Modelos scoring para la evaluación crediticia en la admisión de clientes pospago de una compañía de telecomunicaciones durante el año 2018

Abstract

En 2018, la gerencia de gestión de riesgos de una compañía del sector de telecomunicaciones tomó la decisión de reducir los gastos asociados con el proceso de evaluación crediticia en la admisión de clientes pospago, a través de la implementación de un motor de decisión de políticas de riesgos. Una parte importante en la evaluación crediticia era la realización de consultas en línea a la central de riesgos, para procesar la información del cliente y decidir si aprobar o rechazar la solicitud de obtener una línea pospago, lo cual generaba costos significativos para la compañía. En la implementación del motor de decisión, fue necesario incorporar los modelos scoring desarrollados en la gerencia de riesgos, los cuales se basaron en la regresión logística siguiendo la metodología de Credit Scoring. Estos modelos scoring se enfocaron en los clientes bancarizados por la disponibilidad de información, mientras que el segmento de los clientes no bancarizados siguió el flujo actual. Los resultados obtenidos en términos de capacidad predictiva de los modelos resultaron satisfactorios y ligeramente mejores que los modelos propuestos por las centrales de riesgos, debido al uso adicional de variables propias del sector de telecomunicaciones que la compañía tenía almacenada. Estos modelos se implementaron en el motor de decisión junto con las políticas de riesgos, lo que permitió que el 43% de las consultas se procesaran internamente, lo cual impactó en una reducción en los gastos.

In 2018, the risk management department of a telecommunications company decided to reduce expenses associated with the credit evaluation process for postpaid customer admission by implementing a risk policy decision engine. An important aspect of the credit evaluation process involved conducting online queries to the credit bureau to process customer information and determine whether to approve or reject a postpaid line request, which incurred significant costs for the company. In the implementation of the decision engine, it was necessary to incorporate scoring models developed by the risk management department, which were based on logistic regression following Credit Scoring methodology. These scoring models focused on banked customers due to data availability, while the segment of unbanked customers followed the current flow. The results obtained in terms of predictive capacity of the models were satisfactory and slightly better than the models proposed by credit bureaus, due to the additional use of telecommunications sector-specific variables stored by the company. These models were implemented in the decision engine along with risk policies, allowing 43% of queries to be processed internally, resulting in expense reduction.