Caso de Estudio EFL Mejorando los scorecards1 tradicionales con

Caso de Estudio EFL
Mejorando los scorecards1 tradicionales con psicometría
BTPN – Indonesia
Resumen Ejecutivo
 BTPN, el 4to2 mayor prestamista de MIPYME en Indonesia, se asoció con EFL para mejorar el
análisis de datos y contribuir a su meta de reducir el riesgo y estandarizar sus operaciones de
crédito.
 EFL desarrolló un nuevo scorecard de crédito, estratificando la base de datos existente de
BTPN de más de 250.000 prestatarios, con los criterios psicométricos creados por EFL.
 Este scorecard Psicométrico+3, mide con precisión el riesgo crediticio en la población
prestataria de BTPN, permitiendo mayor precisión en la toma de decisiones de toda la red de
sucursales del banco
 Impulsado por estos resultados, BTPN decidió lanzar el scorecard Psicométrico+ a través de
su red de más de 600 sucursales.
El gráfico 1 a continuación demuestra el poder de clasificación de riesgo del modelo Psicométrico+
de EFL, que estratifica la aplicación de score psicométrico de EFL con un nuevo scorecard
resultante de la base de datos existente de BTPN que contiene información de sus clientes. Los
clientes que obtuvieron una calificación en la banda inferior tenían 10 veces más probabilidades
de caer en mora que aquellos clientes de las dos bandas superiores.
Población
% Tasa de Morosidad
Desempeño del Score Psicométrico +
Banda de Score
Malo
Bueno
Morosidad por Banda de Score Psicométrico +
Figura 1: Tenga en cuenta que la mora promedio a nivel de producto sin una scorecard se denota como 1X. La población está distribuida en
bandas de score con un rango de 40 puntos.
1
Cuadro de mando integral
http://www.globalcapital.com/article/k336kh30hk1h/indonesias-banks-seek-exposure-to-micro-lendings-riskyrewards - based on number of branches serving MSMEs
3
Modelo psicométrico que incluye variables tradicionales
2
La capacidad del scorecard Psicométrico+ de EFL de diferenciar efectivamente entre clientes de
alto y bajo riesgo ha permitido a BTPN no sólo tomar decisiones de crédito más informadas, sino
también determinar con mayor precisión productos y condiciones crediticias más adecuadas para
los solicitantes de crédito sobre la base de sus respectivos perfiles de riesgo.
Visión General del Socio
El mercado de Indonesia en proceso de cambio
Indonesia, el cuarto país más poblado del mundo, tiene uno de los mercados de servicios
financieros más grandes y de más rápido crecimiento en el mundo en la base de la pirámide. Sin
embargo, como es el caso en gran parte del mundo emergente, las instituciones financieras
indonesias se enfocaron durante la mayor parte de su historia en el segmento de mayores
ingresos, donde el riesgo es menor y los costos de servicio al cliente son proporcionalmente
menores. Como resultado, las clases bajas y medias que en su mayoría trabajan por cuenta propia
o son informales, históricamente han sido desatendidas por las instituciones financieras de
Indonesia.
De hecho, en el 40% más pobre de la nación, menos
de 1 de cada 15 indonesios acceden a préstamos de
instituciones financieras formales cada año. Por el
contrario, casi el 45% de esa misma población de
bajos ingresos toma préstamos de amigos y
familiares4. Esta disparidad sugiere que hay una
enorme demanda de capital de trabajo en las
crecientes clases bajas y medias, pero hasta la fecha
esa demanda ha quedado en gran medida
desatendida.
En los últimos años, sin embargo, el acceso a
financiamiento ha comenzado a expandirse. Una
necesidad creciente de servicios financieros en los
segmentos de ingresos bajos y medios ha empujado
a muchas instituciones financieras a cambiar sus
estrategias y buscar modelos nuevos e innovadores
para servir a la parte inferior de la pirámide
económica de Indonesia. En la primera década del
siglo 21, por ejemplo, el número total de sucursales de bancos comerciales privados en Indonesia
aumentó en un 70%, y el número de cajeros automáticos en todo el país casi se triplicó.
4
http://databank.worldbank.org/Data/Views/VariableSelection/SelectVariables.aspx?source=1228#
Pasar de atender relativamente pocos
clientes de alto patrimonio y clientes
corporativos a atender una base más
amplia de clientes significativamente más
pequeños y diversos, significó una gran
oportunidad para las instituciones
financieras de Indonesia, pero también
presentó una serie de retos importantes.
El principal desafío es encontrar formas
de estandarizar la evaluación del riesgo:
mientras los bancos amplían su ámbito
geográfico y otorgan capital de trabajo a
empresas informales, deben encontrar
maneras no sólo para evaluar la
solvencia crediticia en un nuevo
segmento de prestatarios, sino también
asegurar la consistencia operacional en
extensas redes de sucursales.
CRECIMIENTO DE SUCURSALES Y CAJEROS DE
BANCOS COMERCIALES EN INDONESIA
# de sucursales
# de cajeros
Figura 3 Crecimiento de sucursales y cajeros de bancos comerciales
privados
Limitaciones de los scorecards en economías en desarrollo
En mercados desarrollados, las grandes firmas de calificación de riesgo ofrecen una manera
escalable y de bajo costo de medir el riesgo crediticio. Los scorecards de crédito de estas firmas,
incorporan aspectos5 demográficos, de negocios e historial de pagos de los solicitantes, para
producir una medición cuantitativa del riesgo. Para que estos sistemas funcionen, sin embargo,
se deben establecer centrales de riesgo centralizadas y robustas. Casi el 80% del poder predictivo
de las calificaciones de crédito tradicionales proviene de la información6 de las centrales de riesgo.
Esta dependencia en la infraestructura de crédito presenta un gran desafío en mercados
emergentes, donde la información de las centrales de riesgo es a menudo inexacta o incompleta,
o completamente indisponible. En Indonesia, por ejemplo, sólo el 41%7 de la población adulta
está cubierta por la Oficina de Crédito de Indonesia (Bank Indonesia Credit Bureau or Informasi
Sistem Debitur). Con un acceso tan limitado a esta información, las instituciones financieras en
Indonesia luchan por encontrar métodos fiables y estandarizados para medir el riesgo, creando
una barrera aun mayor para los préstamos de alto valor en mercado masivos.
5
Historical repayment data is sometimes referred to as “behavioral data”
Murray Bailey "Practical Credit Scoring: Issues and Techniques" White Box Publishing (2006)
7
World Bank Doing Business in Indonesia Report
6
Un prestamista de mercados masivos en crecimiento
Fundado en 1958, BTPN se centró en la mayor parte de su historia, en ofrecer préstamos y
servicios financieros a pensionistas. Si bien este mercado es de muy bajo riesgo, con cuotas de
préstamos que se deducen directamente de las pensiones que paga el gobierno a los clientes, el
mercado ofrece un potencial de crecimiento limitado y depende mucho de la política
gubernamental. Después de ser comprado en 2008 por la firma de capital privado Texas Pacific
Group (TPG), BTPN decidió desarrollar una nueva línea de negocio orientada a mercados masivos,
centrándose en las micro, pequeñas y medianas empresas con préstamos entre US$ 400 y US$
17.000. Prestando principalmente a negocios informales que representan casi dos tercios de la
fuerza laboral8 del país,
BTPN
cuadruplicó
el
tamaño de su cartera
MIPYME entre 2009 y 2011
hasta 4.6 trillones de rupias
(500 millones de dólares)9.
Hoy en día, el banco presta
servicios a más de 150.000
MIPYMES a través de una
red de más de 600
sucursales, y los préstamos
a las MIPYME constituyen
casi el 25% del total de
préstamos del banco10.
Figura 4 Red de sucursales del BTPN en todo Indonesia
Conforme BTPN creció, buscó formas innovadoras de minimizar riesgos en su creciente cartera
de MIPYME. Además, con operaciones de préstamo a través de una red de oficinas en expansión
y un equipo de casi 8.000 personas, el banco ha buscado la manera de garantizar la coherencia
en sus procesos de aprobación de crédito.
Visión General del Projecto
BTPN se asoció con EFL en Septiembre de 2012 para ayudar a generar mejores análisis de crédito.
Desde el principio, EFL y BTPN identificaron dos formas en las que EFL podría transformar los
métodos de evaluación de crédito de BTPN y generar prácticas crediticias más estandarizadas.
1. Psicometría: La metodología de análisis psicométrica de EFL mide el riesgo del solicitante
de crédito mediante la recopilación activa de datos a través de una encuesta de crédito
de 30-40 minutos de duración. Aplicado en una tableta, por un agente de crédito y en el
local del negocio del solicitante, esta metodología permite a BTPN predecir con mayor
eficacia el desempeño de los préstamos de los clientes para los cuales los datos de crédito
tradicionales no estaban disponibles.
2. Aplicación del scorecard: Para todos los prestatarios de BTPN, los agentes de crédito
recolectaron y almacenaron una gran cantidad de datos. Sin embargo, BTPN nunca había
8
http://www.oecd.org/dev/49954032.pdf
http://www.economist.com/node/18587177
10
BTPN Annual Report 2012.
9
utilizado estos datos para construir un sistema de score de crédito cuantitativo. Al
aprovechar esta base de datos existente, EFL proporcionaría un valor adicional más allá
del score psicométrico.
EFL y BTPN se dieron cuenta pronto de que aunque estos dos modelos estadísticos aprovecharían
fuentes de datos fundamentalmente diferentes, estaban profundamente entrelazados.
Integrando la psicometría con los datos de aplicaciones de BTPN, EFL podía crear un nuevo
scorecard estratificado con mayor capacidad de predicción que aquella de la psicometría o datos
de aplicaciones por sí solas. En este caso, el conjunto fue mayor que la suma de sus partes.
Utilizando tanto psicometría como datos de aplicaciones existentes, EFL construyó tres modelos
"Psicométricos+" específicos para la cartera de préstamos de las MIPYME de BTPN.
Análisis de datos de solicitudes de crédito
EFL comenzó analizando los datos de las aplicaciones
existentes de BTPN para determinar qué variables dentro de
su base de datos existente tenían correlaciones significativas
con el desempeño de los préstamos. Evaluando
estadísticamente más de 330 variables de pago, financieras y
demográficas de más de 900.000 aplicaciones MIPYME, EFL
fue capaz de identificar 14 variables clave que demostraron
un nivel estadísticamente significativo de capacidad de
predicción de riesgo. Una vez que estas variables fueron
seleccionadas, se ponderaron en modelos de productos
específicos que podrían comenzar a predecir los niveles de
riesgo relativos de clientes potenciales de BTPN.
Variables Seleccionadas
# Vars. Analizadas – 332
# Vars. Utilizadas en modelamiento – 35
#Vars. en modelos finales – 10-14
Figura 5 Selección de variables del scorecard
Es importante destacar que, BTPN y EFL decidieron
conjuntamente no incluir en esta lista final de variables, variables de garantías. No sólo EFL
descubrió que estas variables tenían sorprendentemente poco poder predictivo, sino que también
se dio cuenta que la inclusión de las variables de garantías en el scorecard limitaría potenciales
ganancias en eficiencia: la verificación de la información de garantía es típicamente lo último que
se hace antes de aprobar un préstamo, lo que quiere decir que cualquier scorecard que se basa
en variables de garantía no tiene ningún valor hasta la fase final de revisión de crédito
Incluyendo Algoritmos Psicométricos
En el transcurso de los primeros 18 meses de trabajo, BTPN implementó la metodología de score
psicométrica de EFL a través de 90 sucursales piloto, administrando la solicitud EFL más de 12.000
veces y desembolsando más de 7.500 préstamos a las micro, pequeñas y medianas empresas
(MIPYMES). Evaluando la relación entre las respuestas a las preguntas de la solicitud EFL y el
desempeño en el tiempo de los solicitantes, EFL fue capaz de calibrar un modelo de crédito
adaptado al mercado MIPYME de Indonesia.
Combinando información de la aplicación de crédito con psicometría
Tanto la aplicación y los scorecards psicométricos desarrollados por EFL demostraron la capacidad
de medir eficazmente el riesgo de la población de prestamistas de BTPN. El mayor valor no
provenía de aprovechar estos scorecards de forma independiente, sino más bien de forma
conjunta. Al interactuar las variables de la solicitud de crédito psicométrica de EFL con las
variables extraídas de la base de datos de clientes de BTPN, EFL fue capaz de construir un
scorecard Psicométrico+ estratificado con mayor poder predictivo y capturaba un entendimiento
más matizado del riesgo del solicitante.
De manera más específica, el scorecard Psicométrico+ ha permitido a BTPN diferenciar con más
precisión el riesgo entre un grupo de prestatarios que, antes de EFL, habrían parecido casi
idénticos. Este poder de clasificación de riesgo ha permitido al banco identificar y rechazar
solicitantes que tienen más probabilidad de caer en mora, así como introducir la fijación de precios
basada en riesgo, impulsando mayor rendimiento de la cartera y estandarización de procesos.
Resultados
La calidad de cualquier herramienta de calificación de crédito radica en su capacidad de
diferenciar el riesgo. Aquellos que alcanzan un score mayor deberían tener mejor desempeño, es
decir, caer en mora con menos frecuencia, que aquellos que tengan una calificación inferior.
Cuanto más fuerte es el scorecard de crédito, mejor se puede diferenciar entre clientes buenos y
malos, y más se puede ayudar a las instituciones financieras a controlar el riesgo en sus carteras
de préstamos.
El gráfico 6 a continuación ilustra la distribución de la población de solicitantes de crédito divididos
en 5 grupos de 40 puntos llamados “quintiles”, donde los quintiles de mayor score están a la
derecha y los quintiles de menor score a la izquierda. Dentro de cada quintil, los clietnes se
dividen en "buenos" y "malos", o en los que pagaron sus préstamos y los que cayeron en mora
durante 90 días o más. Las líneas con pendientes negativas rojas y azules ilustran la relación
entre buenos y malos en cada grupo, y se les llama "tasa de morosidad". Como regla general,
cuanto más pronunciada es la pendiente de esta línea, más eficaz es el scorecard asignando
scores bajos a los clientes más riesgosos. En este gráfico, las tasas de morosidad son dadas por
quintil como un múltiplo de la media del producto en ausencia de cualquier método de scoring.
El gráfico 6 transmite el poder predictivo del scorecard de aplicación (azul), desarrollado por EFL
a partir de la base de datos existente de BTPN, así como el scorecard Psicométrico+ (rojo).
Población
Tasa de Morosidad
Desempeño del Score Psicométrico+ vs. Scorecard de
Aplicación
Banda de Score
Bueno
Malo
Morosidad por Bandas de Score – Psicométrico+
Morosidad por Bandas de Score - Scorecard
Figura 6 Desempeño del Score Psicométrico+ vs. Scorecard de Aplicación
El gráfico 6 muestra que ambos modelos fueron capaces de diferenciar eficazmente el riesgo en
la población de clientes de BTPN: los que obtuvieron calificaciones más bajas fueron
significativamente más propensos a caer en mora que los que puntuaron más alto. Más
específicamente, sólo para el scorecard de aplicación, los clientes que cayeron en el grupo 1
tuvieron casi 8 veces más probabilidades de caer en mora que los que cayeron en los grupos 4 y
5. En contraste, usando el scorecard Psicométrico+, los clientes del grupo 1 tuvieron más de 10
veces más probabilidades de caer en mora que los de los grupos 4 y 5. Viendo estos casos uno
al lado del otro, resalta el valor agregado del score psicométrico de EFL.
Tasa de Morosidad de la Población Rechazada
(El 15% inferior de solicitantes)
El 15% inferior Psicométrico+
Malos
Buenos
El 15% inferior Scorecard
Tasa de Morosidad del 10% inferior
Figura 7
Tasa de Morosidad
Población
Población
Tasa de Morosidad
Tasa de Morosidad de la Población Aceptada
(El 85% superior de solicitantes)
El 85% superior Psicométrico+
Malos
Buenos
El 85% superior Scorecard
Tasa de Morosidad del 90% superior
Figura 8
La mayor capacidad del scorecard Psicométrico+ para segmentar el riesgo tiene implicancias
significativas para reducir el nivel de morosidad y optimizar el rendimiento de la cartera.
Consideremos, por ejemplo, la diferencia en rendimiento del 15% inferior (Grupo 1) y el 85%
superior (Grupos 2-5) en los dos modelos (gráficos 7 y 8). Usando el scorecard Psicométrico+, el
15% inferior de los prestatarios es 31% más riesgoso que una población de similar tamaño
usando el scorecard de aplicación de BTPN. Si BTPN utilizara únicamente su scorecard de
aplicación, rechazando el 15% inferior reduciría sus niveles generales de morosidad para el
producto en aproximadamente 11%. Rechazando la población de similar tamaño utilizando el
scorecard Psicométrico+, resultaría en una disminución del 28% en sus niveles generales de
morosidad para el producto.
Scorecard Psicométrico+ en uso
El uso del scorecard Psicométrico+ permite a BTPN mejorar drásticamente el rendimiento de la
cartera con una reducción mínima de volumen. Además de simplemente rechazar los solicitantes
de mayor riesgo, el banco también fue capaz de segmentar mejor la población de solicitantes
aceptados, ofreciendo diversas tasas de interés (pricing) y diversos niveles de préstamos con
base en los perfiles de riesgo de los clientes. Esto no sólo permite a BTPN compensar el riesgo
de aceptar algunos de los solicitantes con bajo score con primas de riesgo ajustadas, sino también
atraer solicitantes con mayor potencial, ofreciendo condiciones más favorables.
Alentados por los resultados de EFL en construcción de modelos y análisis financiero, BTPN
comenzó, en el 2014, la implementación del scorecard Psicométrico+ de EFL a través de su red
de 600 sucursales. BTPN continuará reduciendo el riesgo en su cartera de MIPYME y mejorando
su oferta a clientes de MIPYME, al aprovechar las técnicas de modelamiento líderes en la industria
que ofrece EFL para obtener un mayor valor de su base de datos de clientes existente en
combinación con modelos psicométricos.