Préstamos con visión hacia el cliente

LEYENDA URBANA: No comprobante de ingresos, !no se presta¡

En la población se tiene esta idea y es por ello que nos topamos en las calles con publicidad diciendo: “Obtén tu préstamo sin comprobante de ingreso”,  ese mensaje es usado para captar clientes que fueron rechazados o que crean que no les van a otorgan un préstamo.

¿Debo dar un crédito sin comprobación de ingresos?

Este sentimiento que es más palpable en niveles socioeconómicos bajos se ve edificado por criterios rígidos por parte de los bancos (productos específicos) y por algunos prestadores que dan un incorrecto uso al concepto de ingresos como respuesta a la pregunta: ¿Debo dar un crédito?,  y terminan negando el crédito basado en falsas leyendas, considerando que mitigan el riesgo al agregar es sus políticas de créditos la restricción de sin comprobante la solicitud es rechazada.

Sin duda, el ingreso de una persona o de su familia es muy importante para las instituciones que otorga créditos, ya que esto ayuda a responder una de las preguntas más difíciles: ¿Cuál es el monto adecuado para prestar?, y aunque parece sencilla realmente no he encontrado una institución que tenga la respuesta y sobretodo que la aplique.

El MONTO IDEAL DE UN PRÉSTAMO

El monto ideas no es el que quiere el cliente, lo podemos definir como el monto deseado por el cliente sin que llegue a sobre-endeudarlo. Este monto esta muy relacionado con el ingreso del cliente, por lo que se puede pensar que:

El que gana más debe tener un préstamo mayor, 

pero esto sigue siendo incompleto, ya que el monto de préstamo debe estar alineado  a la CAPACIDAD DE PAGO y de esto se deben cuidar 2 aspectos:

  1. Monto menor a la capacidad. Rechazo por parte del cliente porque no se siente valorado, el monto de préstamo es menor a lo deseado por el cliente.
  2. Monto mayor a la capacidad: Sobreendeudamiento que provoca que el cliente no pague.

Ambos puntos al no considerarlos conllevan a un impacto negativo para el otorgante, la primera en crecimiento de clientes y la segunda en la calidad de su portafolio por no controlar el nivel de endeudamiento.

Con base a una presentación sencilla de la CONDUSEF (consiguió – Capacidad de Pago), de forma muy general la capacidad de pago mensual de una persona son los ingresos libres de cualquier obligación y se estima restando de los ingresos los gastos generados al mes.

Capacidad de pago = Ingresos – Gastos <– conocido también como Ingresos disponibles

Por otro lado, el nivel de endeudamiento te da la relación que existe de entre el ingreso familiar y pagos a deuda. Como una práctica sana crediticia el porcentaje debe ser menor al 30%.

Nivel de endeudamiento = Pagos a deudas / ingreso < 35%

INFORMACIÓN PARA ESTIMAR: Ingreso –> Capacidad de endeudamiento

Ambos conceptos son sencillos de entender y calcular, pero contar con información fidedigna relacionada a los ingresos de una persona y familia hace la estimación sea complicada e incierta. 

Al no contar con un comprobante de ingreso (nomina, movimientos bancarios, etc.), el problema a resolver es como estimar el ingreso y así la capacidad de pago para todo ese mercado potencial y así mejorar la calidad de la cartera evitando sobreendeudamiento.

En mi experiencia me he encontrado con varias soluciones implementadas:

  1. No ofrecer crédito a personas sin comprobante de ingreso.
  2. Ofrecer créditos a tasas más altas para mitigar el impacto negativo de sobreendeudamiento.
  3. Reglas complicadas de crédito donde la aprobación del crédito depende de la comparación del ingreso que dice el cliente contra los gastos obtenidos de otras fuentes (Buros de crédito).
  4. Modelos continuos que estiman el ingreso de una persona a partir de variables como edad, nivel de estudio, etc. (terminan siendo ajustado de forma manual, parchados o no usado por estar lejos de la realidad).
  5. Modelos que estiman el ingreso a partir de segmentar la población hacia un producto basados en el perfil de clientes existentes con comprobante de ingresos, es a nivel producto por lo que no siempre es bueno hacia el cliente; se agrupan los perfiles (edad, educación, etc).
  6. Estrategias basadas en producto y no en el ingreso del cliente. Modelos score, segmentaciones o simples políticas en donde por el nivel de riesgo, se da más o menos sin importar la capacidad de endeudamiento, se utilizan mitigadores como avales, prestamos pequeños, etc.

 

Dado lo anterior, los bancos reducen su riesgo cerrando la llave (1) o utilizan modelos (4 & t); sin embargo el grueso de la población sin comprobante está siendo atendido por financieras las cuales utilizan estrategias basadas en productos y no en el perfil del cliente (2, 3 & 6) por ejemplo:

  • “Prestamos inicial con montos pequeños sin comprobación de ingreso”, personas que no toman el préstamo porque está lejos de lo que necesitan o piden en varias instituciones a la vez.
  • “Clientes que varias renovaciones de préstamos, le ofrecen un incremento que termina siendo superior al nivel de endeudamiento”, Clientes que pagaban bien y al aumentar su línea de crédito dejan de pagar –> portafolio con un porcentaje de clientes sin pago por sobreendeudamiento.

REAL PROBLEMA

El problema de contar con carteras afectadas por porcentaje de clientes sobreendeudados no radica solo en perdida para los inversionistas de las instituciones que otorgaron los préstamos, si esta mala práctica llega estar fuera de control podría generar lo siguiente:

  • Reducción de Créditos – Severidad en los Criterios otorgamiento con incremento en tasas de interés.
  • Burbujas financieras – Instituciones vendiendo activos con el objetivo de recapitalizarse debido al estancamiento y flujo de los pagos.
  • Crisis financiera  – Combinación de las dos anteriores (similar a la crisis hipotecaria en US.)

Por ello es responsabilidad de los otorgantes construir un modelo que estime monto de préstamo más justo para el cliente y la cartera se mantenga sana.

¿QUÉ SE PUEDE HACER?

Como lo comenté hacer un modelo que estime ingreso no es algo sencillo, pero tampoco es imposible, lo que se debe de hacer es desarrollar un modelo que segmente a nuestros clientes por perfil de ingreso y dando un traje a su medida, es decir al nicho de mercado en el que se enfoca nuestra institución financiera dividirlo del tal manera que podamos establecer un préstamo adecuado al cliente el cual tiene que considerar:

  • Segmento con un perfil claro de cliente, con una cota mínima y máxima de monto de endeudamiento, producto y seguimiento de cobranza.
  • Criterio específicos de otorgamiento basada en la información confiable, existente  y de otras fuentes que nos ayuden a identificar a que segmento pertenece el cliente.
  • Criterios claros de cada segmento para darle seguimiento a la vida del cliente y evitar sobre-endeudamiento.

¿CÓMO REFORZAR LA INFORMACIÓN?

El modelo debe ser capaz de utilizar información confiable (nomina /movimientos bancarios), información no confiable ingreso estimado proporcionado por el cliente, uso de otras fuentes (buro de crédito, etc), y estimación sociodemográfica a partir fuentes estadísticas como del INEGI que nos información del ingreso de una persona, por ejemplo:

  • Nivel educación –> Entre mayor nivel de estudios mayor ingresos
  • Edad –>Entre más adulto te vuelves aumenta tus ingresos pero a una edad se detiene o llega a bajar.
  • Tipo de localidad –> Una persona que vive en ciudad gana más que una de una población con menos de 20 mil habitantes.

CREDIBILIDAD DEL CLIENTE SIN COMPROBANTE PARA DAR UN PRÉSTAMO

Al contar con mayores puntos de referencia se puede evaluar lo que el cliente no indica como ingreso, pensemos que contamos con:

  • Ing_Cliente. Lo que el cliente nos indica que gana
  • Ing_gtos. Ingreso estimado mediante los gastos registrados en otras fuentes (buró de Crédito)
  • Ing_est. Ingreso estimado por perfil socio demográfico (INEGI)
  • Ing_perf. Ingreso estimado por perfiles existentes de clientes actuales
  • Ing_Mod. Ingreso estimado por modelos utilizando ciertas variables

Al hacer la comparativa de lo que dice el cliente se podrá verificar que tan confiable es lo que el dice y esto considerarlo para posibles tratamientos de cobranza.

Lo platicado no es la solución que aplica para todos, pero si se presenta varias aristas de como atacar el problema y su información de salida será muy útil para cómo manejar a los clientes.

Espero recibir tus ideas, sugerencias, dudas comentarios de como atacar dicho tema. Me encantaría incluir sus puntos de vista en futuras entradas y si estas construyendo en este momento un modelo similar puedes contar conmigo!

¿Consulta Publica sin manipulación para elegir el NAIM, es posible?

No soy experto en temas técnicos pero si se lo que quiero!!!

El tema de moda en México es el Nuevo Aeropuerto Internacional de México (NAIM), mediante una consulta a la población se pretende seleccionar entre dos alternativas…¿Qué resultado se puede esperar?.

Esta consulta publica tan sonada y criticada inició el día de hoy, al parecer el objetivo no es seleccionar el mejor proyecto, por lo que se escucha en las noticias y en voz de la gente el resultado de esta consulta será la consecuencia de una guerra de descalificativos que lleva algunos meses, algo parecido a las elecciones presidenciales, echar tierra a los candidatos (proyectos) y escoger el menos sucio. ¿Será el mejor resultado?

Creo que al final, un segmento de la población estará muy contenta, posiblemente los que tienen un fuerte interés en el proyecto ganador, pero la gran mayoría nos quedaremos con el sabor de que ambos proyectos son malos.

Cuando le preguntas a las personas su opinión, su respuesta se puede encerrar en los siguientes grupos:

  • El experto dice. Siendo no experto su opinión se sesga basado en lo que escucho de un experto en un tema, el problema radica que un proyecto tiene varias aristas: aspectos técnicos, económicos, ambientales, sociales, etc.
  • Mi líder dice. Alguien que no es experto, pero al cual las personas le dan su confianza, esperando que sea la mejor decisión. Ejemplo: “Obrador descarta crisis o devaluación por cancelación del aeropuerto”.
  • Mi vecina dice. Usualmente un rumor negativo que impacta en el miedo de la gente. Ejemplo: “El país se ira a crisis si no se escoge este proyecto”, “Nos quedaremos sin trabajo si el proyecto se va a otro lugar”, “La flora y fauna se acabará si se lleva en este lugar”, etc.
  • Yo digo. Basado en buenas o malas experiencias tener una opinión establecida que no pueda ser modificada por las anteriores.

Al final al no ser expertos tenemos que apoyarnos en los lideres de opinión, y ellos harán el sesgo a una u otra propuesta, y la consulta será considerada con un artilugio mas de manipulación por la clase política o rica del país, no lo digo yo, ya esto se comenta por algunos lideres de opinión…opps! …¿Qué hacer para evitar esto?.

Simple modelo de selección de proyectos usando consulta publica y evaluación por expertos

Selección de variables

Pensemos en hacer un modelo de decisión que califique cada una de las aristas que envuelve el proyecto:  (Considerando los que me vienen a la mente y no siendo un experto en el tema)

  1. Viabilidad técnica. Proyecto bien formulado técnicamente siendo factible y sustentable a futuro.
  2. Viabilidad económica. Proyecto rentable con beneficio socioeconómico, considerando costo de construcción y mantenimiento.
  3. Impacto ambiental. Identificación del nivel de impacto en las condiciones actuales del ambiente.
  4. Impacto Social. Consecuencias positivas o negativas de llevarse acabo un proyecto en una comunidad.
  5. Demanda. Porcentaje de la población que tiene afinidad al proyecto (Se obtiene de una consulta pública).

 

Valor de las variables

Contamos en este momento con 5 variables de decisión, para evitar sesgos o procesos no transparente, cada variable puede ser evaluada por un conjunto de expertos procedente de diferentes organismos o instituciones, otorgando una calificación por ejemplo de -10 a 10. Veamos en la tabla un simple ejemplo:

VT

Consideremos que para el caso de las variables 1 y 2, lo más seguro es que sean positivas, pero para la 3 y 4 (ambiental y social) podríamos tener valores negativos refiriendo a que el impacto en esos tema es de forma negativa, por ejemplo reducción de empleos, etc.

En el caso de la demanda los valores posibles será siempre positivo, de 0 a 10, donde el valor Máximo de afinidad sería 100% de la población queriendo el proyecto lo cual equivale a 10 puntos.  Ahora veamos como quedaría con calificación de las 5 variables para los 2 proyectos:

CalifVar

En el ejemplo gana Texquito, donde nuestros expertos terminan dando una calificación muy similar en ambos proyectos.

Pesos de variables basado en Consulta Publica

Para evitar que entre los expertos terminen peleando en definir que variable es más importante, se puede utilizar la consulta publica, está tomará un mayor papel en la decisión pero para darle peso a cada una de las variables.

Pensemos en 3 amigos, Enrique, Andrés y Javier, para Andrés es más importante la parte ambiental y social, sin embargo Enrique y Javier opina diferente ellos dicen que es mejor la parte técnica y económica. Un ejemplo de como daría su opinión estos amigos es:

OpinionP

Dado lo anterior como cambiaria las calificación considerando los pesos, esto se obtiene  multiplicando la calificación por el peso (en nuestro caso se multiplica por 5 para hacer más visible la diferencia entre los proyectos):

Final

Tendríamos un nuevo ganador Sta Lucha, ese ganador fue con base una calificación por experto y de acuerdo al mayor interés de la población.

Esto es una idea que salió de pensar en como quitar la manipulación a una consulta publica de selección de un proyecto. Esta idea puede mejorarse y si tienes alguna idea que contribuya sería genial contar con tus comentarios.

Esta idea y otras que deriven de esta tenemos que hacer que lleguen a nuestros futuros lideres para que realmente se tomen decisiones en donde los intereses de la población realmente sea escuchados y quitemos vicios con procesos más transparentes.

 

 

 

100% de match – Reclutamiento de personal usando Machine Learning

Candidato, según IA tu y yo somos la pareja perfecta!!!

Cuando inicie este escrito quería platicar sobre como los modelos de Machine Learning  están impactando en la evolución de los procesos de reclutamiento, sin embargo llegó a mi mente 2 situaciones:

  1. Recuerdo de un compañero que antes de contractar a partir de la fecha de nacimiento revisaba el horóscopo del candidato y revisaba la compatibilidad con su signo zodiacal.
  2. Publicación de LinkedIn donde se comentaba que para mitigar un mal proceso de reclutamiento los candidatos al inicio firmaban contratos mensuales (una mala practica que a la fecha se usa en algunas empresas).

No pienso profundizar sobre ambos temas, prefiero enfocarme en que una relación de trabajo exitosa consiste principalmente en la compatibilidad entre el jefe y el nuevo empleado, el mayor sesgo en la selección es la empatía que se produce en las entrevistas que tiene el candidato con el reclutador y el jefe directo.

Si la selección del mejor candidato depende de la empatía entre dos personas, entonces se podría utilizar un algoritmo similar a los sitios de búsqueda de la pareja perfecta para mejorar la selección, suena loco pero podría ser parte de una solución para reducir la rotación de la empresa, gran parte de que un empleado se mantenga en la empresa depende de la relación empleado jefe (fidelización del empleado).

Usualmente un algoritmo de match entre 2 personas tiene una salida de compatibilidad del 0 al 100%, lo cual podríamos considerarlo como un score, esta salida del algoritmo en proceso de reclutamiento no debería considerarse como el remplazo a los actuales procesos, al contrario la salida de este algoritmo sería una variable más en un modelo nuevo que considere otras evoluciones como factores para impulsar el proceso de selección del mejor candidato:

  • Test de Actitudes. Enfoque en las habilidades relacionadas al puesto.
  • Test proyectivos. Predecir comportamiento a partir de la personalidad.
  • Test de nivel intelectual.
  • Test de personalidad. Técnicas introspectiva para descartar rasgos de personalidad no compatibles con el trabajo.
  • Otros Test. Evaluaciones relacionados a temas de ética, y/o el resultado de las entrevistas.

Siendo  que mi conocimiento en dichas evaluaciones, solo serán nombradas como ejemplos más comunes,  y hablemos de forma rápida un como sería el modelo:

  • Variable objetivo:  Empleado adecuado y compatible con la posición, empresa y jefe.
  • Entrada del modelos: Los exámenes y resultados de entrevistas serían las variables a utilizar en el modelo.
  • Salida del modelo: Un score donde el valor más alto indica una mayor probabilidad de cumplir con la variable objetivo y un score bajo que el candidato esta lejos de ser el mejor.

El beneficio de este modelo sería incrementar el volumen de candidatos a evaluar reduciendo el costo unitario del procesos de selección de un candidato. Los reclutadores no solo apuntarían hacia el perfil del candidato, sino tendría mayor conocimiento de la empresa y del futuro jefe.  Esto daría el impulso necesario para mejorar  y continuar con la tendencia mostrada en el siguiente articulo que sin duda es muy interesante: Tendencias de reclutamiento en el 2018:

data trend

Otro articulo que puede darte una mejor visión de como ML será parte del proceso de reclutamiento es el siguiente: Adiós al Reclutamiento tradicional: IA ha llegado para quedarse.

IA

Otras ligas de interés:

Como todo tiene su lado malo, o mejor dicho su área de oportunidad… esto se lo dejo a los expertos de reclutamiento para que nos den su retro de lo que han leído en este articulo…. solo con sus comentario podemos afinar más el futuro del reclutamiento usando Machine Learning (ML).

Si me tratas mal, no te pago!

 Cuidado … un mal servicio post venta afecta el pago de los clientes!

Después de un día de coraje ocasionado por un mal servicio post venta llegó el momento de reflexionar de como esto impacta en el poder de predicción de un modelo.

Consideremos un modelo que su salida es un score que califica a nuestros clientes de manera que una calificación baja nos indica que será un mal pagador y una alta es que será un buen pagador.

Los modelos no siempre logran definir con certeza si un cliente es bueno o es malo, en la matriz de confusión podemos encontrarnos dos conceptos interesantes:

  1. Falso Positivo. Se predijo que el cliente iba a ser bueno y resultó mal pagador.
  2. Falso Negativo. Se predijo que el cliente iba a ser mal pagador y resulto bueno.

Considerando el punto 1 … ¿Por qué un cliente con un alto score, alta probabilidad de ser buen cliente, dejó de pagar? … uniendo piezas, una razón para explicar esta situación son aquellos clientes que castigan a la empresa por recibir un mal servicio, no es difícil de entender esta situación, sin embargo esto impacta a la empresa y al cliente en muchos sentidos.

Seguramente el área de cobranza aplicará las estrategias usuales para este cliente y esto incrementará la molestia del cliente, dando lo siguiente:

  • Paga, pero en cuanto pueda dará mal prestigio a la empresa.
  • No paga y además trata de dañar la reputación de la empresa.

Identificar clientes en atrasos por mal servicio post venta depende de los recurso y el nivel tecnológico que tiene la empresa, pero sobre todo el interés por hacer algo:

  • Sistema de CRM  – Registro de quejas y seguimiento.
  • Modelo de comportamiento – Lanzar alarmas basado en patrones de comportamiento.
  • Modelo de cobranza -Segmentando o calificando para aplicar una estrategia de cobranza.
  •  Buró de Crédito – Desempeño en otras empresas.
  • Organismo o instituciones de gobierno – Registro de quejas.

Uniendo cabos, un cliente con un alto score que cambia su patrón de pago (dejó de pagar), que levantó una o varias quejas y que en otras empresas sigue pagando, muy probablemente esta castigando a la empresa por un mal servicio post venta. Entre más rápido se identifique en menos atrasos caerá.

Post la identificación debe seguir la estrategia de recuperación del cliente, desde mi opinión debe estar bajo el paraguas del CRM, pero debe estar ligado al modelo de cobranza para incluirlos en un programa justo de pago.

Un cliente con una experiencia negativa hará que se pierdan futuros clientes, una gestión de estos clientes molesto no debe considerarse como un “Nice to have”, al contrario esto es básico para la empresa…

¿En tu empresa cómo se identifican y gestionan los malos pagadores por un mal servicio post venta?.

 

KPI Vs Metas (Español)

LA CIENCIA DE CONSTRUIR UN KPI

Encontré un artículo en LinkedIn relacionado con que muchas personas confunden los objetivos con los KPI, para la persona que escribió era muy importante que el equipo bajo su cargo supiera distinguir claramente la diferencia entre ambos conceptos.

Buscando más detalles sobre esto, algunos escritores explican las diferencias y como identificar cada uno, sin embargo no solo trata de entender las diferencias también se debe de entender tres puntos de vistas de personas que están involucradas con este tema:

  • Responsable de los objetivos. De acuerdo a las necesidades del negocio ellos establecen los objetivos para toda la organización (directores)
  • Desarrollador del KPI. Equipo con enfoque en el seguimiento del desempeño.
  • Fuerza de trabajo. Equipo con enfoque en producción o áreas comerciales.

Para poder dar una mejor explicación pondremos un simple ejemplo relacionados a una institución financiera:

  • Objetivo: Empujar las ventas al doble del año pasado
  • Meta: 100,000 prestamos vendidos
  • Fuerza de Ventas: 1,000 asesores de venta

Para los directores, “El doble de ventas” representa un reto y un mensaje para toda la compañía  y fue generado con base en diferentes análisis (financiero, operativo, legal, mercado, etc.), sin embargo este mensaje no es tangible para el equipo de ventas, pero con este mensaje el consejo directivo trata de alinear y subir a todo el equipo al mismo barco.

¿Meta genérica?

Usualmente el departamento de finanzas es la fuente de la meta (100 mil prestamos), aunque esta cantidad no puede ser comunicada como meta directa a aun asesor debido a que es un número muy lejos para un asesor, por ello esta meta es dividida entre el número de Asesores y monitoreado en un periodo especifico (mensual, semanal, diario). De allí es donde encontramos una meta genérica que es alcanzable para los asesores. (2 prestamos por semana).

Considerando que todos los asesores hacen su meta de 2 prestamos por semana, la original meta sería sobrepasado, esto suena fácil y simple “El año pasado un asesor hacia un préstamo por semana y este año tiene que hacer dos“, lo puedes comunicar a tu equipo de venta y no utilizar un KPI con muchas métricas.

Si tu consideras que tu maquina de producción con lo mencionado arriba, nunca llegarás a los objetivos de tu negocio, para evitar este error típico de novato debes tomar en aspectos como a continuación comento:

  • Asesores con generación de ventas superior a 2 prestamos por semana
  • Asesores sin prestamos
  • Rotación de asesores
  • Tasa de rechazo (% de solicitudes rechazadas)
  • Saturación del mercado
  • Estacionalidad del negocio, etc.

De lo anterior podemos encontrar varias variables que necesitamos darle seguimiento para entender el cómo llegar a los objetivos y el porque del que no estemos llegando, por ello es necesario construir un KPI con esas variables y las metas pasan de ser genérica a una meta específica para cada asesor, la cuál estará ligada a una comisión y bono por su alcance. Por ejemplo para un asesor que hace 3 prestamos a la semana, para la siguiente semana debe hacer 5, no es el doble, y talvez represente una meta muy retadora (cuidado con esto); también debes compensar lo que esperas no producir a causa de asesores no productivos y zonas vacantes. Recuerda una meta debe ser retadora pero alcanzable.

img_0240

Cuando hablas con el equipo que va desarrollar el KPI (equipo de BI/IT) sobre las métricas que debe tener el KPI ellos lo harán sin problema, pero pedir que se agregue otra métrica post la producción y distribución del KPI será la peor solicitud que puedas hacer, esto significa mucho trabajo y en muchos casos no será de mucha utilidad. Un KPI debe contener unas métricas base, otras relacionadas a las metas, las cuales cambiarán de acuerdo para que el equipo de ventas se alinea a los objetivos del negocio, lo cual debe ocurrir en un periodo especifico, al que llamaremos periodo de ajuste (mensual, bimestral, etc.) que permita reaccionar a tiempo a un cambio de dirección. Si mantienes métricas que ya no utilices del mes anterior seguramente el KPI se llenará de mucha información y tu equipo de ventas le puede generar confusión.

Check list para un buen KPI

Dado lo anterior un KPI debe contener:

  1. Métricas base
  2. Progreso de metas
  3. Métricas que soporten las metas
    • Historia suficiente para identificar tendencia, estacionalidad o comportamientos fuera de lo común.
    • Alertas para desempeños bajos o altos y como esto impacta en comisiones y bonos (utilizar semáforos)
  4. simples de entender y fácil de calcular

Antes de distribuir un  nuevo KPI debes revisar los siguientes puntos :

  • KPI sin métricas base –> No es un KPI, porque no muestra lo básico para entender el desempeño.
  • KPI sin métricas de meta  –> El equipo no estará alineado con el objetivo del negocio.
  • KPI sin info de comisiones/bonos –> El equipo no utilizará el KPI.
  • KPI con demasiadas métricas –> KPI no utilizado por el equipo.
  • KPI complicado –> Métricas complicadas de entender o calcular hará que el equipo desconfié del KPI y genere descontento principalmente cuando se habla de métricas o alertas relacionadas a comisiones y bonos. 

 

Este es un buen check list que puedes ocupar para tus actuales KPI, si hablas con tus asesores y ellos consideran que tu KPI cumple con todos los puntos, seguramente tu compañía va por buen camino, pero si falla en alguno de los anteriores es importante que hagas una rediseño del mismo.

La construcción de un KPI o dashboard depende del nivel de la estructura a la que se envía la información, ambas herramientas no son lo mismo, el KPI muestra a detalle el progreso y desempeño (nivel bajo a mandos medios), mientras que dashboard nos da una rápida vista basada en gráficas del estado del negocio (enfoque a mandos medios a altos).

Un final comentario, tomando la consideración inicial sobre la diferencias entre metas y KPI, para equipo con posición de medio mando para arriba es de utilidad distinguir (KPI versus objetivo, Meta general, genérica y especifica), pero desde mi humilde opinión para la fuerza de trabajo no es necesario, y se explica con lo siguiente que ellos deben tener en mente “Un KPI con mis metas es la única herramienta que yo necesito para trabajar“, si logras que ese equipo piense así… prepárate para el éxito.

Espero que esta información haga sentido para personas con experiencias en generación y uso de KPI, y por el otro lado para personas que están haciendo un KPI me gustaría saber que fue de utilidad y si necesitan mayor información o algún tipo de ayuda pueden contactarme agregando un comentario.

 

KPI Vs TARGET

THE SCIENCE ON KPI CONSTRUCTION

I found an article in LinkedIn regarding to a lot of people is confused with target and KPI, for the writer the differences between both concepts are so important and it should be clear for the people under her/his charge.

Looking for more details about it, some writers explain the differences and how we can identify each one, however I think that here we have three view points to understand:

  • Aim sponsor. According to business needs they establish the goal for all team
  • KPI designer. Team with focus in the performance follow up
  • Workforce. Team with focus on production or commercial areas.

In order to be clear, we can put an example related to financial institution:

  • Aim: Boost the sales as double of previous year
  • Target: 100,000 loans
  • Sales force: 1,000 sale agents

In this case for aim sponsor, the “double in sales” means a challenge and message for the company based on different analysis (financial, operational, legal, market, etc.), this message is not touchable for workforce, but with it, the board try to align the team at the same boat.

Usually the finance department is the source for the target (100k loans), however this figure can not be communicated to a sale agent as goal, that’s why this target is divided among the number of sales team, and follow up time (month, weeks, day); there we find a generic target that is reachable for sale agent. (2 sales per week).

Considering that all agent makes the target of 2 sales per week, the original target should be overpassed, it sounds easy and simple “last year a sale agent issued one loan and this year they have to make two per week”, you do not need a complicated KPI with many metrics.

If you consider that your production machine works as mentioned above your business never reach your business goal, in this case as sample you can put in mind the following aspects:

  • Sales agents that production level is higher than 2 sales per week
  • Sales agents with 0 sales
  • Turnover
  • Rejection rate (% of applications are rejected)
  • Market saturation
  • Seasonality

Therefore we have several variables that need monitoring, there it the reason to built a KPI where the generic target is convert to a specific target by each sale agent, for example one agent who makes 3 loans, for this week he has to make 5. (It is no the double) and maybe it could represents a big challenge for the agent (take care with it), the specific target should be challenger but reachable, but the you have to ask more due to vacants and agents with 0 production.

When you talk we the people who design a KPI (IT team), they are so happy adding since the beginning all metrics and post the KPI was created and distribuited ask for adding a new metric is the worst requirement that you can make for them. A KPI must have a basic metrics and according to target it should be change because the sale force have to aligned to it, also a KPI with a lot of metrics is no useful for team, they never see all metrics and it could be produce confusion.

Given that, a KPI should be have the following metrics and aspects:

  1. Basic metrics
  2. Target progress
  1. Metrics related to target
    History to identify out layers, seasonality and trend
    Sighs for low and high performance and how it could be impact on bonus (use some traffic lights)
    Metrics with simple to understand and easy to calculate

Remember the following point as aspects to check before put a KPI in production environment:

  • KPI without targets metrics –> Team will not be aligned with the goal company.
  • KPI without commission metric –> Sale force will not see/use the KPI 
  • KPI with numerous metrics –> The KPI will no useful for the team
  • KPI with complicate interpretation –> metrics not easy to understand or calculate means a not confident KPI, mainly in metrics related to commission.

According to the level you can built a KPI or dashboard, both tools are not the same, the KPI has detail about the progress for the low level of company, meanwhile the dash board give us a quickly view with charts the status of the business.

A final comment, taking the initial consideration regarding to the difference between goal and KPI, for people in a management position is helpful to understand the difference between these two, but my humble opinion thereby referring the work force is resumed in the following expression: “KPI with my target is the only tool that I need to work”, the difference is no needed.

I wish this information makes sense for experienced  people, and on the other hand for people making a KPI, I hope it to be useful, but if you want more info or any kind of support please feel free to contact me.

AI en la Cobranza

La Inteligencia Artificial como factor para mejorar la Cobranza!!!

Desde mi trinchera he podido ver que conceptos como Big Data, Machine Learning, AI son más aplicados en conceptos de cómo obtener clientes es decir en ventas … pero ¿Qué hay de la cobranza?, ¿Cómo se está impactando estas nuevas tendencias?

Dentro de una empresa se tiene la creencia de que vender solo aplica para la atracción y retención de clientes, y la cobranza es un proceso completamente diferente; yo no estoy de acuerdo con ello, para mi todo los proceso son ventas:

  • Originación. Se vende la idea de ser cliente tiene valor para una persona.
  • Retención. Se vende la idea de que hay más beneficios si se es un cliente leal.
  • Cobranza. Se vende la idea de que pagar es bueno para seguir siendo un cliente y no sufrir consecuencias de ser un mal cliente.

El vender es convencer a una persona para comprar o hacer algo, y en la cobranza se convence con argumentos que van de una forma muy suave hasta aquellas que no son tan suaves, el nivel de rudeza en el argumento de convencimiento usualmente depende de que tanto es el adeudo así como el interés de retener al cliente.

En la gestión de la cobranza, usualmente los clientes se colocan en buckets de acuerdo a los días en atraso, estos bucket servirán para establecer las estrategias de acuerdo a 4 grupos:

  1. Prevención de atrasos. Al darle un crédito al cliente sabes que tan propenso puede caer en atrasos por el score de originación o comportamiento (usualmente no se les hace nada, primer error común).
  2. Detener atrasos tempranos. Aquellos que de acuerdo al tipo de préstamo e institución consideran que el tiempo sin pago puede ser manejable y los clientes tienden a caer en ello y recuperarse principalmente por ellos mismos.
  3. Detener atrasos. El tiempo sin pago ya representa un tiempo considerable y se debe tomar acciones para hacer que el cliente vuelva a pagar.
  4. Recuperación de cartera. La deuda fue declarada como una perdida de forma contable, pero se sigue gestionando la cobranza para recuperar monto perdido, para la institución ya no se considera un cliente.

A cada grupo se le aplican tratamientos que son conocidos como herramientas de contacto como  email, SMS, WhatApps, mail, Call Center, visitas por gestores de cobranza. Estas herramientas tienen diferente nivel de efectividad, cobertura y costos, por ejemplo los SMS tienen alto nivel de contacto, baja efectividad, mayor cobertura y bajo costo, por otro lado los gestores  bajo nivel de contacto, alta efectividad, poca cobertura y costo alto.

Tratamientos

Cobranza Tradicional

En la cobranza tradicional, un experto de cobranza genera la estrategia colocando los tratamientos de acuerdo a su experiencia sobre la cartera, zona geográfica, el saldo a recuperar y un presupuesto limitado para aplicar dichas herramientas. Este gerente de cobranza tiene muy claro que entre más tiempo el cliente deje de pagar es más difícil contactarlo.

Muchas veces la base de datos de los deudores es compartida con Call Centers & Agencias de cobranza y al enviar dicha información se genera un hueco de información en donde el cliente llega a pagar y dichos soportes externos no tienen actualizado el estado del cliente, generando con ello malestar y uso ineficiente de las herramientas al hacer un contacto innecesario y tener que pagar dicho contacto.

Actual situación -Scoring de Cobranza

Las instituciones están utilizan un modelo de Score de cobranza (ML) que arroja la probabilidad de pago construida con variables históricas de comportamiento de pago (la principal es días en atraso), perfil del cliente, información de la operación financiera, etc., como inicio es bueno pero en la mayoría de los casos el calculado de forma mensual y no se considera en la mayoría de los casos que fue lo que hizo que un cliente hiciera un pago; además el resultado del score para prevención utiliza el de comportamiento lo cual lo vuelve parecido al de origination.

En algunos casos se cuentan con consultas a buró de forma mensual para identificar cómo está pagando el cliente en otras instituciones pero no son alarmas en tiempo real, por lo que el tiempo de reacción para prevenir atrasos no es efectiva.

Aun así en la mayoría de los casos la estrategia es decidida por el gerente de cobranza  al decir que tratamiento aplicar durante un mes.

A pesar que las tecnologías han generado más forma de realizar pagos, se sigue teniendo el hueco de información con Call Centers & Agencias Externas.

Futuro de la Cobranza

El siguiente paso es utilizar modelos más especializados de Machine learning, conectar los avances en la tecnología y obtener más información que ayude a predecir cómo es la mejor forma de vender a un deudor que pague. Para obtener mejoras en el proceso como en la toma de decisión del tratamiento a aplicar se debe considerar lo siguiente:

Actuales:

  • Pronóstico de pago por comportamiento del cliente. Usar variables internas de comportamiento de pago.
  • Pronóstico de Pago por perfil. Similar al obtenido de un score de originación o comportamiento.
  • Tecnología aplicada para captación de pagos y manejo de movimientos, las famosas aplicaciones wallets que permiten transferencias y pagos de forma más rápida.

Nuevo:

  • Pronóstico por reacción a tratamiento. Identificar que canal de contacto y argumento de convencimiento es el más adecuado para que el cliente haga un pago.
  • Alarmas temprana . Contar con alarma que indique el alto de pagos en otros producto u otras instituciones (buro de Crédito) y/o si el cliente pierde sus ingreso o un incremento de su adeudo por otros préstamo que lo pueda sobre-endeudar.
  • Reconocimiento de Patrones. Pasar de un simple scoring a modelos de reconocimiento de patrones, que aprenda dinámicamente y reconozca rápidamente a futuro deudor. (Machine Learning)
  • Reconocimiento de tendencias. Utilizar información de big data y otras fuentes, para detectar grupos sociales, zonas geográficas que podrían dejar de pagar.
  • Aumento de canales de contacto. Utilizar redes sociales para incrementar el contacto con el cliente generando nuevas herramientas que tengan mejor cobertura, menor costo y efectividad.
  • Software interno. Un sistema software con la seguridad necesaria para se que se use en tratamientos externos, donde se comparta los datos de los clientes en atraso y se envíen los argumentos que deben seguir los apoyos externos.

Sistema de Inteligencia Artificial – Cerebro de la operación

Por ultimo no se debe mantener con todos los temas anteriores como islas, se debe construir un sistema de Inteligencia Artificial que permita unir toda esta información como un cerebro central que que aprenda dinámicamente para llevar las tareas de segmentación de la cartera, calculo de costos y administres estas herramientas y modelos de forma automática y dinámica para obtener los siguientes aspectos:

  1. Mas información del cliente en menor tiempo basado en alarmas tempranas.
  2. Segmentación de clientes más efectiva. no solo por bucket de atraso, sino por probabilidad de pago por canal de contacto, alarmas tempranas, tendencias y reacción a argumento de convencimiento.
  3. Argumento de convencimiento con mayor poder de acuerdo al perfil del cliente.
  4. Incremento de la tasa de contacto por más canales y re-uso de los actuales
  5. Asignación de tratamiento de forma optima (Menor costo y mayor efectividad).
  6. Incremento de la cobertura y localización del cliente.
  7. Reducción de tiempo de acción. No esperar un mes para aplicar otro tratamiento.
  8. Mayor control de apoyo externo. No huecos de información y mejorar la supervisión en apoyos externos, así como indicar el argumento de convencimiento de acuerdo a las políticas de la empresa.

Finalmente el beneficio de tener una mejor cobranza se verá reflejado en una mayor utilidad.

benef.png

Puede que algunos conceptos o puntos se me hayan ido al escribir este articulo, así que me gustaría saber tu opinión y con ello poder mejorar la información del mismo.

Aprobación de un modelo

La gestión de modelos no termina cuando se termina el desarrollo…

El día de hoy me gustaría ser ligeramente más técnico, claro sin olvidar que el objetivo de este blog es platicar de forma sencilla aspectos relacionados con análisis y modelos usando técnicas de Machine Learning.

Hablando de modelos, ¿Cómo se puede asegurar que un modelo será útil para lo que se desarrollo?, para aquellos que les gusta hacer modelos, la primera idea que les llega a la mente será ver métricas precisión,  desempeño, etc., pero no solo es eso, la idea es que el modelo realmente sea usado y funcione de acuerdo a los requerimientos del desarrollo, y para ello se requiere de todo un Proceso de Aprobación de un Modelo.

En un articulo anteriores se platicó sobre qué es un Data Scientist y cómo Documentar un modelo de riesgo, ambos temas son de importancia para poder conseguir una aprobación de tu modelo.

Proceso de Aprobación

Examinación de los datos (ED)

Muchas veces se confunde la validación de los datos con la validación técnica, considerando que una estadística descriptiva de la base datos es suficiente, sin embargo se deben revisar los siguientes puntos que están relacionados a IT:

  1. Accesibilidad de Datos. Fuente oficial y confiable que pueda ser auditable y replicable en cualquier momento.
  2. Integridad de la información. Conciliación de datos entre base de Desarrollo, testing y producción.
  3. Suficiencia histórica de datos. Soportar y generar los respaldos necesarios de datos históricos para desarrollo de modelos.
  4. Integridad en la comunicación de datos entre los sistemas que transportan las variables para el modelo (Input) y el resultado del modelo (Output), ya sea interno o con sistemas externos de un proveedor de modelo.
  5. Continuidad de los sistemas de datos, revisar que se este trabajando con los sistemas actualizados, así como los pasos a seguir para migrar a nuevos sistemas.
  • Examinador: Experto en Tecnología y procesamiento de datos

Examinación Técnica (ET)

  1. Calidad de datos. Estadística descriptiva de las variables, estabilidad de las variables, missing, etc.
  2. Muestreo. Metodología de la muestra, suficiencia, reject inference, etc.
  3. Metodología del desarrollo. Descripción de cada paso del Proceso de desarrollo
  4. Técnica de modelaje. Técnica ocupada en el modelo tales como regresión logística, red neuronal, árbol de decisión, random forest, etc.
  5. Selección de variables. Proceso de reducción, métricas como information value, WOE,  coeficiente de correlación, etc.
  6. Alternativas técnicas. Comparativa entre escenarios con diferentes variable o técnicas aplicadas.
  7. Salida del modelo. Comparativa entre la muestra de desarrollo y testing considerando métricas de  precisión y desempeño, tales como Gini, KS, ROC, matriz de confusión, estabilidad de la población, PDO, etc.
  8. Definición de métricas de desempeño y triggers para alerta temprana para su seguimiento, tales KS, PSI, BD, etc.
  9. Cambios. Que el cambio sea técnicamente justificable.
  10. Criterio vs Código. Asegurar que el código generado esta de acuerdo al criterio para generar la salida del modelo, replicando y validando con diferente muestras de datos.
  • Examinador: Experto en modelos de riesgo

Examinación Funcional (EF)

  1. Objetivo y Justificación del modelo.
  2. Uso del modelo. El modelo debe ser usado para lo que fue solicitado y desarrollado (producto, portafolio, segmento, etc.), ya sea desarrollo interno o pro un proveedor.
  3. Fechas y periodos de desempeño para el Desarrollo y Testing. Que la muestra de desarrollo no tenga comportamientos diferentes a lo que se presenta actualmente.
  4. Exclusión de datos. Racional para categorías de exclusiones ya sea por política o por necesidades técnicas o de negocio.
  5. Definición de la variable objetivo. Verificar que haga sentido con el objetivo del modelo, recuerda el articulo sobre definir la variable objetivo.
  6. Variables de entrada. Si las variables elegidas hacen sentido con el objetivo del modelo y del negocio.
  7. Alternativas funcionales. Comparativa de uso, implementación de diferentes alternativas de modelo.
  8. Desempeño.  Identificar el nivel de separación entre buenos y malos y como impacta en el portafolio.
  9. Alarmas de desempeño. Considerar si las alarmas establecidas son adecuadas para identificar rápidamente cualquier deterioro del modelo con impacto en el portafolio.
  10. Implementación. Examinar si todo el proceso de implementación están alineados a un plan y si las pruebas de implementación fueron exitosas así como un plan de continuidad.
  11. Programa de revisión de desempeño. Observar si las fechas de revisión de desempeño y evaluación son correctas.
  12. Cambios. Que el modelo mantenga su funcionalidad ante un cambio en el modelo.
  • Examinador: Experto de negocio (producto, portafolio y/o segmento).

Gobierno (EG)

  1. Plan de desarrollo.Asegurar que se lleve cada paso del desarrollo de acuerdo a un plan, gestionando los recursos, roles y responsabilidades.
  2. Ciclo de vida de un modelo. Asegurarse que el modelo puede cambiar de status dependiendo de su uso o desempeño (en desarrollo, en uso, sin uso o retirado).
  3. Cambios al modelo y versiones. Seguimiento y control de cambios.
  4. Documentación. que todo este integrado en la documentación.
  5. Limitaciones y su mitigación: Gestión de limitaciones y acciones de mitigación.
  • Examinador: Experto en administración de modelos.  

Regulación (EL)

  1. Regulación actual. Regulación ligada al uso del modelo
  2. Proveedores. Revisar que los contratos con proveedores de modelos se cumplan.

    En esta descripción se explicaron 34 puntos de revisión (ED:5, ET:10, EF:12, EG: 5, EL:2). Todo estas examinaciones están bajo un marco de administración de modelos, usualmente llamado MRM por sus siglas en ingles (Model Risk Management), el cual estaremos platicando a mayor profundidad en otro articulo.

    Como se darán cuenta, de los 3 conceptos que tiene un Data Scientist (Procesamiento de datos, modelaje,  análisis de negocio) se aumentan otros 2 que serian administración de modelos y regulación, si de por si es complicado cubrir todo el perfil de un científico de datos, agregar los otros 2 puntos lo vuelve casi imposible… pero no cuando generas un equipo que compuesto con los diferentes perfiles.

    La aprobación del modelo es respaldada con un formato que a partir del tipo, alcance y rating del modelo, indica si los puntos a examinar son aplicables y que escala de calificación debe utilizarse; de esta manera el examinador dependiendo de lo documentado pone una calificación para cada uno de los puntos que le corresponden.

    Ejemplo: Supongamos que tenemos un total de 15 puntos de revisión y vamos a aprobar un modelo que por su tipo solo aplican 10 puntos de revisión y la escala de cada punto es de 1 a 3, donde 1. Sin información, 2.Incompleta y 3. Satisfactoria. Para ser aprobado el modelo debe ser calificado con un valor > 75%.

    eval

    La calificación general del modelo, se da entre 0% a 100%  considerando el alcance del máximo de puntos a obtener de los puntos de revisión que aplican.

    Para el ejemplo, aunque el promedio es 2.2, para nosotros la calificación final es 83.3% (calif_final = 25/30), siendo mayor a 75%, por lo cual será aprobado.

    Además los examinadores pueden notificar cualquier problema encontrado y solicitar una acción que mitigue dicho problema, dando como posibles resultados:

    • Aprobado sin limitaciones.
    • Aprobado con limitaciones.
    • Rechazado.

    Dado que en el ejemplo se levanta una limitación, este modelo tendrá el status de aprobación como: APROBADO CON LIMITACIONES.

    En algunas aprobaciones se pueden poner algunas condiciones, tales como decir que si ED & ET no tienen una calf > 80% el modelo será rechazado.

    Para el ejemplo, la Examinación Técnica tiene 75%, lo cual es menor al 80% y esto cambia el status de aprobación a: RECHAZADO.

    Esta forma de evaluar es muy común, en mi experiencia la he encontrado en aprobaciones de licitaciones, aprobaciones de proyectos, etc.

    Espero que esta información haya sido de utilidad y si tienes dudas al respecto agrega un comentario y con gusto tratare de apoyarte.