Taller de Cadenas de Markov
Diana Sofia Vasquez Varela - 2181809
2023-11-16
Matriz de transiciones de estados
La siguiente tabla representa la matriz de transición de estados de una cartera de tarjetas de crédito en un importante banco Europeo.
library(readxl)
m <- read_excel("C:/Users/Usuario/OneDrive - correounivalle.edu.co/Escritorio/m.xlsx",1)## New names:
## • `` -> `...1`a) Diga que cálculos de los vistos en clase, dentro de la metodología de Markov, podrían servir para analizar la situación planteada, y porqué.
Al examinar la matriz de transición de estados, se identificaron siete categorías, notando la ausencia de dos filas correspondientes a ‘Cuenta Cerrada’ y ‘DEFAULT (no pago)’. Para completar estas categorías, asigné el valor ‘1’ a ‘CC’ y ‘DNP’ respectivamente. Esto se debe a que la presencia de uno de estos estados excluye la posibilidad de cualquier otro, ya que si una cuenta está cerrada, no puede experimentar otro estado, al igual que una cuenta en estado de no pago.
Los cálculos necesarios para obtener la matriz de probabilidad de transición de estados implican sumar las siete filas y dividir cada valor de una fila entre el resultado de esta suma. Esto nos permitirá visualizar la matriz probabilidad de transición de un estado a otro en un periodo de tiempo determinado.
Una vez obtenida la matriz de probabilidad de transición, podremos identificar los movimientos de los clientes del banco entre las diferentes categoríasy formar las clases. Además, al proyectar la matriz después de 4 periodos de tiempo, podremos determinar las probabilidades de transición de un estado a otro, lo que nos proporcionará información valiosa sobre las tendencias de movimiento de los clientes en el transcurso de un año.
b) Realice los cálculos del punto (a). Sea ordenad@ en sus argumentos y procedimientos. Cualquier cifra sin su debido calculo o justificación no se considerará valida en el contexto de esta evaluación.
Matriz de probabilidad de transición de estados
library(readxl)
mp <- read_excel("C:/Users/Usuario/OneDrive - correounivalle.edu.co/Escritorio/m.xlsx",2)## New names:
## • `` -> `...1`Análisis topológico
Grafo dirigido
## Package: markovchain
## Version: 0.9.5
## Date: 2023-09-24 09:20:02 UTC
## BugReport: https://github.com/spedygiorgio/markovchain/issues##
## Attaching package: 'expm'## The following object is masked from 'package:Matrix':
##
## expmlibrary(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
plot(mt)
## [[1]]
## [1] "CC"
##
## [[2]]
## [1] "DNP"## [1] "A" "B" "C" "D" "E"Clases
Recurrentes
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
recurrentClasses(mt)## [[1]]
## [1] "CC"
##
## [[2]]
## [1] "DNP"Transitorias
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transientStates(mt)## [1] "A" "B" "C" "D" "E"¿Qué sucedería en la actulidad?
Retomando la matriz de probabilidad de transición de estados:
Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que su cuenta esté cerrada, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
'Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que su cuenta esté cerrada, después de 4 periodos de tiempo es de:'## [1] "Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que su cuenta esté cerrada, después de 4 periodos de tiempo es de:"## [1] 0.047Dado que los Clientes tienen un gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que su cuenta esté cerrada, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "E", "CC") #buena paga y cierre## [1] 0.024Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que se declaren en default, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "A", "DNP") #mala paga y no pago## [1] 0.067Dado que los Clientes tienen un gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que se declaren en default, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "E", "DNP") #buena paga y no pago## [1] 0.002Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que sean Clientes de gran desempeño con Muy Bajo riesgo de no pago, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "A", "E") #mala paga a buena paga## [1] 0.039Dado que los Clientes sean de gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que sean Clientes tienen Muy Alto riesgo de no pago, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "E", "A") #buena paga a mala paga## [1] 0.007Dado que los Clientes sean de gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que sean Clientes de gran desempeño con Muy Bajo riesgo de no pago, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "E", "E") #buena paga a buena paga## [1] 0.885Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que sean Clientes de Muy Alto riesgo de no pago, después de 1 periodo de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
mt <- new("markovchain", transitionMatrix = mpf, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt, "A", "A") #mala paga a mala paga## [1] 0.49Probabilidades de pasar de un estado a otro, después de 12 periodos.
Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que su cuenta esté cerrada, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "A", "CC") #mala paga y cierre## [1] 0.2695317Dado que los Clientes tienen un gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que su cuenta esté cerrada, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "E", "CC") #buena paga y cierre## [1] 0.2569163Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que se declaren en default, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "A", "DNP") #mala paga y no pago## [1] 0.1872355Dado que los Clientes tienen un gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que se declaren en default, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "E", "DNP") #buena paga y no pago## [1] 0.04370323Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que sean Clientes de gran desempeño con Muy Bajo riesgo de no pago, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "A", "E") #mala paga a buena paga## [1] 0.3857135Dado que los Clientes sean de gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que sean Clientes tienen Muy Alto riesgo de no pago, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "E", "A") #buena paga a mala paga## [1] 0.03022019Dado que los Clientes sean de gran desempeño con Muy Bajo riesgo de no pago, la probabilidad de que sean Clientes de gran desempeño con Muy Bajo riesgo de no pago, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
#
transitionProbability(mt7, "E", "E") #buena paga a buena paga## [1] 0.5191771Dado que los Clientes tienen Muy Alto riesgo de no pago, la probabilidad de que sean Clientes de Muy Alto riesgo de no pago, después de 12 periodos de tiempo es de:
library(markovchain)
library(Matrix)
library(expm)
library(readxl)
mpt <- c(0.490, 0.221, 0.096, 0.04, 0.039, 0.047, 0.067,
0.157, 0.347, 0.251, 0.096, 0.113, 0.028, 0.008,
0.06, 0.136, 0.359, 0.181, 0.233, 0.026, 0.005,
0.030, 0.061, 0.157, 0.283, 0.441, 0.025, 0.003,
0.007, 0.012, 0.027, 0.043, 0.885, 0.024, 0.002,
0, 0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 1)
mpf <- matrix(mpt,nrow=7, ncol=7, byrow=TRUE)
Matrizdespuesdeunaño <- mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf%*%mpf
mt7 <- new("markovchain", transitionMatrix = Matrizdespuesdeunaño, states = c ("A","B","C","D","E","CC","DNP"), name= "Cadena de Markov")
transitionProbability(mt7, "A", "A") #mala paga a mala paga## [1] 0.02868846c) ¿Qué le recomendaría usted al Banco?
Es importante que el banco tenga en cuenta los estados :
- A: Clientes de Muy Alto riesgo de no pago
- E: Clientes de gran desempeño con Muy Bajo riesgo de no pago
- Cuenta Cerrada
- DEFAULT (no pago)
Cuando se evalúa la posibilidad de otorgar una nueva tarjeta de crédito a clientes cuya tarjeta anterior ha prescrito, es vital considerar las probabilidades asociadas con sus historiales. Por ejemplo, un cliente con un historial de ‘Clientes de Gran Desempeño con Muy Bajo Riesgo de No Pago’ presenta una probabilidad notablemente alta del 88,5% de cumplir con la deuda de la tarjeta. Esta cifra, basada en su historial previo, indica una confiabilidad financiera significativa.
En contraste, un cliente catalogado como ‘Clientes de Muy Alto Riesgo de No Pago’ muestra una probabilidad ínfima del 6,7% de cumplir con la deuda de la tarjeta. Esta baja probabilidad sugiere un historial inconsistente en cuanto a los pagos y representa un riesgo considerablemente mayor para el banco en términos de otorgar una nueva línea de crédito.
Además, aquellos con un historial de ‘Clientes de Gran Desempeño con Muy Bajo Riesgo de No Pago’ tienen una probabilidad excepcionalmente baja del 0,2% de no asumir la deuda, lo que indica una alta confiabilidad en términos de cumplimiento con los pagos.
Estas diferencias significativas en las probabilidades de cumplimiento y no pago entre los distintos tipos de historiales resaltan la importancia crucial de evaluar detalladamente el historial financiero de los clientes. Esta evaluación precisa permite al banco tomar decisiones más informadas y estratégicas al considerar la emisión de nuevas tarjetas de crédito, minimizando el riesgo de incumplimiento y optimizando la gestión de riesgos financieros.
Elección de perfil en los clientes
Al seleccionar clientes clasificados como ‘Clientes de Bajo Riesgo de No Pago’ y ‘Clientes de Gran Desempeño con Muy Bajo Riesgo de No Pago’, el banco puede reducir significativamente la probabilidad de pérdida financiera. Estos perfiles de clientes muestran una alta predisposición, con una probabilidad considerablemente alta, de asumir y cumplir con la deuda de la tarjeta de crédito.
Esta elección estratégica se fundamenta en la alta probabilidad de que estos clientes mantengan sus cuentas activas y cumplan consistentemente con los pagos. Las probabilidades indican que es poco probable que cierren sus cuentas o dejen de pagar, lo que disminuye considerablemente el riesgo de pérdida para el banco.
Al enfocarse en clientes con estos perfiles de bajo riesgo, el banco no solo maximiza la probabilidad de que los clientes asuman la deuda, sino que también reduce drásticamente la probabilidad de incumplimiento. Esta estrategia se traduce en una gestión más eficiente del riesgo crediticio y una mayor seguridad financiera para la institución.
La recomendaciones respecto a las clases:
Transitorias: “A”, “B”, “C”, “D”, “E”.
En relación a las categorías transitorias, se sugiere una priorización estratégica por parte del banco. Estos perfiles de clientes, por su naturaleza de constante movimiento, ofrecen una oportunidad significativa para generar rentabilidad sostenida en la institución financiera.
Dada la naturaleza dinámica de estos segmentos, existe una alta probabilidad de que estos clientes generen transacciones financieras frecuentes. Esta actividad constante puede traducirse en una mayor rentabilidad para el banco a largo plazo.
Por ende, se recomienda al banco enfocar sus esfuerzos y recursos en la captación, retención y atención personalizada a los clientes pertenecientes a estas categorías transitorias. Estrategias que fomenten la permanencia, la satisfacción del cliente y la oferta de servicios que se adapten a sus necesidades específicas pueden maximizar el potencial de rentabilidad que estos perfiles pueden aportar a la institución financiera.
Recurrentes:
1 - “CC” 2 - “DNP”
Es fundamental que el banco ejerza extrema cautela al considerar la emisión de tarjetas de crédito a clientes que buscan reincorporarse al banco, especialmente aquellos clasificados como ‘CC’ (Cuenta Cerrada) o ‘DNP’ (no asumir el pago). Estos perfiles representan una probabilidad del 100% de cerrar la cuenta y no realizar los pagos correspondientes, lo que resultaría en pérdidas financieras para la institución.
Otorgar tarjetas de crédito a estos clientes con antecedentes claros de cierre de cuenta y falta de pago conlleva un riesgo absoluto de incumplimiento. Esto supondría una pérdida directa para el banco y podría afectar su salud financiera.
Después de 3 años (12 periodos de tiempo)
Voy a asumir lo siguiente :
“En el caso de las tarjetas de crédito prescriben a los 3 años”
Supongamos que uno de los clientes de la base de datos de estudio del banco quiere volver a sacar una tarjeta de crédito.
Después de un periodo de 3 años, equivalente a 12 períodos de tiempo para el plazo de una tarjeta de crédito, se observa un panorama complejo en cuanto a la retención de clientes que inicialmente fueron clasificados como ‘Clientes de Gran Desempeño con Muy Bajo Riesgo de No Pago’. Las probabilidades de transición de estados muestran un escenario preocupante:
Permanecer como ‘Clientes de Gran Desempeño con Muy Bajo Riesgo de No Pago’: Una probabilidad reducida del 2,8%. Esta cifra indica una baja continuidad en esta categoría.
Cuenta Cerrada: Una probabilidad alarmantemente alta del 26%. Esta posibilidad sugiere una propensión significativa de que el cliente decida cerrar su cuenta.
No Asumir la Deuda: Una probabilidad del 18%. Esto señala la posibilidad de que el cliente opte por no asumir la responsabilidad de la deuda.
Cambiar a ‘Clientes de Muy Alto Riesgo de No Pago’: Una probabilidad considerablemente alta del 38%. Este cambio de estado indica un riesgo significativo de que el cliente pase a una categoría de alto riesgo crediticio.
Estas probabilidades combinadas muestran que el 82% de los posibles cambios de estado llevan a categorías que implican la pérdida del cliente. Esta situación destaca la necesidad urgente de revisar los términos, tratos y políticas de relación con el cliente para mejorar la retención a largo plazo.
Es crucial para la empresa enfocarse en estrategias proactivas para mantener a estos clientes valiosos, considerando acciones que fomenten su permanencia y compromiso con la institución financiera. Esto puede incluir la revisión de ofertas, servicios personalizados u otras medidas que fortalezcan la relación con el cliente y disminuyan la probabilidad de pérdida a lo largo del tiempo.