Ofrecido por

GurusBlog

¿Cómo funcionan los algoritmos financieros que conceden créditos?

bigdata-compressor

Los ordenadores y los algoritmos financieros están decidiendo si merecemos un crédito, cómo nos irá en nuestro negocio, lo queremos comprar o no… Para bien o para mal, ellos ya tienen la última palabra, es el poder que está adoptando el big data.

Actualmente nadie se extraña cuando llamamos para pedir comida para llevar la persona que nos atiende sepa dónde vivimos, cuál es nuestro número de teléfono y nuestra dirección ya que están dentro de una base de datos por los pedidos que hemos hecho anteriormente. Así nos ahorramos tener que realizar cada vez que llamamos el proceso una vez tras otra.

La banca reconoce abiertamente que utiliza este sistema de de gestión de los datos para eliminar el fraude, también para lo que ellos denominan ‘Credit Scoring’. Dichas herramientas permiten a las entidades bancarias, a partir de miles de indicadores, construir diferentes modelos de riesgo a la hora de conceder un crédito o una hipoteca.

El papel que antes asumían los responsables de las sucursales bancarias cuando se solicitaba un préstamo o una hipoteca y que pedía la nómina, la declaración de la renta, el patrimonio… ahora lo hace un ordenador que tiene en cuenta todo esto y otras muchas variables. Por tanto, la decisión que en las manos de los algoritmos financieros.

¿Qué hacen las entidades bancarias con nuestros datos?

Daniel Villatoro, data scientitst de BBVA Data & Analytics, comentó en el encuentro sobre Big Data en Madrid que se usan los datos de los clientes de las entidades para ofrecerles mejores servicios, para hacer posible una mejor segmentación comercial.

En el caso del BBVA, realiza una media de 26 millones de operaciones reales durante un día normal, ya sean con pagos por tarjeta, extracciones de cajeros… Realizando un análisis de todas esas operaciones en España se puede ver la actividad económica durante periodos determinados.

Podemos pensar que cada movimiento es un punto que parpadea cuando se realiza, para las gasolineras se representa por el amarillo, bares y restaurantes representados por el rojo, moda representada por el rosa, alimentación representada por el verde…

Con el big data, las entidades bancarias como el BBVA pueden calcular por ejemplo el impacto económico real que un evento puede tener en una zona determinada en España. En estos casos, basta con comparar los movimientos que se han registrado en un periodo de tiempo similar al evento.

Pero hay otras preguntas que el BBVA podría responder sin problemas porque tiene una visión más amplia. Desde qué nuevos productos o servicios podría ofrecer un negocio, hasta qué horarios le irían mejor a los comercios, cómo podría fomentar la fidelización en los clientes de un negocio… Hasta la distancia que recorren los clientes de un negocio desde su casa para realizar una compra.

¿Qué es lo mejor del big data?

Gracias al big data se puede hacer un seguimiento en tiempo de la evolución de una determinada campaña y realizar variaciones según los resultados obtenidos. Otra de las propiedades del big data es su carácter predictivo.

También se ha logrado conocerse patrones de conducta y sobre todo de consumo según la meteorología. El futuro del big data pasa por una combinación de varios aspectos ya que se debe utilizar cualquier base de datos teniendo en cuenta los datos del pasado, tendencias anteriores, con la información en tiempo real del presente y proyectar todo eso hacia el futuro.

En la medida en que todo se simplifique y se puedan mostrar los resultados con aplicaciones más visuales, se extenderá. Por tanto, será una consideración de tiempo. Hasta ese momento, hay que seguir arriesgando. La mejor manera de predecir el futuro es crearlo.

¿Cómo utilizan las entidades bancarias el Big data?

Como hemos visto el big data y analytics ha llegada al mundo empresarial. Más el 30 por ciento de las entidades del sector financiero en España se aprovechan ya de las oportunidades que ofrecen los algoritmos financieros.

La combinación de los datos y el desarrollo de la tecnología para almacenar y procesar la información están provocando una transformación en el modo en las empresas del sector financiero gestionen sus negocios.

Un nuevo enfoque que en entre sus principales retos sería la cualificación del valor que es capaz de aportar. Donde la gráfica de ‘FrontQuery’ y ‘TeraData’ ofrecen las barreras de entrada en la implantación del big data y las oportunidades de la implementaciones de soluciones de big data durante el año 2015:

– Las aplicaciones percibidas por el conjunto del sector financiero, un 33,3 por ciento resalta aquellas generadas en el área de la segmentación, ciclo de vida de sus clientes y en el targeting avanzado, traducidas en un mayor rendimiento y eficiencia de las acciones comerciales.

– El scoring de riesgo y la valoración de carteras, sobre todo en las entidades financieras.

– Un 15,4 por ciento resalta la posibilidad de fidelización de clientes a través de análisis predictivos avanzados, lo que señalan en especial las entidades aseguradoras.

– Un 10,3 por ciento le resulta crucial la gestión de la llamada omnicanalidad, en un entorno donde las tecnologías multiplican los canales de comunicación y elevan la capacidad de transacción con las empresas y la información a compartir.

– El 28,8 por ciento de la banca y seguros destaca la ventaja que ofrece esta tecnología para ayudar en los procesos complejos de toma de decisiones.

– Una prestación que repercute en los resultados de negocio derivados del incremento de eficiencias y del aumento de ingresos.

– Variación en el caso de las entidades aseguradoras, que en un 40,6 por ciento, resaltan la oportunidad para extraer inteligencia de la combinación de fuentes estructuradas y no estructuradas de información.

– Aún existen algunas importantes barreras de entrada entre las que destacan la falta de capacidad tecnológica, de presupuesto, y un escaso conocimiento especializado.

El Credit Scoring es quien aprueba tu crédito

Según definición de ActiBVA “El Scoring es un sistema de ayuda automático a la toma de decisiones crediticias” , creado mediante un modelo estadístico. El sistema tradicional el analista o un comité estudiaba la operación y la confrontaba con los datos de las personas que solicitan el crédito, donde el papel del analista era limitado.

El analista es una fórmula matemática, que una vez introducidos los datos del cliente, de la operación… da lugar a una puntuación. Esa puntuación no deja de ser un cálculo de probabilidad de impago. En función de los criterios de la entidad bancaria, se entenderá que es viable la aprobación de la probabilidad no supera el importe fijado.

Cada entidad usa el scoring de una determinada manera. Algunos sólo lo trabajan para particulares, otras también lo aplican a empresas. Es posible que funcione para unos determinados productos y no para otros.

Aunque se use para contrastar la decisión del analista o que directamente le vincule de algún u otra manera, necesitando una autorización superior para saltarse el criterio del scoring y poder conceder la operación.

¿Cómo las entidades bancarias crean sus scorings?

Se trata de un proceso de análisis estadístico continuo, a la búsqueda de un modelo de la probabilidad de impagado. Así, cuanto una entidad bancaria quiere realizar un modelo de scoring para empresas o particulares, lo que hace es analizar, de manera estadística, los rasgos que tienen las empresas o particulares que pagan mejor o peor sus créditos o hipotecas:

– Analizar ratios económicos financieros de solvencia, liquidez, rentabilidad… analizados de su documentación contable.

– También se extraen de datos de antigüedad, composición accionarial, sector económico, avisos de bases de datos de morosidad…

– Datos de operaciones como plazos, importes, garantías…

– Información de la entidad bancaria en relación con el cliente, posiciones, saldos medios y evolución de los mismos, historial crediticio…

Las fuentes para extraer la información son varias, internas y externas, con respecto a la entidad bancaria. Lo que dificulta falsear los datos y contribuye a crear una imagen real del cliente. A partir de aquí, y una vez identificados estas variables claves se trata de construir una fórmula, un algoritmo en el que cada uno de estos datos tengan un peso determinado, una ponderación.

La suma de todas estas variables daría una probabilidad de impago de una determinada operación para un cliente, sin perjuicio de que alguna variable puede ser un punto de corte que se cargue directamente la valoración.

Dicha probabilidad de impago es la que debe ser inferior a un porcentaje que marque la entidad para considerar que el sistema apruebe la operación donde se pueden establecer tres zonas como la de viable, rudos y no viables.

Dicho proceso no acaba nunca ya que las operaciones concedidas por el scoring se van monitorizando continuamente por el sistema, que va a ir aprendiendo de sus propios errores, detectando dónde ha fallado y puliéndolos.

Este es un scoring reactivo, que se desata ante una solicitud de crédito de un cliente, pero también cable un modelo proactivo, en el que se preclasifica a los clientes previamente. Sin que el cliente lo haya solicitado los comerciales de la entidad bancaria saben que hasta que limites cuentan con una autorización de riesgos.

El método Altman Z-Score, ¿Cómo son los algoritmos financieros del Credit Scoring?

Se trata de un modelo muy simple pero que resulta de interés por variados motivos. Podemos entender cómo funciona un modelo de scoring muy simple, y podremos deducir cómo lo harán los complejos.

Además, puede ser una herramienta útil para hacernos un chequeo propio o pasarle el filtro a nuestros clientes, ya que que viene a detectar el riesgo de quiebra de una empresa. Para empezar, debemos tener claras las variables que intervienen, o lo que es lo mismo, los datos que necesitamos:

– X1: Fondo de Maniobra / Activo

– X2: Beneficios no distribuidos / Activo

– X3: Beneficios antes de intereses e impuestos / Activo

– X4: Patrimonio Neto / (Exigible a Largo+ Exigible a Corto) para empresas que no cotizan. Si cotizan, el patrimonio neto se sustituye por la capitalización bursátil.

– X5: Ventas / Activo

A partir de ahí, el modelo nos da tres formulas distintas para calcular Z, un indicador de probabilidad de quiebra:

– Para empresas no cotizadas: Z=0,718X1+0,847X2+3,107X3+0,420X4+0,998X5

– Para empresa no cotizadas tipo startup: Z=6,56X1+3,26X2+6,72X3+1,05X4

– Para empresas cotizadas: Z=1,2X1+1,4X2+3,3X3+0,6X4+1,0*X5

Podemos interpretar los resultados del modelo scoring que cuanto menor sea Z más posibilidad de quiebra hay:

– La posibilidad de quiebra es muy remota si Z es mayor de 2,9 en empresas no cotizadas. Este valor desciende a 2,6 en las startups y asciende a 3 en las cotizadas.

– Por debajo de las cifras anteriormente mencionadas, el riesgo de quiebra empieza a crecer. Estaríamos hablando de una zona de vigilancia o alarma cuyo suelo es de 1,23 para las no cotizadas, de 1,1 para las startups, y de 1,8 para las cotizadas.

– Por debajo de los umbrales indicados, la quiebra es inminente.

Debemos ponerlo en contraste con otras fuentes de información, pero lo importante es que entendamos el mecanismo que subyace, que es muy similar al de otras herramientas de scoring.

Conversación

1 comentario

  1.    Responder

    Es muy interesante el articulo, sobre todo en la parte de Big Data, pero en cuanto a las formulas de scoring para empresas, me parece un metodo demasiado arcaico y simple. Normalmente, a parte de los ratios estaticos:

    – hay que fijarse muy bien en la evolución de cifra de negocio de un año a otro, y sobre todo en chequear la rotación del saldo de clientes/proveedores/stock (esta ultima muy importante, ya que las partidas de existencias suelen ser una parte muy elevada del activo)
    – Por descontado el analisis de los datos cualitativos debe tener un peso especifico importante (entiendo que esto seria para el caso de un modelo de scoring mas hard)

    Enhorabuena por vuestro blog


Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies.

ACEPTAR