En sus actividades cotidianas, los bancos deben tomar una serie de decisiones vinculadas con otorgar/rechazar una solicitud de préstamo, aumentar/disminuir la línea de crédito y definir las tasas de interés a aplicar a los clientes.
Tradicionalmente, la evaluación de los candidatos utilizaba el método de las “5 C”:
1) Carácter del solicitante de crédito
2) Capacidad de repago
3) Capital disponible como respaldo
4) Colateral como garantía del préstamo
5) Condiciones de la economía en general
Las evaluaciones se basaban en la experiencia de los oficiales de crédito y en lo que éstos habían aprendido de sus antiguos jefes. Asimismo, se realizaban algunas proyecciones de la probable situación futura de los prestatarios y de su capacidad de repago.
Habitualmente, la información se obtenía de las relaciones entre el cliente y la entidad. En muchos casos, el oficial de crédito conocía el oficio del candidato, los movimientos de su cuenta, su reputación en la comunidad, etc.
Ahora bien, esta “evaluación tradicional” basada en las relaciones podía ser apropiada para comunidades donde el prestamista y el prestatario se conocían mutuamente. Sin embargo, se volvió deficiente en un mundo de grandes ciudades, relaciones impersonales y clientes con alta movilidad geográfica.
Así, en la década de 1960, en los Estados Unidos comenzaron a desarrollarse y aplicarse las técnicas de “credit scoring”.
En un primer momento, estos métodos pretendían suplir las falencias de la evaluación tradicional, especialmente, frente al gran número de solicitudes de tarjetas de crédito.
¿Qué es credit scoring?
Credit scoring abarca todas las técnicas y modelos estadísticos que ayudan a los prestamistas a tomar decisiones vinculadas con el otorgamiento de crédito (principalmente, de consumo).
Estos métodos permiten determinar, con una rigurosa base matemática, quién es sujeto de crédito, cuánto dinero se le otorgará y bajo qué condiciones.
En base a la estimación del riesgo de prestar a un determinado cliente, la entidad podrá hallar una respuesta a dos interrogantes fundamentales de su negocio:
1) ¿Es conveniente otorgar/negar crédito a un nuevo solicitante?
2) ¿Es conveniente incrementar/reducir el límite de crédito a los antiguos clientes?
Para esto, se utiliza información de una gran muestra de antiguos clientes y una historia de crédito posterior. Además, se dispone de datos de agencias de información crediticia y del Banco Central.
Las técnicas de credit scoring utilizan estas fuentes de información para identificar las relaciones entre las características de los clientes y qué tan “bueno” o “malo” es su riesgo de crédito.
Algunos métodos permiten confeccionar un scorecard, donde cada característica de los clientes recibe un puntaje. Luego, la suma de esos puntajes permitirá determinar si el riesgo de un candidato particular es demasiado elevado para ser aceptado o si se le debe cargar una tasa de interés diferencial.
Otras técnicas no conducen a un scorecard. En su lugar, indican directamente la probabilidad de que el cliente sea bueno y, de allí, la conveniencia de aceptar la cuenta.
Veamos, a continuación, una revisión de los principales métodos de credit scoring…
Métodos estadísticos
En las décadas de 1950 y 1960, los únicos métodos de scoring utilizados eran los estadísticos: discriminación estadística y métodos de clasificación. Aún hoy son los más comunes.
Su principal ventaja radica en que permiten utilizar las propiedades de los estimadores, y las herramientas de los intervalos de confianza y del testeo de hipótesis.
Estos métodos permiten discriminar la importancia relativa de las diferentes variables del scorecard. Así, es posible identificar y descartar características irrelevantes y asegurar que las más importantes sean tenidas en cuenta a la hora de tomar una decisión.
Análisis discriminante lineal: La primera técnica utilizada fue el análisis discriminante lineal, basado en el trabajo de Fischer (1936). Puede considerarse como una forma de regresión lineal, lo que posteriormente llevó a la investigación de otras formas de regresión con supuestos menos restrictivos.
Entre estos, el método más exitoso y común es la regresión logística.
Árboles de clasificación: Otra técnica muy utilizada en los últimos 20 años ha sido la “partición recursiva” o “árboles de clasificación”. En este método, se segmenta el conjunto de postulantes en diferentes subgrupos en función de sus atributos. Luego, se clasifica a cada subgrupo en “satisfactorio” o “no satisfactorio”.
Aquí hay distintas formas de segmentar. Las más comunes son el estadístico de Kolmogorov-Smirnov, el índice básico de impureza, el índice de Gini, el índice de entropía y la maximización de la media suma de cuadrados.
Métodos no estadísticos
Los sistemas expertos: En la década de 1970, se realizaron diversas investigaciones en el área de inteligencia artificial, intentando programar computadoras para que replicaran habilidades humanas.
En este marco, uno de los intentos más exitosos fue el de los “sistemas expertos”. En ellos, se daba a la computadora una base de datos y un mecanismo para generar reglas.
Luego, el programa utilizaba esta combinación para analizar nuevas situaciones y encontrar formas de tratarlas para imitar la manera en que los expertos tomaban decisiones.
Se construyeron sistemas pilotos para diagnósticos médicos. Y, como esto es esencialmente un problema de clasificación, se aplicaron estas ideas en el credit scoring.
Las redes neuronales: En los años 1980, otra variante de inteligencia artificial recibió atención: las redes neuronales.
Las redes neuronales son formas de modelar el proceso de decisión como un sistema de unidades de procesamiento conectadas entre sí.
Aquí, cada unidad recibe un input y produce un output. Así, si los inputs son las características del cliente y el output es su desempeño crediticio, vemos claramente la aplicación en el mundo del scoring.
Los algoritmos genéticos: Una forma alternativa de pensar en el credit scoring es la siguiente.
Por un lado, tenemos una cierta cantidad de parámetros (por ejemplo, los posibles puntajes dados a diversos atributos). Por el otro, tenemos una manera de medir qué tan bueno es el conjunto de parámetros (por ejemplo, el error de clasificación cuando un scorecard es aplicado a una muestra de antiguos clientes).
Así, con un procedimiento sistemático de búsqueda a través de la población de posibles soluciones, podremos encontrar aquella que resulte más próxima a resolver el problema de optimización.
En términos muy sencillos, esta es la idea de los algoritmos genéticos propuesta por Holland (1975).
Programación lineal: Freed & Glover (1981a, 1981b) descubrieron que encontrar la función lineal de las características que mejor discrimina entre grupos puede plantearse como un problema de programación lineal.
Scoring de comportamiento
Los métodos estadísticos y no estadísticos de clasificación que hemos presentado hasta aquí pueden utilizarse para decidir si conviene otorgar crédito a nuevos clientes. Pero también pueden emplearse para decidir cuáles de los actuales clientes están en peligro de caer en mora en el corto y mediano plazo.
Este último uso es un ejemplo de scoring de comportamiento. Éste consiste en modelar la forma de repago y el comportamiento del uso del crédito de los clientes.
Estos modelos son utilizados por los prestamistas para ajustar los límites de crédito y decidir sobre las políticas de comercialización a ser aplicadas a cada cliente.
Asimismo, es posible modelar el repago y el uso del crédito a través de cadenas de Markov, cuyos parámetros son estimados utilizando datos de una muestra de antiguos clientes. Esta idea puede combinarse con programación dinámica para desarrollar modelos de procesos de decisión de Markov y optimizar la política de límites de crédito.
En definitiva, los tiempos en que la decisión de financiamiento estaba en manos del criterio del oficial de crédito van quedando cada vez más en el pasado.
Cuando recibimos una oferta de tarjeta de crédito, una propuesta de préstamo personal o cuando nos rechazan una solicitud de financiamiento, es probable que esto haya sido fruto de un análisis de credit scoring, una decisión tomada con modelos matemáticos y de manera completamente automatizada.
