El documento presenta una introducción a Business Analytics. Explica que Business Analytics utiliza datos para mejorar las decisiones de negocio mediante el uso de herramientas de Business Intelligence y Predictive Analytics. Luego describe algunos componentes clave de una plataforma predictiva como datos, herramientas, metodología, modelos predictivos, estrategias y monitoreo. Finalmente, menciona ejemplos de cómo se han implementado modelos predictivos en el banco para aplicaciones como scoring de clientes, colecciones y gestión de riesgos.
2. Agenda
•Que es Business Analytics ?
•Modelos Predictivos. Competidores.
•Componentes de una Plataforma Predictiva.
•Business Analytics: nuestra experiencia.
•Ejemplos de implementaciones en el Banco.
•Conclusiones Futuro del Business Analytics.
3. ¿Qué es Business Analytics?
Business Intelligence
Es el conjunto de estrategias y herramientas orientadas a acceder,
agrupar y guardar datos en una empresa, de forma tal que
contribuyan a mejorar la performance y decisiones.
+
Predictive Analytics
Es un proceso que permite transformar los datos en conocimiento
de manera de poder realizar predicciones para tomar mejores
decisiones de negocio.
4. Dimensiones del Análisis
Optimización Que le ofrecemos Orientado a
“ACTUAR”
para retenerlo ? hoy
Modelos predictivos Que clientes no pagarán?
Que clientes perderemos? Orientado a
cio
Ventaja Competitiva
“PRONOSTICAR”
o
Forecast n eg Cuál será el nivel de previsiones
que pasará
el para el próximo año?
a
p ar
or
Alertas V al Reporte de vitrade (visa)
Query / drill down Aumento de morosidad. De donde viene?
Orientado a
“ENTENDER”
que pasó
Ad hoc reports Cuanto aumento la mora en esa región?
Standard reports Reporte / Tableros de evolución de ventas
Grado de Inteligencia
5. Modelo Predictivo
• Un modelo predictivo puede definirse como una
representación matemática que permite predecir
comportamientos futuros en función del conocimiento
presente.
• En un modelo predictivo No vamos predecir un evento,
sino que vamos a calcular la probabilidad que ese
evento ocurra.
En un modelo predictivo No existe garantía de cuál será
el resultado para un caso en particular. La probabilidad se
aplica un conjunto de casos
6. Beneficios del método predictivo
• Consistente
• Objetivo
• Eficiente
• Automatizable
• Auditable
• Fácil de monitorear
6
7. Ejemplo-Competidor con plataforma Predictiva-
Netflix es una corporación americana cuyo servicio consiste principalmente en ofrecer renta de vídeos
(vía correo postal) y transmisión de vídeos por streaming.
¿Cómo funciona?
•Se paga una suma fija y mensual y puedes solicitar películas de vídeo por correo o ver películas y
episodios de series de televisión usando tu conexión a Internet.
•Se envían por streaming a tu PC u otros dispositivos que se conectan a tu televisión y puedes ver películas
instantáneamente.
Aplicaciones Analíticas
•Customer behavior and buying pattern (Cinematch: motor de recomendación de películas).
•Algoritmo propietario (premio u$s 1MM por mejorar 10% la performance)
Los competidores mas sofisticados
están aquí y ahora
7
8. Componentes - Plataforma predictiva -
Elementos críticos
Datos Herramientas
Metodologia
Modelos predictivos Estrategias Monitoreo
9. Datos - Fuentes -
Datos
Transacciones en
tarjetas de crédito
y débito
Año: 48.000.000
•Clientes datos Data View (Teradata)
demográficos
•Pagos y depósitos Mes: 4.000.000
realizados
•Uso productos activos y
pasivos Información Día: 133.000
•Llamados al call center valiosa cada
•Accesos a Web segundo
• Productos y Hora:5.500
comportamiento en el
mercado
•Uso de productos en el
mercado
Minuto:93
•Uso promociones
Transacciones en tarjetas Segundo:1.5
de Crédito y Débito
Uso de ATM
9
10. Modelo Predictivo – Aplicaciones-
•El uso de los modelos predictivos se extiende a lo largo de toda la cadena
de valor de créditos
NEW
1 2 3 4 5
Existing
Capital
Targeting Underwriting customer Collections
management
management
• Selección de • Pre-screening. • Manejo de • Scores para • Determinación
clientes • Modelos de límites mora temprana de Expected
prospectos. aplicación. • Autorizaciones y mora Loss y Capital
• Modelos de • Procesos de • Cross Sell avanzada • PD,EAD,LGD
propensión. automatización. • Retención
• Pricing.
El resultado de un modelo predictivo puede ser el output de un proceso o ser un
input mas de otro proceso posterior.
11. Modelo Predictivo – Etapas y tiempos-
Etapas en el desarrollo
1 2 3 4 Discriminatory 5 Post
Data Collection Single Factor Multi-Factor power / development
& Cleaning Analysis Analysis Calibration / validation
Stability (OOT)
• Recolección de datos • Seleccionar la • Selección de variables • Evaluar poder de • Testeo de resultados
(raw data). muestra de desarrollo mas predictivas. discriminación buenos en la muestra OOT.
• Evaluar la calidad de y testing. • Evaluar “VIF” este vs malos • Evaluación de deterioro
los datos • Evaluar la información dentro de parámetros • Analizar actual vs vs modelo de
• Encontrar y definir los que contiene cada aceptados. expected desarrollo y OOT..
campos key. respecto del target • Calculo de de ln(odds). • Analizar estabilidad de • Aceptación de la línea
• Determinar el numero • Manejo de valores • Corrida de modelo con las variables de negocios
de buenos y malos nulos y outliers. las variables de mayor
• Analizar variables “information value”
derivadas
• Evaluar correlación
entre variables
Tiempos requeridos
1 2 3 4 5
60% 20% 10% 5% 5%
12. Modelo Predictivo -Esquema de trabajo -
Línea de tiempo para el Desarrollo de un Modelo
Pasado Hoy Futuro
4/2010 4/2011
Implementación
Período de Observación Período de Performance (con información
Ej:12 meses / 5 años Ej:12 meses al día de hoy)
y toma de
decisiones
Construcción de variables predictivas Malo Bueno
al Punto de Observación
Variable Target
Modelo
Proceso
de desarrollo
del Score
Score Score
Bajo Alto
Modelo
Malo Bueno
19. Monitoreo
C Business Banking REL – Total portfolio P C Business Banking REL – YTD Credit losses P Comments
1.400.000 YTD credit Losses (in AR$m) • The steady growth in the REL portfolio slowed
1.200.000 14.000 down during April.
1.000.000 12.000
12.500 • No material new Non Performing Loans were
800.000 10.000 observed on the REL segment for the last 6
10.100
8.000 months.
600.000
6.000 7.276
400.000 • The Business Support and Recovery rate had
4.000 been experiencing a downward trend over the
200.000 last quarter due to a combination of lower
2.000
740
0 1.150 inflow and higher write-offs ($10.7m).
0
Dec-09 Mar-10 Jun-10 Sep-10 Dec-10 Mar-11 Apr-11 Problem loans slightly increased 10 bps from
Dec 10 YTD Apr 11 YTD RE Apr 11 FY Bud 11 RE FY
last month as a small Agribusiness Co. (O/S
$0.7m) was transferred from Watchlist to
50.000 Direct Management.
Watchlist
C BSR loans and Watchlist BSR Problem loansP C Business banking REL – Concentration risk P
40.000 • The portfolio posted marginal charges of
6.1% 35% $0.27m and remains Ar$0.4m below RE.
6.0% 5.1% 4.4% Top 20
3.6% 30%
30.000
• In terms of concentration, the 20 largest
25%
1.8% 1.9% customers represent around 31% of the book
20.000 20% Top 10 and the 10 largest around 20%. The business
15% is concentrated around a few numbers of
10.000 10%
sectors with almost 50% in Agribusiness and
Transportation.
5%
0
0% • RE1 projections maintain the same credit loss
Dec 09 Mar-10 Jun-10 Sep-10 Dec-10 Mar-11 Apr-11
rate of the original budget (1%). Full year
credit loss forecast was increased from
$10.1m to $12.5 following the portfolio growth.
C = Current; P = Projection
20. Como evolucionamos en Standard Bank
Año 1995-1999 2000-2006 2007-2008 2009-Actualidad
Origen de datos IT IT IT IT
Almacenamiento IT Departamental IT IT
de datos
Desarrollo IT Departamental Departamental Departamental
solución
Lugar de proceso IT Departamental Departamental IT
Alcance de la Organización Departamental Departamental Organización
implementación
22. Targeting - Ejercicio de Mercado Potencial -
Drivers (Muestra 2%)
•Reglas de exclusión
•Concepto Bancarización
•Tipo de Score
•NSE
•Políticas de Crédito
•Zonas de Cobertura
•Inconsistencia Códigos postales
•Edades no admitidas
Beneficios derivados
3. Entender la composición del mercado e identificar las oportunidades de negocio.
4. Entender la penetración por zona y cuantificar el mercado potencial remanente.
5. Evaluar la cobertura de la red y futura localización de nuevas Sucursales.
6. Ayudar a planificar objetivos de venta con mayor precisión.
23. Plataforma de Originación
Datos solicitud
Bases Internas Vector UNICO de entrada al proceso (355 variables)
Bases Públicas
Bureau de Crédito
Acuerdo con IT:
•No modificar el nodo Origen.
?
•No modificar el nodo Destino.
•Usar las 355 variables definidas.
•Encargarnos de diseñar la política y mantenerla.
24. Plataforma de Originación
•Las políticas de crédito tienen dos pasadas. La primera evalua bases internas y públicas y la
2da. evalúa bases externas y realiza cálculos de selección y asignación de línea.
25. Plataforma de Originación
•Es visual y fácil de interpretar la secuencia
•Con un doble click, vamos entrando en detalle.
•Con otro doble click vemos que hace el nodo.
27. Plataforma de Originación
Plantilla de diseño de política
Filtro A Filtro B Filtro C Filtro D
Requisitos / Exclusiones Líneas / Capacidad Riesgo / CRL Valor / Riesgo Decisión Final
Datos Comportamiento Bases Exposure RCI PD EL Valor Riesgo
Solicitud Interno Públicas
Filter A to D
R
ec
Valor/riesgo ≥ cut-off
ha
•Exposure Cliente
z
•Edad PD ≤ cut-off
ad
Aceptado •Exposure Producto Aceptado Aceptado Aceptado
o
•Atrasos en el Banco • Cut-off difiere por
•Sit.BCRA •Exposure Mercado
Ac
•RCI EL ≤ cut-off producto, tipo
ep
Rechazado
cliente y canal
ta
(automático)
do
Aceptado Rechazado
(Automático) (manual)
o
ic
át
Aceptado
m
Rechazo / Rechazo / (manual)
to
Rechazo / Rechazo /
Au
Excepción Excepción Excepción Excepción
l
ua
an
M
Modelo decisión (regla)
Posibilidad de
Tamaño
excepción
Modelo
Revisar
Automático
Riesgo
Modelo
La decisión crediticia en el segmento de consumo incluye dos etapas: la selección y asignación
de la línea de crédito.
29. Plataforma de Originación
Beneficios derivados
•Reglas de negocio in house.
•Automatización de operaciones. Actualmente 70%. Proyectado 80%.
•Reducción de dotación y foco en casos donde el analista agrega valor.
•Ahorro sustancial en consultas al Credit Bureau.
•Solución escalable. Una solución atiende todos los canales.
•Análisis del tipo What if.
•Estrategias de tipo Champion – Challenger.
•Simplificación de los controles y testeos pre – implementación.
•Proceso ágil y seguro de puesta en producción.
•Herramienta muy fácil de auditar.
•Quality assurance inmediato de las operaciones originadas.
•Monitoreo ágil y rápido sobre las nuevas originaciones.
30. Primeros 12 meses
Renovación
Incentivación
Fidelización
Activación
1- Welcome call
Retención
2- Habilitación
3- Activación
Habilitación
5 4- Incentivación
3 7
5- Fidelización
6
Welcome 6- Reactivación
call
2 4 7- Retención
Reactivación
1
Mes 3 Mes 6 Mes 9 Mes 12 Mes 13
Credit indicators
•First payment default
•Early payment default
31. Account Management - Ejemplos-
CRL
Manejo
Segmentación
de Límites
Account
Management
Manejo
Oportunidades
Productos
de Venta
Revolving
32. Account Management - Riesgo-
Credit
Bureau Internal Customer Risk Level
SCORE SCORES
ETAPA I ETAPA II
Bureau
% Bads % Bads - Total
Score
901-999 0,7% 4,6% 3,5% 2,6% 1,1% 0,6% 0,3% 0,2% 0,2% 0,2% 0,3%
851-900 1,9% 5,6% 4,6% 3,7% 2,3% 1,1% 1,0% 0,1% 0,5% 0,8% 0,5%
800-850 3,4% 6,7% 6,0% 3,5% 1,6% 1,1% 1,0% 0,6% 0,2% 0,3% 0,1%
751-800 5,8% 7,0% 4,8% 3,4% 3,4% 2,8% 2,9% 3,2% 0,2% 0,1% 0,2%
651-750 7,9% 10,9% 7,3% 4,5% 3,4% 3,3% 1,6% 2,7% 1,9% 0,6% 0,1%
401-650 9,0% 12,1% 10,2% 7,5% 7,6% 1,7% 4,6% 1,5% 1,6% 1,6% 1,9%
001-400 11,3% 19,7% 15,2% 10,1% 5,3% 7,7% 4,1% 2,8% 3,9% 2,1% 2,0%
Total 2,6% 001-320 321-586 587-719 720-797 798-840 841-859 860-870 871-883 884-906 907-999
Score Interno
Segmentar el Portafolio por nivel de Clasificación de los niveles de riesgo:
riesgo. VL
90 + dpd in 18 month period
0 - 1 %
L 1.1 - 2 %
Mantener actualizado el riesgo y
M
MH
2.1 - 5 %
5.1 - 10 %
monitorear la evolución del mismo. H
VH
10.1 - 15 %
+ 15 %
35. Account Management – Revisión de Limites-
- Exclusiones y selección de clientes
elegibles- •CRL
•Sin atrasos en sus productos.
•Antigüedad > 9 meses.
•Ultima modificación > 6 meses.
Exclusiones •Edad
1 • Uso en las tarjetas del Banco.
2 • Uso en las tarjetas del Banco.
3 • Uso tarjetas de débito.
1 2 3 4 5 4 • Alertas mercado (nuevas tarjetas)
5 • Pedido de líneas transitorias /
transacciones denegadas
Target Selección
36. Account Management – Segmentación Riego + Ingresos-
Clientes 100.000
A B C1 C2 C3 D1 D2 E
Riesgo # $12.000 $7.300 $5.200 $4.300 $3.800 $3.100 $2.200 $1.400
20% 15% 25% 30% 5% 5% 4% 1%
VL 43.000
L 25.000
M 11.000
MH 13.000 Estrategias
H 5.000
diferenciadas
VH 3.000 Con tarjeta en
Total 100.000 el Mercado
A
$12.000
Sin tarjeta en
el Mercado
37. Account Management – Valor del cliente-
Valor Potencial: Esta dado por lo que el cliente hace conmigo y
lo que hace en el mercado. (Visión completa del cliente)
Mercado
Bajo Medio Alto
Alto
Standard Bank
4 3
Proteger Blindar
e incentivar
Medio
Bajo 1 2
Ignorar Conquistar
38. Cobranzas & Asset Recovery - organización-
1
Pre- Delinquency
(0 dpd)
2
Early stage
(1-29 dpd)
3
Cobranzas Mid stage
(30-90dpd) Analytics
4
Late stage RRHH
(90-180dpd)
6 Charge off (+180dpd)
Asset Rcovery Agencias // In House
6
Technology (Mosaix)
7
Management information System (MIS)
42. Cobranzas Ejemplo – Implementación de Estrategia -
Portafolio
Drivers para la decisión
Pagos vencidos 0 1
Realizó primer pago Sí No
% de utilización 0-119 120+
Producto – MOB - 0-5 6+
Collection Score 0-579 580-609 610-639 640+
Bureau Score <640 640+ <620 620+
Acción Nro 001 002 004 010 011 012 011 013 020 030
43. Basilea Ejemplo – diagrama del proceso-
Application
Information Application
Scorecard PD
Model
Behavioural Expected
Credit
Bureau
Scorecard Loss
EAD
Model
Capital
Requirement
Performance LGD Feedback
and Account
Data Model
Data View (Teradata)
44. Business Analytics -Que vemos…..
•Mas “Real Time” o “Right Time” en la decisión de negocios.
•Mayor uso de alertas y menor cantidad de reportes.
•Mas “visual analytics”.
•Uso de modelos predictivos en otras áreas de negocio.
•Text Mining y Web Mining
•Test and Learn
•Mayor demanda de gente con orientación analítica.
•El cambio continuará…
46. Preguntas...
Eduardo Donato
Gerente Credit Analytics
Standard Bank
eduardo.donato@standardbank.com.ar
46
Notas del editor
BA es un termino que se deriva de dos conceptos BA el el proceso por el cual transformamos datos en informacion e informacion en conocimiento En la industria de servicios, especificamente bancos, los productos y las tecnologías que aplican los bancos es muy similar. Eso marca que el analytics es un factor diferenciador
El desafio es pasar de un departamento analitico a una organización analitica Ejemplos: targeting, cross sell, cobranzas El desafio es tomar decisiones informadas En un futuro no lejano el tomar decisiones sin analitics sera considerado una irresponsabilidad
El analisis estadistico comenzo a crecer en los 70´s con el paquete estadistico introducido por sas y spss permitiendo a researcher y hombres de negocio usarlo. El auge de los modelos predictivos coincide con la disponibilidad de datos. El pos y la web ayudaron a eso.
SPSS Inc. Copyright 2003-4, SPSS Inc.
SPSS Inc. Copyright 2003-4, SPSS Inc. Recomienda peliculas con alta aceptación haciend uso optimo de los inventarios Usa analytics para decidir cuanto pagar por los derechos Usuario del test and learn concept “screening room”
Enfatizar que el conocimiento y la habilidad en el manejo de software analitiocs no es ni será un comodity.
SPSS Inc. Copyright 2003-4, SPSS Inc. Hoy podemos decir que cualquier movimiento que el cliente realiza deja rastro. It consolido todo en un unico repositorio de negocios.
Antes se necesitaban 3 personas hoy solo 1
Uso de semaforos. Explicar que el score no solo tiene que rankear sino tambien debe ser preciso
1995-1999 coincide en que solo manejaba datos IT y lños productos se despachaban. 2000-2006 el negocio crecia y necesitabamos saber si estabamos haciendo bien las cosas o no. Explicar que los portafolios crecian y no alcanzaba la foto de fin de mes. Habia que entender como evolucionaba no todo el portafolio sino tambien lo que se habia vendido en el ultimo año (vintage analisis). Empezamos a guardar info y subirla con IT (muy dificil) 2007-2008 It toma el control de los datos 2009-00 IT toma proceso e impacto pero cede la programacion.