Descargar 134.92 Kb.


Página2/9
Fecha de conversión28.03.2018
Tamaño134.92 Kb.

Descargar 134.92 Kb.

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes


1   2   3   4   5   6   7   8   9

1. INTRODUCCIÓN



Vivimos en una época en la que cada vez es más frecuente el contacto de la gente con las empresas a través de Internet. Además la gente espera decisiones rápidas cuando interactúa on-line y esto es especialmente cierto en el caso del comercio electrónico. El problema es que las empresas no pueden permitirse que las decisiones tomadas con rapidez y con información inadecuada, incrementen su riesgo. Como reconoce la asociación de la Banca Americana “mientras el e-comercio aumenta exponencialmente, también lo hace el fraude on-line; los expertos predicen que decir sí a todos, vengan de donde vengan, abre el campo a los engaños cibernéticos. Para hacer frente al reto, la banca necesita herramientas que puedan proporcionar clasificaciones de crédito, adaptativas y precisas” (American Bankers Association, 1999, p.54).

Naturalmente, el problema asociado al riesgo de impago, no es nuevo ni exclusivo del comercio electrónico, sino que se relacionan con una partida contemplada en la contabilidad desde sus propios inicios: los derechos de cobro.

Los derechos de cobro surgen en el proceso de circulación de los bienes entre unidades económicas, cuando entre ellos se estipulan diferimientos en la contraprestación monetaria. Resultan de la concesión de créditos y están expuestos a moras o insolvencias. En efecto, cuando una empresa vende productos o servicios a crédito, inevitablemente se expone, en algún momento, a que alguna de sus cuentas representativas de derechos de cobro pueda resultar incobrable; es decir, toda empresa que no vende exclusivamente al contado, asume el riesgo del impago de la parte aplazada. Por ello, los derechos de cobro frente a terceros que, con independencia de su instrumentalización, generalmente se encuentran entre las cuentas de activo circulante de las empresas, se encuadran, como señala Fernández Pirla, 1974, pág. 84, dentro del realizable incierto, condicionado o contingente.

La cuantía de los derechos de cobro, dependerá de las condiciones y políticas que adopte la empresa, así “otorgar un crédito implica la necesidad de hallar un equilibrio entre el imperativo de “invertir” en el cliente (visión comercial) y, por otro lado, el incremento de las necesidades financieras y su coste (visión económica)” (Santandreu, 1994, pág. 159).

Lo habitual es que las partidas representativas de derechos de cobro representen un volumen importante en el conjunto de los activos empresariales (López Díaz y Menéndez, 1991, pág. 197), en consecuencia, dado su riesgo inherente, es relevante fijar las funciones y responsabilidades asociadas a la concesión de créditos, lo que suele concretarse en la definición de una política de crédito.

Una buena política crediticia1 por parte de la empresa, es la mejor forma de prevenir las incidencias en el cobro2, además de servir a otros propósitos como, por ejemplo, los siguientes:



  • Fijar unas reglas claras de funcionamiento comercial con el cliente desde el inicio de la relación comercial.

  • Ahorrar conflictos entre departamentos, pues supondrá una norma de funcionamiento aprobada por la Dirección.

  • Evitar o reducir los impagados producto de errores en la gestión.

  • Disuadir al cliente de utilizar a la empresa vendedora como fuente de financiación gratuita.

Las políticas crediticias suelen contemplar algún estudio, previo a la concesión de crédito, tendente a evaluar la solvencia que merece el cliente. Una técnica muy utilizada, para clasificar los créditos en función del riesgo que a priori presentan, es la denominada credit scoring.

El credit scoring consiste en la obtención de “un índice que permite clasificar una observación en uno de los diversos agrupamientos realizados a priori” (Weston y Brigham, 1987, pág. 203). El procedimiento del credit scoring, tal como indica Santandreu (1994, pág. 25 y ss), se basa en la aplicación de unos índices correctores a ciertos datos de los clientes, para culminar con la obtención de un parámetro denominado “credit score”. Dicho parámetro, sirve para incluir al cliente en una de las clases establecidas en una tabla predeterminada3.



Para desarrollar un sistema de credit scoring, hay fundamentalmente tres aproximaciones, las cuales pueden ser combinadas en cualquier modo que se desee (Fensterstock, 2003, p10 y ss.):

  1. Sistemas basados en reglas o razonamientos. Evalúan si un cliente es digno de crédito mediante un conjunto de reglas basadas en una combinación de experiencias, tanto internas como externas, que generalmente abarcan al menos las siguientes áreas: historial de pagos; referencias bancarias y comerciales; ratios de agencias de créditos y ratios financieros. Una vez que se decide qué factores serán tenidos en cuenta, ellos son ponderados de acuerdo con la experiencia del departamento de créditos.

  2. Sistemas basados en el análisis estadístico (generalmente mediante un modelo de regresión multivariable). Persiguen estimar la probabilidad de que un cliente nuevo, o existente, llegue a ser moroso. Estos sistemas son similares a los basados en reglas, con la salvedad de que la ponderación de los factores se basa en un análisis estadístico, que puede ser de diferentes tipos, por ejemplo: modelos de probabilidad lineal, en los que se asume una relación lineal entre los factores y la probabilidad de impago; modelos “logit” que sumen que la probabilidad de impago se distribuye de manera logística; modelos “probit” que asumen que la probabilidad de impago sigue una distribución normal; modelos basados en análisis discriminante, que persiguen la clasificación en grupos de diferente nivel de riesgo; etc.

Para la obtención de un credit scoring de este tipo, se parte de un fichero de clientes susceptible de ser ordenado según las clases de riesgo establecidas. El archivo debe incluir información relacionada directa o indirectamente con la capacidad de pago del solicitante (Bachiller, Lafuente y Salas, 1987, pág. 128). Del análisis de dichos datos se obtiene una función discriminante que pondera las variables en función de su contribución al índice de solvencia futura de cada cliente4. A partir de dicha función se puede predecir la probabilidad de solvencia o insolvencia de cada derecho de cobro, lo cual facilita la decisión para la empresa de la concesión o denegación del crédito5. Una vez obtenida la función discriminante, se procede a:

  • Elaborar un cuestionario para la obtención de datos del solicitante del crédito, que recoja las variables establecidas.

  • Determinar los índices correctores (criterios de ponderación) a aplicar a cada uno de los datos de cada cliente.

  • Confeccionar una tabla de clasificación de los deudores que asigne a cada clase un rango de puntuaciones. La empresa elabora la tabla de clasificación, en la que manifiesta de forma expresa la mayor o menos rigidez de su política crediticia, esto es, su mayor o menor aversión al riesgo.

Posteriormente se presenta al solicitante de crédito el cuestionario que ha de rellenar, se aplican a los datos así obtenidos los índices correctores y se suman todas las cantidades obtenidas hasta alcanzar una cifra, el credit score, comprobando en la tabla de clasificación la categoría que tal puntuación merece. Como consecuencia de este proceso la empresa puede determinar, en cada momento, el riesgo a asumir en las diferentes situaciones. Es de destacar el corolario más inmediato del proceso: cuanto más rígida sea la política de la empresa, menos riesgos asumirá y por tanto venderá menos a crédito y por contra, cuanto menos conservadora sea, más ventas a crédito realizará y en consecuencia, se producirá un aumento en los riesgos.


  1. Sistemas basados en Redes Neuronales. Se basan en la aplicación de algoritmos de inteligencia artificial, con capacidad para reconocer a qué clase pertenecen los clientes (por ejemplo: buenos pagadores, clientes con riesgo, clientes morosos, etc.), a partir de ciertas características, consideradas relevantes, que se le suministran durante el aprendizaje. Aunque hay evidencias empíricas de que la clasificación de clientes obtenida mediante una Red Neuronal es por lo menos tan ajustada como las obtenidas con los procedimientos descritos en los puntos anteriores6, su aplicación práctica se ve frenada por la dificultad, inherente a su funcionamiento, de explicar el por qué de la clasificación obtenida. Esta es uno de los aspectos importantes de la metodología que presentamos: permite emplear la potencia de las Redes Neuronales sin tener que prescindir del poder explicativo de las técnicas estadísticas convencionales.



1   2   3   4   5   6   7   8   9

Similar:

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconRedes neuronales de unidades producto
Las redes neuronales en unidades producto: teoría del modelo y su aplicación a problemas de clasificación del riesgo
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconModelado de la frecuencia fundamental mediante redes neuronales para síntesis de voz en dominio restringido
Excel es uno de los componentes básicos de Office, es una aplicación englobada dentro de la categoría de hojas de cálculo, y sin...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconDistribuciones de probabilidad
En la unidad anterior se analizó el concepto de probabilidad. El objetivo era determinar la probabilidad de un evento. En esta unidad...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconProbabilidad
Sabiendo que es abedul, la probabilidad de que esté sano es 8 y sabiendo que es abeto, la probabilidad de que esté enfermo es de
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconAnálisis de redes sociales 3 cr
Análisis de redes sociales”. En esta nueva edición se contará con la participación de especialistas procedentes de otras Universidades,...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconActa nº 005-2018-cf acta de Sesión Ordinaria del Consejo de Facultad de la Facultad de Ciencias de la Salud
Allao, bajo la presidencia de la Decana Dra. Arcelia Olga Rojas Salazar, Dra. Angélica Díaz Tinoco, Dra. Ana Lucy Siccha Macassi,...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconNueva Iniciativa Utiliza el Bambú como Herramienta Clave para Combatir la Pobreza y el Cambio Climático en America Latina

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconFormulario nivel 3 Definiciones iniciales para la medicion de actividades de vinculaciÓn (AV)
Av se encuentren desplegadas en múltiples espacios académicos y niveles de gestión y que no sean visibles de manera homogénea. Por...
Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconPrograma para la transformación de las redes de salud y eficiencia de la gestión sanitaria

Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes iconControl de la gestión basada en actividades
Los tableros de control permiten abordar visiones integrales de la realidad empresarial; como instrumento operativo se constituye...

Página principal
Contactos

    Página principal



Nueva herramienta para la gestión: Medición de la probabilidad de insolvencia, asistida por Redes Neuronales. Dra. Nélida Porto Serantes

Descargar 134.92 Kb.