qué es scoring

7/22/2019 Qu es Scoring

1/28

(Derechos Reservados 2004) Lilian Simbaqueba Contacto: [email protected] Pag. 1 de 28

Institutodel

Riesgo Financiero

QU ES SCORING?

Una visin prctica de la gestin del riesgo de crdito

Por Lilian Simbaqueba1Gerente General

El scoring es una metodologa estadstica que asigna en rangos la probabilidad de un resultado

desconocido al otorgar puntajes a variables conocidas. Ha sido utilizado aproximadamente por 50

aos para tomar decisiones crediticias y su utilizacin

Este artculo pretende plantear los aspectos generales del Scoring y las tcnicas empleadas a

travs de las cuales se concreta. Los objetivos que se pretenden cubrir son

Palabras clave: Tabla de puntaje, caractersticas de muestreo, regresin lineal mltiple, definicin debuenos/malos, ndice de estabilidad de la poblacin, mtodos estadsticos multivariados, modelos de

aceptacin y rechazo, pesos crticos, puntajes mnimos, scoring de comportamiento.

1 Ingeniera de Sistemas especializada en Administracin de la Universidad de Konstanz

Alemania. Master in Business Administration de la Universidad de los Andes en Bogot.

Realiz una especializacin en Mercadeo de la Universidad de Berkeley en el programa deextensin en Bogot. Durante cinco aos, trabaj para la empresa lder en Credit Scoring y

productos asociados en Europa, con sede principal en Inglaterra. Tambin tuvo la oportunidad de

trabajar en proyectos de mercadeo con la utilizacin de Scoring y de recoleccin de cartera

morosa. Con el crecimiento de la empresa fue adquiriendo posiciones directivas y tuvo a su

cargo un equipo de analistas y programadores. Conjuntamente elaboraron grandes proyectos de

automatizacin de procesos crediticios va Scoring en bancos como el Citibank, el BfG (parte de

Credit Lyonnais), Postbank de Alemania; compaas financieras de automviles como Fiatbank,

Fordbank, Toyotabank y AKB Bank y otros bancos personales de Alemania. Es gerente general

de LiSim. Contacto: [email protected]


2/28


Institutodel

Riesgo Financiero

QU ES SCORING?

Implantacin de la prctica

Por Lilian SimbaquebaGerente General, LiSim

NDICE

1. Qu es Scoring ?

2. Tcnicas de Scoring de Aprobacin

3. Anlisis de caractersticas

4. Racionalizacin de caractersticas

5. Mtodos estadsticos multivariados

6. Scoring de Comportamiento


3/28


Institutodel

Riesgo Financiero

QU ES SCORING?

El scoring es una metodologa estadstica que asigna en rangos la probabilidadde un resultado desconocido al otorgar puntajes a variables conocidas. Ha sidoutilizado aproximadamente por 50 aos para tomar decisiones crediticias y suutilizacin es cada vez ms comn desde que los costos de procesamiento deinformacin han disminuido en los aos 80.

Este instrumento no es utilizado solamente para tomar decisiones crediticiastambin se ha generalizado su uso en actividades de mercadeo as como encobranzas- Actualmente se espera que el desarrollo del scoring del consumidorconduzca a stos agentes a obtener condiciones favorables de servicios comoresultado de la relacin que entablen con la institucin.

Muchas instituciones ajenas al sector financiero estn utilizando tcnicas descoring por ejemplo, la telefona celular puede utilizar el scoring para decidir si

otorga un telfono en prepago o post-pago; las compaas de servicios pblicospueden utilizar scoring para decidir si el medidor debe ser instalado e incluso losalmacenes de cadena pueden utilizar el scoring para decidir si un cliente puedecomprar productos con un crdito instantneo.

Que es una Scorecard (Tabla de Puntaje)

Una scorecard (tabla de puntaje) en su forma ms simple es una tabla devariables, atributos posibles con el puntaje dado a cada una. A continuacin unejemplo:


4/28


Institutodel

Riesgo Financiero

Entre ms bajo sea el puntaje obtenido, la probabilidad de que el solicitanteentre en default ser mayor. Un puntaje alto indica un solicitante de mejorcalidad en trminos de probabilidad de pago de la deuda.

La gran mayora de compaas definen el puntaje mnimo para aceptar orechazar a un solicitante. Esto significa que solicitantes por encima del puntajerequerido sern aceptados como dignos de crdito mientras que solicitantes pordebajo del puntaje mnimo sern rechazados.

TCNICAS DE SCORING DE APROBACIN

Introduccin

El scoring es una combinacin de ciencia y arte. Las tcnicas descritas en esteproceso ayudarn a construir una scorecard que sea estadsticamente vlidapero sin ningn sentido de los negocios. El arte se encuentra en comprender las

necesidades del negocio y ajustar la informacin que se posee para serconsiderada en la scorecard o la scorecard definitiva, de manera que todavasea estadsticamente valida pero tenga la nocin del negocio.

Todas las tcnicas descritas necesitarn una preparacin de la informacinantes de ser utilizadas. No existe solo una forma correcta de construir unascorecard pues sta es solo una herramienta que otorgar rangos al riesgo. Sudesempeo se puede identificar cuando la scorecard se emplea para tomardecisiones de una manera cientfica y por tal razn de una manera constante.Esto es especialmente verdadero cuando la scorecard de comportamiento esimplementada. La llave es un pequeo nmero de estrategias y monitoreo

estricto de las mismas.

Regresion Lineal Multiple

Esta es la forma ms comn y antigua de desarrollar una scorecard. Lasscorecards son construidas utilizando mltiples regresiones lineales teniendo encuenta que el puntaje, las probabilidades relacionadas son lineales.

Una linea recta sigue la ecuacin y=mx+c donde m es la curva y c es laconstante. Si tomamos x como la suma de las caractersticas individuales delpuntaje entonces podemos separar x de manera que:


5/28


Institutodel

Riesgo Financiero

La scorecard tendr pequeos valores, que despus pueden ser puestos enescala para que sean fcilmente entendibles.

ANLISIS DE CARACTERSTICAS

Integridad de los Datos

Todos los datos en la muestra deben ser un reflejo de la informacin de lassolicitudes de crdito en el momento en que fueron recibidas. Si los datos estnsiendo introducidos directamente por el modulo de captura diseado paracapturar las solicitudes sto no ser un problema. Sin embargo, si los datosfueron digitados de los formularios de solicitud entonces la integridad de losdatos debe ser revisada. Inicialmente, 40-50 solicitudes de crdito deben serrevisadas contra la informacin digitada en el sistema para asegurar que ladigitacin fue correcta.

Es recomendable, involucrar pruebas de frecuencia y estadstica bsica como lamedia en todas las caractersticas. Hecho que permitir detectar errores en losdatos y asegurar que todas las caractersticas caigan en el rango esperado. Esel caso de la variable edad que no debe ser menor de 18 y superior de 70 parasolicitudes de crdito.

Valores en blanco

Inicialmente los valores en blanco deben ser tomados como otro atributo y noasumidos. Por ejemplo, si un SI o NO ha sido dejado en blanco, la respuesta nose asume como NO. Los valores en blanco pueden ser combinados con otros

atributos en la etapa de clasificacin.

Es importante recordar, para la clasificacin, que si un valor en blanco espesado positivamente el equipo de ventas puede tomar ventaja de esto y nollenar la solicitud correctamente. Esto es particularmente peligroso cuando secontrata una fuerza de ventas externa.

Definicin de Buenos y Malos

Una consideracin cuidadosa se requiere cuando se crea la definicin deBuenos y Malos, que depende del conocimiento del sistema de cartera en mora

dentro de la compaa y del proceso de cobranzas entre otros. Por ejemplo,utilizar un mes de cartera en mora no sera una foto verdadera del estado de lacartera de la mayora de compaas.

Efectivamente, una definicin de Malos se refiere a aquellas cuentas, que dadasu experiencia, la entidad no quiere seleccionar para actividad comercial. En elcaso de un modelo de riesgo, usualmente esta definicin se refiere a esoscasos, que usted deseara no haber aprobado si hubiera conocido qu pasara.


6/28


Institutodel

Riesgo Financiero

Algunos casos sern clasificados como indeterminados ya que no han llegado aser Malos pero no pueden clasificarse como buenos. Por ejemplo, cuando ladefinicin de Malos es 3 meses en cartera en mora, un cliente que se encuentra2 meses en cartera, no podr ser calificado como Bueno pero nunca podr estemismo cliente pasar de 3 meses. Estos casos deben dejarse por fuera de laconstruccin del modelo, pero deben ser utilizados cuando se infiera eldesempeo de la scorecard.

En este ejemplo, la tasa de Malos probablemente sera fijada en 90 das, ya quehay una gran diferencia entre el desempeo de 60 y 90 das mientras que ladiferencia entre 90 y 120 das es menos marcada.

Una tcnica alternativa es mirar la tabla para encontrar la probabilidad que uncliente pueda pasar de un rango a otro en un determinado mes.

Ene Feb Mar Abril May Promedio30 Das 32% 37% 33% 30% 39% 34%

60 Das 55% 58% 56% 54% 59% 56%

90 Das 79% 71% 70% 78% 71% 74%

120 Das 88% 80% 89% 85% 80% 84%

Castigo 99% 92% 90% 97% 92% 94%

R1 12% 12% 12% 11% 13% 11%

R2 10%

La cifra R1 establece el mltiplo del movimiento entre das de mora, mientrasque R2 es utilizada para mirar el mltiplo de la cartera castigada. Si la cifra R2es ms baja que la cifra R1 entonces los clientes actuales que fluyen por lacartera tienen una mayor probabilidad de ser ms Malosen su desempeo quelos previos y viceversa.

Este tipo de anlisis puede ser utilizado para detectar problemas potenciales conel proceso de cobranza, pero tambin muestra que la mayora de casos en 90das terminan como castigos, as que puede ser utilizado para establecer ladefinicin de malos.

Periodo de Exposicin

Un cuadro de cartera en mora contra el mes mostrar cundo la cartera en morase ha estabilizado, punto en donde el periodo de exposicin debe serestablecido. ste es usualmente establecido entre 12 y 18 meses dependiendodel producto y del ambiente econmico, por ejemplo, una tarjeta de crditotender a madurar ms rpidamente que un crdito hipotecario, pero los dos se


7/28


Institutodel

Riesgo Financiero

van a desempear de una manera diferente en tiempos de inestabilidadeconmica.

Este anlisis mostrar si la muestra para el desarrollo del modelo essuficientemente madura para que el anlisis sea valido. Tambin determinar elperodo en el cual la informacin debe ser recolectada con el fin de proveer losdatos mas reciente sobre las cuentas.

Ventana de Aplicacin

Es importante escoger una ventana donde la tasa de morosidad se hayaestabilizado y la poblacin sea comparable con la actual poblacin de clientes.Por tanto, se recomienda escoger una ventana en la cual la poblacin actual seaigual a la poblacin que solicita el crdito.

En primer lugar, se debe inquirir sobre las actividades inusuales de la entidad

con respecto a mercadeo o cobranzas en un determinado periodo y el ambienteeconmico actual. Por ejemplo, en un reciente desarrollo para una tarjeta decrdito en Taiwan, el departamento de mercadeo no report al contratista delmodelo acerca del convenio para enviar solicitudes con la Oficina de Correo deTaiwan. Esto implic que un gran numero de solicitantes de diferentes reasgeogrficas que no estaban contempladas en el desarrollo, por lo cual cretrabajo adicional para validar y monitorear adicionalmente las nuevas zonasgeogrficas.

Una vez el modelo ha sido construido la prueba del ndice de estabilidad de lapoblacin (PSI) mostrar si el modelo es valido para ambos, la muestra del

desarrollo y los nuevos clientes aceptados en el proceso de aprobacin.

ndice de Estabilidad de la Poblacin

Este ndice es utilizado para asegurar que las poblaciones estn similarmentedistribuidas. Puede ser utilizado para validar el 20% de la muestra contra lamuestra de clientes recientemente aceptados. Tambin puede ser empleadopara establecer si modelos genricos son recomendados para utilizar en unanueva poblacin.

El siguiente cuadro muestra un pequeo cambio positivo (es decir, la poblacin

analizada tiene un puntaje ms alto del esperado) pero sto no ser suficientepara invalidar la scorecard. Movimientos abruptos de la poblacin deben seranalizados cuidadosamente.


8/28


Institutodel

Riesgo Financiero

El ndice de la estabilidad de la poblacins e calcula as:

Suma{(O-E)*ln(O/E) }=100

Donde

O = Valor observado (%de la poblacin)

E = Valor esperado (% de la poblacin)

Por cada banda (usualmente deciles).

Una cifra de menos de 0.1 es buena, mientras que entre 0.1-0.25 espreocupante y debe ser monitoreado de cerca. Mientras que un valor superior a0.25 indica un cambio significativo que puede ser consecuencia de un cambiosignificativo de la poblacin y requerir una investigacin y el mantenimiento delmodelo o su total procesamiento nuevamente.

Al hacer esta prueba, tambin se recomienda mirar el anlisis de caractersticas,que mostrar si alguna caracterstica en particular se est comportando

inusualmente.

Hay otras pruebas que se pueden utilizar como la prueba Kolmogorov Smirnoffo la prueba Chi2 pero es importante que estas pruebas se construyancorrectamente, es decir, para si la poblacin se ha movido para determinar si lascorecard est pronosticando Buenos y Malos. Este ndice parece ser msrobusto y fcil de usar.


9/28


Institutodel

Riesgo Financiero

Muestreo

En donde la ventana de muestra provee numerosos casos en exceso de losrequerimientos mnimos de la muestra, el mtodo de muestreo debe serestratificado para asegurar suficientes Buenos y malos. De otro lado, losrechazados deben ser muestreados desde el mismo periodo cuando seaposible, pero en donde se afecte adversamente el perfil de la poblacin, ellospodran ser tomados de una muestra ms reciente en el tiempo.

Muestra Representativa

Para ambos, los clientes nuevos y la muestra de desarrollo, deben seguir elsiguiente anlisis para asegurar que la muestra sea representativa. Una vez eldiagrama ha sido creado para ambos, la muestra de desarrollo, la poblacin de

clientes nuevos y los pesos pueden ser aplicados a la muestra de desarrollopara crear las correctas proporciones de las aplicaciones.

Tamao

Idealmente, la muestra debe contener 1500 Buenos, 1500 Malos y 1500rechazados, pero las scorecards pueden ser desarrolladas con muestra inferior.No es en todo caso recomendable, desarrollar con menos de 500 datos de cadauno (Buenos, Malos, rechazados), al menos que la tabla de puntaje sea validadaprofundamente y monitoreada. Esto muchas veces, parece muy pequeo paraaquellos no familiarizados con la estadstica pero cualquier poblacin que sea

menor que un 3% del total de la muestra es poco probable que entre a unascorecard y con la condicin que la muestra de 1500 Buenos y 1500 Malos sehaya tomado de manera aleatoria, entonces un 3% de la poblacin deber serevidente en la muestra tomada.

Muestra no utilizada

Aproximadamente el 20% de la muestra de desarrollo no debe entrar en elmodelo para poder validar la scorecard una vez esta se haya construido. Lamuestra debe ser aleatoria y es necesario asegurarse que el 20% de la muestracontenga una proporcin similar de Buenos y Malos como la muestra del 80%.

Esencialmente, la muestra del 20% debe obtener puntajes utilizando el modelocreado para la muestra del 80%, y despus todas las estadsticas calculadaspara el 80% deben ser recalculadas. El coeficiente Gini debe ser similar, y nodebe haber cambios en la poblacin, como tampoco el anlisis de lascaractersticas debe mostrar cambios significativos en el otorgamiento depuntajes promedio.


10/28


Institutodel

Riesgo Financiero

RACIONALIZACIN DE CARACTERSTICAS

Caractersticas

Inicialmente todas las caractersticas que han sido capturadas deben serintroducidas dentro de la seleccin. Es importante, investigar la posibilidad decrear nuevas caractersticas que resulten de clculos basados en informacinexistente. Esto puede ayudar especialmente para crear combinaciones decaractersticas como el nmero de nmeros telefnicos dados que est basadoen telfono de la casa, telfono del trabajo y celular.

Esta tcnica puede tambin ser utilizada para crear campos nuevos como elnmero de veces con mora mayor a 90 das para efectos de proyectos descoring de comportamiento. Es tambin un procedimiento beneficioso cuando lascorecard existente est siendo adivinada por el departamento comercial, yaque es mucho ms difcil detectar una combinacin de variables que variables

individuales.

Clasificacin Fina

Esta es la enumeracin inicial de los datos donde todos los atributos para cadacaracterstica son analizados. La clasificacin dura es desarrollada despus devisualizar las tendencias en la clasificacin fina. Cuando es posible poseergrandes grupos es ideal un mnimo de 20 grupos o modelar continuamente si esposible.

Algunas pruebas estadsticas como probabilidades de Buenos/Malos o

informacin de valores son aplicados a grupos de clase fina para establecer qutanta energa contribuirn. En donde una caracterstica es particularmente dbilpuede no tomarse en cuenta en esta etapa.

La probabilidad de Buenos/Malos trabaja como las probabilidades en lasapuestas donde 3:1 se refiere a 3 Buenos por cada malo ( 1 en 4 casos siendomalo) que a su turno dara como resultado una tasa de Malos del 25%.

El valor de informacin es calculado al tomar el logaritmo de ( el % de losBuenos dividido por el % de los Malos) y multiplicando por el % de los Buenosmenos el % de los Malos. La primera parte de esta ecuacin ( Buenos / %

Malos) se llama Evidencia de Peso y da una indicacin del poder predictivo delos atributos individuales. De forma generalizada, las caractersticas con valoresde informacin por debajo del 3% no son utilizadas en esta etapa.


11/28


Institutodel

Riesgo Financiero

Clasificacin Dura

Es la agrupacin de atributos en un nmero ms manejable de grupos, losgrupos contienen los mismos desempeos de los atributos. La clasificacin finauna vez agrupada en una clase ms grande se vera as: Padres y arriendosfueron agrupados en el grupo 1 ya que tenan similares pesos de evidencia yprobabilidades de Buenos y Malos.

Es usual no tener ms de 8 a 10 grupos una vez la etapa de la clasificacin duraha sido alcanzada y es importante mantener los grupos significativos, con almenos 5% de la muestra de desarrollo cayendo dentro de cada clase dura.

Estas agrupaciones no deberan reducir el poder total de ninguna caractersticaen una cantidad significativa pero usualmente debilitan su fuerza. Para

establecer esto, es necesario mirar las probabilidades de Buenos/Malos o lainformacin de los valores otra vez en esta etapa.

Es tambin importante que los grupos tengan sentido de negocios, y esto quieredecir que algunos grupos son producidos, lo que es estadsticamente por debajodel ptimo. Con la condicin de que la caracterstica todava provee algn poderal modelo este sacrificio puede ser beneficioso para facilitar la implementacinde la scorecard. Un ejemplo de esto puede ser categoras de Trabajo que soncodificadas en grupos y cuyo cdigo sera difcil de cambiar. Cuando los gruposno sean los ptimos pueden ser utilizados con la condicin de que la scorecarddefinitva sea lo suficientemente robusta.

Es importante no caer en la trampa de esperar que los grupos sean iguales paratodos los desarrollos. En Inglaterra, hay muchas veces una clara divisin poredad a los 30 aos con los solicitantes jvenes teniendo un mayor riesgo.

Divisiones en la Poblacin

En donde secciones distintas de la poblacin pueden ser identificadas comosignificativas desde el punto de vista del perfil de riesgo y existan suficientesdatos para desarrollar mltiples scorecards es importante dividir la poblacin deldesarrollo en sub poblaciones. Solamente es posible dividir la poblacin donde

hay suficientes nmeros de Buenos y Malos disponibles en la etapa demuestreo. Si los nmeros son insuficientes y la divisin es significativamentepoderosa, la caracterstica debe ser entrada en el modelo al final de la etapa deregresin. Donde un sub grupo no contiene Malos o un mnimo aceptable demalos, puede ser posible aceptar la sub poblacin en su totalidad sin importar elpuntaje obtenido.


12/28


Institutodel

Riesgo Financiero

El hecho de identificar las divisiones en la poblacin se debe a la propiedad depredecir, excepto cuando las probabilidades de Buenos y Malos sonextremadamente fuertes. Algn trabajo se ha desarrollado en el uso de redesneurales para indicar divisiones probables e interacciones de variables paracaractersticas combinadas. Indicaciones iniciales son que esta es unaherramienta extremadamente poderosa para utilizar con tcnicas tradicionalesde regresin.

Pesos de Evidencia

Los pesos de evidencia pueden tambin ser utilizados para construir unascorecard, sto tender a darle una mayor continuidad a la regresin, pero espreferida por algunos desarrolladores porque ahorra tiempo de programacin.Una sola variable es requerida por cada caracterstica y una caracterstica poratributo.

MTODOS ESTADSTICOS MULTIVARIADOS

Regresin

La regresin es utilizada actualmente como la ruta ms empleada para construirscorecards . Es posible utilizar la regresin logstica o lineal. La ltima es msfcil para construir e implementar con una pequea prdida de poder y es poresto preferida por muchos. Esto es sin embargo una decisin personal y ambosmtodos han sido probados por dcadas de uso.

Una ecuacin de regresin mltiple esencialmente toma la siguiente forma:

en donde los coeficientes B0, B1, B2 ... Bn son los pesos que deben seradjudicados a las variables xo,x1,x2 ...xn que pueden ser variables dummuy osimplemente variables que contengan los pesos de evidencia, dependiendo dela tcnica que est siendo utilizada.

El error E es conocido como el residual y se refiere al error estandar esperado

de la ecuacin. Es usual devolverse contra el indicador de buenos/malos, quetiene un valor de 0 para Malos y 100 ( o 1000) para buenos. Esto puede serajustado dependiendo del sistema que se est utilizando y los puntajes podrnser calibrados para alcanzar una escala diferente si se requiere.


13/28


Institutodel

Riesgo Financiero

Pesos

Tpicamente una muestra de desarrollo consistir de 1500 buenos, 1500 Malos y1500 rechazados, donde esto no sea posible ayuda muchas veces pesar lamuestra a estos tamaos, de manera que estadstica comparativa pueda serutilizada. Por ejemplo, el error estndar en la etapa de regresin deberasiempre ser menor de 3 con estos pesajes, mientras que sera diferente paraotros tamaos de muestras.

Es necesario, volver a pesar la muestra en la poblacin de clientes nuevosproporcionalmente antes de investigar cualquier cambio en la poblacin ocreando estadsticas de eficiencia como el coeficiente Gini.

Pasos Graduales en la regresin lineal

Esta regresin comienza sin variables luego una a una, las variables son

introducidas gradualmente en la regresin para establecer si el mltiplo R hasido significativamente mejorado por la introduccin de la variable. Todas lasvariables en la regresin son despus verificadas para ver si pueden sergradualmente retiradas de la regresin.

Enter linear regression

Este mtodo efectivamente fuerza todas las variables dentro del modelo. Puedeser utilizado como un atajo para establecer el poder relativo de los atributos.Deber ser recordado en todo caso, que este mtodo puede acomodar lasvariables dentro del modelo con el fin de que estas sean digitadas. Esto quiere

decir que los pesos de las ltimas variables que entraron sern por definicinms dbiles que si estas hubieran entrado al comienzo.

Por esta razn, muchos expertos utilizarn el mtodo ENTER para sus variablesms fuertes despus de haber modelado las otras variables utilizando el mtodode paso gradual de regresin lineal. Esto disminuir el peso de las variablesms fuertes y reducir el impacto en las ms dbiles.

Esta tcnica de modelamiento es utilizada usualmente con informacin deCentrales de Riesgo en Inglaterra particularmente donde un puntaje genrico deriesgo es utilizado como Wescore o Delphi. Esto permite emanar el poder

mximo de la aplicacin de informacin, y en algunos casos puede permitiraceptar un caso ser sin tener en cuenta el score del bureau.


14/28


Institutodel

Riesgo Financiero

Regresin Lineal hacia Adelante y hacia Atrs

Esta regresin es similar al mtodo de paso gradual excepto que solamenterevisan las variables en una direccin, eso es, cuando entran en el modelo, ocuando salen del modelo. Todas las variables sern involucradas al mtodohacia atrs y despus removidas una a una basados en criterios de seleccin,mientras que en la tcnica hacia adelante, las variables sern entradas una auna basados en criterios de seleccin, pero una vez dentro, estas no sonremovidas.

Escenario mltiple en modelos de regresin

Algunas veces es necesario introducir las caractersticas ms fuertes despusde que las caractersticas ms dbiles han sido tenidas en cuenta.

Es a veces necesario introducir caractersticas ms fuertes despus de que las

caractersticas ms dbiles han sido consideradas. Mientras que algunossistemas permiten un acercamiento de dos fases dentro del software, otros nopueden, donde este sea el caso, las caractersticas ms fuertes se puedenmodelar contra la residual, y los coeficientes beta se pueden agregar a sosestablecidos en la regresin de la primera fase. La constante se debe agregar ala constante inicial de la etapa. Otras etapas son posibles, pero es mejor intentarevitarlas, pues llegan a ser complejas para documentar y para explicar.

Pesos crticos

Una vez que la scorecard se haya desarrollado a veces habr necesidad de

enmendar manualmente algunas de las caractersticas. La razn de esto podraser poltica o debido a un conocimiento de las circunstancias que afectanadversamente la muestra de desarrollo.

Por ejemplo, los clientes desempleados sern aceptados generalmentesolamente si se sabe que ellos representan un riesgo muy bajo (quizs con undepsito grande en una hipoteca) y saldran as del modelo calificadosaltamente. No sera sensible permitir que este modelo se generalice ya quemuchos otros desempleados seran tomados, y el modelo no funcionara. Esimportante sin embargo mantener esto en un mnimo, puede de vez en cuandoser necesario donde estn apretados los plazos, y la informacin llega a estar

disponible al final de un proyecto que era desconocido en la etapa declasificacin. En circunstancias normales sin embargo clientes que tienenprobabilidad de devaluar el modelo se deben excluir, y las razonesdocumentadas, o la clasificacin se deben disear para tomar cualquier atributoanmalo en cuenta.


15/28


Institutodel

Riesgo Financiero

Revisin de desempeo inicial

Despus de construir un modelo inicial de buenos/Malos es importantecomprobar la fortaleza del modelo. La mayora del software para modelar daralgunas indicaciones del mltiple R de la regresin lineal y el error estndar. Elmltiple R debe estar cerca de 1 como sea posible y el error estndar debe sermenor de 3 si los pesos recomendados de 1500 buenos, Malos y rechazados sehan utilizado. Ms all de estos indicadores iniciales algunas otras estadsticasclaves son usualmente utilizadas.

Estadstica para medir eficacia

Un coeficiente Gini mide la eficacia de la scorecard., compara el porcentaje delas buenas cuentas contra el porcentaje de las malas cuentas para los mismospuntajes. Si el porcentaje de malas cuentas se traza contra el porcentaje de lasbuenas cuentas para una serie de bandas de puntajes el resultado es una curva

(ABC). El coeficiente Gini es el rea entre la curva (ABC) y la lnea de laeficiencia nula (AC) establecida como un porcentaje del rea del tringulo (ACZ).

El coeficiente Gini = rea ABC / rea del tringulo AZC

El coeficiente Gini se calcula como sigue:

gi = % acumulado de Buenos en un puntaje dado

gi-1 = % acumulado de Buenos en el puntaje anterior a gi

bi = % acumulado de los Malos en un puntaje dado

bi-1 = % acumulado de los Malos en el puntaje anterior a bi


16/28


Institutodel

Riesgo Financiero

El rea por debajo de la curva para un puntaje dado (etiquetada) est definidacomo:

- Area score = 1/2*(bi - bi-1)*(gi + gi-1)

El rea total debajo de la curva por n intervalos definidos por la forma ABCZ espor lo tanto:-

AREA = Si=2 to nAreascore

El rea definida por el triangulo ACZ es definido as:

Area del tringulo = 1/2 * 100 * 100 = 5000

El Gini (el cociente del rea dentro dela curva ABC) se define as:

Gini = (5000 - REA) 5000

Idealmente un coeficiente Gini debe superar el 35% para un scorecard deaprobacin y estar generalmente ms cercano al 60% para un scorecard decomportamiento dependiendo de las limitaciones sobre los datos y producto.

La divergencia mide con eficacia la diferencia entre la media de lasdistribuciones de Buenos y Malos y se calcula como sigue.

Divergencia = 2 X (media(buenos)-media(malos))2

(var (buenos)+ var (malos)


17/28


Institutodel

Riesgo Financiero

La medida del mximo de separacin entre Buenos y Malos cuando es trazadoacumuladamente por puntaje.

La divergencia debe ser mayor de 0,95 y la extensin del mximo debe sermayor de 28-35%

Validacin Final

Para finalmente validar un scorecard este debe ser confrontado contra el 20%

fuera de la muestra y de la poblacin de clientes nuevos usando tantaestadstica eficiente como sea posible, stos incluirn la divergencia, el mximoseparador de Gini y el ndice de estabilidad de la poblacin.

Si todas estas estadsticas aparecen cercanas para el 80% y la muestra del 20%entonces los mismos ejercicios se deben emprender para la poblacin declientes nuevos. En tanto que donde aparece que ha habido un cambio en lacontribucin individual de los puntajes para cada caracterstica se debeinvestigar para intentar entender por qu.

Donde ha ocurrido un cambio, el desarrollo ser desechado generalmente, pero

vale intentar pesar la muestra de desarrollo para que se vea ms como lasaplicaciones actuales y despus repetir la etapa de la regresin para evitar elcambio. Esta tcnica es particularmente til, donde los datos estn en escalascortas en cuanto a cantidad y tiempo.

Bureau data

En Inglaterra y en algunos otros pases (ms notablemente los Estados Unidos)las agencias de referencias de crdito se utilizan a menudo para establecer el


18/28


Institutodel

Riesgo Financiero

desempeo de los solicitantes con otras instituciones. Si ste es el caso,entonces una muestra de datos debe tambin ser fuente del CRA como en elmarco de tiempo de la ventana de la muestra. Esto se conoce como muestraretrospectiva del bureau.

El tipo de informacin est disponible e incluir cualquier juicio en el corte que va6 aos hacia atrs, as como tambin la historia mes por mes de cmo se hacomportado con otras instituciones, si el cliente est en la lista de votantes y sies as, su edad y otra informacin demogrfica.

Tambin habr un puntaje genrico de riesgo creado por el bureau. Algunos otodos estos datos estarn disponibles para el interesado. Donde se requiere unamuestra retrospectiva de los datos, esta debe ser planeada cuidadosamente, elCRA debe ser notificado de las escalas de tiempo probables tan pronto comosea posible, y una vez que se haya convenido la muestra de desarrollo losnombres y las direcciones y las fechas de aplicacin se deben pasar al bureau

tan rpidamente como sea posible. Es esta fase la que hace quepredominantemente los proyectos se atrasen y los problemas se pueden evitar amenudo con una buena planeacin y la comunicacin frecuente con el bureaucorrespondiente.

Inferencia de rechazos

La inferencia del rechazo se refiere a una serie de tcnicas que se utilizan paraintentar deducir el desempeo de clientes que han sido rechazados en la etapadel desarrollo. En algunos portafolios tales como hipotecas no se rechazanmuchos clientes y estas tcnicas son menos importantes, pero con portafolios de

mayor riesgo la tasa de rechazo puede estar en el exceso de el 50%.

Si el desempeo de los rechazados se puede predecir exactamente entonces latasa de aceptacin se puede aumentar sin ningn incremento en la tasa demalos. Esto mejorar obviamente la rentabilidad, y la inferencia del rechazo seha convertido en algo as como arte negro.

Estas tcnicas son utilizadas extensamente por los desarrolladores de losscorecards de aprobacin, pero puede ser demostrado que los rechazos noagregan al scorecard a menos que se hagan asunciones adicionales.Consecuentemente el nico mtodo robusto para rechazar inferencia es aceptar

una muestra de solicitudes rechazadas y observar su comportamiento. El uso deotras tcnicas puede agregar valor, si se hacen las asunciones convenientes.

Algunas de las tcnicas que se utilizan se enumeran abajo.

Registre todas las ofertas

En el tiempo, el perfil de los clientes Malos llegar a estar claro, y estos tipos decuentas pueden ser rechazadas. Es sin embargo una estrategia costosa


19/28


Institutodel

Riesgo Financiero

particularmente en portafolios de alto riesgo. Aparentemente, la cadena detiendas Sony utiliz al parecer este mtodo por un nmero de aos, ya que losclientes nuevos que entraron eran bsicamente de un riesgo intrnseco bajo.

Aceptacin al azar

Este concepto es similar al anterior excepto que solamente una proporcinpequea de los clientes normalmente rechazados son aceptados para observarsu comportamiento. En un cierto plazo llega a estar claro si cualquiera de lossegmentos parece comportarse significativamente mejor o peor que los otros.

Modelacin de Aceptacin, Rechazo

Desarrolle un scorecard que pronostique las probabilidades de Buenos yMalos.

Desarrolle un scorecard que predice las probabilidades de

Aceptacin/Rechazo Produzca una matriz de puntajes de ambos scorecards y establezca la

probabilidad de que un rechazo sea bueno. Establezca la regresin utilizando la probabilidad de que los rechazos

sean Buenos Valide la scorecard resultante. Este mtodo tiene la ventaja de tomar las decisiones ms en lnea con las

decisiones actuales de los evaluadores de cartera. Otro mtodo es multiplicar las probabilidades de rechazo y Malos

continuamente en comparacin con tomar el mtodo de la matriz, quehace con eficacia lo mismo, pero para bandas individuales de puntaje.

Cosecha

Este mtodo estima con eficacia la probabilidad de que un rechazo sea bueno omalo basado en el puntaje que recibira del scorecard de buenos/malos. Cadarechazo se puede repartir en parte bueno y en parte basado en el puntaje. Uncliente que obtiene un puntaje alto puede tener el 90% de probabilidad de serbueno y el 10% de probabilidad de ser malo.

El procedimiento es:

Desarrolle una scorecard de buenos/malos. Evale las probabilidades de buenos/Malos dentro de cada rango de

puntaje Diagrame el puntaje contra las probabilidades y establezca una lnea

recta (la lnea mejor posible) Extrapole la lnea como sea necesario ycalcule las probabilidades de buenos/Malos para cada rechazo. Estopermite una estimacin inicial de la probabilidad de Buenos o Malos paraque cada rechazo sea comprobado.


20/28


Institutodel

Riesgo Financiero

Los rechazos se pueden ahora incluir con los Buenos y Malos conocidos,y el procedimiento de la regresin se puede volver a efectuar para deduciruna nueva relacin de puntaje/probabilidades.

El ltimo fin es que la relacin de las probabilidades de puntaje/logaritmopara clientes rechazados sea igual para los clientes aprobados. Paraconseguir esto simplemente repita el proceso hasta que converjan laslneas.

Recomendaciones para los puntajes mnimos

Es usual con la mayora de los scorecards tener un puntaje mnimo paraaceptar o rechazar clientes, es decir un puntaje en donde los clientes, conpuntajes por encima del mnimo, son aceptados y aquellos cuyo puntaje est pordebajo del lmite son rechazados.


21/28


Institutodel

Riesgo Financiero

Puede ser el caso que mltiples puntajes mnimos puedan ser utilizados porejemplo al usar un mtodo de bandas, con diversas estrategias para los casosde puntajes altos y bajos. La tabla bsica producida se demuestra aqu enparte:

Tasa de Intervalo Intervalo Portafolio

Score Aprobacin Tasa deMalos

Probabilidades

Buenos/ Malos

Tasa deMalos

130 99% 14% 6.09 1.38%

131 99% 14% 5.92 1.27%

132 99% 15% 5.65 1.26%

133 99% 16% 5.27 1.25%

134 99% 16% 5.11 1.24%135 99% 17% 4.97 1.23%

136 99% 17% 4.77 1.22%

137 99% 18% 4.67 1.21%

138 99% 18% 4.57 1.20%

139 99% 18% 4.42 1.19%

140 99% 19% 4.24 1.18%

141 99% 19% 4.17 1.17%

142 99% 20% 4.08 1.16%143 99% 20% 3.98 1.15%

La tasa de aprobacin se refiere a la proporcin de los clientes, que seranaprobados si el puntaje mnimo fuera fijado en ese intervalo del puntaje, es decir,todos los clientes por encima de ese puntaje. El intervalo de la tasa de Malos esel porcentaje malo en el puntaje dado, y similarmente las probabilidades deBuenos/Malos. La tasa de Malos del portafolio es el total de tasas de Malos parael portafolio por encima del intervalo de los puntajes. Es esta cifra y la cifra deaprobacin de clientes, los que son generalmente los ms importantes.

Esencialmente la decisin es simple, si apuntamos por ms clientes aprobados,o una reduccin de la tasa de malos, o una combinacin de los dos. Estadecisin ser tomada generalmente por la entidad en su totalidad, con el apoyode mercadeo, riesgo y posiblemente cobranzas. En ltima instancia la decisines acerca de rentabilidad y/o las metas de la organizacin. Las tasas malas aveces sern permitidas disminuir para ganar participacin de mercado, y a veceslas tasas de aprobacin bajarn para proteger mrgenes.


22/28


Institutodel

Riesgo Financiero

Hay muchos grficos y teoras disponibles para maximizar las ganancias usandoel puntaje mnimo, pero la decisin ser tomada en ltima instancia siempre enlos intereses del negocio en el momento en que el puntaje mnimo es fijado. Losdepartamentos ms astutos del riesgo se asegurarn de que este puntajemnimo sea revisado inmediatamente cambien las metas corporativas.

Especificacin de Sistemas y plan de implementacin

Los procedimientos del proceso de aprobacin deben ser examinadoscuidadosamente y ser enmendados cuando sea necesario antes de comenzarun proyecto de scoring. Sealando los temas temprano en el desarrollo, lassoluciones pueden ser implementadas durante el proceso de construccin.

Algunos desarrollos sern restringidos en ltima instancia a la funcionalidaddentro de sistemas existentes, mientras que otros sern ms dinmicos.

Las reglas de las polticas se deben examinar antes del desarrollo de unscorecard nuevo, pues los rechazados por cuenta de las polticas necesitarnser excluidos de la muestra de desarrollo. El sistema de procesamiento desolicitudes debe tambin permitir que las polticas sean revisadas de modo quelas reglas no estn abiertas a cometer abusos. Las razones para invalidar unadecisin se deben capturar en el sistema, y los lmites sern fijados idealmentepara los puntajes y invalidacin de polticas. Esto permitir que los nmerossean supervisados y tambin proveer una fuente de informacin de la calidadde clientes que se invalidan para tomar una decisin de aprobado. La estrategiadetrs de la scorecard debe tambin ser entendida, ha sido diseada para

mejorar el nmero de aprobaciones, o para reducir la tasa de Malos porejemplo? Lo antes que esto sea aclarado, lo ms fcil que ser el desarrollopara los analistas implicados en el proyecto.

Una vez que se haya desarrollado y convenido el modelo, debe ser validado afondo contra con la informacin de nuevos clientes, y despus los puntajes sedeben asignar a casos verdaderos para asegurarse de que se estn tomandodecisiones acertadas.

Despus de las pruebas, todos deben estar satisfechos que cualquiercombinacin de las variables que vienen a travs del sistema de aprobacin se

calificarn correctamente. Para que esto sea garantizado es sensible ofrecerayuda con el plan de prueba.

El plan de prueba debe ser tan comprensivo como sea posible sin ser oneroso.Todos los resultados posibles se deben probar con la menor cantidad de clientesposible. En lo posible el puntaje esperado se debe escribir en la solicitud para lacomparacin cuando esta sea digitada.


23/28


Institutodel

Riesgo Financiero

El rea de mercadeo necesitar ser educada en el uso de modelos de scoring sino poseen cierta capacitacin. En particular, debe ser expresamente claro que lascorecard se ha construido con datos histricos, con la asuncin de que elnegocio futuro ser similar en trminos de fuentes y calidad. Esto no imposibilitacambios en las actividades de mercadeo, pero las nuevas campaas deben sersusceptibles de ser supervisadas por separado para poder entender si elscorecard representa con eficacia las nuevas poblaciones.

La planeacin es muy importante en la etapa de la puesta en prctica, y losplazos realistas se deben fijar para las etapas de programacin y de prueba.Donde se requiere el recurso de especialista-programador esto puede conducir aplazos estrictos.

La seguridad es importante, ya que solamente los individuos autorizados

especficamente deben tener la capacidad de alterar el puntaje mnimo, o lospesos de la scorecard. Idealmente, los pesos se deben compartir idealmentesolamente con algunos vicepresidentes o gerentes de manera que lassolicitudes no puedan ser manipuladas para pasar el scorecard. Esto aumentarala tasa de malos, y destruye la relacin de puntaje/probabilidades. Puede serprudente no mostrar el puntaje real a los vendedores o digitadores.

Los puntajes mltiples deben ser sealados para investigacin, pues pueden serindicativos de tentativas de conseguir aprobacin para incrementar las ventas.Es tambin sensible intentar y asegurar mens de pantalla pues esto reducir eltiempo gastado en averiguar el texto libre del formato para los valores similares.

Una vez que la prueba sea completada el scorecard se puede poner enproduccin. Esto puede ser como la primera scorecard o en un ambiente decampen-retador. La decisin la tomar la institucin, y depender en parte de laurgencia de la scorecard, el producto implicado, y la funcionalidad del sistema deprocesamiento.

Vender a su Empresa

Si una scorecard se ha construido y se ha documentado a fondo con laparticipacin de todas las partes cncernientes del negocio, despus no debe

haber una necesidad "de vender" el producto final. Desafortunadamente sinembargo ste es raramente el caso, pues los proyectos de scoring tendrngeneralmente un patrocinador de una disciplina que no desear involucrar lasotras disciplinas hasta que sea demasiado tarde.


24/28


Institutodel

Riesgo Financiero

Donde hay preocupaciones por la introduccin de scoring, o un scorecard nuevo,el mejor mtodo es presentar las metas del proyecto, junto con la estadstica delfuncionamiento antes de la reunin para establecer el puntaje mnimo. Si eldepartamento del riesgo ha comisionado un scorecard y mercadeo no estcontento por el impacto potencial en su desempeo entonces que es posibleestresar el efecto positivo de ms clientes aprobados por la misma tasa deMalos mientras que se estresa lo opuesto a Riesgo.

El negocio decidir en ltima instancia sobre la estrategia de vincular nuevosclientes, pero no estar libre de hacerlo al menos hasta que el modelo searatificado por todos los partes en cuestin. Una vez el modelo funcionapropiamente, puede ser comparado contra la experiencia anterior y mostrar quepresenta mejoras de desempeo.

Cambios y monitoreo del desarrollo

Hemos discutido ya medidas de eficacia, y estas se deben comprobarregularmente para asegurarse de que la scorecard todava est discriminando, yno se est comenzando a deteriorar. Un solo informe mensual no es suficientepara autorizar re-pesar o hacer mantenimiento al modelo, pero si la eficacia seest reduciendo durante 3 meses o ms entonces es probablemente una buenaindicacin que la relacin de los puntajes y las probabilidades se ha deteriorado.

Es usual mirar las tasas de Malos por intervalo de puntajes para asegurarse queel puntaje mnimo se encuentre todava en el lugar correcto. Otro informe quepuede ser hecho por separado es el puntaje mnimo contra la tasa de malos,esto detalla la tasa de Malos del portafolio en cualquier puntaje mnimo dado. En

otras palabras, el nmero de clientes por encima del puntaje mnimo que seespera que vayan ha ser malos. La parte final de este informe es la tasa deaceptacin por puntaje, o la curva de la estrategia, que demuestra la tasa deaprobacin en cualquier puntaje mnimo dado. Es ms fcil mirar todos estosinformes en una tabla, para poder dibujar comparaciones.

Mirar la distribucin acumulada de Buenos y Malos por puntaje puede dar unaindicacin de la extensin en el intervalo de los puntajes. Si se est utilizando laestadstica de la extensin del mximo estas distribuciones sern solamentetiles si la distribucin total de los puntajes no est siguiendo una distribucinnormal. Por ejemplo la extensin del mximo puede ser el 25%, pero puede

ocurrir 3 veces en una curva de la distribucin vaga que no es obviamentenormal, y sera una causa para una cierta preocupacin.

El informe de la estabilidad de la poblacin se ha detallado ya, pero es unamedida clave y se debe tomar peridicamente para asegurarse de que lapoblacin del desarrollo sigue siendo una representacin vlida de los nuevosclientes.


25/28


Institutodel

Riesgo Financiero

El reporte del anlisis de las caractersticas ser producido junto con elscorecard, y demostrar la contribucin promedio de los puntos para cada unade las caractersticas. Esto se debe replicarse sobre una base regular para losnuevos negocios para asegurarse de que ninguna de las caractersticas conpuntajes ha cambiado dramticamente. Algunas cambios pueden ocurrir que secancelan mutuamente en el informe de la estabilidad de la poblacin, pero sinembargo se puede requerir un re-peso.

La mora dinmica es efectivamente la tasa de Malos en el tiempo usados paraestablecer el resultado del perodo. Estos cuadros mostrarn cualquier cambioen la calidad de los negocios que se han hecho, como la tasa de Malos aumentao disminuye ms rpidamente que en perodos anteriores. Tablas de recaudo ycobranzas son tambin una buena indicacin de cambios en la calidad delnegocio, pero debe ser recordado que los cambios en estrategias de cobranza

pueden tambin tener un efecto.

Otro informe que se debe producir con menos frecuencia (posiblementetrimestralmente) es el informe del desalineamiento del puntaje. Este informetrabaja con el principio de que todos los clientes con el mismo puntaje debentener las mismas probabilidades de buenos/Malos sin importar cualidadesindividuales. Donde este no sea el caso los puntajes los puntajes estarn malalineados, y las cualidades que se ofenden deben re-pesadas.

Probabilidades de

Buenos/MalosScore Scorecard Edad45

90-100

1:1 1:1 1:1

100-110

2:1 2:1 2:1

110-120

3:1 3:1 4:1

120-130

4:1 4:1 4:1

130-140

5:1 5:1 6:1


26/28


Institutodel

Riesgo Financiero

140-150

6:1 6:1 8:1

150-

160

7:1 7:1 10:1

160-170

8:1 8:1 12:1

170-180

9:1 9:1 14:1

Como se puede ver en la tabla anterior, el atributo para la edad > 45 est malalineado, parece que el peso de esta variable es demasiado fuerte, pues lasprobabilidades no estn en lnea con el resto del scorecard para las mismas

bandas de puntaje.

El logaritmo natural de las probabilidades por cada banda de puntaje se debetambin trazar junto con el de la muestra de desarrollo para demostrar si larelacin de las probabilidades de los puntajes todava estn en lnea con lo quese esper. Si la lnea de clientes nuevos permanece paralela entonces larelacin de las probabilidades ha trabajado, pero un cambio hacia arriba significaque ha habido un cambio positivo en los clientes nuevos, mientras que unmovimiento hacia abajo sugiere un cambio negativo. Esto se puede ajustar en elmediano a largo plazo al ajustar el puntaje mnimo. Si los clientes nuevoscomienza a rotar en relacin con la muestra de desarrollo, entonces las

probabilidades de los puntajes han comenzado a deteriorarse, y lareconstruccin es la nica opcin.


27/28


Institutodel

Riesgo Financiero

El grfico superior muestra claramente los diversos movimientos en la relacinde las probabilidades de puntaje/logaritmo. La lnea TTD1 demuestra unainterrupcin en la relacin de las probabilidades, mientras que TTD2 y 3muestran la relacin de las probabilidades de los puntajes esencialmenteintactas, pero movindose positiva y negativamente respectivamente. La mejormanera de explicar porqu miramos el logaritmo de las probabilidades esdemostrar las relaciones naturales de las probabilidades en el grfico siguiente.Est claro que el grfico hace que las comparaciones sean imposibles, que esporqu se utilizan las probabilidades de logaritmo.

SCORING DE COMPORTAMIENTO

El scoring de comportamiento trabaja de la misma manera que el scoring deaprobacin, es usualmente modelado de la misma manera pero es en sdiferente.

El scoring de comportamiento utiliza el comportamiento de un cliente parapredecir un resultado por ejemplo si llegar a ser malo, solicitar otro crdito,pagar su deuda, etc.

Es ms potente cuando es utilizado con los productos de crdito rotativo talescomo tarjetas de crdito. La combinacin de compras y de pagos da unaindicacin particularmente fuerte del probable comportamiento a futuro delcliente.


28/28

Instituto

delRiesgo Financiero

Ms recientemente las compaas han comenzado a apreciar que hay mayoresposibilidades de utilizacin, como en hipotecas, crditos personales y crdito devehculos. Aqu hay generalmente solamente un pago o resultado sin pago cadames, no obstante durante meses, y con datos agregados de Centrales de Riesgoo datos estables de la aplicacin un modelo de gran alcance puede serconstruido.

Una scorecard de comportamiento tendr un mayor poder predictivo que elequivalente scorecard de aprobacin, porque la entidad conoce ms sobre lahabilidad y probabilidad de pago de un cliente de manera que puede prevenir eldeterioro de la cartera. Irnicamente, no es el poder de la scorecard lo msimportante del scoring de comportamiento. La decisin de aceptar o rechazar aun cliente se ha tomado ya, y los fondos se han prestado ya. La clave ahora esmanejar al cliente con estrategias apropiadas. Puede ser que el puntaje de

comportamiento sea utilizado como aviso para una actividad ms fuerte decobranza, incrementar cupos de crdito, ofertas especiales o un nmero de otrosservicios. Son estos servicios o estrategias, que traducen la ventaja de lascorecard en ganancias para la empresa.

qué es scoring

Documents