MSc.
Piero Conislla Cardenas
• Especialista en: Modelos Analíticos de Riesgos
y Comerciales empleando algoritmos de
Machine Learning en plataformas tradicionales y
de Big Data.
• Formación Académica: Universidad Nacional de
Ingeniería y Agraria la Molina.
• Formación Profesional: Más de 4 años de
experiencia en Banca y capacitaciones en
metodologías de consultoras como: Managment
Solutions y Fermac Risk.
Introducción
Credit Risk y Sus Componentes
La forma de la distribución de pérdidas sobre la que se gestiona el Riesgo de Crédito, viene dada por tres parámetros de
riesgo fundamentales:
Probabilidad de incumplimiento
Probabilidad de que una contraparte no
pueda hacer frente a sus obligaciones
en un determinado plazo temporal.
Severidad o pérdida en caso de PD
incumplimiento
Porcentaje final de la EAD que se pierde
en caso de incumplimiento, es decir, el
porcentaje no recuperado.
LGD
Exposición en
incumplimiento
Volumen de riesgo expuesto en el
EAD momento de incumplimiento.
Credit Score y Customer Journey
Cliente Nuevo
Si
Modelo de Default? Cliente Rechazado
Admisión
No
Cliente
Aceptado
Si
Modelo de Recuperaciones
Default?
Comportamiento
No
Modelo de
Elegible para Si
Pagó? Recuperación
Campañas
Castigos / Venta
de Cartera
¿Por qué construir
un nuevo modelo?
Contexto
Composición de solicitudes aceptadas por tipo de producto
• Alinearse al plan estratégico de
la entidad financiera.
• La población objetivo ha
cambiado.
• Disminución de los poderes de
discriminación
Evolutivo de Gini
• Adecuarse al proceso crediticio
Actual
• Incorporación de nuevas fuentes
de Información
• Nuevas mejoras metodológicas.
Fuentes de Información
• Deuda en SSFF
• Morosidad en SSFF
RCC • Saldos de deuda por Cliente
• Cantidad de días de atraso por
Experiencia producto y cliente
• Indicador de tenencia de
garantía
Garantías en Entidad
Financiera
Modelo •
•
Movimientos de la TC
Pagos de la TC
•
•
Información de Pasivos
Saldo medio en cuentas
de ahorro, corrientes.
Ahorros
de Tarjetas
Admisión
• Pagos en productos no Revolventes
• Información Demográfica • Saldos no Revolventes
Demográficas Préstamos
• Tipo de Persona
Solicitudes
• Información Financiera:
Denegaciones y sector económico.
Definición de Público Objetivo
• Para poder definirlo, debemos tener • Principales filtros en la construcción
en cuenta las siguientes de modelos de admisión:
consideraciones: o Fraude
o Alineamiento a la definición de la o Solicitudes ficticias
SBS o Sectores restringidos
o Nivel de ventas o Pilotos comerciales
o Nivel de deuda o Exclusión de Indeterminados.
o Segmentación Comercial
o Estrategias de la entidad
financiera en los próximos años.
Calidad de Datos:
Criterios de Calidad
Precisión de los datos Datos Completos Interpretables
• Outliers, Edad 300 con • ¿Hay valores perdidos? • Los datos deben tener
Ingresos de 1 millón de definiciones apropiadas y
soles claras
Accionable Accesible
• Los datos deben estar • Los datos están disponibles
listos para su uso o son fáciles y rápidamente
de recuperar
Calidad de Datos:
Definición de Default
30 Producto
Meses a
12
Días en los nivel de
Atraso 60 Cliente
siguientes
24
90
Definición de Default
Evaluación de días
70%
30%
Definición de Default
Evaluando los meses
Calidad de Datos:
Definición de Ventana Temporal
Evolutivo de ratio de Default
7% 450
6% 400
350
Número de cuentas
5%
300
4% 250
200
RD
3%
150
2%
100
1% 50
0% 0
N Ratio Default Mora Temprana
Calidad de Datos:
Cosechas
Modelo de Admisión
Construyendo nuestra base:
Muestra de la Muestra de construcción
ventana de
construcción Muestra de Validación
Aceptadas
Total
solicitudes de Muestra fuera de la
crédito ventana de
construcción
Denegadas
Modelo de Admisión
Evolucion del Ratio de Default
12.00% 50,000
45,000
10.00%
40,000
35,000
8.00%
30,000
6.00% 25,000
20,000
4.00%
15,000
10,000
2.00%
5,000
0.00% -
N Cuentas Ratio de Default
Base de Construcción Base Fuera de tiempo
Ene-11 a Jun-14 Jul-14 a Jun-15
(42 meses) (12 meses)