Evaluación de riesgo de crédito con mayor precisión incluyendo a personas sin historial de crédito, desarrollo de estrategias de cobranza para maximizar la recuperación de la cartera vencida e identificación y prevención de fraudes  de manera oportuna a través del análisis del comportamiento de los clientes en tiempo real

Modelos de riesgo de crédito

La penetración de crédito en México es muy baja comparada con otros países en Latinoamérica. Por ejemplo, sólo el 13% de la población mexicana de más de 15 años tiene una tarjeta de crédito, 40% menor que el promedio de Latinoamérica y 370% menor que Estados Unidos. (Fuente: Banco Mundial)

Existe una oportunidad para brindar acceso a crédito a millones de personas que no cuentan con historial crediticio, desarrollando modelos predictivos de riesgo de crédito con información no tradicional.

Apothem cuenta con amplia experiencia en el desarrollo de modelos predictivos para evaluar el riesgo de crédito, aumentando las tasas de aprobación de clientes sin incrementar la cartera vencida. Para alcanzar un mayor nivel predictivo, hemos desarrollado una metodología para incluir diversas fuentes de información en los modelos, incorporando datos no tradicionales que permiten evaluar de manera precisa el riesgo de clientes sin historial crediticio. Desde información demográfica, geo-espacial, hasta hábitos de compra e información en redes sociales es utilizada para tomar decisiones de
crédito más precisas.

Por otra parte, contamos con metodologías no tradicionales para evaluar el riesgo de crédito de PyMEs, mediante la incorporación de variables que evalúen las “prácticas empresariales” (p.ej., seguros corporativos contratados, ubicación de oficinas), así como el comportamiento crediticio de los accionistas de la empresa.

Nuestros métodos analíticos incluyen modelos de redes neuronales y machine learning, social network analysis, modelos de segmentación, análisis geo-espaciales, entre otros, permitiendo la inclusión de cientos de variables predictivas en el modelo.

Estrategia de cobranza

Apothem cuenta con una metodología para definir una estrategia integral de cobranza que maximice la recuperación de la cartera vencida.

Nuestra solución está basada en el desarrollo de modelos analíticos de segmentación, así como en la definición de la estrategia óptima de recuperación para cada segmento.

Los modelos de segmentación ayudan a clasificar a los clientes con base en la probabilidad de pago para cada tratamiento de cobranza, optimizando el tratamiento para cada cliente (p.ej., frecuencia de llamadas, visitas a domicilio, etc.).

Finalmente, contamos con indicadores y benchmarks de productividad para monitorear el desempeño de las actividades de cobranza (p.ej., porcentaje de contacto, número de intentos / alcance, porcentaje de recuperación por nivel de riesgo, etc.)

Detección y prevención de fraudes

Los fraudes representan una pérdida económica importante para los bancos, que afectan directamente el nivel de utilidades. Por ejemplo, $100 de fraude no es únicamente $100 de pérdida de ganancias; asumiendo un margen del 5%, representa $2,000 de productos y servicios adicionales que deben ser vendidos para recuperar ese beneficio. Más importante aún, el fraude actualmente es cada vez más difícil de identificar y prevenir.

Apothem brinda una solución única para detectar y prevenir fraudes, a través de modelos predictivos basados en machine learning que integran información del comportamiento de los clientes, incluyendo el detalle de transacciones, información en redes sociales, entre otros.

Apothem cuenta con amplia experiencia en el desarrollo de estrategias centradas en clientes, a través de soluciones analíticas de segmentación, ayudando a los bancos a maximizar sus ventas a través de atracción de clientes nuevos y aumento de venta cruzada y retención de clientes actuales


Atracción de clientes nuevos

Para maximizar las ventas y la utilización de productos de crédito, es posible realizar un sistema de pre-segmentación de clientes en sucursal, el cual realiza recomendaciones personalizadas de productos en tiempo real. Los modelos estiman la propensión de compra y el nivel de riesgo del cliente, basándose en información socio-demográfica, el ingreso estimado del
cliente, así como en datos geo-mercadológicos de Apothem.

Por otra parte, Apothem ayuda a bancos a atraer nuevos clientes mediante una personalización de campañas de marketing por micro-segmento, incrementando la tasa de éxito en ventas. Para definir los micro-segmentos más atractivos, los modelos predicen la demanda por producto, así como el valor estimado para el banco de clientes potenciales específicos.

Aumento en venta cruzada y retención de clientes actuales

Apothem cuenta con una metodología, basada en modelos analíticos de segmentación, para diseñar campañas de marketing directo, permitiendo a nuestros clientes maximizar las ventas y reducir considerablemente los gastos de marketing y de adquisición. Esta solución es desarrollada mediante modelos predictivos que analizan el comportamiento de los individuos e identifican eventos de vida para evaluar la propensión de compra por producto, prediciendo la “siguiente mejor oferta” para cada cliente.

Por otra parte, contamos con modelos para identificar a clientes con mayor probabilidad de migración, lo cual ayuda a los bancos a reforzar la relación con sus clientes y otorgar ofertas y promociones específicas para retenerlos.

Las metodologías de Apothem ayudan a los bancos a maximizar sus ventas mediante estrategias de pricing más granulares y herramientas de seguimiento y control del portafolio

Optimización de pricing

Actualmente, la mayor parte de los productos crediticios no tienen una diferenciación de precios por cliente o segmento. Por ejemplo, en créditos hipotecarios y de auto, la mayor parte de la oferta de productos tiene una tasa fija para cualquier nivel de riesgo. Esto implica que los clientes con un perfil de riesgo bajo subsidien a los clientes de mayor riesgo, por lo que se pierde competitividad en clientes de bajo riesgo y se tiene una mayor pérdida en clientes riesgosos.

Por otra parte, la tasa de interés pagada en productos de captación (cuentas de ahorro y certificados de depósito) está basada casi exclusivamente en el monto invertido y no considera la sensibilidad a tasas de diferentes segmentos, por lo que existen oportunidades importantes de optimizar el costo de fondeo de los bancos.

Hemos desarrollado algoritmos para definir una estrategia de pricing diferenciada que optimice la utilidad de nuestros clientes con base en:

▪ Nivel de riesgo: La incorporación de precios basados en riesgo genera un precio justo a cada cliente y evita los “subsidios” entre segmentos. Esta diferenciación permite aumentar la aprobación de créditos a segmentos de riesgo medio (tasas más altas compensan un mayor riesgo), así como incrementar la tasa de aceptación de créditos de bajo riesgo bajo (tasas más bajas aumentan la competitividad)

▪ Características del crédito: La incorporación de las modalidades del préstamo (p.ej., plazo, enganche, monto a financiar) son otro factor relevante para la definición de tasas y comisiones

▪Región geográfica y entorno competitivo: La incorporación de la variable geográfica y el nivel de precios de los competidores por región, permite alcanzar una mayor competitividad comercial

▪Elasticidad por segmento: Nuestros modelos incorporan modelos de sensibilidad al precio por segmento de cliente

▪Patrones de transaccionalidad y comportamiento: Por último, incorporamos patrones de transaccionalidad y comportamiento para incrementar la predictibilidad de los modelos

Para optimizar la tasa de interés pagada en productos de captación, hemos desarrollado algoritmos para minimizar el costo de fondeo al predecir la probabilidad de renovación de certificados de depósitos a cierta tasa de interés, para cada cliente.

Administración y monitoreo del portafolio

Es primordial contar con herramientas de seguimiento y control del portafolio para monitorear:

▪ Crecimiento de la cartera por segmento
▪ Nivel de incumplimiento real vs. esperado a nivel micro-segmento
▪ Evolución en la rentabilidad de la cartera

Las métricas anteriores permiten realizar ajustes continuos en la estrategia de ventas, así como ajustes tácticos en los modelos de pricing a nivel micro-segmento. Apothem cuenta con herramientas para dar seguimiento al desempeño de la cartera a nivel granular (p.ej., por región geográfica, canal, segmento de clientes), generando recomendaciones tácticas de cambio de precios, así como modificaciones en los criterios de evaluación de riesgo.

Contamos con un optimizador geo-espacial para apoyar a los bancos en las decisiones estratégicas de geo-localización y con modelos de liquidez para definir estrategias de fondeo

Optimización geo-espacial

Para expandir la red de sucursales y/o cajeros automáticos, es importante entender el potencial y las ventajas de las distintas opciones disponibles de expansión geográfica, con el fin de perfeccionar las estrategias de distribución territorial.

Apothem cuenta con herramientas de optimización geo-espacial que permiten a nuestros clientes mejorar el posicionamiento de sus puntos de venta aumentando las ventas y disminuyendo los costos operacionales.

Nuestras herramientas incorporan información socio-demográfica, datos del entorno competitivo, así como datos geo-mercadológicos, estimando la demanda esperada a nivel micro-región. Al combinar estos análisis y aprendizajes externos con información interna de nuestros clientes (p.ej., costos de distribución, objetivos de ventas), logramos optimizar la ubicación de los puntos de venta y servicio.

Modelos de liquidez

Para poder soportar un alto crecimiento, es importante contar con una estrategia de fondeo a mediano plazo que incluya un pronóstico de las necesidades de liquidez a través del tiempo.

Apothem cuenta con experiencia en el desarrollo de modelos de liquidez para instituciones financieras, los cuales incluyen:

▪ Desarrollo de modelos predictivos para estimar el comportamiento de la cartera de clientes actual y futura (p.ej., probabilidad de prepagos, probabilidad de incumplimiento)

▪ Desarrollo de un modelo de flujos de efectivo que considere todas las variables que puedan afectar los flujos cada mes (p.ej., flujos a nivel cliente, gastos operativos), así como los costos de fondeo asociados

▪ Simulación de todos los flujos de efectivo institucionales futuros (a nivel cliente y flujos generales) para estimar el riesgo de liquidez y las necesidades de efectivo cada mes