Mensurando o Risco de Micro e Pequenas Empresas. Fabio Wendling M. de Andrade

Transcrição

1

2 Mensurando o Risco de Micro e Pequenas Empresas Fabio Wendling M. de Andrade

3 Agenda O perfil das MPEs O que é importante no crédito para MPEs Metodologia de quantificação de risco de MPEs Gerenciamento do risco de crédito a MPEs

4 Importância das MPEs no Brasil 2,7 milhões de empresas 48% da produção nacional 42% dos salários pagos 68% da oferta de mão-de-obra 30% do PIB

5 O Perfil das MPEs Distribuição por setor e região Distribuição de MPEs por região Distribuição de MPEs por Setor de atividade Sul 27,2% Sudeste 40,0% Serviço 31,9% Centro Oeste 9,8% Norte 3,4% Nordeste 19,6% Primário 0,6% Indústria 11,2% Comércio 56,3%

6 O Perfil das MPEs Quantidade de sócios Quantidade de Sócios Distribuição das MPEs % 1 43,8% 2 48,6 % 3 5,0 % 4 1,6 % 5 ou mais 1,0 %

7 O risco de crédito para MPEs Distribuição de taxa de default por porte Taxa de default (%) Taxa de default por porte de empresa Small Small+ Middle Middle+ Corporate Evolução da mortalidade 25 Taxa de Default por idade da empresa Taxa de default (%) ATÉ > 14 Anos desde a fundação

8 Risco de Crédito de MPEs Risco associado aos donos da empresa Finanças da empresa e dos sócios se confundem Grande mortalidade de empresas nos primeiros anos de vida Informações financeiras nem sempre estão disponíveis Menor qualidade de demonstrativos financeiros Disponibilidade de informações comportamentais

9 Que informações são importantes para mensurar o risco de MPEs? Informações comportamentais da empresa e de seus sócios Histórico de performance de crédito Busca e utilização de crédito Informações acerca do quadro social Composição e alterações Cadastro Idade e ramo de atividade

10 Que informações são importantes para mensurar o risco de MPEs? Contribuição na avaliação de risco de MPEs Informações negativas 9% Cadastro da empresa 11% Comportamento da empresa 46% Dados dos sócios 34%

11 Que metodologia de análise é mais adequada para as MPEs? Requisitos: Baixo custo operacional Possibilitar uma análise rápida Possibilitar padronização de processos Conseguir ponderar de forma assertiva informações da empresa e de seus sócios Facilitar a aplicação de políticas de decisão e estabelecimento de limites e condições comerciais Quantificar o risco com precisão

12 Que metodologia de análise é mais adequada para as MPEs? Modelos estatísticos de classificação de risco Credit Scoring pontuação Credit Rating escala ordinal de risco

13 O que são modelos estatísticos de classificação de risco? Fórmulas matemáticas desenvolvidas a partir da experiência observada em dados históricos que geram uma medida associada ao risco de crédito Critérios estatísticos refletem a realidade presente nos dados Ponderam a influência de cada informação disponível para gerar a melhor forma de classificar o risco de crédito

14 Entendendo um modelo estatístico de classificação de risco Regressão Linear Cada informação (variável preditiva) é mutitiplicada pelo seu respectivo peso para obter a influência de cada informação Resultados para cada variável são somados e acrescentados de uma constante Score = b + b X + + o b X b X constante variáveis pesos

15 O que são modelos estatísticos de classificação de risco? Objetiva separar o máximo possível as empresas que se tornarão inadimplentes das que são boas pagadoras

16 Entendendo um modelo estatístico de classificação de risco Tabela de Pontuação (Scorecard) Idade da Empresa até 2 anos de 3 a 5 anos de 6 a 10 anos mais de 10 anos Pontos Referências Negativas da Empresa > 10 Pontos Referências Positivas da Empresa > 10 Pontos Risco dos sócios Baixo Neutro Alto Pontos Constante 200

17 Entendendo um modelo estatístico de classificação de risco Tabela de Pontuação (Scorecard) Idade da Empresa até 2 anos de 3 a 5 anos de 6 a 10 anos mais de 10 anos Pontos Referências Negativas da Empresa > 10 Pontos Referências Positivas da Empresa > 10 Pontos Risco dos sócios Baixo Neutro Alto Pontos Constante 200

18 Entendendo um modelo estatístico de classificação de risco Idade da Empresa até 2 anos de 3 a 5 anos de 6 a 10 anos mais de 10 anos Pontos Referências Negativas da Empresa > 10 Pontos Referências Positivas da Empresa > 10 Pontos Risco dos sócios Baixo Neutro Alto Pontos Constante 200 Score = = 270

19 Entendendo um modelo estatístico de classificação de risco Regressão logística É usada uma função que possibilita que o resultado seja expresso em probabilidade de inadimplência Prob. de Inadiplência = 1+ exp 1 ( ( b b X b X b )) o X3

20 Como o modelo é desenvolvido? O que se deseja prever? O que é uma empresa inadimplente? Qual é o horizonte de predição? Extração de uma amostra de dados históricos Construção e tratamento de variáveis Análise das variáveis Estimação de pesos Validação dos resultados

21 Desenvolvimento de modelo Empresas Empresas adimplentes adimplentes Ponto de observação Hoje Período Histórico Período de desempenho Variáveis preditivas Dados cadastrais Empresas Empresas inadimplentes inadimplentes Dados dos sócios Dados comportamentais Informações financeiras

22 Conceito de default O que consideramos um mau pagador? Eventos negativos: protestos, restrições financeiras e ações Insolvência: falência, recuperação judicial ou extrajudicial Atrasos: 30, 60 ou 90 dias Qual é o horizonte de previsão? 6 meses 1 ano Prazo do compromisso assumido

23 Conceito de default Exemplo de conceito de default Dívida Vencida com Instituições Financeiras há mais de 90 dias Qualquer Tipo de Concordata, Recuperação Judicial e Recuperação Extra-Judicial Falência Decretada e Auto-Falência Cesta de Eventos (+ de 10 pontos) Peso Peso Falência Falência requerida requerida 5 Ação Ação 2 Protesto Protesto 1 Dívida Dívida vencida vencida com com empresa empresa 1 Cheque Cheque sem sem fundo fundo 3

24 Amostra de dados Seleção da amostra Representatividade estatística Extração de forma aleatória Amostra de bons e maus Amostra para desenvolvimento Amostra para teste

25 Construção de variáveis Variáveis cadastrais Representar as informações de forma numérica Variáveis comportamentais Sumarizar registros analíticos em variáveis relevantes para crédito

26 Exemplos de Variáveis Idade da empresa/localização Data de entrada dos acionistas/sócios/titular Tempo de gestão dos administradores Informações negativas da empresa, participantes e ligadas Pendências financeiras - dívidas vencidas e não pagas Informações sobre hábitos de pagamento Dívidas vencidas e a vencer Indicadores econômico-financeiros

27 Análise das variáveis Que influência cada variável tem no risco? Ex. Registros de consultas Risco x Quantidade de Registros de Consultas 20 Taxa de default (%) a 2 3 a 6 7 a a 29 >=30 Registros de Consultas

28 Estimação do modelo Seleção de que variáveis são mais relevantes Geração da fórmula matemática Técnicas: Análise discriminante Regressão linear Regressão logística Modelos de sobrevivência Redes neurais

29 Validação Aplicação do modelo em outra amostra de dados Cálculo da medida KS % KS=65% BOM_TES Classe de risco MAU_TES

30 Como o modelo é utilizado? Implementação em sistemas Classes de risco Interpretação do resultado do modelo Tomando decisões baseadas no resultado do modelo Definição de políticas em função do risco Monitoramento de resultados

31 Implementação Coleta de informações Programação da fórmula Homologação Integração com softwares de gerenciamento de risco, políticas de decisão e limites

32 Classes de Risco Definição das classes de Risco Quantidade de classes Distribuição das faixas de probabilidade

33 Classes de Risco GRANULARIDADE DA ESCALA ESCALA A ESCALA B

34 Escala utilizada pela Serasa P R O B AB IL ID AD E D E IN AD IM P L Ê N C IA Classe de Risco P ro babilidade de P ro babilidade M é dia Inadimplência (%) de Inadimplência (%) 1 0,00 a 0,50 0,25 2 0,51 a 1,00 0,75 3 1,01 a 1,50 1,25 4 1,51 a 2,00 1,75 5 2,01 a 3,00 2,50 6 3,01 a 4,00 3,50 7 4,01 a 5,00 4,50 8 5,01 a 6,00 5,50 9 6,01 a 8,00 7, ,01 a 10,00 9, ,01 a 15,00 12, ,01 a 30,00 22, ,01 a 50,00 40, ,01 a 99,99 70,00

35 Interpretação do resultado Score ou Rating podem ser convertidos em probabilidades de default Calibração de probabilidades em função de backtest na carteira Classe de Risco Total Scores Default Não default Taxa de Default ,6% ,5% 5,4% 10,4% 22,1% 7,4%

36 Decisões baseadas na classificação de risco Conceder ou não Prazos Limites Condições comerciais Processo de decisão

37 Análise de rentabilidade Classe de Risco Scores Faturamento Custo de inadimplência Demais Custos Margem R$ R$ R$ R$ R$ R$ R$ R$ R$ R$ R$ R$ R$ R$ R$ ( R$ ) R$ R$ R$ ( R$ )

38 Limites em função do risco Risco Limite alto Nenhum limite Limite como percentual de uma métrica de volume de operações Ex: faturamento líquido

39 Monitoramento dos modelos Performance O modelo continua separando bons de maus pagadores? Estabilidade O perfil dos meus clientes ainda é o mesmo de quando o modelo foi desenvolvido?

40 Considerações finais Uso de ferramentas de mensuração de risco adequadas associado à informações comportamentais de PMEs e de seus sócios permite uma avaliação precisa do risco Possibilita a empresa decidir que risco deseja assumir e avaliando as relações de risco/retorno Possibilita otimizar a rentabilidade do negócio

41 Mensurando o Risco de Pequenas e Médias Empresas Fabio Wendling M. de Andrade