Story Transcript
III JORNADAS DE DATA MINING EN EL MARCO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL
CASO DE ÉXITO STANDARD BANK Eduardo Donato Risk Manager del Standard Bank London.
IAE - Pilar, 12 y 13 de agosto de 2008
La acción adecuada, al cliente indicado en el momento oportuno... Eduardo Donato Credit Risk Manager Standard Bank
Nota: Ciertas cifras y ejemplos han sido modificados por un tema de confidencialidad.
Objetivo
Capturar, Potenciar y Retener a los mejores clientes Adquisición
Seguimiento Mayor Ganancia
Fuga Aun mas Ganancia
Ganancia Ganancia
Menor Costo
Costo Tiempo
Aumentado el Nivel de Respuesta
Maximizando el Cross-Sell y Up-Sell
Extendiendo la relación lo más posible
Contexto - Características del Mercado actual)Mercado extremadamente competitivo ) Incorporación de nuevos players ) Canales o puntos de contacto donde se ofrecen productos ) Nuevos lugares o formas de pago ) Plataformas de originación remota ) Tiempo de respuesta y disponibilidad horaria
Target - Clientes Rentabilidad
Población s\ingresos
Población s\Monto Crédito
Tasa de Interés (Margen)
pocos
grande
bajo
chico
alto
A, B, C1
C2, C3, D1
muchos
Enfoque
MONITOREO DATOS
SCORES
ESTRATEGIAS
Datos – Fuentes -
Página Web www.STD.com.ar
Uso de promociones
Bureau: Productos en el mercado
Pagos y depósitos realizados
DATOS
Bases Transaccionales
Llamados al Call Center
Uso de tarjetas de crédito Movimientos en ATM’s
Datos – Fuentes TransaccionalesTarjetas de Crédito Trx.Mensuales
= 1.850.000
Tarjetas de Débito Trx.Mensuales
= 1.250.000
Total de trx Mensuales(Crédito + Débito)
= 3.100.000
9Total Trx. Diarias
=
103.300
=
4.300
= =
71 1.2
9Trx. Por Hora 9Trx. Por Minuto 9Trx. Por Segundo
Los clientes aportan información positiva cada segundo vía las transacciones que realizan.
Scores
Scores – Pilares en el desarrollo de un score DATOS
PILARES
Conocimiento Negocio/Problema
Conocimientos Herramientas y Estadística
Scores - Tipos Uso
Riesgo
Ingresos
Respuesta
FUGA
Scores – Poder predictivo Curva de Efectividad de un Modelo Predictivo (ejemplo)
10% 30%
20% 54%
30% 71%
50% 91%
Score de Attrition Definición Attrition (target): Reducción drástica (mayor al 90%) del consumo promedio del trimestre respecto al trimestre anterior. Sólo se aplica sobre tarjetas “realmente activas”, es decir que: a) tengan seis meses de antigüedad, sin atrasos. b) el consumo promedio del ultimo trimestre sea > $200. 1.
No interesa retener a las que tengan atrasos.
2.
Queremos retener a los “mejores” clientes por eso también miramos el riesgo que tienen.
3.
No queremos que pequeños cambios en el consumo cambien la condición de attrition.
4.
5.
Si no se usa durante 3 meses seguidos (altamente correlacionado con la baja) ya es demasiado tarde para actuar (es reactivación, no retención). Detectar la baja en el consumo (suceso anterior a la baja de la tarjeta), da mas tiempo para actuar.
100% 88%
90% 80% 70% 60% 50% 40% 30% 20%
12%
10% 0% attrition
Attrition Tarjetas “activas”: 12%
ok
Score de Attrition 15%Clientes 70% Attrition
En el 15% del total el 70% de Attrition
10% 53%
100% Clientes
15% 70%
20% 78%
100% Attrition
El modelo desarrollado con Clementine tiene un alto poder predictivo: actuando solo sobre el 15% de la cartera “activa” se logra accionar sobre el 70% del total de attrition
Score de Attrition - Información de trx. El uso de datos transaccionales permite aumentar el nivel predictivo de los modelos Laura Perez Consumos=1000 Paga servicios p/Internet No consume restaurantes 30% supermercado Viaja dentro del país
Laura Aguirre Consumos =1000 Paga Servicio p/Debito Automático Consume en restaurantes en fin de semana 30% electrodomésticos Viaja al exterior
Estrategias
Ciclo de Vida: Acciones Incentivación Beneficios Promociones Debitos
Renovación Fidelización
Fidelización
Revisión Automática de línea
Beneficios Promociones
Activación Beneficios Debitos
MADU T IEN CIM CRE
Revisión Automática de Linea Promociones
Fidelizacion
O
REZ
TOP
6
5 4
Emisión
2-
Activación
3, 9-
Incentivación
4, 5, 6- Fidelización
Emisión Bienvenida Habilitacion
1-
DECLINACION
2
7, 8-
Retención
10,11 Reactivación 3
INICIO
9
7
10
8 11
1 Mes 3
Mes 6
Reactivación Beneficios Promociones Débitos
Mes 9
Mes 12
Mes 13
Prevención
Prevención
Anti-Attrition
Anti-Attrition
Incentivación Promociones Debitos Tasas
Reactivación Beneficios Promociones Débitos
Fidelización Revision de Línea en Tarjetas (ej.)
Ejemplo Límites Se utilizó Clementine de SPSS para modelar e implementar el proceso de Up-grade de Limites
Ejemplo Límites – Exclusiones -
Ejemplo Límites – Candidatos -
Ejemplo Límites – Política nse A B C1 C2 DE
Valor $ $ $ $ $
Medio 7.500 4.000 2.500 1.650 1.300
Ingresos Riesgo 1,0 MH 1,5 M 2,0 L 3,0 VL
Unidades de negocio BD $ 6.000 $ 9.600 $ 13.200 $ 18.000
STAR NOSTAR $ 5.000 3500 $ 8.000 5600 $ 11.000 7700 $ 15.000 10500
Riesgo MH M L VL
Unidad de negocio: Max RCI BD 30 30
STAR 25 30
NOSTAR 25 30
Ingresos =B
Ejemplo Límites – Incremento % Incremento Riesgo 25 MH 30 M 40 L 50 VL Limite Visa Limite Calculado >= 1.438 1.370 1.725 1.640 2.013 1.910 2.300 2.190 2.875 2.730
Ejemplo Límites – Análisis -
Ejemplo Límites: Champion/Challenger Permite realizar “experimentos controlados” e implementar un proceso continuo de mejora de las estrategias
Champion \ Challenger
Estrategia Champion Challenger
Consumo Rentabilidad Mora Promedio Anual 90% $ 724 2,2% $ 392 10% $ 846 17% 2,3% 5% $ 439 12%
Población
Beneficios del proceso en Clementine 9 Rápido La implementación se realizó en muy poco tiempo 9 Flexible Se pudo implementar sin problema la política de riesgo, los criterios de up grade, la tabla de visa, etc 9 Gráfico Es muy fácil analizar gráficamente la información y los resultados 9 Intuitivo La implementación resultante es interpretable por los diferentes usuarios que deben participar del proceso 9 Dinámico Permite realizar rápidamente pruebas y simulaciones 9 Auditable La especificación es directa, por lo tanto se puede auditar 9 Automático Puede ejecutarse todos los meses en forma automática e inclusive generar el archivo en el formato VISA/MASTERCARD/ETC
Estrategia – Segmentación por Riesgo Credit Bureau
Internal
SCORE
SCORES
ETAPA I B u re a u V eraz 901-999 851-900 800-850 751-800 651-750 401-650 001-400 T o ta l
Tas a de m o r o s id a d 0 ,7 % 1 ,9 % 3 ,4 % 5 ,8 % 7 ,9 % 9 ,0 % 1 1 ,3 % 2 ,6 %
Customer Risk Level
ETAPA II % M a lo s - T o ta l 4 ,6 % 3 ,5 % 2 ,6 % 1 ,1 % 0 ,6 % 0 ,3 % 0 ,2 % 0 ,2 % 0 ,2 % 5 ,6 % 4 ,6 % 3 ,7 % 2 ,3 % 1 ,1 % 1 ,0 % 0 ,1 % 0 ,5 % 0 ,8 % 6 ,7 % 6 ,0 % 3 ,5 % 1 ,6 % 1 ,1 % 1 ,0 % 0 ,6 % 0 ,2 % 0 ,3 % 7 ,0 % 4 ,8 % 3 ,4 % 3 ,4 % 2 ,8 % 2 ,9 % 3 ,2 % 0 ,2 % 0 ,1 % 1 0 ,9 % 7 ,3 % 4 ,5 % 3 ,4 % 3 ,3 % 1 ,6 % 2 ,7 % 1 ,9 % 0 ,6 % 1 2 ,1 % 1 0 ,2 % 7 ,5 % 7 ,6 % 1 ,7 % 4 ,6 % 1 ,5 % 1 ,6 % 1 ,6 % 1 9 ,7 % 1 5 ,2 % 1 0 ,1 % 5 ,3 % 7 ,7 % 4 ,1 % 2 ,8 % 3 ,9 % 2 ,1 % 0 0 1 -3 2 0 3 2 1 -5 8 6 5 8 7 -7 1 9 7 2 0 -7 9 7 7 9 8 -8 4 0 8 4 1 -8 5 9 8 6 0 -8 7 0 8 7 1 -8 8 3 8 8 4 -9 0 6
0 ,3 % 0 ,5 % 0 ,1 % 0 ,2 % 0 ,1 % 1 ,9 % 2 ,0 % 9 0 7 -9 9 9
S c o r e In t e r n o
Segmentar el Portfolio por nivel de riesgo. ¾
¾Mantener actualizado el riesgo y monitorear la evolución del mismo.
Clasificación de los niveles de riesgo: 90 + dpd in 18 month period Very Low Risk 0 - 1 % Low Risk 1.1 - 2 % Medium Risk 2.1 - 5 % Medium High Risk 5.1 - 10 % High 10.1 - 15 % Very High + 15 %
Estrategia Segmentación por Riesgo + Ingresos Clientes Riesgo
100.000 A B C1 C2 C3 D1 D2 E Total $ 7.500 $ 4.000 $ 2.500 $ 1.650 $ 1.100 $ 750 $ 500 $ 200
#
VL
43.000
L
25.000
M
11.000
MH
13.000
H
5.000
VH
3.000
Total
20%
15%
20%
30%
5%
5%
4%
1%
100%
Estrategias diferenciadas A $ 7.500
100.000
Con tarjeta en el Mercado Sin tarjeta en el Mercado
Estrategia - Valor Potencial Valor Potencial: Esta dado por lo que el cliente hace conmigo, lo que hace en el mercado y lo que no hace pudiendo hacerlo. Mercado
StandardBank
Bajo Alto
4
Proteger
Medio
Alto 3 Blindar e incentivar
Medio
Bajo
1 Ignorar
2 Conquistar
OTRAS ESTRATEGIAS 9EXCESOS 9RENOVACION 9COBRANZA 9ACTIVACION 9REACTIVACION 9RETENCION 9CROSS-SELL 9ETC
Monitoreo
Vision 360 Actuar Calibrar Comprender
Scores Riesgo Uso Respuesta Attrition Ingresos
Tarjetas Crédito Débito Mercado
Tablero de Control 1. CICLO
DE VIDA:
9
Stock, Altas, Bajas.
9
Activación, consumo, antigüedad, attrition.
2. FORMAS
DE UTILIZACION:
9
Como: transaccional, cuotas, financiación.
9
Donde: Rubros/Establecimientos.
9
Cuando: Estacional, todos/algunos meses, hora, día, semana.
9
Relación con Electrón.
9
Relación con Mercado.
3. RIESGO: 9
Mora 30, 60, 90.
9
Migración de score.
Análisis de Cosecha Porcentaje de activación (Tarj Enero'04) 100,0% 90,0% 80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0% 0,0%
1
2
3
4
5
6
7
8
9
10
11
12
% P erso nas
46,0%
58,0%
73,0%
87,0%
89,0%
91,0%
91,5%
92,0%
92,0%
92,3%
92,4%
92,6%
% B Direct
42,0%
46,0%
51,0%
59,0%
62,0%
64,0%
65,4%
66,2%
67,5%
69,0%
69,2%
69,7%
Reporte de Perfomance – Tablas de validación -
Bajas Rentas MONITOREO
DATOS SCORES
ESTRATEGIAS
“ Distinto Target idéntico Approach”
Factores de Éxito en Bajas Rentas * Una red de distribución capilar y de bajo costo. * Flexibilidad para la implementación y cambio de políticas * Revisión continua de la línea de crédito. * Modelos Predictivos orientados a bajas rentas. * Monitoreo y Testeo Permanente de Estrategias y Modelos
Red de distribución capilar y de bajo costo 1) Comercios, Supermercados, Estaciones de Servicios, Alianzas, etc. 2) Con un sistema descentralizado de gestión basado en una plataforma tecnológica que permita operar con un alto nivel de control a través de información centralizada y bajo costo.
La Estrella
Electrodomesticos
Prospect: Captura de datos a bajo costo rechazar STD
aprobar
rechazar Credit Bureau Externo
Log Internet
aprobar
Telemarketing
Proceso Total 24hs
Flexibilidad p/cambio de políticas Flexibilidad para: •Analizar datos de la solicitud, diferentes tipos de informes crediticios y bases propias. •Ejecutar políticas diferentes para cada canal •Aplicar Scores a Medida •Testear estrategias antes de implementarlas •Realizar experimentos champion/challenger •Realizar cambios sin intervención de sistemas
Revisión continua de la linea de Crédito Modelo de riesgo controlado INGRESOS
LIMITE
REVISION
DEMOSTRADOS
Relación Ingresos
Semestral
DECLARADOS
Fijo/Bajo
Trimestral
Scores Orientados a bajas rentas INFORME
HIT Con bureau
THIN Sin bureau
Renta
Bajas
Media y Alta
Rentas
85%
30%
15%
70%
Perfiles diferentes SCORE a Medida
Fuente de Información
Originación
Score Veraz + Solicitud (App. Score)
Gestión
Score Veraz + Comportamiento en el Producto
Scores a medida:
• Mejor asignación de límites • Mejor relación aceptación/riesgo •Utilizan datos transaccionales • Monitoreo continuo
Monitoreo y Testeo Permanente
Permite:
• Aprender rápidamente sobre este nuevo mercado • Testear nuevas ideas • Mantenerse altamente competitivos
Conclusiones
Beneficios ( Asignarle
a los datos el valor que realmente tienen.
( Intensificar
el uso de herramientas predictivas que ayuden a tomar decisiones en todas las etapas.
( Consolidar
la visión comercial y de riesgo en una sola: visión de negocio.
( Continuar
trabajando en la segmentación de clientes.
( Diseñar
estrategias considerando el ciclo de vida del producto y la necesidad del cliente.
( Monitorear
SIEMPRE los resultados, manteniendo actualizados los indicadores de performance.