perspectivas de minería de datos en empresas de crédito y ahorro

PASS , antes SPSS México

Obteniendo Ventajas Competitivas con la Aplicación de la Minería de Datos en Instituciones Financieras de

Crédito y Ahorro


El contenido de este documento es propiedad de Predictive Analytical Software and Solutions S.A. de C.V. (PASS) y es de carácter confidencial. Su uso es de carácter informativo y no debe ser usado

ni reproducido sin el consentimiento previo de PASS


AGENDA

• Retos y Oportunidades en el Sector de Crédito y Ahorro Popular

• El Análisis de Información Como Diferenciador Clave

• Perspectivas en Analítica Predictiva para el Sector de Crédito y Ahorro

• Caso Práctico• Soluciones en Analítica Predictiva y

Minería de Datos• ¿Cómo Abordar una Iniciativa de

Minería de Datos?• Preguntas y Respuestas


RETOS Y OPORTUNIDADES EN EL SECTOR DE CRÉDITO Y AHORRO POPULAR


Los segmentos de crédito y ahorro popular presentan importantes oportunidades de crecimiento

Inclusión y Mercado• Amplios segmentos de la población que no cuentan con servicios

financieros o acceden a mecanismos no formales.• Servicios bancarios concentrados en grandes áreas urbanas• El segmento de crédito y ahorro popular presenta mayores índices de

crecimiento con respecto a la banca tradicional

Regulación• Las nuevas regulaciones originadas por la reforma financiera abren

oportunidades en crédito y corresponsales.• Mayor certidumbre a los usuarios de servicios financieros para

acceder a otros modelos diferentes a la banca tradicional.

Innovación y Operación• Flexibilidad y agilidad operativa, oportunidades para innovar en

productos y procesos.


Para aprovechar estas oportunidades hay importantes retos que afrontar

Inclusión y Mercado• Segmentos no tradicionales presentan mayores riesgos.• Entender a los mercados y los clientes para enfocar los

productos y las estrategias• Diferenciarse ante un entorno de mayor competencia

Regulación• Establecer mejores mecanismos de control y cumplimiento• Establecer las estrategias y mecanismos que permitan

aprovechar nuevas áreas de oportunidad.

Innovación y Operación• Incrementar la gama de servicios• Hacer más eficiente el uso de recursos limitados.• Innovar mediante la implementación de procesos eficientes y

el uso de las tecnologías de la información.


Entender y conocer a los clientes y

mercados

Innovar en productos y

servicios que cubran las

necesidades de los segmentos objetivo

Hacer un uso eficiente de los

recursos limitados

Tener mayor certidumbre al evaluar riesgos

Planear estrategias eficientes y efectivas de producto,

promoción y mercadotecnia

¿Cómo afrontar estos retos?

Mayor innovación en procesos haciendo uso de la tecnología

Tomar decisiones acertadas mediante el uso de la información


EL ANÁLISIS DE INFORMACIÓN COMO DIFERENCIADOR CLAVE


Resupestas de quienes creen que el análisis de información resulta en

ventajas competitivas

+57%

Un mayor número de organizaciones están usando el análisis de la información para crear ventajas

competitivas

2010

58%2011

37%

Fuente: The New Intelligent Enterprise, a joint MIT Sloan Management Review and IBM Institute of Business Value analytics research

partnership. Copyright © Massachusetts Institute of Technology 2011

1.6x Crecimiento en Ventas

2.0x Crecimiento de EBITDA

2.5x Apreciación del Valor de Acciones

Fuente: Outperforming in a data-rich, hyper-connected world, IBM Center for Applied Insights study conducted in cooperation with the Economist Intelligence Unit and the IBM Institute of Business Value.

2012

Las empresas líderes quienes han adoptado mecanismos de análisis de la información y tienen mejores índices de desempeño con respecto a sus

competidores

El Análisis de la Información ha pasado de ser una iniciativa de negocio a ser una IMPERATIVA de negocio


Consultas y Queries – Encontrar registros que cumplan con criterios de búsqueda, cuando se sabe que se quiere buscar.

BI / OLAP – Estructurar y consolidar la información histórica y los datos para conocer y entender lo que ha sucedido al día de hoy.

Minería de Datos y Análisis Predictivo – Modelado Matemático de los datos para PREDECIR comportamientos y DETECTAR patrones y tendencias en la información

Los mecanismos tradicionales de búsqueda de información e inteligencia de negocios (BI) no resultan suficientes para adquirir una perspectiva completa del conocimiento:

Pro

fun

did

ad d

el C

on

oci

mie

nto

Datos

Análisis Predictivo y Deductivo

Perspectiva en el Tiempo

Análisis Situacional

Historia Futuro


El Análisis Predictivo y La Minería de Datos

“La Minería de Datos es un proceso de descubrimiento de correlaciones

significativas, patrones y tendencias futuras por medio del escrutinio de

grandes cantidades de datos almacenados, usando tecnología de

reconocimiento de patrones, así como técnicas estadísticas y matemáticas”

The Gartner Group


• El análisis predictivo emplea los datos existentes para:• Predecir

• Pertenencia a categorías• Valores y variables

• Agrupar• Agrupar elementos con características

comúnes

• Asociar• Encontrar eventos que ocurren en

conjunto o en secuencia.

• Encontrar Anomalías• Identificar casos que no siguen un

comportamiento esperado.

¿Qué Hace el Análisis Predictivo?


Aplicaciones del Análisis Predictivo

12%

17%

18%

25%

26%

30%

30%

31%

32%

40%

41%

41%

46%

47%

Otros

Cadena de suministro

Encuestas

Mejoramiento de la calidad

Servicio al cliente

Precios (valorar)

Planeación de demanda

Promociones

Detección de fraude

Tasa de fuga / abandono / retención

Presupuestos y pronósticos

Adquisición de clientes

Administración de campañas

Ventas (cross sell - upsell)

Fuente: TDWI Best Practices Report First Quarter 2007

Basado en 167 encuestados que han implementado el análisis predictivo. Los encuestados pudieron seleccionar múltiples respuestas


PERSPECTIVAS EN ANALÍTICA PREDICTIVA PARA EL SECTOR


El Análisis Predictivo en los Servicios Financieros

Conocer a Profundidad a sus

Clientes

¿Qué caracteriza y como se comportan nuestros clientes y

mercados objetivo?

Incrementar la Efectividad Comercial y de los Productos

¿Cómo captar más clientes y colocar más productos?

¿Qué productos debemos ofrecer a que clientes y por que canales?

Disminuir Riesgos Crediticios

¿Cómo predecir con mayor certidumbre los riesgos de incumplimiento?


El conocimiento de los clientes en base a la información de sus operaciones y datos personales resulta incompleta para tener una vista completa

Información• Historial de

operaciones• Aspectos socio-

demográficos• Distribución

Perfiles y Comportamientos• Necesidades y

características• Percepciones• Datos atitudinales

Datos• Datos Personales

• Productos vigentes• Relaciones

Tendencias y Propensiones• Propensiones de

compra y abandono.• Necesidades futuras

Información Conocimiento


Usando técnicas de análisis predictivo y minería de datos se puede extraer conocimiento de diversos tipos de datos e información de nuestros clientes y mercados

Bases de Datos / CRM Operaciones

Medios Digitales Encuestas

Estudios y Análisis

Aplicación de Modelos

Predictivos

Conocimiento Extendido

Conocimiento Predictivo

• Segmentos, Grupos y Correlaciones

• Percepciones• Necesidades

• Tendencias y Propensiones• Comportamientos futuros• Necesidades no evidentes• Niveles de satisfacción y

lealtad


• Segmentación y perfilamiento inteligente: Crear segmentos de clientes y poblaciones objetivo detectando relaciones relevantes y características comunes.

• Al generar segmentos y perfiles de clientes se pueden aplicar otros modelos para determinar probabilidades de compra, de incurrir en cartera vencida, de cancelar cuentas, etc.

Conocimiento Profundo de los Clientes

• Detección de necesidades, sentimientos y retroalimentación: mediante el análisis de textos, encuestas y redes sociales.

• Identificando las características de los diferentes grupos se pueden planear productos y promociones que mejor se ajusten a sus necesidades.

El análisis predictivo permite identificar características, tendencias y patrones de comportamiento no evidentes de los clientes, para ofrecer los productos adecuados a los clientes adecuados por los canales adecuados.


Incrementar la Captación y Colocación de Productos

Productos

Promoción

Expansión

Productos no diferenciados – mismos productos para

todos los clientes

Enfoque Tradicional

Aumentar los recursos de promoción aumenta la captación de clientes

Mayor número de sucursales y más canales para

aumentar la cobertura

Enfoque Predictivo

Productos personalizados – el mejor producto para cada cliente

Enfocar los recursos de promoción a los segmentos con mayores probabilidades

Establecer los canales que mejor cubran las necesidades de los clientes y el número y ubicación de sucursales con mayores probabilidades de éxito.


Efectividad de los Recursos de Promoción

Enfoque Convencional – Asignar un 50% de recursos resulta en

un 50% de respuesta

Enfoque Predictivo

Asignando recursos a sólo el 20% de la población objetivo

resulta en un 75% de respuesta

http://www.spss.com/clementine/


A B C

Predecir las necesidades, preferencias y riesgos de clientes individuales

Seleccionar la mejor oferta para el cliente

Seleccionar el mejor canal

Seleccionar el mejor momento

25% - 50 %

Más ganancias

Duplicar las respuestas

Mejor uso de los recursos

Promoción Enfocada al Cliente

http://www.spss.com/clementine/


Disminuir los Riesgos al Evaluar el Otorgamiento de Créditos

Los mecanismos tradicionales de evaluación crediticia insuficientes o poco adecuados para evaluar los riesgos de segmentos de crédito y ahorro populares:

• Segmentos de personas y empresas con poco o nulo historial crediticio

• Cuentahabientes de menor transaccionalidad y activos.

• Por la naturaleza de los mercados se debe tener mayor flexibilidad ante el riesgo.

• Las consideraciones sociodemográficas y de comportamiento de estos segmentos pueden tener mayor relevancia en las propensiones de pago (destino de los recursos, pertenencia a ciertas comunidades, nucleo familiar, etc.)


Reducir los riesgos en la evaluación crediticia

• Identificar los diferentes segmentos de acreditados para generar distintos perfiles de riesgo (alto, medio, bajo, cumplidos, incumplidos, morosos, etc.)

• Identificar las características que se relacionan a los distintos perfiles de riesgo:

• Datos personales• Tipo y destino del crédito• Montos y tasas• Ocupación• Información geográfica• Cuentahabiente existente• Etc.

Perfilar el comportamiento de pago de clientes

Definir productos y establecer reglas de

autorización

Calificar las solicitudes crediticias y adecuar los

productos al perfil


• El análisis de perfiles de riesgo permite definir productos estandarizados y establecer reglas de autorización para agilizar el otorgamiento de créditos (ejemplo: Crédito A con monto de hasta $30,000 pesos personas con ingresos entre $10,000 y $15,000 pesos, para uso personal, soltero, profesionista, autorización express al presentar documentación).


Establecer reglas de autorización ágiles


productos al perfil



• Los modelos empleados para determinar el comportamiento de pago de los diferentes perfiles de riesgo permiten clasificar las nuevas solicitudes para determinar en cuales perfiles de riesgo caen de acuerdo a sus características.

• El análisis y clasificación de las solicitudes de crédito también permite clasificar a los solicitantes en productos con menor riesgo, para ofrecer alternativas en montos, tasas, plazos o condiciones.


Definir productos y establecer reglas de

autorización


productos al perfil



APLICACIÓN DEL ANÁLISIS PREDICTIVO A UN CASO EJEMPLO


Una empresa que otorga pequeños créditos está preocupada por el aumento de los clientes que han incurrido en cartera vencida, y decide hacer un estudio con el objetivo de identificar a futuros solicitantes propensos a incurrir en cartera vencida.

La empresa tiene la información que se pide a los clientes solicitantes y debe basar su estudio en ella.

Implementando modelos de clasificación se pueden perfilar los clientes más propensos a incurrir en cartera vencida.

Situación


¿Cómo influyen las demás variables dentro de cada subgrupo?

Árbol de Clasificación


En cada subgrupo la variable más significativa ha resultado la misma.

Una vez hecha la nueva subdivisión los grupos tienen probabilidades más definidas



Buscando la mejor subdivisión en los otros dos subgrupos



Aquí la variable más significativa en cada segmento es diferente.

De acuerdo con la importancia de las variables se podría continuar la subdivisión de la muestra



Cada nodo terminal determina una regla y se puede asignar una probabilidad de incurrir en cartera vencida a los casos que

cumplen las condiciones para ese nodo.



Finalmente todos los casos son clasificados según las reglas definidas por el árbol y se puede evaluar la

efectividad del proceso a través de la matriz de clasificación.


Se debe revisar el acierto global


Finalmente todos los casos son clasificados según las reglas definidas por el árbol y se puede evaluar la

efectividad del proceso a través de la matriz de clasificación.


… y también cómo quedaron clasificadas cada una de las categorías


Podemos ordenar los nodos terminales según la probabilidad de incurrir en cartera vencida, de forma que los primeros sean aquellos donde la

probabilidad sea mayor.

En ese orden se puede hacer una gráfica que indica qué porcentaje de los casos que interesa

detectar, “Cartera Vencida”, se tiene en cada percentil de la base de datos.



Evitando prestarle al 20% de los casos con mayor probabilidad de incurrir en cartera vencida, evitamos prestarle al 84.147% de los que incurrirían en cartera

vencida.



Inicialmente se tenía un 20% de los clientes en Cartera Vencida.

Resultado


Si solo se le prestara a aquellos que el modelo predice que pagan

Resultado

La cartera vencida se reduciría al 4.4% de los clientes


En cuanto al monto prestado, originalmente teníamos

Resultado

Monto prestado

Totalmenos de

10000de 10000 a

15000de 15000 a

25000 más de 25000Paga 199 241 292 2527 3259

Cartera Vencida 476 228 99 55 858

Total de casos 675 469 391 2582 4117

(promedio por segmento) 5,000.00 12,500.00 17,500.00 32,000.00 Porcentaje

Paga 995,000.00 3,012,500.00 5,110,000.00 80,864,000.00 89,981,500.00 91.16%Cartera Vencida 2,380,000.00 2,850,000.00 1,732,500.00 1,760,000.00 8,722,500.00 8.84%

Total = 98,704,000.00

un 8.84% de cartera vencida


Si solo se presta a aquellos que se predicen como “Paga”

Resultado

Monto prestado

Totalmenos de

10000de 10000 a

15000de 15000 a

25000 más de 25000Paga 162 212 289 2508 3171

Cartera Vencida 52 44 40 9 145

Total de casos 214 256 329 2517 3316

(promedio por segmento) 5,000.00 12,500.00 17,500.00 32,000.00 Porcentaje

Paga 810,000.00 2,650,000.00 5,057,500.00 80,256,000.00 88,773,500.00 89.94%Cartera Vencida 260,000.00 550,000.00 700,000.00 288,000.00 1,798,000.00 1.82%

Total = 90,571,500.00

La cartera vencida se reduciría el 1.82%.


Cartera VencidaSin modelo Con modelo Ahorro de

8,722,500.00 1,798,000.00 6,924,500.00

Comparación de resultados con y sin modelo

Resultado

La diferencia en monto sería de

Sin Modelo Con Modelo20,000,000.00

30,000,000.00

40,000,000.00

50,000,000.00

60,000,000.00

70,000,000.00

80,000,000.00

90,000,000.00

100,000,000.00

Cartera Vencida

Paga


Los modelos de clasificación permiten perfilar grupos, como “Paga” y “Cartera Vencida”, o como “Cliente activo” y “Churn”, o como “Responde” y “No responde” a una campaña.

También se pueden perfilar más de dos categorías, como diferentes niveles o tipos de servicio.

Una vez creados, los modelos pueden ser aplicados a nuevos datos para predecir el comportamiento de otros clientes según el perfil definido por las reglas de los modelos.


¿Por qué es importante el Análisis Predictivo para la institución?

• “El ROI promedio de los proyectos que han incorporado la tecnología predictiva fue de 145%, comparado con la media del 89% de aquellos que no lo hicieron”

• Fuente IDC, “Predictive Analytics and ROI: Lessons from IDC’s Financial Impact Study”


Plataforma de Análisis Predictivo IBM SPSS

Collaboration and Deployment Services

Data Collection StatisticsDecision

ManagementModeler

AdquirirCrecerRetener

Análisis Predictivo

de clientes

Análisis Predictivo de

Amenazas y fraudeMonitorear

DetectarControlar

Análisis Predictivo

operativoAdministrar

MantenerMaximizar


Minería de Datos y Análisis Predictivo - IBM SPSS Modeler

• Fácil de usar, interfaz interactiva sin la necesidad de programar.

• Modelado automatizado y capacidad de preparación de datos.

• Acceso a todos los datos – estructurados y no estructurados desde diferentes fuentes.

• Procesamiento natural del lenguaje (Natural Language Processing – NLP) para extraer conceptos y sentimientos de los textos.

• El análisis de entidades (Entity Analytics) le permite asegurar la calidad de sus datos y resultados en modelos más precisos.

• Mejor TCO resultado de menor curva de aprendizaje, menor tiempo dedicado al modelado, menor utilización de recursos.


PASS (Predictive Analytical Software and Solutions)

T: (55) 5682-8768 / 1797 / [email protected]

http://pass.mx

mailto:[email protected]