Relatórios de Acompanhamento

Embora a literatura cobrindo técnicas sobre o desenvolvimento e implementação de modelos de risco de crédito seja abrangente, não se pode dizer o mesmo a respeito da literatura sobre métodos de gerenciamento destes após sua implementação. A seguir, será apresentado o resumo de algumas das práticas abordadas no estudo de Lucumberri e Duarte Júnior.

1.2.2.1 – Relatório de Inadimplência

O relatório de inadimplência acompanha a proporção de contratos inadimplentes com mais de 30 dias de atraso no pagamento de suas obrigações no decorrer do tempo após a implantação do modelo. Via de regra, é de se esperar que a partir do segundo mês de vigência do modelo a taxa de inadimplência se reduza a patamares inferiores aos observados antes de sua implantação. Se, por exemplo, após a implantação do modelo for observado um crescimento ou, até mesmo, a manutenção da proporção de operações inadimplentes, pode ser um indício de que o modelo credit scoring perdeu sua capacidade preditiva e deve ser revisto. Contudo, devem ser observados fatores externos ao modelo que possam causar oscilações nas taxas de inadimplência, a exemplo de mudanças no score de corte, campanhas de marketing que elevem a quantidade de concessões em determinado período, períodos de recessão econômica etc. Assim, deve-se também analisar outros relatórios de acompanhamento, de forma a saber exatamente a origem do comportamento da inadimplência.

1.2.2.2 – Relatório de Escoragem Final (REF)

Este relatório monitora a tomada de decisão com base na escoragem, ou seja, após estabelecer as regras de concessão de crédito é feito o acompanhamento dos percentuais de escoragem em cada faixa de aprovação, podendo haver detalhamentos por produto, região geográfica, por agência etc. A instituição financeira pode, por exemplo, decidir que somente concederá crédito a determinadas faixas de score ao invés de basear-se no tradicional ponto de corte. Pode-se então acompanhar a evolução do quantitativo de operações em cada faixa de

1.2.2.3 – Relatório de Interferência de Escoragem (RIE)

A interferência de escoragem pode ocorrer de duas formas:

• Quando um cliente que deveria ter tido sua proposta de crédito reprovada após a escoragem, é, ao final, aceito. Ou seja, seu score situa-se abaixo do ponto de corte, mas mesmo assim uma proposta de crédito é feita ao mesmo devido a outros motivos;

• Quando um cliente avaliado com alta pontuação, onde deveria ter seu crédito aprovado, mas que ao final teve sua proposta não efetivada por outros motivos. A quantidade de negócios que deixaram de ser efetuadas para clientes com pontuação acima do ponto de corte deve ser avaliada para identificar possíveis falhas no processo de concessão de crédito.

Os motivos de aprovação ou reprovação citados acima, podem estar relacionados a possíveis filtros praticados pela instituição financeira em sua política de crédito, os quais estejam sendo muito severos no decorrer do processo, ou até mesmo à desistência do cliente na conclusão do negócio. Esse relatório é decorrente do REF, pois visa identificar os principais pontos onde a decisão final foi contrária à decisão do modelo de escoragem, de forma a isolar as eventuais deficiências das políticas de crédito utilizadas.

Consideremos um exemplo onde um banco está interessado em prospectar clientes no setor universitário. É possível, pela natureza do público, que o modelo de credit scoring recuse uma boa parte da população avaliada. Para aumento da participação do banco naquele segmento é então necessário calibrar os resultados do modelo, ofertando crédito a universitários que não obtiveram score suficiente para aprovação.

O RIE dá então uma visão ao grupo de gestão de risco de crédito das decisões tomadas que contrariam os modelos de escoragem, podendo ser utilizado nas áreas de Auditoria Interna e Revisão de Crédito no Varejo.

1.2.2.4 – Relatório de Desempenho do Modelo (RDM)

O RDM busca comparar, para uma safra de indivíduos, as distribuições de maus clientes entre as amostras de desenvolvimento do modelo e a atual. Como no caso do IEP, é recomendável utilizar uma medida de divergência para acompanhar ao longo do tempo como as distribuições de maus clientes evoluem, observando se estas convergem no período de maturação. A seguir, um exemplo prático para um modelo de behaviour scoring cujo período de observação é de seis meses:

TABELA 2 - Relatório de Desempenho Maus – base de

modelagem Maus - 2 meses Maus - 4 meses Maus - 6 meses Classe de

Score

Qtde % Qtde % Qtde % Qtde %

até 80 4.193 19,8% 114 23,0% 469 21,7% 1.967 19,6% 81 a 100 7.672 36,2% 123 24,8% 679 31,4% 3.762 37,5% 101 a 130 6.144 29,0% 142 28,6% 623 28,8% 2.961 29,5% 131 a 165 2.625 12,4% 89 17,9% 324 15,0% 1.183 11,8% > 166 554 2,6% 28 5,6% 66 3,1% 166 1,7% Total 21.188 100,0% 496 100,0% 2.161 100,0% 10.039 100,0%

De maneira análoga ao IEP, a comparação é feita por faixas de score, muito embora isso não seja imperativo. Nota-se que a divergência total diminui com o passar do tempo, refletindo que as distribuições aproximam-se quando o período de observação embutido no modelo (no caso, seis meses) termina. Entretanto, caso não houvesse uma tendência das duas distribuições citadas aproximarem-se, com as estimativas totais diminuindo, medidas corretivas deveriam ser consideradas.

1.2.2.5 – Relatório de Desempenho da Escoragem (RDE)

O RDE pode ser interpretado da seguinte forma: mede, para cada safra, a quantidade de bons clientes contratada para cada mau cliente contratado. A tabela 3 ilustra a utilização do RDE para um caso de modelo de behaviour scoring:

TABELA 3 - Razão de Bons e Maus Maus

Desenvolvimento Maus - mês 1 Maus = mês 2 Maus - mês 3 Classe de Score Qtde Razão (B/M) Qtde Razão (B/M) Qtde Razão (B/M) Qtde Razão (B/M) até 80 4.193 4,9 114 5,0 469 3,70 1.967 1,3 81 a 100 7.672 7,7 123 7,7 679 6,40 3.762 6,0 101 a 130 6.144 17,0 142 17,4 623 15,90 2.961 11,9 131 a 165 2.625 74,2 89 74,3 324 77,80 1.183 64,3 > 166 554 568,2 28 568,1 66 564,00 166 425,4 Total 21.188 496 2.161 10.039

É visível que com o passar do tempo há uma piora generalizada na razão de bons e maus clientes. Por exemplo: analisando as observações de um mês com as observações de três meses, a razão decai para todas as faixas de score considerados, o que indica a piora generalizada do modelo de escoragem em questão. Há, portanto, um indício de que o modelo considerado necessita ser revisado.