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

Transcrição

1 Perfís de Risco em Portugal. O Rating e o Score como Ferramentas de Gestão. Conferência Novos Tempos para a Insolvência em Portugal: Desafios e Oportunidades Hotel da Lapa, Lisboa, 23 de Maio de 2006 Augusto Castelo Branco

2 Agenda Perfís de Risco em Portugal O que é o Credit Scoring Benefícios da sua Utilização Desenvolvimento de Modelos de Scoring Rating vs Score 2

3 Recolhemos toda a Informação Disponível sobre Empresas em Portugal Actualizaçôes DIrectas Dados Publicos 98% de cobertura da base empresarial nacional + de 1 milhão de contactos entre gestores, corpos directivos e executivos Alguns números em Média de 3000 actualizações / dia + de 100 mil entrevistas directas Informação Financeira Experiência de pagamento Informa D&B Base de Dados Portugal 650 Mil Negócios Activos Número D-U-N-S 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 notícias de imprensa etc... Notícias Media 3

4 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 ( B.C.), Nicomachean Ethics, bk IX, ch. 7 4

5 A Evolução Recente do Risco em Portugal % de Empresas de Risco Muito Elevado 16% 14% 14% 14% 12% 15% 10% 11% 8% 6% 4% 2% 0% ANO 2003 ANO 2004 ANO 2005 ANO

6 O Risco por Distritos Distribuição das Empresas no Mercado por Distrito 30% 28% 25% 20% 17 % 15 % 10 % 5% 7% 7% 7% 5% 5% 4% 4% 1% 1% 2% 2% 1% 3% 2% 2% 1% 1% 1% 0% 0% 0% 6 Aveiro Beja Braga Castelo Branco Coimbra Faro Guarda Leiria Lisboa Portalegre Porto Viana do Castelo Vila Real Viseu Funchal Ponta Delgada Angra do Heroismo Horta

7 O Risco por Distritos Risco por Distrito Horta Score Aveiro Beja Braga Castelo Branco Coimbra Faro Guarda Leiria Lisboa Portalegre Porto Viana do Castelo Vila Real Viseu Funchal Ponta Delgada Angra do Heroismo

8 O Risco por Sectores de Actividade Distribuição das Empresas no Mercado por Sector de Actividade 30% 26% 25% 23% 20% 14 % 15 % 12 % 12 % 10 % 5% 3% 5% 5% 0% 0% 0% Agricultura Construção Fabricantes Grossistas Ind. M ineira Inst. Financeiras Org. Publicos Retalhist as Serviços Transp.& Telecom 8

9 O Risco por Sectores de Actividade Risco por Sector de Actividade Score Agricultura Construção Fabricantes Grossistas Ind. M ineira Inst. Financeiras Org. Publicos Retalhistas Serviços Transp.& Telecom 9

10 O Risco por Bandas de Empregados Distribuição das Empresas no Mercado por Bandas de Empregados 80% 76% 70% 60% 50% 40% 30% 20% 16% 10% 4% 3% 1% 0% 0% 0% 0% 0% - 1 a 9 10 a a a a a a 999 Mais de

11 O Risco por Bandas de Empregados Risco por Bandas de Empregados a 9 10 a a a a a a 999 Mais de

12 O Risco por Volume de Vendas Distribuição das Empresas no Mercado por Bandas de Vendas 45,0% 43,2% 40,0% 35,5% 35,0% 30,0% 25,0% 20,0% 15,0 % 10,0 % 9,0% 7,7% 5,0% 2,4% 1,3 % 0,8% 0,1% 0,1% 0,1% 0,0% - <= a a a a a a a Mais (Milhares de Euros) 12

13 O Risco por Volume de Vendas Risco por Bandas de Vendas Score <= a a a a a a a Mais (Milhares de Euros) 13

14 O Risco por Antiguidade Distribuição das Empresas no Mercado por Antiguidade 30% 30% 25% 25% 20% 17 % 15 % 15 % 10 % 8% 5% 1% 4% 2% 0% 0% - M enos de 1 ano 1 ano 2 a 4 anos 5 a 9 anos 10 a 19 anos 20 a 49 anos 50 a 99 anos Mais de 10 0 ano s 14

15 O Risco por Antiguidade Risco por Antiguidade Score Menos de 1 ano 1 ano 2 a 4 anos 5 a 9 anos 10 a 19 anos 20 a 49 anos 50 a 99 anos Mais de 100 anos 15

16 O Risco por Idade do 1º Gestor Distribuição das Empresas no Mercado por Idade do 1º Gestor 29% 29% 30% 26% 25% 20% 14 % 15 % 10 % 5% 2% 0% Entre 18 e 29 Entre 30 e 39 Entre 40 e 49 Entre 50 e 59 M ais de 60 16

17 O Risco por Idade do 1º Gestor Risco por Idade do 1º Gestor Score Entre 18 e 29 Entre 30 e 39 Entre 40 e 49 Entre 50 e 59 Mais de 60 17

18 O Risco por Sexo do 1º Gestor Distribuição das Empresas no Mercado por Sexo do 1º Gestor 76% 80% 70% 60% 50% 40% 24% 30% 20% 10 % 0% Feminino M asculino 18

19 O Risco por Sexo do 1º Gestor Risco por Sexo do 1º Gestor 43,4 43,3 43,2 Score 43,0 42,8 42,6 42,6 42,4 42,2 Feminino Masculino 19

20 Então é fácil... Evitando: grossistas de Braga, Bragança, Viana do Castelo ou Vila Real com menos de 9 empregados com volume de vendas inferior a 250 Mil Euros com entre 20 e 49 anos de existência geridos por Senhoras com menos de 29 anos Não teremos problemas. 20

21 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

22 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 22

23 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. 23

24 O Credit Scoring Dados Históricos Comportamentos Actuais Dados Actuais Comportamentos Futuros Medida quantitativa do risco de um negócio O Scoring Preditivo utiliza informação histórica para prever comportamentos futuros A 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 garantia O Scoring Preditivo é dinâmico O Scoring Preditivo permite ordenar os clientes pela probabilidade de ocorrência de um determinado comportamento 24

25 O Efeito Screening (Ordenação) % Bads % de Clientes Incumpridores que são identificados depois de ordenar do Score Mais Baixo (Risco Maior) para o Score Mais Elevado (Risco Menor) 100% 80% Utilizando um Modelo para Ordenar por Risco 60% 40% 20% No Screening Tool (M. Tradicional) 0% 0% 20% 40% 60% 80% 100% % Total de População M. Trad.. Modelo 25

26 Sistema Tradicional de Decisão Pedido De Crédito Aprovar Application Processing Decisão por Analista Informação Externa Rejeitar ou Pronto Pag. 26

27 Sistema de Decisão Utilizando Scoring Pedido De Crédito Aprovação Imediata Scores Altos Pouca Exposição Targeted Markets Application Processing Scoring Preditivo Regras De Decisão Do Neg. Area Cinzenta Revisão Manual Informação Externa Scores Médios Elevada Exposição Revisão de critério Rejeição Ou Pronto Pag. Scores muito baixos Knockout Criteria 27

28 Porque usar? Identificar os Clientes mercedores de Crédito para Promoções Futuras Aumentar Taxas de Aprovação Diminuir o Bad Debt Reduzir a exposição a Contas de Elevado Risco Aumentar Vendas Gestão do Risco Garantir o Tratamento Objectivo e Igual de todas as Candidaturas Aplicar Critérios de Decisão Objectivos e Consistentes em toda a Organização Consistência Eficiência Rapidez Processar com Rapidez as Aprovações/Rejeições Óbvias Menos Informação Necessária Analistas Focados nas Contas Difíceis Aumentar o Número de Contas Analisadas com o mesmo Staff 28

29 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 29

30 O Scoring como Ferramenta de Previsão e Definição de Estratégia 5.5 Bad-Rate Maus % 4.5 Posição Actual X Accept Aceites Rate % 30

31 O Scoring como Ferramenta de Previsão e Definição de Estratégia Aceites Maus Sit. Actual 84% 4.4% Scoring: Estratégia1 84% 3.0% 32% redução incobráveis Estratégia2 93% 4.4% 11% aumento vendas Estratégia3 90% 3.6% 18% redução incobráveis + 7% aumento vendas 31

32 Como Utilizar? Credit Application Evaluation Automatizar Aprovação/Rejeição Calcular Limite de Crédito Preço do Risco Portfolio Management Monitorização e Benchmarking Actualização Dinâmica de Limites de Crédito Activar Procedimentos de Cobrança 32

33 Desenvolvimento de Modelo de Scoring (Empresas ou Particulares) 1º PASSO: Recolha de Dados. 2º PASSO: Definir período de observação e período de comportamento. Política de Crédito Actual Período de Observação 12-Meses Período de Comportamento Bad Good $ Jan 00 Abr 00 Jan 01 Abr Meses Período de Comportamento 3º PASSO: Recolher todos os dados disponíveis de uma forma retroactiva (inclusivé rejeitados). 4º PASSO: Criar Amostra para Desenvolvimento e Amostra para Validação. Fontes Externas Fontes Internas Amostra para Desenvolvimento Total 70% 30% Amostra para Validação 33

34 Desenvolvimento de Modelo de Scoring (Empresas ou Particulares) 5º PASSO: Efectuar análises estatísticas univariadas <-2m <-500k <-100k <50k <200k <500k <1m <2m <5m <20m 50m+ <-1m <-200k <0 <100k <300k <740k <1.5m <3m <10m <50m 0 Average Bad Rate = 13.9% 6º PASSO: Aplicar processo de regressão multivariada (linear, logística,...) para obter a função de probabilidade. Probabilidade Bad Score 7º PASSO: Modelo de Scoring, traduzido da função de probabilidade. 8º PASSO: Pontuar distintas sub-populações. Participação do accionista maioritário (%) Sem dados 0 <=25% % 10 >51% Discriminação entre Bad & Good - Screening Efect Início da Actividade Menos de 2 anos 15 De 2 a 5 anos -4 De 6 a 9 anos ou mais anos 34 % of Cases Good Bad Número de protestos no último ano , 2-2 3, 4, Score 34

35 Desenvolvimento de Modelo de Scoring (Empresas ou Particulares) 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 Sc ore Distributio n pop. total Good, B ad & Rejects Modelo Amostra para Validação % of Cases Good Bad Reject Score 11º PASSO: Tabela de estratégia. 12º PASSO: Implementação da estratégia pretendida. Score Casos Aprovados 10% 32% 54% 66% 78% 86% 92% 96% 97% 99% 99.8% Bad Rate Marginal 3% 5% 10% 13% 18% 24% 30% 38% 47% 64% 78% Bad Rate Acumulado nos casos Aprovados 2% 3% 5% 6% 8% 9% 10% 11% 12% 12% 13% Bad Rate Acumulado nos casos Reprovados 14% 17% 22% 26% 31% 37% 45% 53% 60% 73% 82% Aceites Maus Sit. Actual 84% 4.4% Scoring: Estratégia1 84% 3.0% 32% redução incobráveis Estratégia2 93% 4.4% 11% aumento vendas Estratégia3 90% 3.6% 18% redução incobráveis + 7% aumento vendas 35

36 Modelos de Scoring Genéricos Características Implementação mais rápida Custos mais reduzidos Normalmente 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 6 Passos para a implementação de um Modelo de Scoring Genérico 1º PASSO: Recolha de Dados. 2º PASSO: Definir período de observação e período de comportamento. Política de Crédito Actual Período de Observação 12-Meses Período de Comportamento Bad $ Good Jan 00 Abr 00 Jan 01 Abr Meses Período de Comportamento 36

37 Modelos de Scoring Genéricos 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 Sc ore Distributio n pop. total Good, B ad & Rejects Fontes Internas % of Cases Good Bad Reject Score 5º PASSO: Tabela de estratégia. 6º PASSO: Implementação da estratégia pretendida. Score Casos Aprovados 10% 32% 54% 66% 78% 86% 92% 96% 97% 99% 99.8% Bad Rate Marginal 3% 5% 10% 13% 18% 24% 30% 38% 47% 64% 78% Bad Rate Acumulado nos casos Aprovados 2% 3% 5% 6% 8% 9% 10% 11% 12% 12% 13% Bad Rate Acumulado nos casos Reprovados 14% 17% 22% 26% 31% 37% 45% 53% 60% 73% 82% Aceites Maus Sit. Actual 84% 4.4% Scoring: Estratégia1 84% 3.0% 32% redução incobráveis Estratégia2 93% 4.4% 11% aumento vendas Estratégia3 90% 3.6% 18% redução incobráveis + 7% aumento vendas 37

38 Elementos Financeiros Que Valor Acrescentam à Perfomance do Score? Share of Failures Captured Financial Data Non-Financial Data Share of Population 38

39 Depósito de Contas % de Balanços Depositados / Universo de Empresas Activas 35% 30% 25% 20% 15% 10% 5% 0% Mai Jun Jul Ago Ser Out Nov Dez Jan Fev Mar Abr Deposito de Balanços de 2004 Deposito de Balanços de 2003 Deposito de Balanços de 2002 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. 39

40 Tipos de Scores Particulares Empresas Failure (Falência) Delinquency (Incumprimento) Clientes Existentes Novos Clientes 40

41 O Failure Score Informa D&B 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 41

42 Factores Críticos de Sucesso 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 42

43 Rating vs Score Score Cálculo estatístico Utilizado para ordenar clientes do risco mais elevado ao risco mais baixo Rating Captura eventos/informação que não pode ser incorporada em modelos estatísticos Eventos 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 43

44 Alguns Clientes em Portugal 44