Perfís de Risco em Portugal. O Rating e o Score como ... · Introduzimos 5.000 notícias de...

Perfís de Risco em Portugal.O Rating e o Score comoFerramentas de Gestão.

Hotel da Lapa, Lisboa, 23 de Maio de 2006Augusto Castelo Branco

Conferência “Novos Tempos para a Insolvência em Portugal: Desafios e Oportunidades”

2Perfis de Risco em Portugal. O Rating e o Score como Ferramentas de Gestão.

Hotel da Lapa, Lisboa, 5 de Junho de 2006

Agenda

Perfís de Risco em PortugalO que é o Credit ScoringBenefícios da sua UtilizaçãoDesenvolvimento de Modelos de ScoringRating vs Score



Recolhemos toda a Informação Disponível sobre Empresas em Portugal

Actualizaçôes DIrectas

Dados Publicos

Informação Financeira

Experiência de pagamento

Notícias Media

• 98% de cobertura da base empresarial nacional

+ de 1 milhão de contactos entre gestores, corpos directivos e executivos

Alguns números em 2005...

Média de 3000 actualizações / dia

+ de 100 mil entrevistas directas

Introduzimos 65 mil Balanços

Introduzimos 100 mil Incidentes judiciais

Introduzimos 30 mil Constituições

15 mil Dissoluções ou falências

60 mil Alterações de pacto social

Introduzimos 5.000 notícias de imprensa etc...

Informa D&B Base de Dados Portugal650 Mil Negócios Activos

Número D-U-N-S®



O Crédito

“Creditors have no real affection for their debtors, but only a desire that they may be preserved such that they may repay.”

Aristotoles (384-322 B.C.), Nicomachean Ethics,bk IX, ch. 7



A Evolução Recente do Risco em Portugal

% de Empresas de Risco Muito Elevado

14%14%

11%

15%

0%

2%

4%

6%

8%

10%

12%

14%

16%

ANO 2003 ANO 2004 ANO 2005 ANO 2006



O Risco por Distritos

7%

1%

7%

1% 2%4%

2%

5%

1%

5%

28%

1%

17%

4%

7%

2%1%

3% 2%1% 0% 0%

0%

5%

10%

15%

20%

25%

30%

Aveiro Beja

Braga

Castelo B

ranco

Coimbra

Faro

Guarda

Leiri

aLis

boaPorta

legrePorto

Viana do C

aste

loVila

Rea

lVise

uFu

nchal

Ponta D

elgad

a

Angra do H

eroism

oHorta

Distribuição das Empresas no Mercado por Distrito



O Risco por Distritos

Risco por Distrito

4443

45

42

43

46

4342

43 43

4141

42

45 4544

45

42

41

40

44

42

36

38

40

42

44

46

48

Aveiro Bej

aBra

gaCa

stel

o Bra

nco

Coim

bra

Faro

Guard

aLe

iria

Lisb

oaPo

rtale

gre

Porto

Vian

a do

Cas

telo

Vila

Rea

lVi

seu

Funch

al

Pont

a Del

gada

Angra

do

Heroi

smo

Horta

Scor

e



O Risco por Sectores de Actividade

3%

14%

12% 12%

0%

5%

0%

26%

23%

5%

0%

5%

10%

15%

20%

25%

30%

Agricultura Construção Fabricantes Grossistas Ind. M ineira Inst .Financeiras

Org.Publicos

Retalhistas Serviços Transp.&Telecom

Distribuição das Empresas no Mercado por Sector de Actividade



O Risco por Sectores de Actividade

Risco por Sector de Actividade

45

37

28

81

48

33

39

4952

26

0

10

20

30

40

50

60

70

80

90

Agricultura Construção Fabricantes Grossistas Ind. M ineira Inst .Financeiras

Org. Publicos Retalhistas Serviços Transp.&Telecom

Scor

e



O Risco por Bandas de Empregados

16%

76%

4% 3% 1% 0% 0% 0% 0%

0%

10%

20%

30%

40%

50%

60%

70%

80%

- 1 a 9 10 a 19 20 a 49 50 a 99 100 a199

200 a499

500 a999

Mais de1000

Distribuição das Empresas no Mercado por Bandas de Empregados



Risco por Bandas de Empregados

4543

4650

5760 60 58 59

0

10

20

30

40

50

60

70

- 1 a 9 10 a 19 20 a 49 50 a 99 100 a 199 200 a 499 500 a 999 Mais de1000

O Risco por Bandas de Empregados



O Risco por Volume de Vendas

35,5%

43,2%

9,0%7,7%

2,4%1,3% 0,8% 0,1% 0,1%

0,1%

0,0%

5,0%

10,0%

15,0%

20,0%

25,0%

30,0%

35,0%

40,0%

45,0%

- <=249 250 a 499 500 a 1.249 1.250 a2.499

2.500 a4.999

5.000 a24.999

25.000 a49.999

50.000 a99.999

M ais100.000

Distribuição das Empresas no Mercado por Bandas de Vendas

(Milhares de Euros)



O Risco por Volume de Vendas

(Milhares de Euros)

Risco por Bandas de Vendas

52

4644

39

47

687071

65

53

0

10

20

30

40

50

60

70

80

- <=249 250 a499

500 a1.249

1.250 a2.499

2.500 a4.999

5.000 a24.999

25.000 a49.999

50.000 a99.999

Mais100.000

Scor

e



O Risco por Antiguidade

8%

1%

4%

15%

25%

30%

17%

2%0%

0%

5%

10%

15%

20%

25%

30%

- M enos d e1 ano

1 ano 2 a 4 ano s 5 a 9 anos 10 a 19anos

2 0 a 4 9anos

50 a 9 9anos

M ais de10 0 ano s

Distribuição das Empresas no Mercado por Antiguidade



O Risco por Antiguidade

Risco por Antiguidade

38

48 4946 45 43

4145

49

0

10

20

30

40

50

60

- Menos de1 ano

1 ano 2 a 4anos

5 a 9anos

10 a 19anos

20 a 49anos

50 a 99anos

Mais de100 anos

Sco

re



O Risco por Idade do 1º Gestor

2%

14%

26%

29% 29%

0%

5%

10%

15%

20%

25%

30%

Entre 18 e 29 Entre 30 e 39 Entre 40 e 49 Entre 50 e 59 M ais de 60

Distribuição das Empresas no Mercado por Idade do 1º Gestor



Risco por Idade do 1º Gestor

31

3437

3941

0

5

10

15

20

25

30

35

40

45

Entre 18 e 29 Entre 30 e 39 Entre 40 e 49 Entre 50 e 59 Mais de 60

Sco

reO Risco por Idade do 1º Gestor



O Risco por Sexo do 1º Gestor

24%

76%

0%

10%

20%

30%

40%

50%

60%

70%

80%

F eminino M asculino

Distribuição das Empresas no Mercado por Sexo do 1º Gestor



O Risco por Sexo do 1º Gestor

Risco por Sexo do 1º Gestor

42,6

43,3

42,2

42,4

42,6

42,8

43,0

43,2

43,4

Feminino Masculino

Sco

re



Então é fácil...

Evitando:grossistasde Braga, Bragança, Viana do Castelo ou Vila Realcom menos de 9 empregadoscom volume de vendas inferior a 250 Mil Euroscom entre 20 e 49 anos de existênciageridos por Senhoras com menos de 29 anos

Não teremos “problemas”.



Mas não é assim tão simples...

Existem efeitos “cruzados” entre as variáveis.

Se número de dados disponíveis ao avaliar um

Cliente para um pedido de crédito for de 50 campos

de informação diferentes.

Supondo que todos os campos são somente do

tipo “Sim” ou “Não”.

O número de combinações possíveis que podemos

encontrar é de 1.125.899.906.843.000



O Scoring no Suporte à decisão

“Os modelos de Scoring são, conjuntamente com as equipas de Gestão, os grandes decisores, pois a quantidade de informação disponível é cada vez maior, sendo o tempo para a trabalhar, cada vez menor”



O que é o Credit Scoring?

É um processo estatístico que a partir da informação e experiência disponível permite identificar e ponderar os factores predictivos do comportamento de pagamentos de qualquer cliente.



O Credit Scoring

Dados Históricos

Dados Actuais

Comportamentos Actuais

Comportamentos Futuros

Medida quantitativa do risco de um negócioO Scoring Preditivo utiliza informação histórica para prever comportamentos futurosA Scorecard avalia a probabilidade da ocorrência de um evento/comportamento futuro

(Insolvência, Incumprimento, Fraude, etc.)O Scoring Preditivo é um cálculo de probabilidade estatística e não uma garantiaO Scoring Preditivo é dinâmicoO Scoring Preditivo permite ordenar os clientes pela probabilidade de ocorrência de

um determinado comportamento



O Efeito Screening (Ordenação)

Utilizando um Modelo

para Ordenar por Risco

No Screening Tool (M. Tradicional)

% de Clientes Incumpridores que são identificados depois de ordenar do Score Mais Baixo (Risco Maior) para o Score Mais Elevado (Risco Menor)

0% 20% 40% 60% 80% 100%0%

20%

40%

60%

80%

100%

% Total de População

% Bads

M. Trad.. Modelo



Sistema Tradicional de Decisão

Rejeitar ouPronto Pag.Rejeitar ouPronto Pag.

ApplicationProcessing


AprovarAprovar

InformaçãoExterna

PedidoDe

Crédito

Decisão por Analista

Decisão por Analista



Sistema de Decisão Utilizando Scoring

Revisão“Manual”Revisão

“Manual”Area

CinzentaArea

CinzentaApplicationProcessing


AprovaçãoImediata

AprovaçãoImediata

Rejeição Ou Pronto

Pag.

Rejeição Ou Pronto

Pag.

InformaçãoExterna

PedidoDe

Crédito

RegrasDe Decisão

Do Neg.

RegrasDe Decisão

Do Neg.Scoring

Preditivo

Scores muito baixos“Knockout” Criteria

Scores MédiosElevada ExposiçãoRevisão de critério

Scores AltosPouca ExposiçãoTargeted Markets



Porque usar ?

Gestão do Risco

Rapidez

Eficiência

Consistência

AumentarVendas

Identificar os Clientes mercedores de Crédito para Promoções FuturasAumentar Taxas de Aprovação

Garantir o Tratamento Objectivo e Igual de todasas Candidaturas

Aplicar Critérios de Decisão Objectivos e Consistentes em toda a Organização

Processar com Rapidez as Aprovações/Rejeições ÓbviasMenos Informação Necessária

Diminuir o Bad DebtReduzir a exposição a Contas de Elevado Risco

Analistas Focados nas Contas “Difíceis”Aumentar o ´Número de Contas Analisadas com o mesmo Staff



Benefícios do Credit Scoring

Aumento da rapidez de decisão e criação de vantagens competitivas

Melhorar em qualidade de decisão e reduzir a exposição ao risco

Aumento da eficiência e redução custos operacionais

Melhorar em consistência e objectividade

Aumentar as vendas sem aumentar o risco da carteira

Banca – Basileia II

O Scoring como ferramenta de previsão e definição de estratégia



O Scoring como Ferramenta de Previsão e Definição de Estratégia

2.5

3.5

4.5

5.5

82 83 84 85 86 87 88 89 90 91 92 93 94 95 96

Accept Rate

Bad-Rate

XPosição Actual

Maus %

Aceites %



O Scoring como Ferramenta de Previsão e Definição de Estratégia

Aceites MausSit. Actual 84% 4.4%

Scoring:Estratégia1 84% 3.0% 32% redução incobráveisEstratégia2 93% 4.4% 11% aumento vendasEstratégia3 90% 3.6% 18% redução incobráveis

+ 7% aumento vendas



Automatizar Aprovação/RejeiçãoCalcular Limite de CréditoPreço do Risco

Monitorização e BenchmarkingActualização Dinâmica de Limites de CréditoActivar Procedimentos de Cobrança

Como Utilizar?

Credit Credit Application Application EvaluationEvaluation Portfolio

Management



Desenvolvimento de Modelo de Scoring (Empresas ou Particulares)

Bad Good

Política de Crédito Actual

$

1º PASSO: Recolha de Dados. 2º PASSO: Definir período de observação e período de comportamento.

Jan ‘00 Jan ‘01 Abr ‘01

Período deObservação

12-Meses Período deComportamento


Abr ‘00



Fontes Externas

Fontes Internas

3º PASSO: Recolher todos os dados disponíveis de uma forma retroactiva (inclusivérejeitados).

TotalTotal

Amostra para

Desenvolvimento

Amostra para

DesenvolvimentoAmostra para

Validação

Amostra para

Validação

70% 30%

4º PASSO: Criar Amostra para Desenvolvimento e Amostra para Validação.



5º PASSO: Efectuar análises estatísticas univariadas.

6º PASSO: Aplicar processo de regressão multivariada (linear, logística,...) para obter a função de probabilidade.

7º PASSO: Modelo de Scoring, traduzido da função de probabilidade.

8º PASSO: Pontuar distintas sub-populações.

Average Bad Rate = 13.9%

0

10

20

30

<-2m <-500k <-100k <50k <200k <500k <1m <2m <5m <20m 50m+ <-1m <-200k <0 <100k <300k <740k <1.5m <3m <10m <50m 0

.5

.10

.15

.20

.25

.30

.35

0 10 20 30 40 50 60 70 80 90 100

Score

Prob

abili

dade

Bad

Participaçãodo accionista

maioritário(%)

Sem dados

0

<=25%

7

26-50%

10

>51%

14

Início daActividade

Menos de 2anos

15

De 2 a 5anos

-4

De 6 a 9anos

22

10 ou maisanos

34

Número deprotestos noúltimo ano

0

20

1, 2

-2

3, 4, 5

-6

6+

-10

... ... ... ... ...


maioritário(%)

Sem dados

0

<=25%

7

26-50%

10

>51%

14


maioritário(%)

Sem dados

0

<=25%

7

26-50%

10

>51%

14


Menos de 2anos

15

De 2 a 5anos

-4

De 6 a 9anos

22

10 ou maisanos

34


Menos de 2anos

15

De 2 a 5anos

-4

De 6 a 9anos

22

10 ou maisanos

34


0

20

1, 2

-2

3, 4, 5

-6

6+

-10


0

20

1, 2

-2

3, 4, 5

-6

6+

-10

... ... ... ... ...... ... ... ... ...

40

60

80

100

0 20 40 60 80 100

Score

%of

Cas

es

Good

Bad

40

60

80

100

0 20 40 60 80 100

Score

%of

Cas

es

Good

Bad

Discriminação entre Bad & Good - Screening Efect




Modelo Amostra para Validação

9º PASSO: Aplicar o Modelo sobre a amostra de Validação e confirmar as mesmas premissas que no 8º Passo.

10º PASSO: Inferência de Recusados – pontuar pedidos recusados e inferir sobre a pop. total

11º PASSO: Tabela de estratégia. 12º PASSO: Implementação da estratégia pretendida.

Sc ore Distr i butio nGo od, B ad & Reje cts

0

2 0

4 0

6 0

8 0

10 0

0 2 0 4 0 6 0 8 0 10 0

Score

% o

f C

ase

s

Good

Bad

Reje c t

ScoreCasos

Aprovados

Bad Rate Acumulado nos casos Aprovados

9080706560555045403020

10%32%54%66%78%86%92%96%97%99%

99.8%

2%3%5%6%8%9%

10%11%12%12%13%

14%17%22%26%31%37%45%53%60%73%82%

Bad Rate Marginal

3%5%

10%13%18%24%30%38%47%64%78%

Bad Rate Acumulado nos casos

Reprovados Aceites MausSit. Actual 84% 4.4%


+ 7% aumento vendas




Modelos de Scoring Genéricos

6 Passos6 Passos para a implementapara a implementaçção de um Modelo de Scoring Genão de um Modelo de Scoring Genééricorico

Bad Good

Política de Crédito Actual

$

1º PASSO: Recolha de Dados. 2º PASSO: Definir período de observação e período de comportamento.

Jan ‘00 Jan ‘01 Abr ‘01

Período deObservação



Abr ‘00



CaracterCaracteríísticassticasImplementação mais rápidaCustos mais reduzidosNormalmente prevêem falência ou incumprimento (+90 dias)Geralmente aplicados a áreas geográficas alargadas (países), para observar diferenças de comportamentos.Implementação deve ser precedida de um Estudo de Calibragem.

Aferir qual a melhor forma de interpretar e utilizar o Score no Processo de Decisão de acordo coma a Estratégia Pretendida



Modelos de Scoring Genéricos

Fontes Internas

3º PASSO: Recolher todos os dados internos disponíveis de uma forma retroactiva (inclusivé rejeitados).

4º PASSO: Inferência de Recusados – pontuar pedidos recusados e inferir sobre a pop. total Sc ore Distr i butio n

Go od, B ad & Reje cts

0

2 0

4 0

6 0

8 0

10 0

0 2 0 4 0 6 0 8 0 10 0

Score

% o

f C

ase

s

Good

Bad

Reje c t

5º PASSO: Tabela de estratégia. 6º PASSO: Implementação da estratégia pretendida.

ScoreCasos

Aprovados

Bad Rate Acumulado nos casos Aprovados

9080706560555045403020

10%32%54%66%78%86%92%96%97%99%

99.8%

2%3%5%6%8%9%

10%11%12%12%13%

14%17%22%26%31%37%45%53%60%73%82%

Bad Rate Marginal

3%5%

10%13%18%24%30%38%47%64%78%

Bad Rate Acumulado nos casos

Reprovados Aceites MausSit. Actual 84% 4.4%


+ 7% aumento vendas



Financial Data Non-Financial Data

0

20

40

60

80

100

0 20 40 60 80 100

Share of Failures Captured

Share of Population

Elementos Financeiros – Que Valor Acrescentam à Perfomance do Score?



Depósito de Contas

O depósito em Conservatória do Registo Comercial dos Balanços das Sociedades, deve ser efectuado, em regra, nos três meses do seguintes após a data de fecho de contas.

Os valores apresentados referem-se à data de depósito, posteriormente publicada em Diário da Republica.

0%

5%

10%

15%

20%

25%

30%

35%

Mai Jun Jul Ago Ser Out Nov Dez Jan Fev Mar Abr

% d

e B

alan

ços

Dep

osita

dos

/ Uni

vers

o de

Em

pres

as A

ctiv

as

Deposito de Balanços de 2004 Deposito de Balanços de 2003 Deposito de Balanços de 2002



Particulares

Empresas

Failure (Falência)

Delinquency (Incumprimento)

Clientes Existentes

Novos Clientes

Tipos de Scores



É um modelo estatístico que permite ordenar as empresas pela probabilidade de cessarem actividade com dívidas por liquidar nos próximos 12 meses. Este score é um score de percentil (0-100), o que significa que, por exemplo, uma empresa com score 20 tem um nível de risco superior a 80% das empresas do seu sector de actividade.

Disponível em todos os produtos de Informa D&B

O Failure Score Informa D&B



Definir os objectivos de forma clara

Trabalhar com expectativas realistas

Utilizar a melhor informação

Utilizar um Score baseado num modelo “bem” desenhado

Monitorizar permanentemente a performance do Score

Factores Críticos de Sucesso



Score• Cálculo estatístico• Utilizado para ordenar clientes do risco mais elevado ao

risco mais baixoRating• Captura eventos/informação que não pode ser

incorporada em modelos estatísticosEventos especiais (e.g. Fogo nas instalações)

• Incorpora na decisão de crédito as excepções às condições genéricas de mercado

Regras de exclusão para alguns sectores de actividade

• Permite segmentar clientes em grupos homógeneos de risco para maior facilidade de aplicação de políticas de crédito

Rating vs Score



Alguns Clientes em Portugal

Perfís de Risco em Portugal. O Rating e o Score como ... · Introduzimos 5.000 notícias de...

Documents

Transcript of Perfís de Risco em Portugal. O Rating e o Score como ... · Introduzimos 5.000 notícias de...