazado o Sin Información para obtener score)
65
Ilustración 14. Caso de Uso
Aprobado
Rechazado
Ingreso
Solicitud
Análisis datos
Historial
Crediticio
Analizar
Solicitud
Sin
Información
Elaborado Por: Daniel Flores
4.4
Creación del Web Service
Lo primero que se debe realizar es crear un clase que lo llamaremos wsScore, para que
el código siguiente sea reconocido con un web service debe crearse con la extensión
.asmx.
66
Ilustración 15. Código .Net Creación del Web Service
<%@ WebService Language="C#" Class="wsScore" %>
using
using
using
using
using
System;
System.Web;
System.Web.Services;
System.Web.Services.Protocols;
System.Data;
[WebService(Namespace = "http://tempuri.org/")]
[WebServiceBinding(ConformsTo = WsiProfiles.BasicProfile1_1)]
public class wsScore : System.Web.Services.WebService
{
public wsScore()
{
}
//***************************************************************
//**************************** SCORE*****************************
//***************************************************************
[WebMethod(Description = "Método Web que obtiene el score de un sujeto")]
public DataSet Score(string tipoDocumento, string numeroDocumento, out string mensajeError)
{
try
{
mensajeError = string.Empty;
if (tipoDocumento != "C")
{
mensajeError = "Tipo Documento errado";
return null;
}
if (tipoDocumento == "C")
{
if (numeroDocumento.Length != 10)
{
mensajeError = "Longitud de la cedula no valida";
return null;
}
}
if (numeroDocumento.Length > 10)
{
mensajeError = "Longitud de la cedula no valida";
return null;
}
DataSet ds = new DataSet();
ds = BD.consultarScore(tipoDocumento,numeroDocumento, out mensajeError);
DataSet ds1 = new DataSet();
ds1 = BD.VariablesRelevantesScore(tipoDocumento, numeroDocumento, 0, 36, out
mensajeError);
return ds;
}
catch (Exception ex)
{
mensajeError = ex.ToString();
return null;
}
}
}
Elaborado Por: Daniel Flores
67
La primera línea del código indica que se creó un web service
<%@ WebService Language="C#" Class="wsScore" %>, el mismo que esta creado
en codigo C# y que la clase implementada se llama wsScore.
Para poder utilizar el web service creado se debe consumir el mismo de la siguiente
manera:
Agregar una referencia web como se indica en la siguiente ilustración
Ilustración 16. Creación Referencia Web
Fuente: Microsoft Visual .Net
Elaborado Por: Daniel Flores
68
Como para esta tesis el web service se encuentra en el equipo y no se dispone de una
dirección física realizamos la conexión a un servicio web del servicio local
Ilustración 17. Busqueda del Servicio Web
Fuente: Curso 2310. Microsoft Visual .Net
Elaborado Por: Daniel Flores
La siguiente pantalla indica los web services diponibles en la máquina local, para el
caso de ejemplo debemos conectarnos al web service wsScore que fue creado con el
código indicado anteriormente.
69
Ilustración 18. Selección del Web Seervice
Fuente: Microsoft Visual .Net
Elaborado Por: Daniel Flores
Realizamos la conexión con el web service requerido y obtenemos una pantalla en la
que confirmamos que la conexión es la requerida.
4.5
Probador Web Service
El siguiente código es el desarrollado para realizar las pruebas de conexión con el web
service desarrollo y poder verificar que los datos obtenidos con la conexión de la base
de datos.
70
Ilustración 19. Codigo .Net Creación del Probador Web Service
using
using
using
using
using
using
using
using
using
System;
System.Data;
System.Configuration;
System.Web;
System.Web.Security;
System.Web.UI;
System.Web.UI.WebControls;
System.Web.UI.WebControls.WebParts;
System.Web.UI.HtmlControls;
public partial class _Default : System.Web.UI.Page
{
protected void Page_Load(object sender, EventArgs e)
{
}
public CabeceraCR CredencialesGenericas = new CabeceraCR();
protected void btnEjecutar_Click(object sender, EventArgs e)
{
try
{
Score.wsScore wsScore = new Score.wsScore();
string MensajeError = string.Empty;
DataSet dsDatos = new DataSet();
dsDatos = wsScore.Score(TipoDocumento.Text,NumeroDocumento.Text, out
MensajeError);
#region Generacion de HTML por resultados
if (dsDatos == null)
{
throw new Exception(MensajeError);
}
//mostrar resultados.
lblError.Visible = false;
int tablasVacias = 0;
int tablasConDatos = 0;
int totalTablas = 0;
foreach (DataTable dttTabla in dsDatos.Tables)
{
if (dttTabla.Rows.Count > 0)
tablasConDatos++;
else
tablasVacias++;
totalTablas++;
}
// Resumen General
Label lblResumen = new Label();
lblResumen.Text = "<BR>----------------------------- RESUMEN GENERAL ---------------------------- ";
lblResumen.Text += "<BR>Total Tablas: " + totalTablas;
lblResumen.Text += "<BR>Tablas con datos: " + tablasConDatos;
lblResumen.Text += "<BR>Tablas vacías: " + tablasVacias + "<BR>";
lblResumen.ForeColor = System.Drawing.Color.MidnightBlue;
lblResumen.Font.Bold = true;
pnlResultados.Controls.Add(lblResumen);
71
// Detalle de Tablas
int Contador = 0;
foreach (DataTable dttTabla in dsDatos.Tables)
{
Label lbl = new Label();
lbl.ID = "lbl" + "_" + Contador.ToString();
lbl.Text = "<BR>----------------------------- " +
dttTabla.TableName + "----------------------------- ";
lbl.Text += "<BR>Total Columnas: " + dttTabla.Columns.Count;
lbl.Text += "<BR>Total Filas: " + dttTabla.Rows.Count;
lbl.ForeColor = System.Drawing.Color.Salmon;
if (dttTabla.Rows.Count == 0)
{
DataRow dtr = dttTabla.NewRow();
dttTabla.Rows.Add(dtr);
}
GridView dgv = new GridView();
dgv.ID = "dgv" + "_" + Contador.ToString();
dgv.DataSource = dttTabla;
dgv.DataBind();
pnlResultados.Controls.Add(lbl);
pnlResultados.Controls.Add(dgv);
Contador++;
}
#endregion
}
catch (Exception ex)
{
lblError.Text = ex.Message;
lblError.Visible = true;
}
}
}
Elaborado Por: Daniel Flores
La pantalla obtenida con el desarrollo del web service es la siguiente la cual se obtiene
previamente con una conexión con la base de datos desarrollada con los datos de
muestra aleatoria obtenidos:
72
Ilustración 20. Pantalla Probador Web Service
Probador Ws Score
Parametros
TipoDocumento
1714738331
NumeroDocumento
1714738331
Ejecutar
----------------------------- RESUMEN GENERAL ----------------------------Total Tablas: 4
Tablas con datos: 4
Tablas vacías: 0
----------------------------- Table----------------------------Total Columnas: 1
Total Filas: 1
Calificacion
ANALIZAR SOLICITUD
----------------------------- Table1----------------------------Total Columnas: 1
Total Filas: 1
Score
673,00
----------------------------- Table2----------------------------Total Columnas: 2
Total Filas: 6
Indicador
Valor
Número de instituciones acreedoras actuales
3
Numero de operaciones vencidas
0
Porcentaje de deuda vencida
0.00%
Porcentaje utilización de las tarjetas de crédito
22.72%
Valor por Vencer de 0 a 1 mes de tarjetas
36.30
Valor por Vencer de 0 a 1 mes de tarjetas y operaciones 108.69
----------------------------- Table3----------------------------Total Columnas: 2
Total Filas: 4
RangoScore
Calificacion
1000 - 700
Aprobado
699 - 400
Analizar Solicitud
399 - 0
Rechazar
Sin Información Sin Información para analizar Score
Fuente: Pantalla Probador Web Service
Elaborado Por: Daniel Flores
73
Por definición en este proyecto y como ejemplo de cómo una institución que utilice este
sistema puede poner rangos al scoring para aprobar una solicitud de crédito de un
sujeto determinado se puede poner rangos al score, para definir si un sujeto es apto o no
al crédito solicitado de acuerdo a la siguiente tabla la cual puede ser parametrizada:
Tabla 4. Parametrización Scoring Crediticio
Rango Score
Respuesta
1000 - 700
Aprobado
699 - 400
Analizar Solicitud
399 - 0
Rechazar
Sin
Información
(Sin Información)
analizar Score
74
para
CAPÍTULO V
CAPÍTULO V
5. CONCLUSIONES Y RECOMENDACIONES
En este capitulo trataremos sobre las conclusiones y recomendaciones de utilizar un
sistema de scoring crediticio.
5.1 CONCLUSIONES

A través del scoring crediticio se puede pronosticar el desempeño de
préstamos futuros, basados en el uso del conocimiento cuantitativo acerca del
desempeño y características de préstamos pasados registrados en una base de
datos electrónica, con la finalidad de optimizar y reducir errores en el análisis
crediticio.

Para el desarrollo del scoring crediticio se ha utilizado diferentes variables del
historial crediticio de un sujeto, con el objetivo de que sea útil para la toma de
decisiones minimizando el riesgo, en función de los datos históricos con el fin
de preservar la integridad de los recursos preservados.

El scoring crediticio no realiza un análisis discriminante, más bien utilizando
técnicas matemáticas y estadísticas cuantifica el riesgo al que una institución
se somete al entregar un crédito a un sujeto.
75

El scoring crediticio es consistente, por ejemplo dos personas con las mismas
características crediticias tendrán el mismo score.

Así también en base a la clasificación del score, se evidenció que clientes con
altos puntajes en su score presentan menor nivel de riesgo que aquellos con
puntajes bajos en su score, ya que estos incurren o han incurrido en mora en
su historial de credito.

El empleo de un modelo estadístico que permita segmentar la cartera de
clientes no solo conduce a un mejor control del riesgo sino que, solo
acompañado de una estrategia comercial lleva a incrementar las tasas de
rentabilidad de los créditos colocados, permitiendo obtener un promedio
mayor de retorno del crédito otorgado.

En este estudio se contó con una sólida base de datos que permitió no sólo
contar con información fiable sino de calidad permitiendo trabajar con una
gran cantidad de variables simples y cruzadas sin la pérdida significativa de
información.
5.2 RECOMENDACIONES

Una principal recomendación que se puede dar es que el scoring crediticio es
un modelo matemático que permitirá dar una probabilidad en base a un
76
historial de datos, y que no se le debe tomar como una herramienta de
decisión, más bien a este sistema se lo debe tomar como una herramienta de
ayuda muy confiable para la toma de decisiones, ya que al final el juicio
humano es decir la decisión de un analista de crédito podría cambiar el
resultado final basado en excepciones de experiencias pasadas.

Otra de las consideraciones importantes para construir un buen modelo radica
en la calidad de los datos escogidos y en la selección adecuada de las
variables que influyen en los modelos.

Otra recomendación es obtener una base de datos que contenga las siguientes
características: estabilidad, madurez y representatividad, todo esto garantiza
que luego del análisis los datos se pueda concluir sobre el comportamiento
crediticio del cliente a través del score.

El grupo establecido como rechazo puede ser considerado como parte de la
población sujeto de crédito, eliminando los puntos de corte definidos en el
modelo scoring, no obstante, esta sugerencia queda en manos de la institución
o persona que va a utilizar.
77
BIBLIOGRAFÍA
1. Anderson T. W., An Introduction To Multivariate Statistical Analysis,Second Edition,
Wiley, 1984
2. ALONSO MARTÍNEZ, C. (2001) "Credit scoring y consentimiento en la protección de
datos", Perspectivas del sistema financiero, nº 72, pp. 85-91.
3. BANEGAS GARCÍA, C.; GARCÍA MARTÍNEZ, F. (2000) "El riesgo de crédito en la
banca ante la nueva regulación del Banco de España", Banca & Finanzas, nº 60, pp. 69.
4. BERTRAN JORDANA, J. (1994) "Control y gestión de los riesgos financieros", Alta
Dirección, nº 173, pp. 65-72.
5. LYN TOMAS , DAVID EDELMAN AND JONATHAN COOK , “Credit Scoring and
its application”, SIAM Society for Industrial and Applied Mathematics, Filadelfia,
2002, pp. 115-120
6. MONTGOMERY, D., PECK, E., VINING, G. "Introducción al análisis de regresión
lineal", Compañía Editorial Continental. Primera edición en español
7. PEÑA, D. (2002) Análisis de datos multivariantes. Madrid: Editorial McGraw-Hill.
8. GONZÁLEZ SÁNCHEZ, M. (2000) "Nuevas tendencias en la gestión de riesgos: riesgo
de crédito".
9. SCHREINER, Mark. (1999) "Un Modelo de Calificación del Riesgo de Morosidad para
los
Créditos
de
una
Organización
www.microfinance.com
78
de
Microfinanzas
en
Bolivia",
10. Hand, D.J. y W.E. Henley. (1997) “Statistical Classification Methods in Consumer
Credit Scoring: A Review”, Journal of the Royal Statistical Association Series A, Vol.
160, No. 3
11. Lewis, E.M. (1990) An Introduction to Credit Scoring, San Rafeal: Athena, LIC# 9092258.
DIRECCIONES ELECTRÓNICAS
12. http://hdl.handle.net/10469/61
13. www.superban.gov.ec.
14. http://www.dspace.espol.edu.ec/handle/123456789/1253
15. http://en.wikipedia.org/wiki/Multinomial_logit
79
ANEXOS
ANEXOS
1. ANEXO 1
Análisis SPSS
Variable dependiente
Original
Internal
Value
Value
,00
0
1,00
1
De acuerdo al calculo del score realizado a los meses de enero Enero 2008, Septiembre
2007, Octubre 2007, Noviembre 2007, Diciembre 2007 y Agosto 2007 se obtuvo la
siguiente tabla de frecuencia:
80
Parameter
Frequency
ESTADO_ENERO_08 ,00
1,00
coding (1)
3097
1,000
6695
,000
2937
1,000
6855
,000
2633
1,000
7159
,000
2790
1,000
7002
,000
2847
1,000
6945
,000
1243
1,000
8549
,000
ESTADO_SEPTIEMB ,00
RE_07
1,00
ESTADO_OCTUBRE
,00
_07
1,00
ESTADO_NOVIEMB
,00
RE_07
1,00
ESTADO_DICIEMBR ,00
E_07
1,00
ESTADO_AGOSTO_
,00
07
1,00
81
Con la obtención del ODDS de incurrir en mora
X_N
5,00
0,00
-5,00
0,00
0,20
0,40
0,60
Probabilidad_nuevoscore
82
0,80
1,00
Al obtener los datos se realiza la regresión lineal, es decir el logaritmo natural de la
ODDS de la variable dependiente (esto es el logaritmo de la razón de las proporciones
de que un sujeto incurra en mora en un posible crédito) obteniendo el siguiente gráfico.
100,00
PROB_REDON
80,00
60,00
40,00
20,00
0,00
0,00
0,20
0,40
0,60
0,80
1,00
Probabilidad_nuevoscore
En el cual se puede verificar que la muestra sigue una tendencia, que como en todo
modelo existen casos que se encuentran fuera de del predictor, pero cabe mencionar que
estos casos se deben a la calidad de los datos que se obtuvo para predecir el score.
83
2. ANEXO 2
Análisis EXCEL
Se realizó pruebas estadísticas de poder discriminatorio en donde se obtuvo la siguiente
tabla de resumen
%
%
RANGO
BUENOS
% BUENOS MALOS
MALOS
TOTAL
TOTAL
DIF
Puntaje de 1 a 2
411
9,3%
4.007
90,7%
4.418
8,2%
27,09%
Puntaje de 3 a 139
1.587
31,7%
3.420
68,3%
5.007
9,3%
47,10%
Puntaje de 140 a 620 3.217
50,5%
3.150
49,5%
6.367
11,8%
61,14%
Puntaje de 621 a 866 5.427
79,9%
1.367
20,1%
6.794
12,6%
57,12%
Puntaje de 867 a 899 4.066
86,7%
626
13,3%
4.692
8,7%
51,32%
Puntaje de 900 a 927 4.375
90,9%
440
9,1%
4.815
8,9%
43,43%
Puntaje de 928 a 936 4.213
91,7%
383
8,3%
4.596
8,5%
35,55%
Puntaje de 937 a 945 6.691
94,1%
417
5,9%
7.108
13,1%
37,46%
Puntaje de 946 a 954 5.401
95,4%
263
4,6%
5.664
10,5%
25,76%
Puntaje de 955 a 999 4.485
96,2%
178
3,8%
4.663
8,6%
15,76%
Total
73,7%
14.251
26,3%
54.124
100,0%
39.873
84
K-S
En donde observamos que el nivel de K-S que es la medida de máxima diferencia
absoluta entre las distribuciones acumuladas de buenos y malos, en nuestro caso se
observa que es mayor al 15 % por lo que se puede explicar que el poder predictivo del
scoring es aceptable.
Además obtuvimos el coeficiente de Gini que obtuvimos comparando el porcentaje de
los buenos contra el porcentaje de los malos clientes para los mismos puntajes
obteniendo estos datos con el backtesting realizado.
1,2
1
0,8
0,6
%BA
%MA
0,4
0,2
0
1
2
3
4
5
6
7
85
8
9
10
DATOS PERSONALES
INDICADORES
DEFINICION
TIPO ID IDENTIFICACION SCORE BUENO/MALO EN EL
SISTEMA
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100000306
0100009380
0100012103
0100013945
0100014570
0100027432
0100028851
0100030634
0100032846
0100035229
0100040724
0100045236
0100047612
0100048735
0100048800
0100053495
0100054998
0100055797
0100058791
0100061068
0100062439
0100065374
0100067768
0100069285
0100075746
0100076496
0100077668
0100077775
0100081876
0100082775
0100084540
0100089978
0100096874
0100098961
970
81
814
964
703
936
973
1
964
643
935
899
899
524
945
953
974
185
290
203
906
899
934
686
145
885
926
957
942
974
947
359
1
875
86
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
1
1
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100107416
0100111343
0100111376
0100113513
0100117431
0100124668
0100140094
0100140383
0100142173
0100142892
0100144872
0100145093
0100146083
0100147693
0100152461
0100153501
0100156306
0100156819
0100157981
0100161942
0100163641
0100166081
0100166446
0100172410
0100177963
0100181569
0100184506
0100190727
0100193333
0100194885
0100205269
0100205939
0100206630
0100210269
0100210921
0100215839
0100217363
0100221720
0100225168
954
35
943
949
953
962
938
560
903
159
957
933
933
945
941
1
938
932
893
953
581
213
953
1
947
945
964
933
892
1
958
948
485
936
902
842
912
719
927
87
0
1
0
0
0
0
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100226133
0100229988
0100232388
0100235308
0100237304
0100240803
0100240829
0100241660
0100248665
0100252691
0100256163
0100256759
0100258763
0100258821
0100260249
0100263748
0100264894
0100270487
0100273408
0100275528
0100277599
0100277771
0100294420
0100296698
0100300052
0100304179
0100305317
0100310689
0100311166
0100311885
0100314087
0100315464
0100317882
0100317908
0100318062
0100318203
0100318427
0100318450
0100318518
936
962
836
956
946
974
159
916
54
70
939
99
934
944
888
949
946
953
953
932
939
278
946
943
968
954
955
959
895
957
957
905
914
1
934
928
62
931
928
88
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100318666
0100320035
0100320316
0100325745
0100326602
0100336338
0100338110
0100339605
0100346394
0100346758
0100348747
0100348945
0100356443
0100369396
0100371103
0100371590
0100372440
0100374131
0100396167
0100397058
0100400654
0100409010
0100413798
0100420728
0100421437
0100424324
0100435734
0100439009
0100441542
0100442359
0100442367
0100444603
0100445360
0100459114
0100466481
0100467943
0100476597
0100476944
0100487974
848
790
934
823
948
965
933
856
942
750
766
974
939
921
955
940
786
910
939
959
954
930
958
968
560
732
841
912
889
4
936
974
939
931
948
966
601
134
932
89
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100489921
0100493675
0100494343
0100510585
0100511054
0100511849
0100527969
0100531425
0100542562
0100554583
0100560721
0100561430
0100564707
0100579341
0100590660
0100591890
0100596360
0100597012
0100598564
0100601830
0100609106
0100610427
0100617455
0100620020
0100620699
0100621275
0100640978
0100642297
0100645555
0100651264
0100653260
0100653765
0100654110
0100655943
0100656248
0100659978
0100664424
0100664499
0100666031
553
950
944
954
974
974
963
959
505
906
959
909
928
773
942
26
943
734
879
13
13
951
930
938
947
958
55
951
654
290
516
961
961
821
965
941
962
886
865
90
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
1
0
0
1
0
0
0
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100666353
0100669415
0100679059
0100681477
0100699065
0100699990
0100700376
0100706613
0100709450
0100711365
0100719889
0100723881
0100728450
0100729789
0100730514
0100734185
0100735760
0100737964
0100747674
0100755586
0100759265
0100763382
0100763515
0100766138
0100767532
0100768316
0100770700
0100772250
0100774421
0100774462
0100779487
0100783844
0100785385
0100787787
0100788074
0100790534
0100790674
0100791532
0100792993
904
974
904
906
918
957
930
231
883
933
828
974
886
950
933
909
899
888
398
971
906
880
950
209
950
895
955
833
941
947
953
974
942
937
935
937
922
962
959
91
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
C
0100797059
0100801281
0100804939
0100811793
0100814300
0100814615
0100815596
0100817410
0100820422
0100822030
0100824655
0100825009
0100825199
0100825827
0100828730
0100831601
0100834928
0100835370
0100837863
0100839323
0100840230
0100841162
0100841873
0100843630
0100845353
0100847888
0100852581
890
950
461
964
952
897
879
855
940
912
949
934
919
306
16
950
580
929
960
43
942
915
571
938
463
510
487
92
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3. ANEXO 3
DESARROLLO SQL DEL SCORE CARD
set @i_c0 = @i_cant_total_1 - @i_cant_vencido_1
set
set
set
set
set
set
set
set
set
set
@i_c10 =
@i_c9a10
@i_c8a10
@i_c7a10
@i_c6a10
@i_c5a10
@i_c4a10
@i_c3a10
@i_c2a10
@i_c1a10
@i_cant_judicial_1
= @i_cant_castigada_1 + @i_c10
= @i_cant_vencido_99_1 + @i_c9a10
= @i_cant_vencido_36_1 + @i_c8a10
= @i_cant_vencido_24_1 + @i_c7a10
= @i_cant_vencido_12_1 + @i_c6a10
= @i_cant_vencido_6_1 + @i_c5a10
= @i_cant_vencido_3_1 + @i_c4a10
= @i_cant_vencido_2_1 + @i_c3a10
= @i_cant_vencido_1_1 + @i_c2a10
set
set
set
set
set
set
set
set
set
set
set
set
@i_periodo = (select [Variables].[ValorMenorObtener]( 3,@i_mold))
@n_c3_0 = @i_cant_total_3/@i_periodo - @i_cant_vencido_3/@i_periodo
@n_c3_10 = @i_cant_judicial_3/@i_periodo
@n_c3_9a10 = @i_cant_castigada_3/@i_periodo + @n_c3_10
@n_c3_8a10 = @i_cant_vencido_99_3/@i_periodo + @n_c3_9a10
@n_c3_7a10 = @i_cant_vencido_36_3/@i_periodo + @n_c3_8a10
@n_c3_6a10 = @i_cant_vencido_24_3/@i_periodo + @n_c3_7a10
@n_c3_5a10 = @i_cant_vencido_12_3/@i_periodo + @n_c3_6a10
@n_c3_4a10 = @i_cant_vencido_6_3/@i_periodo + @n_c3_5a10
@n_c3_3a10 = @i_cant_vencido_3_3/@i_periodo + @n_c3_4a10
@n_c3_2a10 = @i_cant_vencido_2_3/@i_periodo + @n_c3_3a10
@n_c3_1a10 = @i_cant_vencido_1_3/@i_periodo + @n_c3_2a10
set
set
set
set
set
set
set
set
set
set
set
set
@i_periodo = (select [Variables].[ValorMenorObtener]( 12,@i_mold))
@n_c12_0 = @i_cant_total_12/@i_periodo - @i_cant_vencido_12/@i_periodo
@n_c12_10 = @i_cant_judicial_12/@i_periodo
@n_c12_9a10 = @i_cant_castigada_12/@i_periodo + @n_c12_10
@n_c12_8a10 = @i_cant_vencido_99_12/@i_periodo + @n_c12_9a10
@n_c12_7a10 = @i_cant_vencido_36_12/@i_periodo + @n_c12_8a10
@n_c12_6a10 = @i_cant_vencido_24_12/@i_periodo + @n_c12_7a10
@n_c12_5a10 = @i_cant_vencido_12_12/@i_periodo + @n_c12_6a10
@n_c12_4a10 = @i_cant_vencido_6_12/@i_periodo + @n_c12_5a10
@n_c12_3a10 = @i_cant_vencido_3_12/@i_periodo + @n_c12_4a10
@n_c12_2a10 = @i_cant_vencido_2_12/@i_periodo + @n_c12_3a10
@n_c12_1a10 = @i_cant_vencido_1_12/@i_periodo + @n_c12_2a10
set
set
set
set
set
set
set
set
@i_periodo = (select [Variables].[ValorMenorObtener]( 24,@i_mold))
@n_c24_0 = @i_cant_total_24/@i_periodo - @i_cant_vencido_24/@i_periodo
@n_c24_10 = @i_cant_judicial_24/@i_periodo
@n_c24_9a10 = @i_cant_castigada_24/@i_periodo + @n_c24_10
@n_c24_8a10 = @i_cant_vencido_99_24/@i_periodo + @n_c24_9a10
@n_c24_7a10 = @i_cant_vencido_36_24/@i_periodo + @n_c24_8a10
@n_c24_6a10 = @i_cant_vencido_24_24/@i_periodo + @n_c24_7a10
@n_c24_5a10 = @i_cant_vencido_12_24/@i_periodo + @n_c24_6a10
set
set
set
set
@n_c24_4a10
@n_c24_3a10
@n_c24_2a10
@n_c24_1a10
set
set
set
set
set
set
set
set
set
set
set
if
if
if
if
if
if
if
if
if
if
if
=
=
=
=
@i_cant_vencido_6_24/@i_periodo
@i_cant_vencido_3_24/@i_periodo
@i_cant_vencido_2_24/@i_periodo
@i_cant_vencido_1_24/@i_periodo
+
+
+
+
@n_c24_5a10
@n_c24_4a10
@n_c24_3a10
@n_c24_2a10
@n_d_0 = @n_deuda_total_1 - @n_deuda_vencido_1
@n_d_10 = @n_deuda_judicial_1
@n_d_9a10 = @n_deuda_castigada_1 + @n_d_10
@n_d_8a10 = @n_deuda_vencido_99_1 + @n_d_9a10
@n_d_7a10 = @n_@n_deuda_vencido_36_1 + @n_d_8a10
@n_d_6a10 = @n_deuda_vencido_24_1 + @n_d_7a10
@n_d_5a10 = @n_deuda_vencido_12_1 + @n_d_6a10
@n_d_4a10 = @n_deuda_vencido_6_1 + @n_d_5a10
@n_d_3a10 = @n_@n_deuda_vencido_3_1 + @n_d_4a10
@n_d_2a10 = @n_deuda_vencido_2_1 + @n_d_3a10
@n_d_1a10 = @n_deuda_vencido_1_1 + @n_d_2a10
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
(@n_deuda_total_1
=
=
=
=
=
=
=
=
=
=
=
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
set
set
set
set
set
set
set
set
set
set
set
@n_rdt_0 = 0 else set @n_rdt_0 = @n_d_0/@n_deuda_total_1
@n_rdt_10 = 0 else set @n_rdt_10 = @n_d_10/@n_deuda_total_1
@n_rdt_9a10 = 0 else set @n_rdt_9a10 = @n_d_9a10/@n_deuda_total_1
@n_rdt_8a10 = 0 else set @n_rdt_8a10 = @n_d_8a10/@n_deuda_total_1
@n_rdt_7a10 = 0 else set @n_rdt_7a10 = @n_d_7a10/@n_deuda_total_1
@n_rdt_6a10 = 0 else set @n_rdt_6a10 = @n_d_6a10/@n_deuda_total_1
@n_rdt_5a10 = 0 else set @n_rdt_5a10 = @n_d_5a10/@n_deuda_total_1
@n_rdt_4a10 = 0 else set @n_rdt_4a10 = @n_d_4a10/@n_deuda_total_1
@n_rdt_3a10 = 0 else set @n_rdt_3a10 = @n_d_3a10/@n_deuda_total_1
@n_rdt_2a10 = 0 else set @n_rdt_2a10 = @n_d_2a10/@n_deuda_total_1
@n_rdt_1a10 = 0 else set @n_rdt_1a10 = @n_d_1a10/@n_deuda_total_1
93
set @i_periodo = (select
set
set
set
set
set
set
set
set
set
set
set
if
if
if
if
if
if
if
if
if
if
if
[Variables].[ValorMenorObtener](
3,@i_mold))
@n_d3_0 = @n_deuda_total_3/@i_periodo - @n_deuda_vencido_3/@i_periodo
@n_d3_10 = @n_deuda_judicial_3/@i_periodo
@n_d3_9a10 = @n_deuda_castigada_3/@i_periodo + @n_d3_10
@n_d3_8a10 = @n_deuda_vencido_99_3/@i_periodo + @n_d3_9a10
@n_d3_7a10 = @n_@n_deuda_vencido_36_3/@i_periodo + @n_d3_8a10
@n_d3_6a10 = @n_deuda_vencido_24_3/@i_periodo + @n_d3_7a10
@n_d3_5a10 = @n_deuda_vencido_12_3/@i_periodo + @n_d3_6a10
@n_d3_4a10 = @n_deuda_vencido_6_3/@i_periodo + @n_d3_5a10
@n_d3_3a10 = @n_@n_deuda_vencido_3_3/@i_periodo + @n_d3_4a10
@n_d3_2a10 = @n_deuda_vencido_2_3/@i_periodo + @n_d3_3a10
@n_d3_1a10 = @n_deuda_vencido_1_3/@i_periodo + @n_d3_2a10
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
(@n_deuda_total_3
=
=
=
=
=
=
=
=
=
=
=
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
0)
set
set
set
set
set
set
set
set
set
set
set
@n_rdt3_0 = 0 else set @n_rdt3_0 = @n_d3_0/@n_deuda_total_3
@n_rdt3_10 = 0 else set @n_rdt3_10 = @n_d3_10/@n_deuda_total_3
@n_rdt3_9a10 = 0 else set @n_rdt3_9a10 = @n_d3_9a10/@n_deuda_total_3
@n_rdt3_8a10 = 0 else set @n_rdt3_8a10 = @n_d3_8a10/@n_deuda_total_3
@n_rdt3_7a10 = 0 else set @n_rdt3_7a10 = @n_d3_7a10/@n_deuda_total_3
@n_rdt3_6a10 = 0 else set @n_rdt3_6a10 = @n_d3_6a10/@n_deuda_total_3
@n_rdt3_5a10 = 0 else set @n_rdt3_5a10 = @n_d3_5a10/@n_deuda_total_3
@n_rdt3_4a10 = 0 else set @n_rdt3_4a10 = @n_d3_4a10/@n_deuda_total_3
@n_rdt3_3a10 = 0 else set @n_rdt3_3a10 = @n_d3_3a10/@n_deuda_total_3
@n_rdt3_2a10 = 0 else set @n_rdt3_2a10 = @n_d3_2a10/@n_deuda_total_3
@n_rdt3_1a10 = 0 else set @n_rdt3_1a10 = @n_d3_1a10/@n_deuda_total_3
/* Definicion de d6_xay. Reemplaza a las deuda_vencido_x_6 */
set @i_periodo = (select [Variables].[ValorMenorObtener]( 6,@i_mold))
set @n_d6_0 = @n_deuda_total_6/@i_periodo - @n_deuda_vencido_6/@i_periodo
set @n_d6_10 = @n_deuda_judicial_6/@i_periodo
set @n_d6_9a10 = @n_deuda_castigada_6/@i_periodo + @n_d6_10
set @n_d6_8a10 = @n_deuda_vencido_99_6/@i_periodo + @n_d6_9a10
set @n_d6_7a10 = @n_@n_deuda_vencido_36_6/@i_periodo + @n_d6_8a10
set @n_d6_6a10 = @n_deuda_vencido_24_6/@i_periodo + @n_d6_7a10
set @n_d6_5a10 = @n_deuda_vencido_12_6/@i_periodo + @n_d6_6a10
set @n_d6_4a10 = @n_deuda_vencido_6_6/@i_periodo + @n_d6_5a10
set @n_d6_3a10 = @n_@n_deuda_vencido_3_6/@i_periodo + @n_d6_4a10
set @n_d6_2a10 = @n_deuda_vencido_2_6/@i_periodo + @n_d6_3a10
set @n_d6_1a10 = @n_deuda_vencido_1_6/@i_periodo + @n_d6_2a10
if
if
if
if
if
if
if
if
if
if
if
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
(@n_deuda_total_6
=
=
=
=
=
=
=
=
=
=
=
0) set @n_rdt6_0 = 0 else set @n_rdt6_0 = @n_d6_0/@n_deuda_total_6
0) set @n_rdt6_10 = 0 else set @n_rdt6_10 = @n_d6_10/@n_deuda_total_6
0) set @n_rdt6_9a10 = 0 else set @n_rdt6_9a10 = @n_d6_9a10/@n_deuda_total_6
0) set @n_rdt6_8a10 = 0 else set @n_rdt6_8a10 = @n_d6_8a10/@n_deuda_total_6
0) set @n_rdt6_7a10 = 0 else set @n_rdt6_7a10 = @n_d6_7a10/@n_deuda_total_6
0) set @n_rdt6_6a10 = 0 else set @n_rdt6_6a10 = @n_d6_6a10/@n_deuda_total_6
0) set @n_rdt6_5a10 = 0 else set @n_rdt6_5a10 = @n_d6_5a10/@n_deuda_total_6
0) set @n_rdt6_4a10 = 0 else set @n_rdt6_4a10 = @n_d6_4a10/@n_deuda_total_6
0) set @n_rdt6_3a10 = 0 else set @n_rdt6_3a10 = @n_d6_3a10/@n_deuda_total_6
0) set @n_rdt6_2a10 = 0 else set @n_rdt6_2a10 = @n_d6_2a10/@n_deuda_total_6
0) set @n_rdt6_1a10 = 0 else set @n_rdt6_1a10 = @n_d6_1a10/@n_deuda_total_6
/* Definicion de d24_xay. Reemplaza a las deuda_vencido_x_24 */
set @i_periodo = (select [Variables].[ValorMenorObtener]( 24,@i_mold))
set @n_d24_0 = @n_deuda_total_24/@i_periodo - @n_deuda_vencido_24/@i_periodo
set @n_d24_10 = @n_deuda_judicial_24/@i_periodo
set @n_d24_9a10 = @n_deuda_castigada_24/@i_periodo + @n_d24_10
set @n_d24_8a10 = @n_deuda_vencido_99_24/@i_periodo + @n_d24_9a10
set @n_d24_7a10 = @n_@n_deuda_vencido_36_24/@i_periodo + @n_d24_8a10
set @n_d24_6a10 = @n_deuda_vencido_24_24/@i_periodo + @n_d24_7a10
set @n_d24_5a10 = @n_deuda_vencido_12_24/@i_periodo + @n_d24_6a10
set @n_d24_4a10 = @n_deuda_vencido_6_24/@i_periodo + @n_d24_5a10
set @n_d24_3a10 = @n_deuda_vencido_3_24/@i_periodo + @n_d24_4a10
set @n_d24_2a10 = @n_deuda_vencido_2_24/@i_periodo + @n_d24_3a10
set @n_d24_1a10 = @n_deuda_vencido_1_24/@i_periodo + @n_d24_2a10
if @n_deuda_total_24 = 0 set @n_rdt24_0 = 0 else set @n_rdt24_0 = @n_d24_0/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_10 = 0 else set @n_rdt24_10 = @n_d24_10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_9a10 = 0 else set @n_rdt24_9a10 =
@n_d24_9a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_8a10 = 0 else set @n_rdt24_8a10 =
@n_d24_8a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_7a10 = 0 else set @n_rdt24_7a10 =
@n_d24_7a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_6a10 = 0 else set @n_rdt24_6a10 =
@n_d24_6a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_5a10 = 0 else set @n_rdt24_5a10 =
@n_d24_5a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_4a10 = 0 else set @n_rdt24_4a10 =
@n_d24_4a10/@n_deuda_total_24
94
if @n_deuda_total_24 = 0 set @n_rdt24_3a10 = 0 else set @n_rdt24_3a10 = @n_d24_3a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_2a10 = 0 else set @n_rdt24_2a10 =
@n_d24_2a10/@n_deuda_total_24
if @n_deuda_total_24 = 0 set @n_rdt24_1a10 = 0 else set @n_rdt24_1a10 =
@n_d24_1a10/@n_deuda_total_24
/*hasta aqui compila*/
/* Definicion de d24m_xay. Reemplaza a las deuda_vencido_x_nl24m */
declare @i_numMesesHist int
set @i_numMesesHist = (select datediff(mm,'2002-01-01',@d_fec_corte))
set @i_periodo = (select [Variables].[ValorMenorObtener]( @i_numMesesHist,@i_mold))
--set @i_periodo = (select dbo.fn_get_min_value(30,@i_mold)) /* Ojo que 30 no es constante,
representa la máxima cantidad de meses con historia */
set @n_d24m0 = @n_deuda_total_24m/@i_periodo - @n_deuda_vencido_24m/@i_periodo
set @n_d24m10 = @n_deuda_judicial_24m/@i_periodo
set @n_d24m9a10 = @n_deuda_castigada_24m/@i_periodo + @n_d24m10
set @n_d24m8a10 = @n_deuda_vencido_99_24m/@i_periodo + @n_d24m9a10
set @n_d24m7a10 = @n_@n_deuda_vencido_36_24m/@i_periodo + @n_d24m8a10
set @n_d24m6a10 = @n_deuda_vencido_24_24m/@i_periodo + @n_d24m7a10
set @n_d24m5a10 = @n_deuda_vencido_12_24m/@i_periodo + @n_d24m6a10
set @n_d24m4a10 = @n_deuda_vencido_6_24m/@i_periodo + @n_d24m5a10
set @n_d24m3a10 = @n_deuda_vencido_3_24m/@i_periodo + @n_d24m4a10
set @n_d24m2a10 = @n_deuda_vencido_2_24m/@i_periodo + @n_d24m3a10
/* Definicion de variables relativas históricas */
if (@n_deuda_total_3 > 0) set @n_rdt1s3 = @n_deuda_total_1/@n_deuda_total_3
else set @n_rdt1s3 = 0
if (@n_deuda_por_vencer_3 = 0) set @n_rfp3 = 0
else if (@n_deuda_total_3 = 0) set @n_rfp3 = 1
else if (@n_deuda_por_vencer_3/@n_deuda_total_3 > 1) set @n_rfp3 = 1
else set @n_rfp3 = @n_deuda_por_vencer_3/@n_deuda_total_3
if (@n_deuda_por_vencer_12 = 0) set @n_rfp12 = 0
else if (@n_deuda_total_12 = 0) set @n_rfp12 = 1
else if (@n_deuda_por_vencer_12/@n_deuda_total_12 > 1) set @n_rfp12 = 1
else set @n_rfp12 = @n_deuda_por_vencer_12/@n_deuda_total_12
/* Definicion de b_w_curr */
/* Constante de tolerancia usada: u$s 10 */
set @i_tol = 10
set @i_b_wcurr = 0
if (@n_deuda_judicial_1 > @i_tol) set @i_b_wcurr = 10
if (@n_deuda_castigada_1 > @i_tol) set @i_b_wcurr = 9
if (@n_deuda_vencido_99_1 > @i_tol) set @i_b_wcurr = 8
if (@n_@n_deuda_vencido_36_1 > @i_tol) set @i_b_wcurr = 7
if (@n_deuda_vencido_24_1 > @i_tol) set @i_b_wcurr = 6
if (@n_deuda_vencido_12_1 > @i_tol) set @i_b_wcurr = 5
if (@n_deuda_vencido_6_1 > @i_tol) set @i_b_wcurr = 4
if (@n_@n_deuda_vencido_3_1 > @i_tol) set @i_b_wcurr = 3
if (@n_deuda_vencido_2_1 > @i_tol) set @i_b_wcurr = 2
if (@n_deuda_vencido_1_1 > @i_tol) set @i_b_wcurr = 1
-- else
/* Definicion de @n_b_avgmo */
if (@i_copen_12_mas > 0 ) set @n_b_avgmo = @i_mopen/@i_copen_12_mas
else set @n_b_avgmo = 0
if (@s_CodDomicilio is null or @s_CodDomicilio ='0' or @s_CodDomicilio ='' or @s_CodDomicilio
='ý¦á¯_ú¨_Ã') --or not_number or invalid
set @i_NumDomicilio =-1
else
set @i_NumDomicilio = convert(float,@s_CodDomicilio)
/* Definición de @s_scorecard */
if (@n_d24m2a10 = 0) set @s_scorecard = 'EC'
else if (@n_d24m2a10 > 0 and @n_d_2a10 = 0) set @s_scorecard = 'PD'
else if (@n_d24m2a10 > 0 and @n_d_2a10 > 0) set @s_scorecard = 'CD'
else set @s_scorecard = 'ERR'
95
/* Definición de variables dummies */
if (3.7 <= @n_b_avgmo and @n_b_avgmo < 6.5 and @s_scorecard = 'EC')
set @i_b_avgmo_1_ec = 1 else set @i_b_avgmo_1_ec = 0
if (6.5 <= @n_b_avgmo and @n_b_avgmo < 9.42308 and @s_scorecard = 'EC')
set @i_b_avgmo_2_ec = 1 else set @i_b_avgmo_2_ec = 0
if (9.42308 <= @n_b_avgmo and @n_b_avgmo < 12 and @s_scorecard = 'EC')
set @i_b_avgmo_3_ec = 1 else set @i_b_avgmo_3_ec = 0
if (12 <= @n_b_avgmo and @n_b_avgmo < 14.75 and @s_scorecard = 'EC')
set @i_b_avgmo_4_ec = 1 else set @i_b_avgmo_4_ec = 0
if (14.75 <= @n_b_avgmo and @n_b_avgmo < 18.33333 and @s_scorecard = 'EC')
set @i_b_avgmo_5_ec = 1 else set @i_b_avgmo_5_ec = 0
if (18.33333 <= @n_b_avgmo and @n_b_avgmo < 23.25 and @s_scorecard = 'EC')
set @i_b_avgmo_6_ec = 1 else set @i_b_avgmo_6_ec = 0
if (23.25 <= @n_b_avgmo and @n_b_avgmo < 32.89286 and @s_scorecard = 'EC')
set @i_b_avgmo_7_ec = 1 else set @i_b_avgmo_7_ec = 0
if (32.89286 <= @n_b_avgmo and @s_scorecard = 'EC')
set @i_b_avgmo_8_ec = 1 else set @i_b_avgmo_8_ec = 0
if (@i_b_wcurr < 1 )
set @i_b_wcurr_1_all = 1 else set @i_b_wcurr_1_all = 0
if (@i_c1a10 < 1)
set @i_c1a10_1_all = 1 else set @i_c1a10_1_all = 0
if (@n_c12_1a10 < .08333)
set @n_c12_1a10_1_all = 1 else set @n_c12_1a10_1_all = 0
if (@n_c3_2a10 < .33333)
set @n_c3_2a10_1_all = 1 else set @n_c3_2a10_1_all = 0
if (@i_cant_calificacion_e < 1)
set @i_cant_calificacion_e_1_all = 1 else set @i_cant_calificacion_e_1_all = 0
if (@i_cant_no_devenga_12 < 1 and @s_scorecard = 'PD')
set @i_cant_no_devenga_12_1_pd = 1 else set @i_cant_no_devenga_12_1_pd = 0
if (1 <= @i_cant_no_devenga_12 and @i_cant_no_devenga_12 < 4 )
set @i_cant_no_devenga_12_2_all = 1 else set @i_cant_no_devenga_12_2_all = 0
if (@i_cant_no_devenga_24 < 1 and @s_scorecard = 'EC' )
set @i_cant_no_devenga_24_1_ec = 1 else set @i_cant_no_devenga_24_1_ec = 0
if (1 <= @i_cant_por_vencer_12)
set @i_cant_por_vencer_12_1_all = 1 else set @i_cant_por_vencer_12_1_all = 0
if (@i_cant_tipo_riesgo_titular < 1 and @s_scorecard = 'EC')
set @i_cant_tipo_riesgo_titular_1_ec = 1
else set @i_cant_tipo_riesgo_titular_1_ec = 0
if (1 <= @i_copen_vig_3 )
set @i_copen_vig_3_1_all = 1 else set @i_copen_vig_3_1_all = 0
if (@i_copen_vig_3 < 1 and @s_scorecard = 'EC')
set @i_copen_vig_3_1_ec = 1 else set @i_copen_vig_3_1_ec = 0
if (@i_mnew < 35 and @s_scorecard = 'PD')
set @i_mnew_1_pd = 1 else set @i_mnew_1_pd = 0
if (@i_mold_vig < 3)
set @i_mold_vig_1_all = 1 else set @i_mold_vig_1_all = 0
if (.01013 <= @n_rdt1s3 and @n_rdt1s3 < .27163 and @s_scorecard = 'EC')
set @n_rdt1s3_2_ec = 1 else set @n_rdt1s3_2_ec = 0
if (.27163 <= @n_rdt1s3 and @n_rdt1s3 < .30037 and @s_scorecard = 'EC')
set @n_rdt1s3_3_ec = 1 else set @n_rdt1s3_3_ec = 0
if (@n_rdt24_3a10 < .00001 )
set @i_rdt24_3a10_1_all = 1 else set @i_rdt24_3a10_1_all = 0
if (@n_rdt3_2a10 < .00063)
set @i_rdt3_2a10_1_all = 1 else set @i_rdt3_2a10_1_all = 0
if (@n_rdt6_1a10 < .00001)
set @i_rdt6_1a10_1_all = 1 else set @i_rdt6_1a10_1_all = 0
if (.82696 <= @n_rfp12 and @n_rfp12 < .97327)
set @i_rfp12_2_all = 1 else set @i_rfp12_2_all = 0
if (.97327 <= @n_rfp12)
set @i_rfp12_3_all = 1 else set @i_rfp12_3_all = 0
if (.33333 <= @n_rfp3 and @s_scorecard = 'CD')
set @i_rfp3_2_cd = 1 else set @i_rfp3_2_cd = 0
96
/* Codificación de clusters */
if @i_NumDomicilio in (19602727, 32416715, 100451715, 100453400, 100453465,
100453640, 100455025, 113000975, 113001135, 113001405, 113001780, 113001840,
113002325, 113003555, 113003770, 113003970, 113004235, 113004280, 113004475,
113004540, 113300270, 113300565, 113301155, 113302405, 113304210, 113305005,
12600285, 12600730, 12600845, 12600860, 12600905, 12602255, 12602430, 12602570,
12602595, 12602680, 12603105, 12603165, 12603460, 12603685, 12603795, 12603850,
12603870, 12603980, 12604095, 12604200, 12604225, 12605135, 12605140, 12605290,
12651005, 12651760, 12651805, 12652385, 12653160, 12653505, 12654340, 12655420,
12700175, 12700885, 12705395, 12750395, 12750870, 12750890, 12751455, 12753375,
12754050, 12754565, 12755775, 12800750, 12801355, 12801490, 12802215, 12803360,
12803495, 12806085, 12850015, 12851130, 12853835, 12856045, 145900065 ,
145900595, 145901205, 145901250, 145901295, 145901345, 145902285, 145903440 ,
145903830, 145903950, 145904360, 145904485, 145905615, 145950090, 145950340 ,
145950350, 145950880, 145951910, 145952565, 145953225, 145953580, 145955425 ,
145955655, 146001720, 146003250, 146003320, 146003760, 146004305, 146005390 ,
146050645, 146050970, 146051365, 146052795, 146053565, 146053780, 146054115 ,
146055645, 146100180, 146101140, 146101635, 146102190, 146104300, 146106110 ,
146150155, 146150715, 146151685, 146153420, 146155760, 147950875, 147951300 ,
147956390, 149250710, 149251785, 149252750, 149253920, 149256445, 149261205 ,
149262285, 149266700, 15550455, 15551690, 15555690, 170650165, 170650480,
170652600, 170652635, 170653735, 170655060, 170655495, 170700055, 170700060 ,
170700650, 170700755, 170700850, 170703960, 170704155, 17806360, 180901375 ,
180905515, 181351745, 181400335, 181400365, 181400675, 181400900, 181401185 ,
181401320, 181401630, 181403905, 181405780, 181405900, 181450295, 181451210 ,
181452375, 181452945, 181453300, 181453485, 181453585, 181455225, 181455785 ,
181502270, 181503190, 181503200, 181504135, 181505105, 181552210, 181553885 ,
181554110, 181555830, 181604310, 181604550, 181605835, 18554560, 18556565 ,
188456555, 188504555, 18850575, 188506560, 18851175, 18852550, 18856595 ,
191301675, 191305520, 19151535, 19151540, 19151545, 19151550, 19151555 ,
19151560, 19151565, 19151570, 19151575, 19151580, 19151585, 19151590, 19152950,
19156435, 19550085, 19552725, 19556480, 19601650, 19606485, 196600915 ,
196601145, 196601240, 196602015, 196602695, 196602955, 196604195, 196604505 ,
196606315, 196652070, 196654105, 196656215, 196700985, 196702240, 196706295,
197750665, 197750945, 197751015, 197756355, 19906615, 199806625, 199806630 ,
208001220, 208004415, 208006510, 208050235, 208056505, 208104165, 208106515,
216250760, 216251045, 216251285, 216251290, 216251330, 216251790, 216251795,
216254470, 216255710, 216401170, 216402095, 216403220, 216403690, 216405525,
216502720, 216503005, 216503020, 216503705, 216506500, 21655375, 217200600 ,
217200780, 217202175, 217202765, 217203645, 217206140, 217451095, 217453750 ,
217456325, 218650230, 218651090, 218653615, 218656300, 32350310, 32350375 ,
32350585, 32351445, 32351825, 32352220, 32352885, 32353210, 32353575 ,32353945,
32405160, 40100250, 40100690, 40100910, 40101270, 40102065, 49951520 ,49956665,
51000035, 51000315, 51001485, 51001905, 51002480, 51002620, 51002920 ,51003530 ,
51003965, 51004035, 51005465, 51005940, 51050125, 51051430, 51052150 ,51052865 ,
51054015, 51054365, 51055820, 51150465, 51150830, 51150990, 51156070 ,51202460 ,
51202890, 51203155, 51205305, 59300815, 59300960, 59301735, 59302115 ,59306450 ,
61905475, 61950420, 61950445, 61950705, 61951280, 61952160, 61952165 ,61953035 ,
61953040, 61953095, 61953515, 61953560, 61956290, 62005550, 62100555 ,62102730 ,
62105430, 62150020, 62151465, 62151660, 62152485, 62152905, 62153025 ,62153820 ,
62153845, 62154030, 62155010, 62200515, 62200615, 62201370, 62202260 ,62205255,
62250925, 62251110, 62251325, 62252400, 62252975, 62253335, 62255740 ,68306540 ,
69006420, 73705790) set @i_cl1 = 1 else set @i_cl1 = 0
if @i_NumDomicilio in
100303290, 100303315,
100352785, 100353490,
100355980, 100400145,
100403800, 100404185,
100503415, 100505750,
100556190, 112901200,
112950290, 112950550,
113052360, 113053340,
113100485, 113100545,
113102605, 113102630,
113153535, 113155195,
113206025, 113252085,
113352520, 113353045,
113401845, 113403765,
114700360, 117300835,
(100300100, 100300130
100305165, 100305440,
100353525, 100353590,
100401310, 100401710,
100405910, 100405955,
100550425, 100552060,
112901480, 112903610,
112952710, 112956320,
113053600, 113053665,
113100995, 113101000,
113105180, 113105595,
113200590, 113201230,
113252145, 113253265,
113353270, 113355400,
113404460, 113405020,
117301035, 117305810,
,100300530, 100302020
100351040, 100351215,
100353630, 100353810,
100402820, 100402915,
100455050, 100500955,
100552675, 100553365,
112904455, 112905270,
113051165, 113051190,
113053815, 113054145,
113101380, 113102120,
113150695, 113151495,
113204150, 113205175,
113255385, 113255680,
113400320, 113400790,
113452575, 113453935,
117403345, 117406260,
97
,100302185,
100351360,
100355490 ,
100403115 ,
100502380 ,
100554080 ,
112950280 ,
113052280 ,
113056075 ,
113102140 ,
113153255 ,
113205240 ,
113350825 ,
113401645 ,
113456120 ,
118150385 ,
if @i_NumDomicilio in
100303290, 100303315,
100352785, 100353490,
100355980, 100400145,
100403800, 100404185,
100503415, 100505750,
100556190, 112901200,
112950290, 112950550,
113052360, 113053340,
113100485, 113100545,
113102605, 113102630,
113153535, 113155195,
113206025, 113252085,
113352520, 113353045,
113401845, 113403765,
114700360, 117300835,
(100300100, 100300130
100305165, 100305440,
100353525, 100353590,
100401310, 100401710,
100405910, 100405955,
100550425, 100552060,
112901480, 112903610,
112952710, 112956320,
113053600, 113053665,
113100995, 113101000,
113105180, 113105595,
113200590, 113201230,
113252145, 113253265,
113353270, 113355400,
113404460, 113405020,
117301035, 117305810,
,100300530, 100302020
100351040, 100351215,
100353630, 100353810,
100402820, 100402915,
100455050, 100500955,
100552675, 100553365,
112904455, 112905270,
113051165, 113051190,
113053815, 113054145,
113101380, 113102120,
113150695, 113151495,
113204150, 113205175,
113255385, 113255680,
113400320, 113400790,
113452575, 113453935,
117403345, 117406260,
,100302185,
100351360,
100355490 ,
100403115 ,
100502380 ,
100554080 ,
112950280 ,
113052280 ,
113056075 ,
113102140 ,
113153255 ,
113205240 ,
113350825 ,
113401645 ,
113456120 ,
118150385 ,
118151180, 118151450, 118153755, 118156530, 12605450, 134600330, 134602555 ,
134606105, 166800150, 166800475, 166800735, 166801025, 166801260, 166801275 ,
166802450, 166803055, 166803180, 166803195, 166803785, 166803985, 166804005 ,
166804205, 166804510, 166805825, 166852310, 166853840, 166855650, 168806395 ,
168810735, 168816705, 170600030, 170600080, 170600195, 170600430, 170600785 ,
170600855, 170600865, 170601400, 170601440, 170601475, 170602055, 170602265 ,
170602275, 170602525, 170602530, 170602540, 170602560, 170602690, 170602825 ,
170602855, 170602895, 170602980, 170602985, 170603100, 170603325, 170603475 ,
170603925, 170604085, 170604290, 170604325, 170605435, 170655190, 170705620 ,
170752025, 170752330, 170754045, 170754090, 170756145, 170800680, 170803230 ,
170806605, 177702410, 177706350, 178956415, 181350095, 181350190, 181350210 ,
181350635, 181350800, 181350810, 181351625, 181351860, 181352435, 181352775 ,
181352830, 181352860, 181353120, 181353355, 181353380, 181353730, 181354065 ,
181355230, 181355455, 181355605, 181355840, 196550720, 196551390, 196551770 ,
196552155, 196552170, 196553260, 196554010, 196556305, 21650795, 21651255 ,
21651435, 21651890, 21653285, 21653545, 21653670, 21653710, 21653860, 21655035 ,
21700170, 21702315, 21703655, 21703995, 21705975, 21803500, 21805245, 21855350 ,
27606340, 29506470, 29506475, 32355065, 32355950, 32400935, 32400950, 32401335 ,
32401410, 32401605, 32401725, 32401775, 32401895, 32401900, 32403305, 32403895 ,
32404345, 32451085, 32452545, 32453410, 32454100, 32455115, 32502365, 32502745 ,
32505610, 37656345, 39053875, 39056425, 40051125, 40051195, 40051765, 40051885 ,
40052340, 40052900, 40054040, 40054070, 40054130, 40056165, 40105405, 40105970 ,
40151150, 40152040, 40153435, 40155295, 40156250, 40201835, 40201875, 40202010 ,
40205685, 40251055, 40251315, 40252205, 40252455, 40253680, 40256520, 51005310 ,
51005500, 51005555, 51100135, 51100745, 51102475, 51102490, 51102760, 51106000 ,
58251500, 58252965, 58256535, 61955630, 61956220, 61956230, 62000040, 62000045 ,
62000410, 62001415, 62001705, 62002080, 62003295, 62003425, 62003450, 62005315 ,
73500255, 73501120, 73505565, 73505805, 73506490, 73550325, 73551665, 73551815 ,
73552005, 73553330, 73554215, 73554525, 73556670, 73600005, 73601420, 73601425 ,
73601655, 73601700, 73601750, 73602350, 73604445, 73604450, 73606310, 73650390 ,
73650775, 73651225, 73652075, 73654160, 73654495, 73656365, 73656370, 73656375 ,
73700505, 73701385, 73702230, 73702465, 73702850, 73703650, 73706675, 73706680 ,
73750805, 73751695, 73752715, 73754545, 73755040, 75855715, 76900740, 76903275 ,
76904520, 76905850, 77050225, 77054480, 77054530, 77054535, 77055745, 77551075 ,
77551080, 77551100, 77556335, 78600160, 78606570, 78756590) set @i_cl2 = 1 else set @i_cl2 = 0
if @i_NumDomicilio in (100305915, 100305960, 113006015, 113006100, 113006210,
12605330, 12605360, 12605930, 12606090, 132301600, 132301620, 132305480,
134400010, 134400050, 134400770, 134401925, 134402970, 134403185 ,134403625 ,
134405265, 134405845, 134406585, 134451820, 134501800, 134503550 ,134505570 ,
134506135, 134550105, 134550560, 134551115, 134551880, 134552810 ,134552990 ,
134554490, 134655885, 134700220, 134701105, 134701610, 134702135, 134850240,
134853110, 134905505, 134950460, 134950540, 134951395, 134952090, 134955755,
135001070, 135006195, 135500265, 135502030, 135506170, 138401060, 138401065,
138406550, 139100580, 139101030, 139106430, 139706495, 139752305, 139756575,
152551020, 152552180, 152552640, 152553745, 152553790, 152555510, 156200025,
156200525, 156200940, 156201930, 156202755, 156203000, 156203050, 156206160,
156300510, 156300630, 156303720, 156304020, 156304295, 156305700, 156350670,
156350765, 156352770, 156353395, 156353890, 156355090, 156451235, 156451245 ,
156455815, 157000685, 157003605, 157005070, 157250415, 157250490, 157252930,
157253660, 157256200, 159350215, 159350400, 159351050, 159351680, 159353480 ,
159356455, 170600625, 170600725, 170602925, 170605015, 170605220, 170605235 ,
170605260, 170605325, 170605530, 170605535, 170605540, 170605575, 170606005 ,
170606035, 170606050, 170606240, 181355445, 181355545, 21750275, 21750345 ,
21753595, 21753775, 21753900, 21754515, 21755995, 40055415, 61955590, 62050500,
62050610, 62051865, 62054430, 62055145, 62056080, 93906405) set @i_cl3 = 1 else set @i_cl3 = 0
98
if @i_NumDomicilio in (12605905, 85610930, 85610965, 85612035, 85612445 ,
85613215, 85616720, 93900925, 94253975, 99866710, 113005320, 125150305 ,
125150520, 125151265, 125151525, 125152875, 125155215, 125166685, 125201460,
125201740, 125205085, 125250140, 125256245, 125303015, 125303510, 125305800,
125353175, 125355185, 125402420, 125404425, 125405855, 125406115, 125406635,
125406640, 125406645, 125406650, 125406655, 125406660, 125406690, 125453130 ,
125454330, 125456235, 12605075, 12605080, 12605370, 12605875, 12606010,
127105640, 127506330, 129456465, 129466695, 134405030, 134405280, 134405795 ,
134505635, 134706030, 134750470, 134750840, 134751810, 134753445, 134753675 ,
134755580, 134800380, 134800405, 134800495, 134800640, 134801160, 134803170 ,
134803350, 134805250, 134806055, 134855150, 135005300, 170600440, 170605110 ,
170605410, 170605935, 170605985, 170606020, 170805965, 170806600, 170850075 ,
170851755, 170854440, 170855730, 170855860, 170855865, 170855870, 170856065 ,
170856175, 170856180, 181355045, 181355560, 181355945, 73505625, 73556060 ,
73655770, 73800245, 73800300, 73804000, 73805340, 76955460, 85600450, 85600655,
85600895, 85600930, 85600965, 85602035, 85602320, 85602445, 85603205, 85603215 ,
85603570, 85603930, 85603940, 85604240, 85605210, 85605600, 85650120, 85650200 ,
85650370, 85651505, 85651510, 85651515, 85652125, 85652225, 85652335, 85652670 ,
85653405, 85653805, 85654170, 85654465, 85656205, 85700355, 85701010, 85701305 ,
85703125, 85703280, 85703390, 85703430, 85703470, 85705670, 85750700, 85750980 ,
85751530, 85752345, 85754230, 85755895, 85800070, 85800110, 85800435, 85800535 ,
85800570, 85800620, 85802395, 85803455, 85803725, 85803955, 85804075, 85804125 ,
85806130, 87851615, 87852130, 87853880, 87854055, 87856380, 90955470, 91255365 ,
93851470, 93851640, 93851915, 93901870, 93902470 ,93902940, 93903030, 93904120 ,
93905170, 93905355, 93905585, 93905720, 93905880, 93906095, 93906150, 93906400 ,
93951340, 93954275, 93956285, 94000260, 94001855, 94002105, 94004500, 94050115 ,
94051850, 94055920, 94056270, 94056275, 94056280 ,94200920, 94202390, 94203235 ,
94205660, 94255925, 94301350, 94301595, 94304220, 94305120, 94305155, 94305200 ,
94305765, 94305990, 94351830, 94353370, 94353740, 94353990, 94355675, 95055345 ,
95105705, 96755725, 97150185, 97151670, 97155735, 97356255, 97900660 ,97906385,
98204435, 98206525, 98356545, 98706580, 98906410, 99201730, 99206440, 99406460 ,
99856620) set @i_cl4 = 1 else set @i_cl4 = 0
if @i_NumDomicilio in (125155285, 134455665, 134506155, 134555485, 134755095,
85605205, 85605335, 93856225, 93905055, 93905125, 93905380, 93905695, 93905890,
93906185, 93906265, 94005275, 94100205, 94100605, 94100820, 94102355, 94103915,
94105130, 94106040, 94155100, 99656610) set @i_cl5 = 1 else set @i_cl5 = 0
/* Los casos de información no disponible van al cluster 4 */
if (@i_cl1 = 0 and @i_cl2 =0 and @i_cl3 =0 and @i_cl4 = 0 and @i_cl5 = 0) set @i_cl4 = 1
set @n_score = -5.0418819189 +
@i_b_avgmo_1_ec * 0.426007907 +
@i_b_avgmo_2_ec * 0.615325305 +
@i_b_avgmo_3_ec * 0.746487979 +
@i_b_avgmo_4_ec * 0.835391271 +
@i_b_avgmo_5_ec * 0.940640093 +
@i_b_avgmo_6_ec * 1.163488941 +
@i_b_avgmo_7_ec * 1.305610914 +
@i_b_avgmo_8_ec * 1.525070427 +
@i_b_wcurr_1_all * 0.633003213 +
@i_c1a10_1_all * 0.527885872 +
@n_c12_1a10_1_all * 0.435848447 +
@n_c3_2a10_1_all * 0.372657094 +
@i_cant_calificacion_e_1_all * 1.584073234 +
@i_cant_no_devenga_12_1_pd * 0.169503353 +
@i_cant_no_devenga_12_2_all * 0.31779479 +
@i_cant_no_devenga_24_1_ec * 0.484176497 +
@i_cant_por_vencer_12_1_all * 0.383397711 +
@i_cant_tipo_riesgo_titular_1_ec * 0.378465063 +
@i_cl1 * 0.687503404 +
@i_cl2 * 0.495688296 +
@i_cl3 * 0.384044386 +
@i_cl4 * 0.187988401 +
@i_copen_vig_3_1_all * -0.2652798865 +
@i_copen_vig_3_1_ec * -0.1950141455 +
@i_mnew_1_pd * 0.959436817 +
@i_mold_vig_1_all * 0.639567949 +
@n_rdt1s3_2_ec * 0.628773397 +
@n_rdt1s3_3_ec * 0.281621939 +
@i_rdt24_3a10_1_all * 0.538599523 +
@i_rdt3_2a10_1_all * 0.936851865 +
@i_rdt6_1a10_1_all * 0.302253614 +
@i_rfp12_2_all * 0.18566022 +
@i_rfp12_3_all * 0.430115998 +
@i_rfp3_2_cd * 0.479899586
set @n_score = round(1000/(1+exp(-@n_score)),0)
99
4. ANEXO 4
Base de Datos
100
101
102
103
104