Aplicación Modelo Logístico

Análisis de características determinantes en el riesgo.

Para poder analizar las características determinantes del riesgo basta con obtener las variables que son significativas en el modelo. Tras correr el modelo obtenemos las siguientes variables significativas y en qué casos lo son:

• Duración del crédito (duration).
• Historial crediticio (credit_history).
  • critical/other existing credit
  • delayed previously
  • existing paid
• Propósito del crédito (purpose).
  • education
  • new car
• Monto del crédito (credit_amount).
• Número de pagos (installment_commitment).
• Estado personal (personal_status).
  • male single
• Edad (age).
• Otros planes de pago (other_payment_plans).
  • none
• Teléfono propio (own_telephone).
• Trabajadores extranjeros (foreign_worker).
  • yes

Análisis del valor/tamaño de la cartera en riesgo.

A partir de la aplicación del modelo podemos obtener la probabilidad de default para cada cliente del portafolio. Consideraremos a un cliente como riesgoso si este tiene una probabilidad de default mayor a 0.5, para el portafolio actual tenemos que:

• 17.3% del portafolio son clientes riesgosos y 82.7% son clientes no riesgosos
• De caer en default, los clientes riesgosos representarían una pérdida de 924, 530.

Análisis de la estrategia actual.

Bajo la estrategia actual, de los 1000 préstamos entregados tenemos los siguientes datos:

• 300 de estos préstamos se fueron a default creando una pérdida de 1, 181, 438, con una media de 3, 938.12 y siendo el préstamo más bajo de 433 mientras que el más grande fue de 18, 424.

• Por otro lado 700 de estos préstamos no se fueron a default, lo que resulto en 2, 089, 820 pagados. Estos préstamos sin default tienen una media de 2, 985.45 con el préstamo más bajo de 250 mientras que el más grande fue de 15, 857.

Del monto total prestado se recupera cerca del 64% lo que hace sentido considerando que el 30% de los clientes cayeron en default. Sin embargo, podemos notar que la media de los préstamos en default es mayor a la media de los prestamos sin default lo que indica que se está prestando montos más altos a las personas que no pagan. El modelo debe cambiar esto pues otorgar préstamos altos a clientes con riesgo de default implica mayores pérdidas para el banco.

Análisis de escenarios para clientes en riesgo y no riesgo

Tomaremos al cliente más riesgoso, al menos riesgoso y a un cliente con una probabilidad cercana a 0.5 según el modelo y modificaremos algunas variables para ver como estos cambios afectan la probabilidad de default. Las variables que tienen más peso para aumentar la probabilidad de default son duration, credit_amount e installment_commitment así que cambiaremos ambas variables para ver si logramos convertir un cliente riesgoso en uno no riesgoso o viceversa

El cliente menos riesgoso tiene las siguientes características:

• Duración del crédito: 6
• Historial crediticio: critical/other existing credit
• Propósito del crédito: new car
• Monto del crédito: 1299
• Número de pagos:1
• Estado personal: male single
• Edad: 74
• Otros planes de pago: none
• Teléfono propio: no
• Trabajadores extranjeros: no
• Probabilidad de default: 1.09%

Con duration = 18, credit_amount = 2600, e installment_commitment = 3 la probabilidad de default aumenta a 3.16% que parece no ser mucho, pero es casi tres veces más probabilidad.

El cliente medio tiene las siguientes características:

• Duración del crédito: 42
• Historial crediticio: existing paid
• Propósito del crédito: furniture/equipment
• Monto del crédito: 7882
• Número de pagos:2
• Estado personal: male single
• Edad: 45
• Otros planes de pago: none
• Teléfono propio: no
• Trabajadores extranjeros: yes
• Probabilidad de default: 51.84%

Para este caso basta con reducir duration = 40 para que la probabilidad de default disminuya a 43.75% lo cuál es una reducción amplia.

El cliente menos riesgoso tiene las siguientes características:

• Duración del crédito: 60
• Historial crediticio: all paid
• Propósito del crédito: other
• Monto del crédito: 14782
• Número de pagos: 3
• Estado personal: female div/dep/mar
• Edad: 60
• Otros planes de pago: bank
• Teléfono propio: yes
• Trabajadores extranjeros: yes
• Probabilidad de default: 93.06%

Para este caso modificamos las variables para conseguir que se volviera un cliente no riesgoso, para esto tuvimos que reducir las variables hasta quedar: duration = 39, credit_amount = 6500, e installment_commitment = 1. Con estas nuevas cantidades logramos que la probabilidad de default bajará a 49.11% volviendo a este cliente riesgoso a uno no riesgoso.

De lo anterior podemos notar que para clientes que están cerca de 0.5 casi cualquier modificación logra cambiar de estatus al cliente mientras que para los clientes con valores de probabilidad en los extremos (0 o 1) es mucho más difícil cambiarlos de estatus.