HPE entre los líderes de almacenamiento de Gartner
La IA y la analítica avanzada son herramientas que crecen en adopción en el sector financiero.
Impulsar la gestión del límite de crédito, es uno de sus casos de uso más frecuentes.
Por: Marcelo Fernandes | Consultor de negocios de FICO
La gestión de productos dentro de las instituciones financieras es una tarea ardua e implica el uso de mucha información sobre el comportamiento de los clientes.
Más específicamente, pensando en una solución masiva como lo es una tarjeta de crédito, la gestión de la solución implica no sólo la planificación del producto, sino todo lo relacionado con la gestión del riesgo crediticio y otros factores que pueden interferir con los ingresos generados por el portafolio de tarjetas.
Dentro de la planificación de un producto como lo es una tarjeta de crédito, está la gestión de los límites de crédito. Ya que en él se controla el nivel de exposición que genera cada cliente y, en consecuencia, el impacto potencial generado en términos de ingresos y pérdidas.
La definición del límite de crédito se ha asociado, comúnmente, con el uso de políticas de crédito basadas en:
- Información histórica sobre el uso de la tarjeta
- El comportamiento de pago (resumido a través de información como el puntaje “scores” de comportamiento)
- Y el nivel de relación del cliente con la institución financiera
Decisiones a la medida
Cada institución tiene diferentes niveles de refinamiento y madurez en el uso de esta información para definir los incrementos del límite de la tarjeta.
Sin embargo, en general, estas políticas no responden a una pregunta crucial que, bien abordada, puede impactar positivamente en los resultados de los portafolios de las tarjetas: “¿Cuál es el valor límite adecuado para cada perfil de cliente para que maximice la rentabilidad generada por el portafolio?”
Afortunadamente, existen mecanismos que pueden ayudar a las instituciones financieras a responder esta pregunta desde una perspectiva analítica.
Estos mecanismos se basan en la investigación operativa o, más concretamente, en la optimización matemática.
En resumen, la optimización matemática es la ciencia que ayuda a las empresas a descubrir la decisión más adecuada para un problema empresarial determinado, que aprovecha un indicador empresarial y respeta las restricciones asociadas al proceso.
Veamos un ejemplo práctico hipotético: Una entidad quiere hacer una campaña de aumento de límite para sus cinco millones de tarjetas y quiere responder a la pregunta:
¿Qué límite adicional ofrecer a cada uno de los clientes (incluyendo la posibilidad de no ofrecer ningún aumento) para maximizar la rentabilidad del portafolio de tarjetas, limitando el volumen de pérdidas de la cartera al 5% y ofreciendo un aumento del límite de crédito a no más del 30% de los clientes?
Buen momento para la analítica avanzada
El anterior es un problema clásico que podemos llamar de optimización combinatoria, parte de la familia de algoritmos de programación lineal entera. La respuesta al problema pasa por valores límite enteros, entre 0 y el límite máximo posible a ofrecer.
Sin utilizar la optimización matemática (analítica avanzada), resultaría brutal responder a esta pregunta.
Esto debido a que la combinación de posibles límites a ofrecer es infinita. ¿Por qué? Porque dicha combinación está ligada a un determinado impacto en términos de:
- Aumento de ingresos, pérdidas
- PDD (provisión para deudores dudosos)
- Entre otros indicadores innumerables, asociados a la cartera de clientes
El uso de la optimización matemática para resolver problemas como éste hace uso de lo que llamamos solucionadores matemáticos.
Dichos solucionadores buscan y comparan todas las opciones posibles, sus impactos potenciales y eligen la opción que brinda el mejor resultado.
Esto, combinado con el consumo de información que retrata cómo reacciona cada cliente ante cada posible oferta del banco, así como su potencial para generar ingresos y pérdidas, nos permite llegar a la respuesta de manera mucho más rápida y eficiente.
Agregar valor desde la gestión analític
Al combinar todo esto con herramientas que permiten generar, simular y comparar diferentes escenarios de oferta de límites ponemos en manos de los ejecutivos una amplia capacidad para generar políticas de cambio de límites mucho más efectivas.
Finalmente, estas nuevas politucas pueden generar mucho más valor agregado a la institución financiera.
Muchas instituciones (de diferentes países y continentes) se han beneficiado del uso de la optimización matemática o analítica avanzada para resolver problemas de gestión de límites de crédito.
Los resultados no se limitan sólo a un aumento de la rentabilidad del portafolio m: se extienden a un aumento de los niveles de aprobación (en el caso de asignar límites iniciales más adecuados).
Igualmente los efectos permiten un aumento del nivel de relación con el banco, prácticamente, desde el momento en que el consumidor percibe un valor agregado en la oferta propuesta por la institución.
En conclusión, se puede decir que el uso de la analítica avanzada, ligada al uso de la tecnología y estrategias de decisión, ayuda a las empresas a ser más eficientes en la gestión de sus clientes.
También en los resultados que aportan a cada uno de sus productos, maximizando la rentabilidad.
