El mercado financiero está acostumbrado a utilizar el denominado Scoring de Riesgo.

Este modelo de Scoring se basaba fundamentalmente en el análisis de la información que facilitan los Bureaus de Crédito tradicionales. Estos, utilizan ficheros donde se registran los impagos que se hayan podido producir durante un tiempo determinado, pero estos Bureaus, presentan ciertas inconsistencias basadas en: hay Cías. que no registran los impagos, no los actualizan, y el registro del impago puede tardar hasta 9 meses en llevar a cabo dicho registro y, por tanto, durante ese tiempo se le puede estar concediendo un crédito a un cliente con un alto riesgo de impago. Asimismo, existen deferencias incidencias que se producen en este tipo de ficheros que no es objetivo de este documento, pero que ponen en dudas la utilidad de este modelo hoy en día.

El mercado de las denominadas X-Tech exigen hoy en día un nivel de respuesta y unas perspectivas basadas en la probabilidad del comportamiento de cliente diferenciando su tipo: Gran Empresas, PYME, Autónomo, o Persona Física. Sin duda, estamos viendo que los Bureaus tradicionales no dan la cobertura requerida.

El Nuevo Scoring. El Scoring Alternativo.

El Scoring Predictivo – Probabilístico

La regulación de Basilea está impulsando a que las EFs empleen cada vez más modelos de decisión formados por algorítmicos, estadísticos, y reglas de decisión en los procesos de admisión, seguimiento, y recuperación de deuda.

Las Entidades Financieras observan la evolución de sus clientes y necesitan anticiparse al deterioro crediticio mediante modelos automáticos de alertas, preclasificado a los clientes y fijando límites de crédito. Además, en el ámbito de las recuperaciones de deuda necesitan identificar perfiles estadísticos de clientes morosos para aplicarles diferentes estrategias de recobro.

Los mercados han ido evolucionando, así como, las Tecnologías de la Información y de las Comunicaciones -TICs-. Hoy en día se dispone de un gran volumen de información que bien trabajada permite llevar a cabo el denominado Scoring Alternativo o Scoring Predictivo-Probabilístico.

Los Big-Data, la Inteligencia Artificial, y el Machine Learning (e_Machine) están permitido abrir un nuevo horizonte en el análisis del riesgo económico dado que permite analizar al cliente en función de las características de un producto (importe, plazo, finalidad del crédito, cobertura de un seguro, etc), pudiendo determinar en tiempo real la viabilidad de la oferta, el precio y el riesgo.

La utilización de modelos de Scoring Predictivo-Probabilístico aporta indudables beneficios, entre ellos:

  • La automatización en la toma de decisiones, que a su vez facilita la mejora de la eficiencia a través de la reducción de los costes asociados al análisis y a la decisión manual.
  • La objetividad en la toma de decisiones, garantizando el resultado de las estimaciones sea el mismo ante idénticas circunstancias y el reaprovechamiento de la información interna y externa, poniendo en valor la experiencia histórica.
  • La capacidad de sintetizar cuestiones complejas, como el perfil de riesgo agregado.

El Scoring Predictivo-Probabilístico se basa en algoritmos capaces de buscar información e identificar rasgos comunes y en el e_Machine, este modelo de Scoring permite cualificar al Cliente en función de su tipología y evaluar si pueden entrar en una posición de riesgo de impago a corto y medio plazo. La base de estos modelos de Scoring es disponer de unos elaborados Patrones de Comportamiento con los que cruzar la información. Patrones de Comportamiento basados en la utilización de técnicas de e_machine de múltiples fuentes de información.

Comprender estos nuevos modelos no es fácil dado que el mercado está basado en el uso de los tradicionales Ficheros de Impago o fuentes de información propias (como son los Bancos) los cuales muestran muchos defectos o deficiencias.

Los Scoring Predictivo-Probabilísticos o Proactivos permiten discriminar a los clientes con una menor probabilidad de impago de aquellos que tienen una mayor probabilidad.

Este tipo de mecanismos está pensado para trabajar con clientes que no tienen un historial de crédito con una Entidad Financiera, la cual se basa en el historial disponible del cliente.

Pongamos un ejemplo de una utilities -sector electricidad-. Una utility no deja de ser una empresa de financiación a corto plazo, dado que el cliente paga por su servicio una vez consumido éste y teniendo en cuanta que la utility ha tenido que pagar por adelantado el consumo estimado del cliente.

Por tanto, estos sectores como el Telco deben de disponer de un scoring adaptado a sus necesidades.

 

Nuevos mecanismos de identificación del riesgo-cliente

En la actualidad, las utilities analizan el riesgo-cliente basado en los Bureaus. En este sector, como en otros, la apertura de un contrato requiere disponer del riesgo del cliente para no verse comprometido a un impago. Ahora bien, los Bureaus no analizan el previsible comportamiento del cliente, solo dan la información de si el cliente está en una situación de impago -información estática-. La situación de impago que muestran estos Bureaus puede ser debida a múltiples factores de los que no se puede sacar la conclusión que ese cliente sean un infractor puntual o un infractor recurrente. Esto requiere un mayor análisis del comportamiento del cliente.

Las Cías. del mundo Tech -del mundo digital- y aquellas que están virando hacia modelos On-Line, están solicitando nuevos mecanismos de identificación del riesgo cliente. Además, necesitan que el valor del riesgo sea facilitado de manera rápida dado que la competencia es altísima.

Las Fintech tienen como objetivo dar créditos en cuestión de segundos y para ello necesitan Scoring Predictivo.

En EE.UU. los bancos han comprobado que una persona que solo usa mayúsculas para rellenar un formulario tiene menos posibilidades de pagar que una que utiliza minúsculas o alterna entre mayúsculas y minúsculas o, por ejemplo, en análisis del tiempo que emplea una persona en leer las condiciones del contrato, esto determina su predisposición al impago.

El análisis de comportamiento del cliente puede ser identificado a través de información de acceso al público que está en la red y en los Organismos Oficiales como, por ejemplo, Incidencias Judiciales.

El análisis del comportamiento de los interesados en las redes sociales, permiten identificar posiciones de riesgo y además si estas posiciones de riesgo son reiterativashuella digital-.

En la actualidad la gente comparte sus planes, decisiones, inversiones y propósitos en las redes sociales. Incluso comparten su estado de ánimo sentimental o laboral. Toda esta información es utilizada hoy en día para calcular la calificación para otorgar un crédito. Lo racional es que, si la persona no está feliz en su trabajo, es muy probable que en el corto plazo se quede sin empleo y esto afecte a su capacidad de pago (p.e. cuando una persona está en busca de trabajo lo explicita en Linkedin).

Toda esta información en un Big Data y con Algoritmos de análisis, ayuda a llevar a cabo un Scoring Predictivo-Probabilístico, requerido para unos nuevos tiempos en los cuales la digitalización tiene un gran peso en la evolución en estos mercados de crédito y recuperación de deuda.

Patrones de comportamiento de Incofisa Digital

En Incofisa Digital llevamos ya tiempo trabajando en diseño de Patrones de Comportamiento de: Fraude, Morosidad, Demanda Crédito al Consumo, Comportamiento de Impago, Deudor de Financiación Alternativa, Demanda de Financiamiento, … que nos permite, una vez obtenida la información del cliente y el objetivo del riesgo, cruzarlos con dichos patrones e identificar, con un 87% de nivel de acierto, el riesgo probabilístico de comportamiento de impago y, por tanto, adelantarnos a la posible situación de riesgo.

Gracias a nuestro gran conocimiento del mercado de gestión de riesgo de impago y de recuperación de deuda (más de 40 años en el mercado), llevamos desde hace unos años desarrollando Patrones de Comportamiento y Algoritmos especializados para llevar a cabo unos Scoring Predictivos-Probabilísticos muy alineados con la indicación de Basilea II.

Hemos incluso incorporado información de estimadores de comportamiento basados en: situación geográfica, sectores de actividad, comportamiento demográfico… los cuales se van actualizando en base a la evolución de las variables macro. En estamos momentos ya están actualizados en base al impacto que se está produciendo por el COVID-19 (hay regiones y sectores de actividad donde ya se está pronosticando el fuerte impacto que van a tener durante el año 2021 y 2022) lo cual nos permite llevar a cabo una predictibilidad del comportamiento del cliente con un valor añadido innovador.

Continuamente estamos, a través de e_machine, analizando las bases de información propias y externas (públicas y privadas), y teniendo en cuenta la anonimización de datos, realizando constantemente la actualización de los Patrones de Comportamiento –siempre teniendo en cuenta la legislación en materia de LOPD y RGPD-.

Incofisa Digital ha realizado más de 3M de consultas de Scoring Predictivo-Probabilístico en menos de un año.

Durante el año 2020 llevamos más de 3M de consultas de Scoring Predictivo-Probabilístico en sectores como: Financiero, Seguros, Utilties, Telco y que está ayudando en la selección de clientes de riesgo. En algunas de las Cías. hemos incluso analizado la cartera activa de clientes para ponderar el nivel de riesgo.

Durante el año 2020 y sobre todo impulsado por la situación de riesgo generado por el COVID-19, se ha incrementado la petición de análisis de scoring predictivo-probabilístico debido al riesgo futuro de impago, así como, en el análisis de recuperación de carteras de deuda para las cuales, nuestra herramienta de scoring les está siendo muy valiosa.

El impacto de la crisis del coronavirus en la calidad del crédito concedido a familias y empresas está contenido «por el momento» por los avales y las moratorias del Gobierno y los propios bancos, una situación que podría empeorar en los próximos meses si no se implementan nuevas medidas.



El impacto del COVID-19 en la actividad económica

La crisis sanitaria causada por la pandemia de covid-19 está ocasionando un impacto «fuertemente negativo en la actividad económica», que podría traducirse en un deterioro de la situación financiera de empresas y hogares, que merme su capacidad para cumplir con sus obligaciones de pago.

Uno de los impactos más negativos que está teniendo la pandemia de la COVID-19 es el incremento exponencial de impagos en los servicios comunes que multitud de familias tenían contratados, provocados por las situaciones de pérdida de empleo, ERTEs y reducción de la actividad económica. Hay en estos momentos millones de facturas de consumo de electricidad, telecomunicaciones, energía, agua, seguros, comunidades, servicios de vigilancia y seguridad, de centros de enseñanza, de gimnasios y de otros muchos pequeños negocios en situación de impago o de aplazamiento.

Sólo en el sector de telecomunicaciones las propias empresas estiman que hay medio millón de facturas en esa situación. Las compañías eléctricas han provisionado cerca de 400 millones de euros para afrontar los impagos de sus clientes. Fuera del ámbito doméstico, lo que supone actividad económica ordinaria, hay ya cerca de 800.000 empresas que no pueden hacer frente a sus pagos habituales. La morosidad puede convertirse en sistemática en el tejido empresarial, con consecuencias nefastas.

Las Cías. se enfrentan a un gran impacto en sus Ctas. de Resultados del ejercicio 2020 dado que van a tener que dotar el posible impacto económico que su cartera de clientes puede tener la COVID-19.

Para hacer esa dotación van a requerir un análisis de su cartera, un análisis que va a requerir un exhaustivo conocimiento de la previsible situación del cliente basado en prospectiva y no en una situación de deuda pasada.

Quizás es conveniente saber que aunque tanto en la esfera doméstica como en la empresarial hay medidas para intentar contrarrestar esta situación, el hecho es que detrás de cada impago hay una factura emitida por la empresa prestadora del servicio en la que se ha incluido el correspondiente porcentaje de IVA y una declaración y consiguiente pago ante la Agencia Tributaria del impuesto, importe que por tanto se anticipa por las compañías al Estado con independencia de que finalmente el cliente pague o no la factura.

El artículo 80.4 de la actual Ley del IVA desarrolla un procedimiento costoso, farragoso y muy dilatado en el tiempo, con esperas de 15 meses, sólo para facturas para empresas y que imposibilita directamente el cobro en el caso de facturas a particulares por importe inferior a 300 euros, algo especialmente dañino en el caso de las PYMES y que de acuerdo con el Tribunal Europeo de Justicia (sentencia Enzo di Maura) es contrario a derecho comunitario en tanto que imposibilita directamente (no limita, sino que hace imposible) la recuperación del IVA en este supuesto.

Luego en esta situación de pandemia con fuerte impacto en la actividad económica no solo estamos hablando de analizar el scoring predictivo-probabilistico de un cliente para ver su idoneidad al incorporarlo como cliente a la actividad de la sociedad correspondiente sino, tenemos que tener en cuenta el impacto que conlleva si ese cliente se convierte en moroso dado los costes que lleva implícito: proceso de reclamación, proceso de recuperación de la deuda, impacto tributario, e impacto en la Cta. de Resultados. Costes que hay que tener en cuenta y que el Scoring Tradicional no ayuda a solucionarlo.

El scoring predictivo-probabilístico de Incofisa es estratégico para las empresas dado que permite adelantarse a esta situación de riesgo, ayudar a la evaluación del riesgo de la cartera, establecer estrategias de recuperación de deuda.

Luis F. Valero
Strategic Business Director
Incofisa Digital (Grupo Incofisa)

Escrito por Luis F. Valero