Modelo de Scoring

UNIVERSIDAD TECNOLGICA EQUINOCCIAL

FACULTAD DE CIENCIAS DE LA INGENIERA

CARRERA DE INFORMTICA Y CIENCIAS DE LA COMPUTACIN

TEMA:

DISEO DEL SISTEMA DE INDICADOR FINANCIERO BASADO EN EL

SCORING DE COBRANZAS; PARA USO EMPRESARIAL, 2009

TESIS

PREVIA LA OBTENCIN DEL TTULO DE INGENIERO EN INFORMTICA Y

CIENCAS DE LA COMPUTACIN

AUTOR:

JOFFRE DANIEL FLORES ESCOBAR

DIRECTOR DE TESIS:

MAT. MAURICIO GARCIA

QUITO ECUADOR

2010

III

Del contenido del presente trabajo se responsabiliza el autor

______________________

Daniel Flores Escobar

V

DEDICATORIA

Dedico este trabajo a mi madre por estar siempre a mi lado y quien me supo

dedicar todo su esfuerzo para que sea un profesional, adems de orientarme

e inculcarme principios para luchar en este duro camino.

A mis hermanos Diego y Diana quienes han sido los pilares de mi vida y la

fuerza para nunca dejarse vencer y siempre luchar hasta culminar cada meta

impuesta.

Daniel Flores

VI

AGRADECIMIENTO

Agradezco a Dios por permitirme alcanzar esta meta y ser mi luz capaz de

iluminar todo momento sombro.

A mi madre y hermanos quienes me dieron su apoyo, gua y comprensin sin

condicin ni medida.

A mis abuelitos Jorge y Rosita por estar a mi lado y ser un ejemplo de lucha

y sacrificio

Quiero agradecer a la Universidad Tecnolgica Equinoccial por los

conocimientos impartidos en sus aulas a travs de sus maestro y en especial

al director de este proyecto Mat. Mauricio Garca por su gua y aportes en

este trabajo.

Y a todos los que no recuerdo pero que ayudaron a que pueda culminar esta

meta.

VII

NDICE GENERAL

DEDICATORIA ........................................................................................................ V

AGRADECIMIENTO .............................................................................................. VI

NDICE GENERAL ............................................................................................... VII

NDICE DE CONTENIDOS ................................................................................. VIII

NDICE DE ILUSTRACIONES .............................................................................. XI

NDICE DE ECUACIONES .................................................................................. XII

NDICE DE TABLAS ............................................................................................ XIII

RESUMEN ............................................................................................................. XIV

SUMMARY ............................................................................................................ XVI

CAPTULO I .............................................................................................................. 1

CAPTULO II ........................................................................................................... 14

CAPTULO III ......................................................................................................... 34

CAPTULO IV .......................................................................................................... 57

CAPTULO V ........................................................................................................... 75

BIBLIOGRAFA ...................................................................................................... 78

ANEXOS ................................................................................................................... 80

VIII

NDICE DE CONTENIDOS

CAPTULO I .............................................................................................................. 1

1. INTRODUCCIN .................................................................................................. 1

1.1 PROBLEMA A RESOLVER .......................................................................... 1

1.2 MARCO TERICO ....................................................................................... 2

1.3 JUSTIFICACIN ......................................................................................... 11

1.4 OBJETIVOS ................................................................................................. 12

1.4.1 Objetivo General ................................................................................... 12

1.4.2 Objetivos Especficos ............................................................................ 12

1.5 HIPTESIS .................................................................................................. 13

1.6 ALCANCE ................................................................................................... 13

CAPTULO II ........................................................................................................... 14

2. CREDIT SCORING ............................................................................................. 14

2.1 CONCEPTOS ............................................................................................... 14

2.2 MTODOS EMPLEADOS EN LA CONSTRUCCIN DE SCORE DE

CREDITOS ............................................................................................................. 21

2.3 REGRESION LOGSTICA .......................................................................... 23

CAPTULO III ......................................................................................................... 34

3. METODOLOGA ................................................................................................. 34

3.1 MODELAMIENTO ...................................................................................... 34

3.1.1 Seleccin de la muestra .......................................................................... 35

3.1.2 Definicin de buenos y malos clientes ................................................... 40

3.1.3 Definicin y seleccin de datos .............................................................. 41

IX

3.1.4 Anlisis preliminar de la Muestra ........................................................... 48

3.1.5 Anlisis Multivariado ............................................................................ 50

3.1.6 Diseo del Score Card ........................................................................... 53

3.1.7 Validacin del Modelo ........................................................................... 56

CAPTULO IV .......................................................................................................... 57

4. DESARROLLO .................................................................................................... 57

4.1 DISEO Y DESARROLLO ........................................................................ 57

4.2 HERRAMIENTAS DE DESARROLLO....................................................... 58

4.2.1 Microsoft .Net ....................................................................................... 58

4.2.2 SQL Server 2005 ................................................................................... 60

4.2.3 SPSS...................................................................................................... 61

4.3 DISEO DEL SISTEMA ............................................................................. 62

4.3.1 Web Service .......................................................................................... 62

4.3.2 Modelado del Sistema ............................................................................ 64

4.3.3 Casos de Uso ......................................................................................... 65

4.4 Creacin del Web Service ............................................................................. 66

4.5 Probador Web Service .................................................................................. 70

CAPTULO V ........................................................................................................... 75

5. CONCLUSIONES Y RECOMENDACIONES ................................................... 75

5.1 CONCLUSIONES ............................................................................................ 75

5.2 RECOMENDACIONES ................................................................................... 76

BIBLIOGRAFA ...................................................................................................... 78

X

ANEXOS ................................................................................................................... 80

1. ANEXO 1............................................................................................................... 80

2. ANEXO 2............................................................................................................... 84

3. ANEXO 3............................................................................................................... 93

4. ANEXO 4............................................................................................................. 100

XI

NDICE DE ILUSTRACIONES

Ilustracin 1. Ejemplo de Transformacin ................................................................... 10

Ilustracin 2. Concepto de Score ................................................................................. 16

Ilustracin 3. Tcnicas Para el Desarrollo Scoring Crediticio ...................................... 22

Ilustracin 4. Grfico Funcin Logstica ..................................................................... 25

Ilustracin 5. Grfico de Dispersin ............................................................................ 31

Ilustracin 6. Grfica Resultado Ejemplo Regresin Logstica .................................... 33

Ilustracin 7. Esquema de Seleccin de la Muestra ..................................................... 39

Ilustracin 8. Distribucin de los Sujetos por Rangos de Edad .................................... 48

Ilustracin 9. Transformacin de una variable ............................................................. 49

Ilustracin 10. Diseo del Score Card Cgido Sql ....................................................... 54

Ilustracin 11. Caractersticas Herramientas .Net ........................................................ 59

Ilustracin 12. Sql Server 2005 ................................................................................... 60

Ilustracin 13. Funcionamiento de un Web Service ..................................................... 63

Ilustracin 14. Caso de Uso ......................................................................................... 66

Ilustracin 15. Cdigo .Net Creacin del Web Service ................................................ 67

Ilustracin 16. Creacin Referencia Web .................................................................... 68

Ilustracin 17. Busqueda del Servicio Web ................................................................. 69

Ilustracin 18. Seleccin del Web Seervice ................................................................. 70

Ilustracin 19. Codigo .Net Creacin del Probador Web Service ................................. 71

Ilustracin 20. Pantalla Probador Web Service ............................................................ 73

XII

NDICE DE ECUACIONES

Ecuacin 1. Regresin Logstica ................................................................................... 8

Ecuacin 2. Modelo General ....................................................................................... 25

Ecuacin 3. Funcin Lineal con Parmetros ................................................................ 26

Ecuacin 4. Funcin Logstica .................................................................................... 27

XIII

NDICE DE TABLAS

Tabla 1. Ventajas y Desventajas del Scoring Crediticio ............................................... 19

Tabla 2. Nmero Registros por primeros y ltimos dgitos de la Cedula ..................... 37

Tabla 3. Periodo Morosidad en Meses ......................................................................... 44

Tabla 4. Parametrizacin Scoring Crediticio ............................................................... 74

XIV

RESUMEN

Este trabajo se ha planteado optimizar y reducir los errores en los anlisis de crditos,

mediante la creacin de una herramienta de evaluacin crediticia (Scoring Crediticio) de

otorgamiento til para la toma de decisiones, disminuyendo el riesgo en funcin del

historial de crdito de una persona.

En el marco de este estudio y en el transcurso de los captulos se ha realizado una

revisin y descripcin del contenido de la investigacin para la solucin del problema

planteado para cual fue objeto este tema de tesis.

Es as que reconociendo las caractersticas y particularidades de los datos obtenidos; as

como el resultado que se desea obtener que esta demarcado en clasificar a un sujeto de

acuerdo a su riesgo crediticio para definirlo apto o no para ser sujeto de crdito, se ha

escogido la funcin de regresin logstica para la obtencin del modelo que mejor se

ajusta a las caractersticas de los datos que se posee.

Tambin que se genero una herramienta Web Service con la finalidad de que cualquier

institucin o persona que desee consultar el score de un sujeto, pueda acceder a la

misma sin importar la plataforma ni las herramientas que posea siendo esta una

herramienta flexible con el fin de independizar la arquitectura de una aplicacin

concreta, lgicamente, dentro de ciertas restricciones, impuestas por la naturaleza de los

sistemas de informacin o sistemas de control automticos.

XV

Adems el score se convierte en una herramienta que asume una probabilidad de

incumplimiento, tomando en cuenta las similitudes presentadas entre los datos

histricos con el fin de discriminar de una manera tcnica el otorgamiento de un crdito.

Este proyecto parte fundamentalmente de la base de datos la cual debe cumplir con la

caracterstica de robustez y confiabilidad ya que para la obtencin del score y para que

el mismo sea predictivo se necesita de una gran cantidad de datos los cuales juegan un

papel muy importante para el clculo del mismo y adems que los datos sean correctos,

pero a su ves la muestra de datos obtenidos es pequea pero que tiene todas las

caractersticas fundamentales para el modelamiento del score.

XVI

SUMMARY

This work is to optimize and reduce errors in credit analysis, by creating a credit

assessment tool (Credit Scoring) granting useful for decision making, reducing the risk

based on credit history of a person.

As part of this study and in the course of the chapters make a review and description of

the research content for the solution of the problem which was the subject for this thesis

topic.

Which also generated a Web Service tool for the purpose of any institution or person

you want to see the score of a person, can access it regardless of platform or tools

having this being a flexible tool to wean the architecture of a particular application, of

course, within certain restrictions imposed by the nature of information systems and

automatic control systems.

In addition, the score becomes a tool that assumes a probability of default, taking into

account similarities between the historical data presented to discriminate in a technical

way the granting of credit.

This project is mainly from the database which must comply with the property of

robustness and reliability as to obtain the score and that it needed to be predictive of a

large amount of data which play an important role in the calculation thereof and further

XVII

that the information is correct, but your see the sample data is small but has all the basic

features for modeling of the score.

CAPTULO I

1

CAPTULO I

1. INTRODUCCIN

En este captulo se presenta los objetivos principales del trabajo y su justificacin, as

como la descripcin resumida del contenido de la tesis.

1.1 PROBLEMA A RESOLVER

La gran mayora de los prstamos que a diario conceden las entidades financieras

podran ser otorgados mediante tcnicas de clasificacin, que en base a caractersticas

propias del cliente, determinen la probabilidad de que en un futuro este pueda hacer

frente a sus obligaciones de pago. Permitiendo clasificarle en dos grupos: el integrado

por individuos con una elevada probabilidad de devolver el crdito y el de aquellos

individuos que, previsiblemente, no harn frente a sus compromisos crediticios.

As de esta manera, mediante la utilizacin de modelos de scoring para la evaluacin

del riesgo de crdito, se puede determinar la probabilidad de que una persona incurra en

mora o clasificarle como un sujeto apto para acceder a un crdito.

2

1.2 MARCO TERICO

Un banco es un tipo muy especial de empresa, que capta dinero del pblico, lo presta

conjuntamente con recursos propios de la entidad a terceros, quienes pagan intereses por

el uso de ese dinero. As, usualmente, los recursos con los que un banco genera sus

ingresos son, en parte propios (patrimonio o capital), y mayoritariamente ajenos

(depsitos del pblico). Por ello, dado que la mayora del dinero que un banco

administra no le pertenece, la gestin bancaria requiere un proceso constante de

evaluacin y medicin de los riesgos a los que se exponen los recursos de los

depositantes en las operaciones de la entidad. Estos riesgos, en conjunto, se llaman

Riesgo Bancario y su administracin suele ser regulada por la Superintendencia de

Bancos y Seguros (SBS) en el Ecuador y sus pares en todo el mundo.

Para regular el riesgo la SBS se crearon varias leyes entre las cuales tenemos la Ley

General de Instituciones de Sistema Financiero que dice en el Ttulo IV del Patrimonio

Captulo I Capital y Reservas, en el artculo 47 de esta ley en la que se indica: Con el

objeto de preservar su solvencia, las instituciones del sistema financiero debern

mantener, en todo tiempo, el conjunto de relaciones tcnicas que establezca la Junta

Bancaria mediante resolucin de carcter general, siguiendo los estndares

internacionales, especialmente los establecidos por el Comit de Basilea1.

1 El acuerdo de Basilea consta de 25 principios que representan los requerimientos mnimos que deben ser implementados por las

autoridades bancarias para lograr un sistema de supervisin bancaria efectiva.

3

Entre los acuerdos del Comit de Basilea se encuentran dos principios fundamentales en

los cuales se basa la creacin y uso de los datos de las instituciones financieras en una

base de datos llamada Central de Riesgo los cuales son:

Principio 15. Los supervisores bancarios deben determinar que los bancos tengan

polticas, prcticas y procedimientos adecuados, que incluyan la estricta regla de

CONOCE A TU CLIENTE, lo cual promueve altos estndares de tica y

profesionalismo en el sector financiero. Estas medidas previenen que los bancos sean

utilizados por elementos criminales, en una forma voluntaria o involuntaria.

Principio 21. Los supervisores bancarios deben de asegurarse que cada banco mantenga

registros adecuados, diseados de manera que concuerden con polticas contables

consistentes, con prcticas que permitan al supervisor obtener una visin verdadera y

precisa de la condicin financiera del banco y de la rentabilidad de sus negocios y que el

banco haga publicaciones regulares del estado financiero, que reflejen realmente su

condicin.

Y es por eso que la Superintendencia de Bancos y Seguros del Ecuador en una de sus

normativas emitidas en marzo del 2008 para la conformacin de la Central de Riesgos

solicita a todos los Buros de Crdito, que los mismos debern reportar la informacin

crediticia de los clientes sobre la base de modelos estadsticos predictivos y no sobre la

informacin en bruto que reportan las instituciones bancarias de los clientes.

4

Los comienzos del Credit Scoring se remontan del ao 1936 cuando Fisher, introduce

el concepto de discriminar objetos dentro de una poblacin especfica.

Esta idea fue desarrollada ms ampliamente por Durand en 1941 donde fue aplicada en

un contexto financiero para discriminar entre un Buen y un Mal pagador.

Uno de los modelos estadsticos predictivos denominado scoring crediticio fue

inventado por dos matemticos de Stanford, Bill Fair y Earl Isaac, quienes observaron

que los acreedores no buscaban el historial de crdito, sino un pronstico de aptitud de

crdito del individuo. Con el desarrollo de un sistema analtico que hoy en da se conoce

como el FICO Score (Fair Isaac Corporation Score) una de las herramientas ms usadas

a nivel mundial en relacin al anlisis de riesgo de crditos.

La utilizacin de modelos de credit scoring para la evaluacin del riesgo de crdito, y

ordenar a los deudores y solicitantes de financiamiento en funcin de su riesgo de

incumplimiento, comenz en los 70s pero se generaliz a partir de los 90s. Esto se ha

debido tanto al desarrollo de mejores recursos estadsticos y computacionales, como por

la creciente necesidad por parte de las instituciones bancarias de hacer ms eficaz y

eficiente la originacin de financiaciones, y de tener una mejor evaluacin del riesgo de

su portafolio.

El scoring crediticio se refiere al uso de conocimiento sobre el desempeo y

caractersticas de prstamos en el pasado para pronosticar el desempeo de prstamos

en el futuro. As, cuando un analista de crdito valora el riesgo comparando

5

mentalmente una solicitud de crdito en el presente con la experiencia que este mismo

analista ha acumulado con otros clientes con solicitudes parecidas, est aplicando

scoring, aunque sea un scoring implcito y subjetivo. De igual manera, cuando un micro

prestamista adopta una poltica de no renovar prstamos a clientes que han tenido

atrasos mayores a 30 das en su prstamo anterior, est aplicando scoring, aunque sea un

scoring simple y unidimensional. Por eso, aunque el nombre scoring puede sonar nuevo,

es una prctica antigua.

Los mtodos o modelos de credit scoring, a veces denominados score-cards o

classifiers, son algoritmos que de manera automtica evalan el riesgo de crdito de un

solicitante de financiamiento o de alguien que ya es cliente de una entidad crediticia.

Tienen una dimensin individual, ya que se enfocan en el riesgo de incumplimiento del

individuo o empresa, independientemente de lo que ocurra con el resto de la cartera de

prstamos

En una primera aproximacin a los mismos, se los puede definir como mtodos

estadsticos utilizados para clasificar a los solicitantes de crdito, o incluso a quienes ya

son clientes de una entidad evaluadora, entre las clases de riesgo bueno y malo2.

Aunque originalmente en los 70s se basaban en tcnicas estadsticas (en particular, el

anlisis discriminante), en la actualidad tambin estn basados en tcnicas matemticas,

economtricas y de inteligencia artificial. En cualquier caso, los modelos de credit

2 Hand, D.J. y W.E. Henley. (1997) Statistical Classification Methods in Consumer Credit Scoring: A Review, Journal of the Royal Statistical Association Series A, Vol. 160, No. 3, pp. 523-41.

.

6

scoring emplean principalmente la informacin del evaluado contenida en las

solicitudes de crdito y/o en fuentes internas y/o externas de informacin.

El resultado de la evaluacin se refleja en la asignacin de alguna medida que permita

comparar y ordenar a los evaluados en funcin de su riesgo, a la vez cuantifica. Por lo

general, los modelos de credit scoring le asignan al evaluado un puntaje o score, o una

calificacin o rating. Algunos mtodos los asignan a grupos, en donde cada grupo tiene

un perfil de riesgo distinto; sin embargo, en la prctica esto equivale a una calificacin.

A su vez, estos ordenamientos de los deudores permiten obtener estimaciones ms

concretas del riesgo; en general se busca obtener alguna estimacin de la probabilidad

de incumplimiento del deudor (PD, por probabilidad de default) asociada a su score,

rating o calificacin.

Esta estimacin se puede obtener directamente del score en el caso de los modelos

economtricos, o tambin en funcin de la tasa de incumplimiento (TD, por tasa de

default) histrica observada en el grupo de deudores con la misma calificacin o score

similar.

La utilizacin de modelos de credit scoring para la evaluacin del riesgo de crdito, es

decir, para estimar probabilidades de default y ordenar a los deudores y solicitantes de

financiamiento en funcin de su riesgo de incumplimiento, comenz en los 70s pero se

generaliz a partir de los 90s. Esto se ha debido tanto al desarrollo de mejores recursos

estadsticos y computacionales, como por la creciente necesidad por parte de la industria

bancaria de hacer ms eficaz y eficiente la originacin de financiaciones, y de tener una

7

mejor evaluacin del riesgo de su portafolio. Estos modelos generalmente se asocian a

lo que se ha dado en llamar data mining (minera de datos), que son todos aquellos

procedimientos que permiten extraer informacin til y encontrar patrones de

comportamiento de los datos.

Para evaluar el riesgo crediticio o la conveniencia de otorgar un crdito, hay una gran

variedad de metodologas disponibles: anlisis discriminante, regresin lineal, regresin

logstica, modelos probit, modelos logit, mtodos no paramtricos de suavizado,

mtodos de programacin matemtica, modelos basados en cadenas de Markov,

algoritmos de particionamiento recursivo (rboles de decisin), sistemas expertos,

algoritmos genticos, redes neuronales y, finalmente, el juicio humano, es decir, la

decisin de un analista acerca de otorgar un crdito. Aunque esta ltima presenta la

ventaja de ser ms eficaz en tratar las excepciones a la experiencia pasada, los mtodos

de credit scoring son ms eficientes a la vez que sus predicciones ms objetivas y

consistentes, por lo que pueden analizar y tomar decisiones sobre una gran cantidad de

solicitudes de crdito en poco tiempo y a un bajo costo

Dada la relevancia en el proceso de gestin crediticia, un punto fundamental de este

proyecto es determinar una variable dependiente (bueno/malo), para lo cual se

estableci que el modelo estadstico de regresin logstica es el ms apropiado para el

desarrollo de este proyecto.

Adems se estableci que la regresin lineal no tiene el sustento terico apropiado para

la construccin de modelos con una variable dependiente binaria (por ejemplo, bueno o

8

malo). El trmino de error en una regresin lineal se asume normalmente distribuido, y

este supuesto es violado cuando la variable dependiente slo puede tomar dos valores.

Adems, la regresin lineal puede crear probabilidades estimadas mayores que uno y

menores que cero.

As se identific que lo ms apropiado para el desarrollo de este proyecto es el modelo

de regresin logstica ya que es una tcnica que sirve para modelar la relacin entre la

variable dependiente binaria y las variables independientes. Es una forma de modelo

lineal generalizado (GLM) y est dado por la frmula:

logit(pi) = log(pi/(1 pi))=0 + 1x1i + + kxki

Fuente: Anlisis de datos multivariantes Elaborado por: Daniel Flores

Donde pi es la probabilidad de que una observacin tome un valor particular, y los i

son los parmetros asociados con cada variable independiente. El modelo resultante de

la regresin logstica utiliza las variables independientes para predecir la probabilidad

de que la variable dependiente tome un valor particular. Este modelo no se basa en el

supuesto estadstico de que el trmino de error est distribuido normalmente ni en el

supuesto de homoscedasticidad es decir que los diferentes grupos obtenidos presenten la

misma varianza o dispersin (las poblaciones de Y correspondientes a diversos valores

de X tienen la misma varianza. Si se cumple, todos los valores de Y que corresponden a

Ecuacin 1. Regresin Logstica

9

diversos valores de X sern igual de confiables cercana o alejamiento con el cual estn

distribuidos los valores de Y alrededor de sus medias. Todos los valores de Y

correspondientes a diversos valores de X son igualmente importantes), y produce

probabilidades estimadas entre 0 y 1, las que sern asociadas a un score.

De acuerdo a lo explicado en la metodologa de regresin logstica, un paso importante

en el proceso de desarrollo es determinar que variables independientes tienen una fuerte

relacin lineal con la funcin logit de la variable dependiente, es decir la funcin logit

ser utilizada para predecir el resultado binario, por ejemplo bueno / malo a sabiendas

que existen diferentes factores que pueden inferir en el resultado. Esta funcin logit es

un tipo de regresin en donde la variable dependiente es una variable dummy ejemplo 0

buen cliente 1 mal cliente.

En algunos casos una variable puede tener una fuerte asociacin con la funcin logit de

la variable dependiente, sin que esta relacin sea lineal. Como resultado, esta relacin

puede no ser detectada o puede producir resultados no esperados. Transformar la

variable puede servir para detectar la relacin no lineal que de otra manera se perdera, o

para fortalecer dicha relacin. Tpicas transformaciones de variables incluyen la raz

cuadrada, el cuadrado, el binario (indicador), el logaritmo y el inverso. Por ejemplo, la

Ilustracin 1(a) indica una relacin no-lineal entre la Variable 1 y la variable

dependiente. Sin embargo, despus de aplicar la transformacin de raz cuadrada,

mostrada en la Ilustracin 1(b), la relacin no lineal se convierte en lineal.

10

Ilustracin 1. Ejemplo de Transformacin

Para este modelo, se emplear metodologas estndares y anlisis de distribuciones para

hacer lo siguiente:

a. Determinar la necesidad de transformacin para cada variable independiente;

b. Determinar la transformacin ptima para cada variable; y

c. Considerar la inclusin de las variables transformados en el desarrollo de los

modelos.

Este proceso asegurar que cada variable sea representada apropiadamente.

Es as que mediante esta tcnica se lograr clasificar a los individuos dentro de las

categoras (bueno/malo) de la variable dependiente, segn la probabilidad que tenga de

pertenecer a una de ellas dada la presencia de determinadas variables.

Fuente: Introduccin al anlisis de regresin lineal Elaborado Por: Daniel Flores

A

Variable 1

B

Raz cuadrada de Variable 1

Variable Dependiente

Variable Dependiente

11

1.3 JUSTIFICACIN

El sistema financiero desempea un papel crucial en el desarrollo de un pas, que afecta

tanto a la adecuada asignacin de recursos en el tiempo como a la correcta valoracin

del riesgo. En los ltimos aos, la globalizacin de la economa de mercado ha

disminuido la estabilidad y seguridad del negocio financiero, multiplicando los riesgos a

los que se enfrentan estas entidades, entre ellos el riesgo de crdito, o posibilidad de que

no se produzca la devolucin puntual de una determinada cantidad de dinero que se

prest en el pasado.

Por eso se ha visto la necesidad de disear una aplicacin, la cual ayudar a tener una

correcta toma de decisiones con la mayor efectividad posible, basados en un sistema de

Scoring de Cobranzas, ya que en el Ecuador las Instituciones Financieras y, Pequeas y

Medinas Empresas PYMES, en los ltimos tiempos viene enfrentndose a la

problemtica de la morosidad, que se situ en el 5.8%3 de los sujetos de crdito en el

Ecuador, en el ao 2008.

En donde este diseo de scoring basado en informacin historial crediticia como

montos que debe a una institucin financiera, el tiempo de endeudamiento, morosidad,

el nmero de crditos recibidos, etc. de un determinado sujeto, sern evaluados

permitiendo agilizar el proceso de cobro en una empresa asignando una puntuacin de

forma consistente, determinado las probabilidades de que el sujeto incurra en mora.

3 Fuente: CreditReport Buro de Informacin Crediticia

12

1.4 OBJETIVOS

1.4.1 Objetivo General

Disear un modelo de Scoring, utilizando un conjunto de indicadores

financieros histricos de la Central de Riesgo, categorizando a los clientes en

base a su propensin para hacer un adecuado manejo de los mismos.

1.4.2 Objetivos Especficos

Presentar un modelo de score que permita identificar a un cliente con la

tipologa de riesgoso, para evitar perdidas en un crdito asignado.

Analizar de forma automtica las caractersticas y/o condiciones que un

cliente posee para catalogarse como riesgoso.

Definir un mecanismo analtico - matemtico que constituya de una forma

rpida, confiable, exacta y consistente para predecir el riesgo de un solicitante

para cumplir con sus deudas en el futuro, es decir minimiza el riesgo de

cobranzas.

13

1.5 HIPTESIS

Demostrar que este sistema de scoring permitir o no determinar si una

persona es sujeto de crdito.

Identificar aquellos clientes que tienen la tipologa de clientes riesgosos para

evitar cualquier tipo de fraude en el crdito asignado.

1.6 ALCANCE

Este sistema generar un valor numrico estadsticamente validado en base a anlisis

descriptivos que permita agilizar la toma de decisiones a la vez que busca reducir el

nivel de prdidas ya que se asigna puntuaciones de forma consistente, determinando las

probabilidades de que una solicitud se convierta en una cuenta con buen

comportamiento para predecir la recuperacin del crdito.

El sistema se basar en frmulas de evaluacin de las caractersticas relevantes que se

obtendr de la informacin historial crediticia para predecir la recuperacin del crdito.

A cada caracterstica se le asigna un valor numrico estadsticamente validado que

permita obtener un puntaje mediante el cual se pondr ms afn en la cobranza de una

deuda a un cliente.

CAPTULO II

14

CAPTULO II

2. CREDIT SCORING

En este captulo se tratar sobre las definiciones del score crediticio, los mtodos

empleados para la construccin y sobre la regresin logstica que es el mtodo

seleccionado para el desarrollo de este proyecto.

2.1 CONCEPTOS

Los modelos de scoring crediticio nacen alrededor de los aos 1950s cuando Bill Fair y

Earl Isaac fundan su compaa dedicada a apoyar las actividades de importantes

empresas financieras y de ventas al menudeo. Posteriormente, en los aos 1960s se

inicia el periodo en el que se desarrolla la industria de las tarjetas de crdito con lo cual

los bancos ven una gran posibilidad de empezar utilizar modelos de scoring.

Bsicamente el credit scoring es un mtodo que se emplea para identificar diferentes

grupos dentro de una poblacin cuando no se pueden observar las caractersticas que los

definen sino nicamente las relaciones con estas.

Se denomina credit scoring a un sistema que permite asignar una calificacin de riesgo,

una puntuacin, a un demandante de crdito (cliente real o cliente potencial).

15

Los modelos de scoring crediticio son aplicaciones que permiten apoyar la toma de

decisiones. Estos modelos surgen como una necesidad de poder evaluar de forma gil y

rpida las capacidades de endeudamiento de clientes ante la solicitud de un crdito.

Aunque existen diversos tipos de compaas y distintos tipo de crditos, la idea general

de un modelo de scoring crediticio es, por un lado, seleccionar aquellos individuos que

poseen mejores condiciones econmicas para retornar a la compaa el valor total del

prstamo solicitado; por otra parte, los modelos de scoring crediticio permiten mitigar el

riesgo en que se incurrira si se aprueba un crdito a un individuo que no cumple con

una capacidad de pago y endeudamiento.

En trminos ms formales el credit scoring es un mtodo de evaluacin del riesgo de

crdito que emplea informacin histrica y tcnicas estadsticas, para tratar de aislar los

efectos que tienen las caractersticas de varios aplicantes sobre la reincidencia y el

incumplimiento. El mtodo arroja un puntaje o score que la institucin financiera puede

emplear para ranquear sus aplicaciones de crdito en trminos de riesgo4.

Y con lo mencionado anteriormente predecir el comportamiento de pago futuro de las

obligaciones crediticias que contraen las personas en funcin de su comportamiento

crediticio histrico, para lo cul utiliza toda la informacin de entidades Reguladas por

la Superintendencia de Bancos y Seguros SBS.

El credit scoring constituye, por tanto, un problema de clasificacin propiamente dicho,

pues dado un conjunto de observaciones cuya pertenencia a una determinada clase es

4 Lewis, E.M. (1990) An Introduction to Credit Scoring, San Rafeal: Athena, LIC# 90-92258.

16

conocida a priori, se busca una regla que permita clasificar nuevas observaciones en dos

grupos: los que con alta probabilidad podrn hacer frente a sus obligaciones crediticias,

y los que, por el contrario, resultarn fallidos.

De ah que para esta investigacin se defini que el puntaje obtenido estadsticamente se

encuentre dentro de un rango de 1 a 999 siendo 1 el puntaje menor y 999 el mayor

puntaje a obtener cuando un sujeto posee el mejor historial crediticio.

Ilustracin 2. Concepto de Score

Muy malas

Muy Buenas

1

200

400

600

800

999

Scor

e

BuenasMalas

AltoRiesgo

BajoRiesgo

20 %

60 %20 %

Fuente: Datos de la Central de Riesgo Elaborado Por: Daniel Flores

17

As tambin el grafico muestra el objetivo del clculo que es exponer el riesgo que

actualmente un sujeto representa a un prestamista. Parmetros severos como el historial

de crdito, incluyendo historial de pagos, longitud de la historia de la cuenta, prstamos

y otros son formulados para producir un nmero de tres dgitos que oscila entre 1 y 999.

Este puntaje se divide en 3 categoras principales: Riesgo Bajo, Riesgo Medio y Riesgo

Alto.

Adems el grafico indica que el 60% de todas las personas con una puntuacin de

crdito de 550-900 presenta o present problemas con su crdito y para obtener uno

necesitar de requisitos poco favorables. El 20% de los sujetos no presentan ningn

problema en sus crditos obteniendo u score superior a los 700 y no presentan ningn

riesgo para las instituciones bancarias al ser sujetos de crdito, y el restante 20% se

encuentran con un score entre 1 y 549 los que representan un riesgo alto al ser sujeto de

crdito ya que poseen crditos vencidos o en demanda judicial en la institucin

bancaria.

Esto hace que el sistema se base en el desempeo pasado de clientes que tienen

caractersticas similares a aquellos a ser evaluados. El credit scoring termina, por tanto,

siendo un predictor del riesgo, cuya fortaleza no radica en la habilidad para explicar

causalidades (por qu algunos clientes incumplen y otros no) sino en la objetividad de la

metodologa aplicada.

18

Con el score, la institucin que utilice el sistema observar un valor numrico el cual

significa el riesgo y dependiendo de su valor el usuario aceptar o rechazar una

solicitud de prstamo5.

Los beneficios no slo se leen en una reduccin de la subjetividad del analista inmersa

en la concesin del crdito, al estar los mtodos tradicionales apoyados

fundamentalmente en informacin cualitativa mantenida en la mente del evaluador, sino

que al basarse en informacin cuantitativa mantenida en los sistemas de cmputo de la

institucin financiera y por ende cuantificables a bajo costo, se pueden lograr

reducciones de costos de morosidad y de evaluaciones de prstamos de tal forma que se

mejore la eficiencia (mejores colocaciones) y por ende la rentabilidad.

A la par coexisten tanto ventajas como desventajas en esta metodologa, dejando

siempre al final la opcin al prestamista de optar por un sistema de otorgamiento de

crditos subjetivo (scoring implcito) en donde el analista valora el riesgo del prestatario

comparando mentalmente las caractersticas de un aplicante con su experiencia

acumulada de otras aplicaciones similares o por un scoring estadstico que haga uso del

conocimiento cuantitativo del desempeo de clientes pasados almacenados en una base

de datos con el fin de pronosticar comportamientos futuros. Esto conduce, en virtud de

la seriedad acadmica, a exponer los pros y contras de hacer uso de esta tcnica.

5 Estrictamente no todos los mtodos conducen a una 'puntuacin' o 'scorecard'. Algunos indican directamente la posibilidad de que un cliente sea bueno y si la aprobacin del crdito vale la pena.

19

De lo que se pudo realizar el anlisis las ventajas y desventajas del uso de un modelo de

score se encuentran descritas en la siguiente tabla.

Tabla 1. Ventajas y Desventajas del Scoring Crediticio

VENTAJAS DESVENTAJAS

Cuantifica el riesgo como probabilidad Requiere de una slida y extensa base de

datos

Multivariable Ignora toda informacin no existente en la

base de datos

Puede ser validado Solo destaca los casos de alto riesgo

Consistente Puede necesitar de un consultor externo,

por ende genera gastos operativos

Transparente Su funcionamiento requiere de un sistema

transaccional

La consistencia surge de la homogeneidad en la calificacin otorgada a cada grupo de

clientes que comparta las mismas caractersticas, todas las solicitudes idnticas tendrn

por tanto el mismo valor de riesgo predicho; el hecho de contar con un modelo

matemtico que arroje un valor hace que el proceso de obtencin de esta probabilidad

Fuente: Revisin Bibliogrfica Elaborado Por: Daniel Flores

20

sea explcito y como consecuencia de fcil comunicacin tanto a nivel de alta gerencia

como de analistas.

El contar con modelos estadsticos da la posibilidad de contrastacin de los mismos,

validando los modelos sea con informacin previa al periodo muestral empleado,

permitiendo observar como habra funcionado scoring si hubiera estado implementado

al momento de estos desembolsos o verificando, previo a la fase de implementacin, la

consistencia del modelo con los nuevos clientes. Esta fase suele denominarse

backtesting.

Del otro lado, se tiene un conjunto de desventajas que se deben considerar antes de

incurrir en un proceso de obtencin e implementacin de un modelo scoring para el

otorgamiento de crditos. La disponibilidad de una slida y extensa informacin es uno

de los principales obstculos al momento de desarrollar un modelo estadstico. Adems,

la cantidad de informacin registrada no debe slo ser buena sino vasta para que los

modelos desarrollados puedan compensar la ausencia de informacin financiera con

mucha capacidad de pronstico empleando un gran nmero de caractersticas menos

significativas. La calidad de las bases de datos es fundamental, no slo en cantidad de

registros almacenados en cada variable (porcentaje bajo de clientes en blanco) sino en la

confiabilidad de la informacin archivada. Por ejemplo, puede ser que la variable sueldo

no sea un buen predictor dentro de los modelos tal vez porque los clientes tienden a

mentir sobre su salario, por lo que la correlacin entre sueldo y riesgo es falsa, o por que

los vendedores de crdito adulteran la cifra ante la posibilidad de obtener una

aprobacin segura del crdito vendido por parte del analista.

21

2.2 MTODOS EMPLEADOS EN LA CONSTRUCCIN DE SCORE

DE CREDITOS

Las tcnicas ms importantes en la construccin de modelos de score crediticio son:

Modelos Estadsticos Se consideran los siguientes mtodos:

Mtodos Paramtricos Comprenden tcnicas como Anlisis Discriminante

(Discriminant Analysis) y Regresin Logstica (Logistic Regression).

Mtodos No Paramtricos. Incluye tcnicas de rboles de Decisin, K-Nearest

Neighbor (K-NN) y Kernel Density.

Modelos de Computacin Suave o Soft Computing Se plantean principalmente dos

modelos:

Redes Neuronales Artificiales (Artificial Neural Networks, ANN).

Mquinas Vectoriales de Soporte (Support Vector Machines, SVM). Conjuntos

Rugosos (Rough Sets).

Modelos Hbridos Estos mtodos representan una extensin a los modelos existentes y

consisten en una combinacin de tcnicas estadsticas o de soft computing otros

modelos relacionados.

22

La ilustracin 3 muestra un organigrama sobre las tcnicas mas utilizadas para

desarrollar un modelo de score crediticio explicados anteriormente, adems de una

clasificacin de las tcnicas influyentes en la construccin del modelo.

Ilustracin 3. Tcnicas Para el Desarrollo Scoring Crediticio

El organigrama presenta un resumen de la clasificacin de los diferentes modelos para

el desarrollo de un scoring crediticio, estos se clasifican en modelos estadsticos del cual

se dividen en paramtricos (Anlisis Discriminante y Logit) y tres no paramtricos

(rboles de regresin, K vecinos mas cercanos y la densidad de Kernel), adems del

modelo soft computing del que se deriva los modelos que utilizan redes neuronales y

por ltimo tambin se encuentran los modelos hbridos.

Modelos de Scoring

Crediticio

Modelos Estadisticos

Paramtricos

Anlisis Discriminante

Regresion Logstica

No Paramtricos

K vecinos ms cercanos

Arboles de Decisin

Densidad de Kernel

Soft Computing

Redes Neuronales

Modelos Hibrido


23

Los modelos paramtricos parten de una funcin de distribucin o clasificacin

conocida, y reducen el problema a estimar los parmetros que mejor ajusten las

observaciones de la muestra6. Los modelos no paramtricos, conocidos tambin como

mtodos de distribucin libre pues no se encuentran sujetos a ninguna forma funcional,

estos modelos presentan pocas restricciones, por lo que en ocasiones resultan, ms

fciles de aplicar que los paramtricos y permiten reconstruir la funcin de clasificacin

en todo tipo de situaciones, incluidas aquellas en las que la funcin sea sencilla y

conocida (por ejemplo, lineal).

En los modelos de soft computing del que se deriva el modelo de redes neuronales esta

conformado por un conjunto de procesadores simples interconectados a los cuales se les

denomina nodos, organizados en capas lo que permite el procesamiento de la

informacin.

2.3 REGRESION LOGSTICA

La Regresin Logstica (Logistic Regression, LR) es una tcnica estadstica

ampliamente utilizada en los modelos de score crediticio, as como en otras reas. Esta

tcnica considera un conjunto de variables independientes o predictoras y una variable

dependiente con dos posibles valores (variable dictoma) ejemplo:

Vota o no vota en unas elecciones

Diagnstico positivo o negativo en una prueba mdica

6 Martha Galicia Romero, nuevos Enfoques de Riesgo de Crdito

24

Las principales caractersticas que presenta este modelo se resumen en:

Variables binarias: Identifica la pertenencia del individuo a cada uno de los grupos

analizados:

Se identifica con un 1 al individuo que pertenece al grupo cuya probabilidad de

pertenencia estimar el modelo.

Se identifica con un 0 al individuo que no pertenece al grupo objeto de anlisis.

Variables explicativas: Son las variables que sirven para discriminar entre los grupos y

que determinan la pertenencia de un elemento a un grupo u otro. Pueden ser:

Variables cuantitativas que un campo de variacin que toma todos los valores

reales

Variables cualitativas con distintas alternativas u opciones posibles.

Resultado del anlisis: El resultado es un valor numrico que indica la probabilidad de

pertenencia de un elemento al grupo que se le asign el valor 1, es decir, el grupo objeto

de anlisis.

La funcin logstica es una funcin de distribucin, y como se ha explicado toma los

valores entre 1 y 0, tiene la forma de S como se muestra en el siguiente grafico:

25

Ilustracin 4. Grfico Funcin Logstica

La forma general es:

Ecuacin 2. Modelo General

zez

11



26

Donde Z es la probabilidad de la clase recordando que la variable dependiente posee dos

valores posibles. Para el caso de un modelo de score, se consideran dos posibles

resultados: un cliente con buen hbito de pago y uno moroso. Para complementar, z obedece al siguiente modelo matemtico:

Ecuacin 3. Funcin Lineal con Parmetros

nnxwxwxwz ....2211

Donde Xi (i = 1,2,..., n) es el conjunto de variables predictoras o conjunto de entrada,

es el punto de interseccin y Wi es el conjunto de coeficientes o vector de pesos W

que ajustan el modelo.

En nuestro caso las variables predictoras o Wi podran ser las siguientes a modo de

ejemplo:

Monto del crdito.

Plazo del crdito.

Das de mora.

Nmero de Calificaciones E en la base de la Central de riesgo, etc


27

Puesto que el modelo anterior no es lineal respecto a las variables independientes, se

considera la inversa de la funcin logstica, que es el logit o logaritmo de la odds o

ventaja de que un suceso ocurra, definindose sta como el cociente entre la

probabilidad de que ocurra un acontecimiento y la probabilidad de que no ocurra, que es

su complementaria, como puede observarse en la siguiente expresin:

Ecuacin 4. Funcin Logstica

nn xwxwxwpp

.....]1

log[ 2211

En donde p es la probabilidad del resultado de inters, ejemplo: la probabilidad a priori

de que un individuo tenga buen hbito de pago o la probabilidad de que un individuo

pueda ser moroso o incurrir en fraude.

La formulacin anterior facilita la interpretacin del modelo y de sus coeficientes, que

reflejan, de este modo, el cambio en el logit correspondiente a un cambio unitario en la

variable independiente considerada.


28

Ejemplo:

Predecir la probabilidad de tener tarjeta de crdito basado en los ingresos de una

persona.

Basado en la siguiente tabla de datos:

Rango Ingresos #Tarjetas Crdito # Casos yi 0-500 19 6 3,16666667 500-600 0 0 0 600-700 0 0 0 700-800 15 4 3,75 800-900 32 7 4,57142857 900-1000 70 22 3,18181818 1000-1100 163 47 3,46808511 1100-1200 269 56 4,80357143 1200 - 1300 332 58 5,72413793 1300 - 1400 385 59 6,52542373 1400 - 1500 329 43 7,65116279 1500 - 1600 185 26 7,11538462 1600 - 1700 85 9 9,44444444 1700 - 1800 5 2 2,5 1800 - 1900 26 4 6,5 1900 - 2000 0 0 0 2000 - 2100 0 0 0 2100 - 2200 0 0 0 2200 - 2300 2 1 0 2300 - 2400 12 1 12

Fuente: Datos Central de Riesgo Muestra de Ejemplo Elaborado Por: Daniel Flores

29

Variable Dependiente:

1 = Posee

Poseer Tarjeta (previamente categorizada )

0 = No posee

Variables que no son cuantitativas:

Nivel de Ingresos

Nivel de Ingresos Variables Dummy

Alto Medio Bajo

Alto 1 0 0

Medio 0 1 0

Bajo 0 0 1

Sin Ingresos 0 0 0

Creamos tres variables dicotmicas o categricas las cuales no van a ser numricas

siendo estas unas variables dicotmicas: basndonos en el nivel de ingresos la primera

de ellas sera Alto. Quien lo sea tendr valor 1 en esa variable y valor cero en las

variables Medio y Bajo. Los de nivel de Ingreso Medio tendrn valor 1 en la

segunda variable y cero en las otras, etc. No necesitamos crear, en cambio, una variable

llamada Sin Ingresos: lo ser quien tenga valores cero en las tres anteriores. Esta

ltima es la categora base de las dummy.

Fuente: Tabla de Ejemplo Nivel de Ingreso Elaborado Por: Daniel Flores

30

Una vez realizada esta transformacin, estas variables pueden ser incorporadas en una

ecuacin de regresin: sus valores slo pueden variar entre cero y uno y sus coeficientes

b indicarn, en cada caso, cuanto aumentan o disminuyen los odds de probabilidad del

evento que se procura predecir cuando una de estas variables pasa de cero a uno.

De lo explicado anteriormente la probabilidad de tener tarjeta de crdito se ver

reflejada en la siguiente la funcin logstica

=

Donde:

= Probabilidad de poseer Tarjeta de Crdito

= Probabilidad de no poseer Tarjeta de Crdito

Puesto que los datos se encuentran agrupados por el ingreso anual, la variable es la

media del grupo.

As por ejemplo de la tabla indicada anteriormente de 6 personas con un ingreso de

entre 0 y 500 dlares su media es de 19/6, observando que hay 20 rangos de ingresos

diferentes de la muestra tomada.

Elaborado Por: Daniel Flores

31

Obteniendo el siguiente grafico (Ilustracin 5)

Ilustracin 5. Grfico de Dispersin

As pues arbitrariamente a manera de ejemplo se determin que la probabilidad de

poseer una tarjeta de crdito basada en los ingresos de una persona sera la siguiente:

=exp ( 1 + )

1 + exp ( 1 + 2 )

Donde:

es la probabilidad de que un sujeto posea una tarjeta de crdito con un ingreso .

0

2

4

6

8

10

12

14

0 500 1000 1500 2000 2500 3000

Y

Ingresos

Fuente: Microsoft Excel Datos de Ejemplo Elaborado Por: Daniel Flores


32

Interpretndose la misma de la siguiente manera: Cuando el ingreso es mayor existe la

posibilidad de poseer mayor nmero de tarjetas de crdito basndonos en la media

obtenida con el grupo de ejemplo.

Para lo cual previamente toco realizar una nueva reagrupacin de los datos basndonos

en la tabla de ejemplo anterior para no obtener valores igual a 0 y verificar que el

modelo no sea rechazado.

Rango

Ingresos

#Tarjetas

Credito # Casos yi

0-500 19 6 3,16666667

700-800 15 4 3,75

800-900 32 7 4,57142857

900-1000 70 22 3,18181818

1000-1100 163 47 3,46808511

1100-1200 269 56 4,80357143

1200 - 1300 332 58 5,72413793

1300 - 1400 385 59 6,52542373

1400 - 1500 329 43 7,65116279

1500 - 1600 185 26 7,11538462

1600 - 1700 85 9 9,44444444

1700 - 1800 5 2 2,5

1800 - 1900 26 4 6,5

2300 - 2400 12 1 12


33

Donde se obtuvo la grfica ajustada en la que se observa la curva logstica.

Ilustracin 6. Grfica Resultado Ejemplo Regresin Logstica

Con la imagen se puede demostrar que los puntos se ajustan a una curva en forma de s

en la que se observa que a mayor ingreso existe mayor probabilidad de obtener o poseer

mayor nmero de tarjetas de crdito.

0

2

4

6

8

10

12

14

0 500 1000 1500 2000 2500 3000

Y

Ingresos

yi

yi

Fuente: Microsoft Excel Datos de Ejemplo Elaborado Por: Daniel Flores

CAPTULO III

34

CAPTULO III

3. METODOLOGA

En este captulo trataremos sobre la metodologa utilizada para el desarrollo del modelo

del scoring y las fases que incluye el modelamiento.

3.1 MODELAMIENTO

El modelo busca determinar el riesgo de no pago o incumplimiento futuro asociado a

una operacin crediticia, ordenando la poblacin y dando la posibilidad de manejar

ofertas comerciales diferenciadas por punto de corte. Dando adicionalmente la facilidad

de utilizar mltiples puntos de corte que van desde el rechazo (punto mas bajo) hasta la

aprobacin inmediata (puntaje ms alto otorgando rpidamente el ndice de riesgo

asociado a esa evaluacin).

Las fases que incluyen el proceso de modelamiento son las siguientes:

1. Seleccin de la muestra

2. Definicin de buenos y malos clientes

3. Definicin y seleccin de datos

4. Anlisis preliminar de los datos

5. Anlisis multivariado

6. Diseo del scorecard

7. Validacin del modelo

35

3.1.1 Seleccin de la muestra

Con la finalidad de desarrollar un sistema scoring es necesario contar con una muestra

de clientes que tengan informacin historial credticia. Este requerimiento genera una

dicotoma entre dos elementos de decisin.

La muestra debe incorporar informacin suficiente acerca de las diferentes conductas de

pago de los clientes (buena y mala conducta en los extremos) a fin de identificar las

mejores caractersticas que lograrn recoger estos comportamientos.

Es aqu justamente donde se genera el conflicto, dado que con esta muestra se necesita

definir el criterio de bueno y malo a emplear para encontrar las caractersticas relevantes

en el modelo. Para esto, en cambio, se necesitar informacin histrica suficiente y por

lo tanto un razonable horizonte temporal.

Para el caso de esta tesis de fijar un perodo de 72 meses, de informacin de datos de la

base de la Central de Riesgo donde se encuentra informacin consolidada de los

prestamos otorgados por las instituciones reguladas por la misma, contando con

informacin que a la vez recoja una madurez adecuada (comportamiento estable).

El perodo de observacin es el tiempo t en el que el investigador decide situarse y

observar el desempeo del cliente. Es este perodo de desempeo o performance el que

va a ser empleado para predecir el comportamiento futuro. En el punto de resultado se

asigna una calificacin (bueno o malo) al cliente con base en un resumen del

comportamiento en el periodo de desempeo. De ah la importancia de madurez de la

36

cartera para no calificar como bueno a un cliente que es malo, pero que no logra denotar

un comportamiento porque inicia a pagar su obligacin.

Integrada la informacin de deudores directos del Sistema Crediticio, se puedo obtener

una muestra de aproximadamente un 1% de personas registradas en la base de datos

integrada de la Central de Riesgo (obteniendo una muestra de las personas que tienen

en su documento de identificacin el dgito verificador ltimo digito igual a 3).

Adicionalmente se obtuvo una muestra con la informacin de la central de riesgo de

cdulas cuyo ltimo dgito sea igual a 8, esta muestra se utiliz para la validacin final

del modelo (backtesting).

Para efectos de anlisis se tomaron datos reportados por Instituciones Financieras

Reguladas por la Superintendencia de Bancos a diferentes fechas desde enero 2002

hasta la ultima fecha de corte que se pudo obtener informacin reportada por las

Instituciones Bancarias a la Superintendencia de Bancos y de la cual se realizar un

anlisis (backtesting) con la informacin mencionada hasta enero del 2007 hacia atrs

para con esto verificar la probabilidad de prediccin que posee el score.

Lo explicado en los anteriores prrafos se refleja en la siguiente tabla donde mostramos

el nmero total registros en la base datos de la Central de Riesgos reportada por las

instituciones reguladas por la Superintendencia de Bancos, divididos por el ltimo

digito de la cdula de identidad y los primeros dos dgitos de la misma, de las cuales se

37

tomaron muestras aleatorias como se indic de las cdulas que su ltimo digito termina

en 3 y en 8.

Tabla 2. Nmero Registros por primeros y ltimos dgitos de la Cedula

Fuente: Direccion Nacional del Registro Civil Elaborado Por: Daniel Flores

38

3.1.1.1 Perodo de performance

Como se mencion anteriormente es importante escoger un perodo que reflejando la

actual poblacin de clientes muestre un comportamiento estable de cartera. Un

indicador til es la tasa de morosidad.

entestotaldeclientesdemalosclisidadtasademoro

##

Donde:

entesdemaloscli# : Es el nmero de clientes malos

entestotaldecli# : Es el total de clientes

De tal forma que el indicar representa el porcentaje de clientes cuyo crdito se encuentra

en estado de vencido en relacin con el total de clientes.

La tasa de morosidad se construye por perodo de cosecha (fecha de venta de las

operaciones de crdito) y tiene por objeto mostrar en forma grfica y por mes de

colocacin la relacin clientes malos sobre total de clientes7, con el fin de sealar los

perodos en que esta razn se estabiliza como equivalentes a un comportamiento estable

de la cartera.

Un periodo se considera como estable en la medida que la razn de la cosecha t presente

pequeas variaciones en relacin a la cosecha t-1 y t+1. En trminos estadsticos se

7 Credit Scoring and its Aplication, Lyn Tomas, David Edelman and Jonathan Crook

39

puede argumentar que se necesita, durante la ventana temporal elegida, que la razn tasa

de morosidad siga una distribucin uniforme. La eleccin de periodos con tasas de

morosidad decrecientes no implica necesariamente una mejora en el comportamiento de

la cartera, puede ser que estas cosechas por ser cercanas a la fecha actual estn

reflejando carteras poco maduras y por ende no comparables con otros periodos de

anlisis. A este tipo de estudios se los conoce como anlisis de cosechas.

El siguiente esquema sintetiza la importancia del proceso de seleccin de la muestra, un

acertado periodo de performance, con lo cual aseguramos que la definicin de bueno y

malo permita modelar un adecuado comportamiento de pago en el futuro.

Ilustracin 7. Esquema de Seleccin de la Muestra

Fuente: Credi Report Buro de Informacin Creditica Elaboracin Credit Report Buro de Informacin Crediticia

40

As tambin que en el esquema arriba expuesto se puede observar que identificando las

caractersticas del sujeto en el punto de observacin basado en la informacin histrica

que se posee se definir si este sujeto es bueno o malo y a su vez se podr verificar que

tan predictor es el mismo al verificar su comportamiento basado en el score con

informacin a fechas de corte de posteriores.

3.1.2 Definicin de buenos y malos clientes

La implementacin de un modelo credit score requiere la definicin de buen y mal

cliente. Establecer que un cliente es malo no implica necesariamente que todos los

restantes sean buenos. En el camino se pueden encontrar al menos dos definiciones

adicionales. Los 'indeterminados' o aquellos casos que no se pueden definir como

buenos o como malos, y los ' experiencia insuficiente' o aquellos casos en que la cuenta,

producto de su poco o corto uso, no se puede definir como buena sin caer en un juicio

prematuro.

Resulta evidente que la definicin escogida no va a afectar la metodologa empleada

para calificar al cliente. (esta asume que la definicin crea una particin). Sin embargo,

la forma como definamos buenos y malos s va a tener efecto sobre los resultados del

scoring.

Cuando se habla de malos se busca describir al conjunto de clientes, que dada la

experiencia no quiere seleccionar para su actividad intermediadora. Para el caso de los

41

modelos de riesgo, usualmente esta definicin hace alusin a esa cartera que de conocer

su comportamiento no se hubiese aceptado.

De aqu se sigue que la definicin de bueno y malo se basar prcticamente en el

comportamiento de pago de los clientes: mora mxima histrica, mora promedio,

contadores de mora (nmero de veces que ha cado en mora o reincidencia). Este

criterio de seleccin es mucho ms deseable pues asocia el criterio de bondad a una tasa

de rendimiento, decidiendo la eleccin de bueno o malo con base en la mxima prdida

que se est dispuesto a asumir. Es evidente que estas definiciones pasan por un grado de

subjetividad siendo tan conservadoras como lo quiera la entidad o viceversa.

3.1.3 Definicin y seleccin de datos

Como se mencion inicialmente una de las dificultades que puede afrontar un modelo

scoring es la escasez de una buena base de datos o incluso la ausencia de esta.

Es importante, por ende, contar no slo con una base de datos sino con un sistema de

informacin adecuadamente construido con una lgica de almacenamiento de datos que

permita contar con una codificacin o representacin numrica de las caractersticas

cualitativas y cuantitativas que servirn para la aplicacin de tcnicas estadsticas. La

definicin y seleccin de los datos a incluir en el modelo requiere identificar las escalas

de medida que pueden presentarse.

42

Existen dos grupos de variables a estudiar: las cualitativas y las cuantitativas.

Las primeras son aquellas que no aparecen en forma numrica, sino como categoras o

atributos (gnero, actividad econmica, vivienda) y slo pueden ser nominales u

ordinales.

Las variables cuantitativas, en cambio son aquellas cuyas categoras pueden expresarse

numricamente. Su naturaleza numrica permite un tratamiento estadstico ms

elaborado debido a las operaciones matemticas que permiten. Estas variables pueden

ser discretas o continuas. Las primeras son aquellas cuyas categoras slo pueden tomar

valores enteros. Por ejemplo la variable nmero de cargas familiares, no existe un

cliente que pueda tener 2,3 cargas familiares. Las segundas son aquellas cuyas

categoras pueden fraccionarse segn cualquier entero, por ejemplo la variable salario.

Una vez definido los tipos de datos con los que se puede trabajar se procede a

seleccionar la informacin en funcin de las caractersticas disponibles.

De lo expuesto se defini que esta tesis por tratarse de un modelo para deudores del

sistema financiero ecuatoriano las variables a utilizar son las de un modelo de

comportamiento, no de originacin por lo tanto se han escogido las siguientes variables

de alta importancia y sus combinaciones que mide el comportamiento de un

determinado sujeto dentro del periodo de performance las cuales se muestran en la tabla

siguiente:

43

COD_TIPO_IDCOD_ID_SUJETO

NUM_OPERACION

FEC_OPERACION

FEC_CORTE VAL_SALDO VAL_TOTALVAL_TOTAL_XV

VAL_TOTAL_NDI

VAL_VENCIDO

VAL_DEM_JUDICIAL

VAL_CART_CASTIGADA

COD_CALIFICACION

C 1714738331 0110001700252929/01/2003 30/06/2009 1570,59 1570,59 1570,59 0 0 0 0 AC 1714738331 493849345672401830/06/2009 30/06/2009 16,65 16,65 16,65 0 0 0 0 AC 1714738331 554511900846961030/06/2009 30/06/2009 127,33 127,33 127,33 0 0 0 0 AC 1714738331 554511900846961030/06/2009 30/06/2009 51,42 51,42 51,42 0 0 0 0 AC 1714738331 0110001700252929/01/2003 31/05/2009 1642,37 1642,37 1642,37 0 0 0 0 AC 1714738331 493849345672401831/05/2009 31/05/2009 16,65 16,65 16,65 0 0 0 0 AC 1714738331 493849345672401831/05/2009 31/05/2009 97,09 97,09 97,09 0 0 0 0 A

VAL_VENC_0_1

VAL_VENC_1_2

VAL_VENC_2_3

VAL_VENC_3_6

VAL_VENC_6_9

VAL_VENC_9_12

VAL_VENC_12_24

VAL_VENC_24_36

VAL_VENC_36

VAL_XVENCER

VAL_XVENCER_1_3

VAL_XVENCER_3_6

VAL_XVENCER_6_12

0 0 0 0 0 0 0 0 0 72,39 73 222,73 462,780 0 0 0 0 0 0 0 0 16,65 0 0 00 0 0 0 0 0 0 0 0 17,51 35,68 55,18 18,960 0 0 0 0 0 0 0 0 2,14 4,02 5,43 8,970 0 0 0 0 0 0 0 0 70,17 70,92 217,34 456,050 0 0 0 0 0 0 0 0 16,65 0 0 00 0 0 0 0 0 0 0 0 97,09 0 0 0

VAL_XVENCER_12

VAL_OPE_CUPO

739,69 3359,970 5000 360

30,86 360


44

Las mismas que estn definidas por:

1. Nmero de Operaciones Actuales e Histricas que posee el sujeto a calcular el scoring,

esto es cuantos prestamos un sujeto obtenido a travs de instituciones financieras

dentro de un rango de tiempo.

2. Cantidad de Calificaciones E que de acuerdo a la Superintendencia de Bancos esta se

clasifica de la siguiente manera:

Tabla 3. Periodo Morosidad en Meses

CALIFICACION PERIODO DE MOROSIDAD EN MESES

TIPO DE RIESGO MAYOR A HASTA

Riesgo Normal ---- Uno

Riesgo Potencial Uno Tres

Deficiente Tres Seis

Dudoso Recaudo Seis Nueve

Perdida Nueve En adelante

3. Saldo por vencer de 1 a 30 das.- Es el valor por vencer que consiste en la sumatoria de

todos los dividendos por pagar en el plazo mencionado.

Fuente: Superintendencia de Bancos y Seguros Elaborado Por: Daniel Flores

45

4. Saldo por vencer ms de 1 a 3 meses.- Es el valor por vencer que consiste en la

sumatoria de todos los dividendos por pagar en el plazo mencionado





7. Saldo por vencer ms de 12 meses.- Es el valor por vencer que consiste en la sumatoria

de todos los dividendos por pagar en el plazo mencionado

8. Valor que no devenga intereses de 1 a 30 das.- Es el valor que no genera inters

cuando una operacin crediticia se encuentra vencida en el rango de tiempo indicado.

9. Valor que no devenga intereses ms de 1 a 3 meses.- Es el valor que no genera inters


10. Valor que no devenga intereses ms de 3 a 6 meses.- Es el valor que no genera inters


11. Valor que no devenga intereses ms de 6 a 12 meses Es el valor que no genera inters


46

12. Valor que no devenga intereses ms de 12 meses.- Es el valor que no genera inters


13. Valor vencido de 1 a 30 das.- Es el valor total vencido que consiste en la sumatoria de

todos los dividendos que estn en mora en el rango de tiempo indicado.

14. Valor vencido ms de 1 a 2 meses.- Es el valor total vencido que consiste en la

sumatoria de todos los dividendos que estn en mora en el rango de tiempo indicado.



16. Valor vencido ms de 3 a 6 meses Es el valor total vencido que consiste en la sumatoria

de todos los dividendos que estn en mora en el rango de tiempo indicado.





19. Valor vencido ms de 12 a 24 meses Es el valor total vencido que consiste en la


47

20. Valor vencido ms de 24 a 36 meses Es el valor total vencido que consiste en la


21. Valor vencido ms de 36 meses.- Es el valor total vencido que consiste en la sumatoria

de todos los dividendos que estn en mora en el rango de tiempo indicado.

22. Valor vencido de comisin Es el valor total vencido que consiste en la sumatoria de

todos los dividendos que estn en mora en el rango de tiempo indicado.

23. Valor en demanda judicial.- Es el valor de una operacin que se encuentra en proceso de

Demanda Judicial por parte de la institucin financiera.

24. Cartera castigada.- Es el valor establecido como dudoso de recaudar por parte de la

Institucin Financiera.

25. Edad.- La edad en aos de la persona a consultar el score, en este caso nos encontramos

con un problema ya que no de todos las personas con crdito en el sistema ecuatoriano

se posee la edad o a su vez depende de la calidad de la informacin que poseamos ya

que esta puede no ser tan confiable y nos encontremos con valores inesperados como se

indica en la ilustracin 8.

48

Ilustracin 8. Distribucin de los Sujetos por Rangos de Edad

3.1.4 Anlisis preliminar de la Muestra

En un principio todas las variables existentes en la base de datos deben ser

seleccionadas, e incluso analizadas para que a partir de estas construir nuevas variables

denominadas variables simples o de combinaciones de caractersticas como se describe

en la ilustracin 9.

Fuente: Instituciones Financieras Ecuatorianas Elaborado Por: Daniel Flores

49

Ilustracin 9. Transformacin de una variable

Z4 X2

La variable fecha de apertura de la operacin se puede

transformar en la fecha en la que por primera vez fue reportada

en la Central De Riesgo.

As pues la ilustracin 9 explica como una variable de entrada Z4 como por ejemplo la

fecha de nacimiento se puede convertir en la edad siendo esta una variable de salida X2.

Adems en este anlisis es necesario decidir sobre un esquema de segmentacin para

definir si se divide la muestra en subgrupos siempre y cuando estas tengan informacin

especial o distintiva, en el caso de esta tesis no va a ser necesario ya que la muestra que

se posee es homognea.

Elaborado Por: Daniel Flores

50

3.1.5 Anlisis Multivariado

En esta etapa se validar la calidad y cantidad de informacin que se posee a travs de

un anlisis exhaustivo de los mismos los cuales se dividen en:

3.1.5.1 Anlisis Univariado

El objetivo de esto es validar la calidad por cada variable en la muestra

seleccionada.

Este estudio cumple con los siguientes propsitos:

Verificar con la integridad de los datos

Deteccin de valores extremos

Tratamiento por datos faltantes

3.1.5.2 Anlisis Bivariado

El objetivo de este anlisis es evaluar la relacin entre las variables

independientes y las variables dependientes por ejemplo

Variable Dependiente: Variable Dicotmica (1 Si es mayor a 60 dias de

vencido en un prstamo otorgado por una institucin financiera o 0 en caso

contrario)

51

Variables Independientes Monto del prstamo otorgado, que tipo de crdito

(vivienda, consumo, microcrdito, etc), montos vencidos, etc.

Es as que a modo de ejemplo en las 2 siguientes tablas se puede identificar que

se uso la combinacin de las variables el valor por vencer a las cuales se les

realiz una suma, el valor en mora siempre y cuando sea mayor a 2 meses, y un

conteo de las operaciones las que cumplan con las dos condiciones anteriores.

De los cuales se obtuvo los coeficientes de media y comparacin, permitiendo

analizar el comportamiento actual y pasado, verificando que estos valores se

encuentran dentro de los rangos ptimos definidos para el modelamiento del

score.

As tambin en la segunda tabla se realiza una combinacin de variables como

son los valores de cartera castigada y valores en demanda judicial a los cuales

se les suma dentro de un rango de tiempo de los ltimos 24 meses que se tiene

en la informacin de la Central de Riesgo.

Y de igual manera se obtuvieron los coeficientes y se observ que los ratios o

coeficientes de medida y comparacin se encuentran dentro de los parmetros

aceptables.

52

Ejemplo:

Ha tenido una o ms operaciones con mora mayor o igual a 2 meses en los ltimos 24 meses, pero el total de deuda por vencer es

mayor o igual a 0.33333 del deuda total tomando en cuenta los ltimos 3 meses? La variable se denominara rfp3_2_cd_con

rfp3_2_cd_con Bivariada (slo buenos y malos) Poblacin Total

BMRatio MBRatio Total Malo Tasa de Malos %Total Total %Total

0 (no) 1.17 0.85 77,123 18,143 23.5% 94.6% 77,123 94.6%

1 (s) 0.09 10.56 4,379 3,469 79.2% 5.4% 4,379 5.4%

Total de deuda en cartera castigada o demanda judicial en los ltimos 24 meses. La variable se denominar deuda_castplus

deuda_castplus Bivariada (slo buenos y malos) Poblacin Total

BMRatio MBRatio Total Malo Tasa de Malos %Total Total %Total

0 1.38 0.73 74,671 15,485 20.7% 91.6% 74,671 91.6%

0

53

3.1.6 Diseo del Score Card

Diseo del Score Card se basa en los pesos y signos asignados a las caractersticas

relevantes para identificar comportamiento de pago de un cliente. En su forma ms

simple es una tabla en la que se listan las variables seleccionadas y sus atributos con el

puntaje asignado a cada uno8. Un puntaje negativo indica que la variable estara

premiando al cliente que cumpla con este atributo, mientras que una variable positiva

estara castigando.

Un mayor o menor valor significa cun importante es la variable en la calificacin.

De acuerdo al anlisis realizado para esta tesis el score card que se utilizar ser el

siguiente:

8 Un score card es una tabla donde se presentan las caractersticas (variables) resultantes de la aplicacin del modelo logstico, con el valor respectivo del parmetro ajustado para representar el valor de score con el que aporta cada una de las caractersticas.

54

Y como explicacin se indicar la obtencin de una de las variables que se utilizan en el

diseo del score card, las dems se encuentran en el anexo 3

set @n_score = -5.0418819189 + @i_b_avgmo_1_ec * 0.426007907 + @i_b_avgmo_2_ec * 0.615325305 + @i_b_avgmo_3_ec * 0.746487979 + @i_b_avgmo_4_ec * 0.835391271 + @i_b_avgmo_5_ec * 0.940640093 + @i_b_avgmo_6_ec * 1.163488941 + @i_b_avgmo_7_ec * 1.305610914 + @i_b_avgmo_8_ec * 1.525070427 + @i_b_wcurr_1_all * 0.633003213 + @i_c1a10_1_all * 0.527885872 + @n_c12_1a10_1_all * 0.435848447 + @n_c3_2a10_1_all * 0.372657094 + @i_cant_calificacion_e_1_all * 1.584073234 + @i_cant_no_devenga_12_1_pd * 0.169503353 + @i_cant_no_devenga_12_2_all * 0.31779479 + @i_cant_no_devenga_24_1_ec * 0.484176497 + @i_cant_por_vencer_12_1_all * 0.383397711 + @i_cant_tipo_riesgo_titular_1_ec * 0.378465063 + @i_cl1 * 0.687503404 + @i_cl2 * 0.495688296 + @i_cl3 * 0.384044386 + @i_cl4 * 0.187988401 + @i_copen_vig_3_1_all * -0.2652798865 + @i_copen_vig_3_1_ec * -0.1950141455 + @i_mnew_1_pd * 0.959436817 + @i_mold_vig_1_all * 0.639567949 + @n_rdt1s3_2_ec * 0.628773397 + @n_rdt1s3_3_ec * 0.281621939 + @i_rdt24_3a10_1_all * 0.538599523 + @i_rdt3_2a10_1_all * 0.936851865 + @i_rdt6_1a10_1_all * 0.302253614 + @i_rfp12_2_all * 0.18566022 + @i_rfp12_3_all * 0.430115998 + @i_rfp3_2_cd * 0.479899586 set @n_score = round(1000/(1+exp(-@n_score)),0)

Ilustracin 10. Diseo del Score Card Cgido Sql

Fuente: Cdigo Sql Elaborado Por: Daniel Flores

55

Desarrollo de la variable @i_rdt24_3a10_1_all

Si el valor de la variable (@n_rdt24_3a10 < .00001) entonces la variable

@i_rdt24_3a10_1_all toma el valor de 1 caso contrario toma el valor de 0

Donde:

La variable @n_rdt24_3a10 toma el valor de 0 si @n_deuda_total_24 es igual a 0

caso contrario la variable se calcula de la siguiente manera @n_rdt24_3a10 =

@n_d24_3a10/@n_deuda_total_24

Para lo que previamente se debe obtener las siguientes variables:

@n_deuda_total_24

@n_d24_3a10

As pues la variable @n_deuda_total_24 se obtiene de la suma total de los valores que

adeuda una persona a las entidades reguladas por la Superintendencia de Bancos en los

24 meses anteriores a la fecha de calculo del credit scoring

Y la variable @n_d24_3a10 se obtiene suma de los valores vencidos o en estado de

mora con las entidades reguladas por la Superintendencia de Bancos en los 24 meses

anteriores a la fecha de calculo del credit scoring

56

3.1.7 Validacin del Modelo

Para validar el modelo se realiz pruebas de backtesting o pruebas de pasado que tienen

como fin probar la predictibilidad del modelo con datos del pasado y compararlos con el

score calculado con informacin actual.

As pues la prueba de backtesting realizada se bas en el historial crediticio del sujeto

con la cual se desarrollo una variable de prueba la cual consista en que si el sujeto a

partir de la fecha de calculo del scoring crediticio hasta un ao despus colocaba 1 si

este caa vencido o tenia valores en mora o 0 si este no tenia valores vencidos o en mora

en las instituciones reguladas por la Superintendencia de Bancos (Anexo 2).

CAPTULO IV

57

CAPTULO IV

4. DESARROLLO

En este captulo se explicar sobre las herramientas utilizadas para el desarrollo de esta

tesis y el sistema diseado para la explicacin del scoring crediticio.

4.1 DISEO Y DESARROLLO

La aplicacin tiene como objetivo ayudar al analista de crdito para que con el historial

crediticio pueda darse cuenta que tan apto es una persona para ser sujeto de crdito ya

que se basa en la probabilidad de mora del mismo.

Adems al ser una aplicacin Web Service ayuda a que cualquier institucin o persona

pueda desarrollar su aplicativo y con la informacin enviada va XML a travs del

internet pueda desarrollar sus propias pantallas de acuerdo a los estndares de la

institucin que desea utilizar.

As tambin los rangos de aprobacin del crdito pueden ser parametrizables de acuerdo

a la institucin que utilice el sistema.

58

4.2 HERRAMIENTAS DE DESARROLLO

4.2.1 Microsoft .Net

Es un entorno de desarrollo integrado (IDE, por sus siglas en ingls) para

sistemas operativos Windows. Soporta varios lenguajes de programacin tales

como Visual C++, Visual C#, Visual J#, ASP.NET y Visual Basic .NET, aunque

actualmente se han desarrollado las extensiones necesarias para muchos otros.

Visual Studio permite a los desarrolladores crear aplicaciones, sitios y

aplicaciones web, as como servicios web en cualquier entorno que soporte la

plataforma .NET. As se pueden crear aplicaciones que se intercomuniquen entre

estaciones de trabajo, pginas web y dispositivos mviles.

Microsoft .Net es una herramienta de desarrollo que puede usarse para crear

plataformas independientes y dispositivos independientes del software. Se puede

usar .Net Framework para tener datos disponibles a travs del internet como es

el caso de esta tesis.

Algunas caractersticas principales y que se destacan por su relevancia son:

Es un potente lenguaje orientado al desarrollo basado en objetos.

Permite realizar aplicaciones ms robustas y fciles de depurar.

59

Es un lenguaje ms simplificado y uniforme.

El cdigo es reutilizable y fcil de leer.

Ilustracin 11. Caractersticas Herramientas .Net

Fuente: Curso 2310. Developing web Applications Using Microsoft Visual studio 2008 Elaborado Por: Daniel Flores

60

4.2.2 SQL Server 2005

Ilustracin 12. Sql Server 2005

Microsoft SQL Server es un sistema de gestin de bases de datos relacionales

(SGBD) basado en el lenguaje Transact-SQL, y especficamente en Sybase IQ,

capaz de poner a disposicin de muchos usuarios grandes cantidades de datos de

manera simultnea, as como las siguientes caractersticas:

Soporte de transacciones.

Escalabilidad, estabilidad y seguridad.

Soporta procedimientos almacenados.

Incluye tambin un potente entorno grfico de administracin, que permite el

uso de comandos DDL y DML grficamente.

Fuente: Sql Server 2005 Elaborado Por: Daniel Flores

61

Permite trabajar en modo cliente-servidor, donde la informacin y datos se

alojan en el servidor y las term

Documents

Modelo de Scoring