El trabajo presenta un método para mejorar los sistemas de medición del riesgo crediticio a consumidores (consumer credit scoring), el que difiere de la metodología clásica en que se diferencia a los no pagadores utilizando su comportamiento previo al no pago.

Es sabido que las razones del no pago pasan por problemas en la capacidad de pago (coloquialmente llamados “Can’t Pays”) o problemas con la voluntad de pago (“Won’t Pays”), pero no se ha abordado alguna manera de diferenciarlos para mejorar la predicción.

El modelo presentado utiliza un modelamiento económico para el comportamiento, métodos del data mining semi-supervisado para perfilar estos clientes, y luego se utilizan métodos de clasificación multi-clase para obtener los nuevos patrones de riesgo. Los resultados muestran variables que diferencian claramente los comportamientos de los no pagadores, lo que conlleva mejoras relevantes en la clasificación.

Esto está relacionado con fenómenos como el de La Polar, donde sus consumidores  tenían relaciones muy laxas de crédito y la responsabilidad del banco o financiera es medir el riesgo y dividirlo para controlarlo. Es decir, con clientes riesgosos hay que aprovisionarse y La Polar no se aprovisionó adecuadamente.

“Estos modelos sirven para saber qué índice de riesgo deben saber tomar las instituciones financieras, dado que por ley en Chile deben hacerlo, y en casi todos los países ocurre lo mismo, pues hay mucha varianza en el comportamiento del deudor” aclaró Bravo.

Los patrones permiten a la institución financiera tomar una buena decisión, tratando de combinar habilidad técnica con el contexto legal.

El default o no pago, como ocurrió con La Polar, agravado por las renegociaciones, tiene un efecto de mercado grave, porque muchos default terminan matando instituciones y ello a la larga disminuye el bienestar del país en su conjunto, puesto que un buen acceso a crédito es lo que permite dicho bienestar.

Estos modelos ayudan en el largo plazo tanto a las instituciones como a la economía, porque mejoran las condiciones de riesgo, al permitir jugar con el nivel de riesgo que asume la institución y la cantidad de clientes que toman créditos.

Para resolver el problema de agrupar en n grupos distintos a los clientes, quienes tienen un conjunto de restricciones para cada uno de los elementos del tema, problema que también se puede aplicar a muchos otros campos, el alumno de postgrado y su profesor guía, Richard Weber, desarrollaron el algoritmo que denominaron CCF, pues con anterioridad no se había atacado este problema específico en la literatura del área.

9 de agosto de 2011