Ingeniero Civil Industrial / La presente memoria consiste en el desarrollo de un modelo estadístico que permita predecir el default en el pago de créditos del producto factoring. La empresa solicitante del proyecto es una institución financiera no bancaria líder en el segmento de Pymes. En toda empresa que presta servicios financieros, incluyendo todo tipo de créditos, la gestión del riesgo es de los aspectos más relevantes. Por eso es pertinente contar con una herramienta que permita discriminar rápidamente y de manera automática entre buenos y malos pagadores.
De lo anterior se define como objetivo del estudio Construir un modelo predictivo para Factoring que estime la probabilidad de que un documento no sea pagado por el cliente o el deudor, para apoyar el proceso de admisión de operaciones .
La metodología para afrontar el problema corresponde a un entendimiento del negocio, obtención y preparación de la información, modelamiento y finalmente interpretación de los resultados. Para el proceso de modelación se utiliza la técnica de la industria bancaria llamada credit scoring, modificando la teoría para poder ser aplicada al factoring. Se cuenta con una base trabajada de datos, que contiene 1.2 MM de observaciones aproximadamente y 20 campos. Esta fue extraída y trabajada de los datos consolidados de las diferentes bases de datos con que cuenta la empresa.
El modelo final estimado entrega las probabilidades de no pago de cada documento, con una bondad de ajuste AUROC de 0,727 es bueno considerando un rango entre 0,5 siendo al azar y 1 que predice completamente bien. Este modelo integra 7 variables, las cuales son porcentaje de descuento , contabilidad completa , Número de trabajadores , monto documento , tasa de operación , monto aprobado y tasa de operación . Estas variables se encuentran categorizadas, con un puntaje asociado de acuerdo que tan riesgosas son.
El puntaje de cada variable se suma para lograr un score total del documento, distribuido entre 0 y 1000 para facilitar la interpretación, donde a mayor puntaje menos probabilidades de default tiene la factura. Este score se representa a través de una scorecard, donde se determina que todos los documentos bajo 378 puntos se rechazan, y los scores sobre 807 puntos se aceptan inmediatamente, enviado los documentos con puntaje entre estos dos cortes a un análisis más profundo para cada caso.
Los beneficios de esta herramienta contemplan una disminución en el número de operaciones analizadas directamente en un 28%, pudiendo liberar recursos para destinarlos en otras áreas. Además, para un mismo porcentaje de aceptación de solicitudes se rechazan un 15% de documentos riesgosos en comparación al modelo actual, lo que se impacta directamente en las provisiones, disminuyendo en $4.800 Millones anuales. / 28/02/2020
| Identifer | oai:union.ndltd.org:UCHILE/oai:repositorio.uchile.cl:2250/149160 |
| Date | January 2018 |
| Creators | González López, Pedro Pablo |
| Contributors | Pulgar Arata, Carlos, Suazo Sáez, Javier, Valenzuela Aros, Patricio |
| Publisher | Universidad de Chile |
| Source Sets | Universidad de Chile |
| Language | Spanish |
| Detected Language | Spanish |
| Type | Tesis |
Page generated in 0.0023 seconds