Una web de INFORMA D&B S.A.U. (S.M.E.)

General

Guía para implementar estrategias de toma de decisiones de crédito automatizadas

25 noviembre, 2020

Una evaluación de crédito comercial típica se puede dividir en tres pasos: resolución y verificación de identidad, decisión (aprobar o rechazar la solicitud de crédito) y asignación de límite de crédito. Nuestros clientes han visto que los datos de terceros son fundamentales para realizar una evaluación crediticia perfectamente fundamentada (y esperamos que tú también lo hagas).

La automatización ayuda a optimizar las evaluaciones crediticias y tiene muchos beneficios potenciales: ahorro de costes; decisiones más consistentes y rápidas; y, en última instancia, una mejor experiencia para el cliente. Si tienes curiosidad sobre cómo empezar, sigue leyendo.

Resolución y verificación de identidad

Como primer paso en el proceso de toma de decisiones, verificar la identidad del solicitante es fundamental para garantizar que se evalúe la información correcta. Después de todo, no deseas aprobar un nuevo cliente llamado ABC, Inc. sin confirmar si es Advanced Business Corporation, Inc. o American Brewing Company, Inc. Invertir en la optimización de la coincidencia de entidades comerciales, o la resolución de identidades, puede ayudar para resolver estos errores.

Un proceso sólido de coincidencia de identidades empresariales también es vital para la toma automatizada de decisiones, ya que evita la mayor parte posible de la revisión manual. Aquí hay cuatro factores que impulsan el éxito de un proceso de emparejamiento:

  • Calidad e integridad de los datos consultados: todos los campos deben rellenarse con datos válidos y correctos. Algo tan simple como la validación de formularios puede mejorar considerablemente los resultados.
  • Calidad e integridad de los datos de referencia: a diferencia de los datos de los consumidores, en los que un número de seguridad social distingue fácilmente a las personas de otras con datos identidad similares, identificar las entidades comerciales presenta un desafío mayor. Para aumentar las posibilidades de una coincidencia exitosa, trabaja con el archivo de referencia más completo disponible. Además de los campos equivalentes a los de los datos de la consulta, los valores alternativos (nombres comerciales de estilo comercial, direcciones anteriores, etc.) también aumentan las posibilidades de una identificación exitosa.
  • Proceso de coincidencia y algoritmo: cuando hay mucho en juego, es importante utilizar un motor de coincidencia sólido y estable. Un sistema de coincidencia referencial, perfeccionado para adaptarse a errores de ortografía y formato, latencia de datos y otros errores, está diseñado para devolver el registro correcto de manera consistente.
  • Habilitación de la gestión: los metadatos de coincidencias se pueden utilizar para aceptar o rechazar coincidencias automáticamente. Algunos casos pueden requerir una revisión manual y / o la presentación de investigaciones comerciales.

Decisión de crédito

Una vez que se verifica la identidad del solicitante, es hora de decidir si se aprueba o rechaza la solicitud de crédito. Para establecer los criterios utilizados para tomar esta decisión, puedes comenzar con los objetivos comerciales generales y las métricas de rendimiento (por ejemplo, tolerancia al riesgo, tasa de aprobación objetivo). Idealmente, apunta a minimizar las pérdidas sin comprometer el crecimiento, por lo que las métricas típicas incluyen tasas de morosidad y cancelación, ingresos y ganancias.

La forma más conveniente y rápida de orientar una decisión crediticia es utilizar una combinación de puntajes de riesgo estándar. En la mayoría de los casos, estas tablas de puntuación estándar se obtienen empíricamente utilizando una variedad de fuentes de datos potencialmente predictivas, como crédito comercial, firmografías y registros públicos, lo que garantiza una amplia aplicación y un rendimiento sólido.

Los usuarios más sofisticados que deseen optimizar el rendimiento de su modelo pueden utilizar variables similares para crear un modelo personalizado con fuentes de datos y atributos ampliados. Estos modelos de aprobación personalizados se pueden desarrollar internamente o mediante un socio como Dun & Bradstreet.

Ya sea que utilicemos un cuadro de mando estándar o modelos personalizados, normalmente vemos un mejor rendimiento al considerar varias fuentes:

  • Los elementos tradicionales de los datos crediticios comerciales, tanto los pagos financieros como los no financieros, tienden a ser los predictores más sólidos de la morosidad. Estos incluyen datos comerciales de pago detallados y agregados y los índices descriptivos relacionados, tales como el Paydex D&B®, junto con las puntuaciones de predicción, tales como el Delinquency Score D&B® y el Score Failure D&B®.
  • Los repositorios give-to-get de Small Business Financial Exchange® (SBFE) y Small Business Risk Insight (SBRI), propiedad de Dun & Bradstreet, ofrecen a los aportantes datos de partida y agregados altamente predictivos sobre pequeñas empresas, donde la información puede estar menos disponible. Las puntuaciones y atributos SBFE y SBRI se obtienen utilizando datos de “crédito similar”, o datos recopilados para el mismo tipo de obligación (por ejemplo, líneas, préstamos, arrendamientos, tarjetas) que la decisión de préstamo en cuestión.
  • Menos directamente relacionados, pero también altamente predictivos, son otros elementos de datos comerciales básicos. Esto incluye firmografías (tamaño, antigüedad, línea de negocio, estructura jerárquica), así como registros públicos (quiebras, demandas, embargos, juicios y presentaciones de UCC -Uniform Commercial Code de EE.UU.), que ofrecen información sobre otros riesgos comerciales y financieros.
  • Atenuar el riesgo de fraude también es una práctica recomendada que funciona. Aunque las tasas de incidencia suelen ser bajas (una parte muy pequeña de las solicitudes de crédito son intentos de fraude), puede ser un evento de alto impacto. En tales casos, es común perder el monto total del préstamo o el límite de crédito; por tanto, las pérdidas por fraude pueden ser sustanciales. Incorporar procesos de due dilligence al respecto y adoptar calificaciones de fraude para ayudar a prevenir la incorporación de acuerdos potencialmente fraudulentos pueden ser inversiones inteligentes, especialmente en momentos en que la automatización está aumentando y el uso de aplicaciones de crédito en línea se está expandiendo.
  • Otras organizaciones también están incorporando con éxito tipos de datos novedosos o innovadores de fuentes alternativas. Por ejemplo, el uso del alquiler y el consumo energético, las consultas de crédito, el tráfico en línea y físico y muchas más fuentes ofrecen perspectivas sobre los niveles de actividad, la viabilidad y el perfil de riesgo de una empresa. Para permitir dicha exploración, Dun & Bradstreet selecciona una gran cantidad de datos alternativos en constante crecimiento.

Asignación de límite de crédito

Establecer el límite de crédito requiere un poco actuar equilibradamente, basándose en la tolerancia al riesgo de tu empresa y el apetito por el crecimiento, y lo que es más importante, la necesidad de crédito de los solicitantes. En la mayoría de los casos, muchos de los mismos elementos de datos que son clave para decidir también son útiles para asignar límites de crédito.

Enfoque de riesgo

Comenzando con las consideraciones más básicas, es importante asegurarse primero de que el solicitante pueda realizar los pagos requeridos, que en la mayoría de los casos son proporcionales al límite de crédito y al saldo. Los elementos firmográficos que indican la escala del negocio, como los ingresos anuales, el número de empleados y los años en el negocio, se pueden utilizar para establecer el límite de crédito. Para límites de crédito más grandes, los datos de los estados financieros se usan comúnmente en combinación con los datos del saldo de crédito actual para confirmar que las proporciones de deuda a ingresos no exceden las pautas recomendadas.

Para obtener una visión más completa del riesgo futuro, también puedes evaluar el uso anticipado. Según la industria y el tamaño, puedes racionalizar la necesidad de crédito y asegurarte de que el límite esté en línea con el que se concede a empresas similares.

Luego, procura conocer la situación de la cartera del cliente y su crédito más alto actual y del pasado. Una estrategia conservadora habitual es igualar, pero no exceder, el monto de crédito histórico más alto. Si los pagos se realizaron a tiempo, se podría decir que la empresa ha demostrado su capacidad para realizar pagos en esta escala. Se puede aplicar un razonamiento similar a los datos de crédito comercial no financiero, que generalmente es otro excelente indicador del comportamiento de pago.

Enfoque de crecimiento

Si el objetivo es favorecer el crecimiento, puedes probar riesgos calculados cuidadosamente fuera de las prácticas comunes sugeridas anteriormente. Por ejemplo, puedes anticipar que los solicitantes con un historial crediticio impecable y puntuaciones estelares (por ejemplo, PAYDEX, morosidad, incumplimiento) probablemente usarán su crédito de manera inteligente, asumiendo solo lo que pueden pagar con seguridad. En tales casos, el límite más alto puede conducir a incrementar las ventas.

También puede ser esclarecedor considerar el comportamiento de pago histórico de una empresa por tipo y tamaño de obligación. Una observación habitual es que las empresas incumplen el crédito antes que los productos financieros. Asimismo, muchas empresas ponen más esfuerzo en pagar grandes saldos a tiempo, en lugar de obligaciones más pequeñas y menos visibles. Juntas, estas tendencias pueden justificar aumentos medidos en el límite de crédito.

Implementación de la automatización

La automatización ayuda a optimizar las evaluaciones crediticias y tiene muchos beneficios potenciales: ahorro de costes; decisiones más consistentes y rápidas; y, en última instancia, una mejor experiencia para el cliente.

La construcción de un proceso de toma de decisiones crediticias más eficiente requiere automatizar los pasos anteriores tanto como sea posible. Si bien la automatización al 100% sería más eficiente, puedes contar con que, en realidad, una parte de las solicitudes requiera una revisión adicional. Aún así, toda automatización es un incremento de la eficiencia, ya que reduce la costosa intervención manual (o valorativa).

La toma de decisiones automatizada falla cuando la información es insuficiente o contradictoria, lo que requiere una revisión manual. Además, algunas solicitudes de crédito ingresan automáticamente a la cola de dictámenes basados ​​en una mayor exposición al riesgo. Un grupo final de solicitudes destinados a una resolución valorativa es el segmento de “área gris”, si sus calificaciones son marginales, ni lo suficientemente altas para una autoaprobación ni lo suficientemente bajas para un auto-rechazo. Estas solicitudes necesitan la intervención humana, basada en datos más allá de las calificaciones; esto puede incluir considerar su relación deuda-ingresos, eventos especiales o detalles de una posible morosidad pasada (si ocurrió hace más de un año o por una pequeña deuda, por ejemplo). Con este fin, el proceso de revisión manual permite evaluar un conjunto más matizado de variables y factores utilizando varias herramientas de investigación, como DNBi de Dun & Bradstreet.

Una guía para implementar estrategias de toma de decisiones de crédito automatizadas

Figura 1 – Proceso de toma de decisiones crediticias

 Cómo pueden ayudar Dun & Bradstreet

Habilitar la toma de decisiones automatizada requiere establecer políticas y modelos que se alineen con los objetivos comerciales y empleen los datos predictivos más confiables. Como proveedor líder mundial de análisis y datos para la toma de decisiones comerciales, Dun & Bradstreet puede impulsar estos modelos con calificaciones y elementos de crédito y firmográficos tanto tradicionales como nuevos, disponibles a través de soluciones modernas de Application Programming Interface (API) que permiten que los procesos de coincidencia y de datos fluyan sin problemas a través de sus aplicaciones.

Alternativamente, si prefieres crear y perfeccionar tus propios modelos, considera explorar los elementos de datos disponibles en D&B Analytics Studio.

Si tu proceso de toma de decisiones necesita un ajuste, podemos compartir las mejores recomendaciones para tu situación específica. Podemos desarrollar modelos de aceptación en tu nombre, basados ​​en tu propio grupo de solicitantes y carteras utilizando la inferencia de rechazo y el desempeño con otros prestamistas para aprender y ajustar tus modelos y estrategia.

 

La información proporcionada es solo una sugerencia y se basa en las mejores prácticas. Nada de lo declarado o implícito en dicha información debe interpretarse como asesoramiento legal, fiscal o profesional. Dun & Bradstreet no es responsable por el resultado o los resultados del uso o la confianza en la información proporcionada. Comuníquese con un abogado o un profesional de impuestos si necesita asesoramiento legal o fiscal.

Artículo original de Cecilia Petit, Principal Consultant, Data Strategy

Stephen Gregg, Financial Services Analytical Consultant, Dun & Bradstreet

También te puede interesar

Automatización en el mundo de las finanzas

Comentarios

No hay comentarios

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Artículos relacionados