Scoring para Créditos

Pronosticar los diversos tipos de riesgos es uno de los principales tópicos en las finanzas modernas, y una de las tareas básicas que enfrenta cualquier institución financiera es estimar y minimizar el riesgo de crédito, definido como la posibilidad de que en el futuro un deudor sea objetivamente incapaz de devolver los créditos recibidos, o no tenga la voluntad subjetiva de hacerlo.

El Scoring para créditos es un método estadístico y econométrico utilizado para predecir la probabilidad de que un deudor sea moroso o incumpla con sus compromisos de pagos. Empleando datos históricos y técnicas estadísticas, el método evalúa el riesgo de crédito de las solicitudes de préstamos, considerando como se comportaron en el pasado, en lo referente a la morosidad, individuos con determinadas características descriptas por variables como el sexo, la edad, los ingresos, el estado civil, la situación laboral, la educación, la cantidad de familiares a cargo, etc.

El método determina las variables que son significativas para explicar la morosidad. A modo de ejemplo simplificado, pensemos en un cliente masculino de 38 años, ingeniero, casado, con dos hijos y $4500 pesos de ingresos mensuales y otro cliente masculino, de 21 años, empleado, soltero, sin hijos y con $500 de ingresos mensuales.

Estos clientes solicitan un mismo préstamo al banco, y de acuerdo a sus características socioeconómicas, el modelo de Scoring determina la probabilidad de que en el futuro no cumplan con sus obligaciones.

Se basa en el estudio del comportamiento de casos pasados de clientes con similares características estimando un modelo de regresión, esto es, un modelo estadístico que examina como una variable particular, la morosidad, es afectada por un conjunto de otras variables, como las referidas precedentemente. Para el caso del ingeniero mencionado, supongamos que el modelo determina una probabilidad de 4% de que sea moroso y para el caso del empleado una probabilidad de 17% de entrar en mora.

El método produce, a partir de las probabilidades obtenidas, un “score” (puntaje), que el banco usa para establecer un ranking de sus solicitudes de crédito en términos de riesgos.
En la mayoría de los sistemas de Scoring un puntaje alto indica un riesgo bajo, y el banco establece un punto de corte basado en la cantidad de riesgo que está dispuesto a aceptar. Si el punto de corte se establece en un 15% de riesgo por individuo, todos aquellos sujetos para los cuales el modelo asigna una probabilidad de ser morosos mayores a éste porcentaje quedarán excluidos de la posibilidad de obtener el préstamo.

En general el límite no es estricto, sino que se establece un intervalo con centro en el punto de corte, por ejemplo un intervalo con rango de variación de 3% (entre 12% y 18%). Todos los casos que caen dentro del intervalo son analizados en detalle por un analista para establecer si se concede o no el préstamo. En el caso del ingeniero, tendrá una aprobación automática del crédito debido a que su probabilidad de ser moroso es baja (4%) en relación con el punto límite de 15%. El empleado será evaluado detalladamente por un analista de créditos, ya que el modelo estableció una probabilidad (17%) dentro del intervalo de casos dudosos. Un modelo bien diseñado debe dar un elevado porcentaje de puntajes altos (riesgo bajo), para aquellos créditos que se comportarán bien (serán devueltos en tiempo y forma), y un elevado porcentaje de puntajes bajos (riesgo alto), para aquellos créditos que se comportarán mal (no serán devueltos en tiempo y forma). Sin embargo, como ningún modelo es perfecto, algunos préstamos malos recibirán un puntaje más alto que algunos préstamos buenos. El modelo no dirá con certeza absoluta cuál será el comportamiento futuro de un individuo en particular, pero un buen modelo debe ser capaz de predecir con exactitud el comportamiento promedio de créditos otorgados a grupos de individuos que comparten características similares identificadas como relevantes para la calidad crediticia.

El desarrollo de modelos de Scoring tiene beneficios que lo han conducido a un uso cada vez mayor por parte de los grandes bancos, ya que:

  • Cuantifica el riesgo como una probabilidad, dando mayor objetividad al procedimiento de evaluación del riesgo de crédito.
  • Es un mecanismo consistente, dado que dos individuos con las mismas características tienen asociado el mismo riesgo.
  • Es explícito, porque el proceso para predecir el riesgo es conocido y puede ser comunicado.
  • Un modelo bien diseñado provee una mejor evaluación del riesgo, lo que permite reducir las pérdidas al negar la concesión de créditos a sujetos que no podrán cumplir con los compromisos pactados.
  • La documentación requerida es mucho menor, dado que los clientes sólo deben brindar los datos requeridos por el sistema.
  • Reduce notablemente el tiempo empleado en el proceso de aprobación o rechazo de un préstamo.

En el pasado los bancos usaban reportes de crédito, el historial personal de los individuos y el juicio de los analistas para tomar las decisiones con respecto otorgar o no un préstamo, tarea que demoraba varios días. Utilizando modelos de Scoring, el banco puede evaluar una solicitud de crédito en forma instantánea, y considerar con más detalle los casos dudosos que están cerca del punto límite de corte. En definitiva, el modelo de Scoring da un marco para la decisión final en la concesión o el rechazo de una solicitud de crédito.

El avance de la tecnología informática hizo posible utilizar y procesar grandes cantidades de datos, y esto permitió que los modelos de Scoring fueran adoptados en forma creciente por las instituciones financieras que conceden préstamos a pequeños consumidores individuales (préstamos hipotecarios, préstamos al consumo, tarjetas de crédito, etc.). Existen varios métodos estadísticos que son usados para desarrollar sistemas de Scoring, incluyendo modelos de probabilidad lineal, modelos logit, modelos probit y modelos de análisis discriminante.

Los tres primeros son técnicas estadísticas que estiman la probabilidad de ser moroso basados en datos históricos sobre el comportamiento de los créditos otorgados y las características socioeconómicas de los individuos. Estas técnicas difieren según el supuesto sobre la distribución de la probabilidad de mora. Por otro lado, el análisis discriminante en lugar de estimar la probabilidad de mora de los individuos, los divide en clases de alto y bajo riesgo de ser morosos. En la actualidad los bancos utilizan potentes paquetes estadísticos como SPSS (Statistical Package for the Social Sciences) y SAS (Statistical Analysis Software) para desarrollar y estimar estos modelos.

La exactitud de un sistema de Scoring dependerá del cuidado con el que sea desarrollado. Los datos sobre el cual el sistema está basado deben ser actualizados y estar compuestos por una muestra rica en créditos de los dos tipos, de buen y mal comportamiento. Los modelos deben ser re-estimados frecuentemente para asegurar que los cambios en las relaciones entre los variables explicativas y el comportamiento de los créditos sean capturados.

Si bien el mercado de crédito argentino está fuertemente racionado debido a la crisis económica y financiera, y esto limita el uso de esta técnica estadística, el desarrollo y la aplicación de modelos de Scoring se perfecciona y difunde ampliamente en los países desarrollados, y en aquellos países en vías de desarrollo que cuentan con un mercado de crédito adecuado. Se espera que en el mediano plazo la Argentina recupere su mercado de crédito, de manera tal que el uso de los sistemas de Scoring por parte de las instituciones financieras, y los bancos en particular, juegue un papel fundamental a la hora de evaluar y conceder préstamos a pequeños consumidores, como ocurre en el resto del mundo.

Pablo Gabriel Malatino
http://www.nova.com.ar

Copyright © 2006 - liderazgoymercadeo.com - Políticas de Privacidad
Todos los Derechos Reservados. atencionliderazgoymercadeo@gmail.com
Johndany Solutions C.A. - RIF: J-30851494-2