top of page
8.jpg

Collection Score, Recobro e Inteligencia Artificial

 

OBJETIVO DEL CURSO

 

El participante tendrá una visión global de la gestión del recobro, a través de políticas, sistemas, personal, métricas, metodologías de modelos y estrategias.

El objetivo del curso es exponer el uso de la inteligencia artificial en los procesos de recobro de la banca de cara a la transformación digital. Se exponen las principales herramientas predictivas y de decisión en los procesos de recobro.

 

  • Se explican los avances sobre la transformación digital de los bancos y entidades financieras. Se espera que la digitalización traiga consigo reducción de tiempo y costes.

​​

  • ​Se destaca la importancia de las recientes tecnologías de inteligencia artificial durante el proceso de recuperación.Tales como la Automatización Robótica de Procesos, Chatbots y machine learning.

  • Se explica la construcción del collection score empleando volúmenes de información enormes. Se exponen metodologías tradicionales como la regresión logística y otras, innovadoras, de machine learning, tales como: árboles de decisión, random forest, redes neuronales, redes bayesianas, Support Vector Machines etc. Más adelante se explica, pormenorizadamente, la validación de estos modelos. Se espera que estos modelos incrementen el valor del ROC sobre los modelos tradicionales.

  • Se emplea un ejercicio real, pero anónimo, con cientos de miles de registros para construir el modelo de collection score.

  • Se exponen análisis y estrategias de recobro. Se explican las principales métricas KRI´s que permiten medir la eficiencia y eficacia del recobro.

 

  • Los modelos permiten segmentar la cartera para priorizar acciones de recobro. La inteligencia artificial y la gestión del personal juegan un papel clave para obtener una mayor recuperación, por lo anterior se verá con detalle los sistemas aplicables a la gestión del recobro, y las estructuras organizativas adecuadas para la gestión. Se verán casos reales de entidades financieras que han aplicado estrategias de recobro en un entorno digital.

  • Se habla sobre los procesos de externalización, las agencias de recobro y la irrupción de empresas Fintech especializadas en recobro que usan la inteligencia artificial. 

  • Respecto a venta de cartera, se entrega una herramienta de pricing que utiliza modelos financieros y predictivos para valorar una cartera con exposiciones en default.

¿QUIÉNES DEBEN ASISTIR?

 

El Curso esta dirigido a ejecutivos y directivos de entidades financieras, así como a los responsables de los departamentos de recobro y finanzas. Responsables de crédito y cobranzas de empresas con carteras de crédito al consumo. Para la mejor comprensión de los temas es recomendable que el participante tenga conocimientos de estadística. 

 

 

 

Testimoniales Internacionales

2 testim.jpg
fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg
Time.png

Horarios:

  • Santiago de Chile, Sao Paulo, Buenos Aires, Santo Domingo: L a V: 18-21h

  • España, Portugal: L a V 19-22 h

 

  • Ciudad de México, Quito, Bogotá, San JoséL a V 19-22 h

Price.png

Precio: 4.900 €

Level.png

Nivel: Avanzado

Duration.png

Duración: 27 h

Material.png

Material: 

Presentaciones PDF

Ejercicios en SAS, R, Python y Excel

fondo-azul-degradado-lujo-abstracto-azul-oscuro-liso-banner-estudio-vineta-negra.jpg

AGENDA

Collection Score, Recobro e Inteligencia Artificial

Anchor 8

RECOBRO

Módulo 1: El Recobro en carteras de consumo en tiempos de crisis financieras

 

  • Objetivos

  • Impacto de la actual crisis financiera

  • Manual y Políticas de Recobro

  • Regulación

  • Estrategia durante la crisis

 

Módulo 2: Conceptos básicos del recobro

 

  • Herramientas previas al recobro

  • Etapas del recobro

  • Objetivos de negocios en cada etapa de recobro

  • Segmentación de la cartera impagada

  • Definición de estrategias de recobro

Módulo 3: Áreas Funcionales en el departamento de recuperaciones

 

  • Áreas funcionales

  • Gestión de descubiertos

  • Primera etapa

  • Etapa media

  • Programas de repago especiales

  • Etapa tardía

  • Recuperación y cartera posterior al fallido

  • Localización e investigación

  • Soporte de recobro

  • Recuperación de activos y ventas

 

Módulo 4: Estructura Organizacional

 

  • Organigrama en las mejores prácticas

  • Procesos de digitalización

  • Responsable de recobro

  • Responsable de tecnología

  • Responsable de estrategias

  • Responsable de análisis estadístico y analítica de datos

  • Responsabilidad de Formación

  • Asignación de cuentas al cobrador

  • Planificación de la capacidad

    • Análisis coste-beneficio

    • Nº óptimo de gestores del recobro y supervisores

  • Operaciones centralizadas contra regionalizadas

  • Establecimiento de un centro de atención telefónica

 

Módulo 5: Planificación del Staff

 

  • Análisis sobre el Actual Staff ¿Infra/sobre estimado?

  • Gestores de cuenta en cada etapa del recobro

  • Drivers que determinan el número de gestores

  • Promesas de pago

  • Fórmula para determinar Nº de gestores

  • Gestores en función de la etapa del recobro

  • Nº de supervisores

  • Estrategias de segmentación del staff

  • Optimización en la planificación del staff

COLLECTION SCORE y MACHINE LEARNING

Módulo 6: Machine Learning

 

  • Definición del Machine Learning 

  • Metodología del Machine Learning

    • Almacenamiento de la Data

    • Abstracción

    • Generalización

    • Evaluación

  • Aprendizaje Supervisado y No Supervisado

  • Tipología de algoritmos de Machine Learning

  • Pasos para implementar un algoritmo

    • Recogida de información

    • Análisis Exploratorio

    • Entrenamiento del modelo

    • Evaluación del Modelo

    • Mejoras al modelo

    • Machine Learning en riesgo crédito de consumo

  • Machine Learning en modelos de credit scoring

  • Principales Herramientas: Python, R, Microsoft Azure, SAS  Enterprise Miner, SAS Visual Analytics, Knime, IBM SPSS Modelller,etc.

 

Módulo 7: Análisis Exploratorio Avanzado

  • Tipología de datos

  • Datos transaccionales

  • Unstructured data embebida en documentos de texto

  • Social Media Data

  • Fuentes de datos

  • Revisión del dato

  • Definición del Target

  • Horizonte temporal de la variable objetivo

  • Muestreo

  • Análisis Exploratorio

  • Tratamiento de los valores Missing

  • Técnicas avanzadas de detección de Outliers y tratamiento

  • Estandarización de los Datos

  • Categorización de variables

  • Definición WOE

  • Análisis Univariante con variable Target

  • Selección de variables

  • Tratamiento de Variables continuas

  • Tratamiento de Variables Categóricas

  • Ejercicio 1: Muestra de entrenamiento y validación en R

  • Ejercicio 2: Tratamiento de los datos de panel 

  • Ejercicio 3: Tratamiento de valores missing

  • ​Ejercicio 4: Análisis Exploratorio en R

  • Ejercicio 5: Detección y tratamiento de Outliers usando Z-score

  • Ejercicio 7: Muestreo estratificado y Aleatorio en R

  • Ejercicio 8: Análisis del Weight of Evidence en Python 

  • Ejercicio 9: Análisis univariante en percentiles en R

  • Ejercicio 10: Análisis univariante óptimo variable continua en Excel

  • Ejercicio 11: Estimación del KS, Gini e IV de cada variable en Excel

  • Ejercicio 12: Validación de variables usando Pearson correlation y Fisher Score

  • Ejercicio 13: Análisis Univariante con árboles de decisión en R

Módulo 8: Algoritmos de Clasificación 

 

  • Árboles de Decisión

    • Modelización

    • Ventajas e inconvenientes

    • Procesos de Recursión y Particionamiento

    • Recursive partitioning tree

    • Pruning Decision tree

    • Conditional inference tree

    • Visualización de árboles

    • Medición de la predicción de árboles de decisión

    • Modelo CHAID

    • Modelo C5.0

  • K-Nearest Neighbors

    • Modelización

    • Ventajas e inconvenientes

    • Distancia Euclidiana

    • Distancia Manhattan

    • Selección del valor K

  • Modelo Probabilístico: Naive  Bayes

    • Teorema de Bayes

    • Estimador de Laplace

    • Clasificación con Naive Bayes

    • Ventajas e inconvenientes

  • Ejercicio 14: Árbol de decisión  cartera de recobro en Python y R

  • Ejercicio 15: KNN en R y Python

  • Ejercicio 16: Naive Bayes en R

Módulo 9: Algoritmos Avanzados NN ySVM

 

  • Support Vector Machine

    • Hiperplano óptimo

    • Support Vectors

    • Añadir costes

    • Ventajas e Inconvenientes

    • Visualiización del SVM

    • Tuning SVM

    • Truco de Kernel

  • Redes Neuronales (Neural Networks NN)

    • Entrenamiento de Perceptron

    • Perceptrón Multicapa

    • Algoritmo de backpropagation

    • Procedimientos de entrenamiento

    • Tuning NN 

    • Visualización de NN

    • Ventajas e inconvenientes

  • Ejercicio 17: Support Vector Machine en R

  • Ejercicio 18: Support Vector Machine en Python

  • Ejercicio 19: Redes Neuronales: perceptron en R y Python

Módulo 10: Ensemble Learning

 

  • Modelos de conjuntos

  • Bagging

  • Random Forest

  • Boosting

  • Adaboost

  • Boosting y Bagging para modelos de regresión

  • Ventajas e inconvenientes

  • Ejercicio 20: Ensemble models en R y Python

  • Ejercicio 21: Random Forest en Python

  • Ejercicio 22: Adaboost en R

Módulo 11: Desarrollo del Collection Score

 

  • Collection Score

  • Score de Recobro etapa temprana 0-30 días

  • Score de Recobro etapa intermedia 30-60 días

  • Score de Recobro etapa avanzada 60-90 días

  • Clasificación del Scorecard

    • Scorecard WOE

    • Scorecard Binario

    • Scorecard Continuo

  • Reescalamiento del Scorecard

    • Análisis del Factor y Offset

    • Scorecard WOE

    • Scorecard Binario

  • Técnicas de Reject Inference

    • Cut-Off

    • Parcelling

    • Fuzzy Augmentation

  • Técnicas Avanzadas de punto de corte 

  • Ejercicio 23: Collection Score usando modelos SVM, NN, Regresión Logística, Boosting y Random Forest en Python

  • Ejercicio 24: Selección del Punto de Corte en Excel y R

Módulo 12: Validación del modelos

 

  • Verificación p-values en regresiones

  • R cuadrado, MSE, MAD

  • Diagnóstico de los residuos

  • Test de Bondad de Ajuste

    • Deviance

    • Bayesian Information Criterion (BIC)

    • Akaike Information Criterion 

  • Multicolinealidad Multivariante

  • Validación cruzada

  • Bootstrapping del error

  • Matriz de confusión caso binario

  • Matriz de confusión caso multinomial

  • Prueba de Estabilidad

  • Principales test de poder discriminante:

    • KS

    • Curva ROC

    • Curva Lift

    • Gini Index

    • Cumulative Accuracy Profile

    • Distancia de Kullback-Leibler

    • Pietra Index

    • Entropía condicional

    • Valor de Información

    • Tau de Kendall

    • Brier Score

    • Distancia de Mahalanobis

    • Divergencia

    • Hosmer Lemeshow

  • Intervalos de confianza

  • Jackknifing con test de poder discriminante

  • Bootstrapping con test de poder discriminante

  • Estadístico Kappa

  • K-Fold Cross Validation

  • Ejercicio 25: Test de Bondad de Ajuste Regresión Logística

  • Ejercicio 26: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en  Excel

  • Ejercicio 27: Bootstrapping de parámetros R

  • Ejercicio 28: Jackkinifng en SAS

  • Ejercicio 29: Bootstrapping de Gini/ROC en R

  • Ejercicio 30: K-Fold Cross Validation en R

RECOVERY SCORE y LGD

Módulo 14: Recovery Score: Regresión Lineal y Logística

 

  • Concepto del Recovery

  • Estimación de la recuperación

  • Variable Target

  • Variables predictivas

  • Horizonte Temporal

  • Regresión OLS

  • Regresión Logit

  • Recovery Scorecard

  • Interacción de Recovery y Collection Scoring

  • Ejercicio 31: Recovery Score en Excel y SAS

Módulo 15: LGD en carteras Retail 

 

  • Enfoque Workout

    • Técnicas para determinar la tasa de descuento

    • Tratamiento de las recuperaciones, gastos y costes de recuperación

    • Ciclos de Default

    • Gastos de recuperación

  • Downturn LGD en carteras de consumo

  • Downturn LGD en hipotecas

  • LGD en consumo

  • LGD  en Hipotecas

  • LGD en empresas

  • LGD para carteras con reposición

  • Ejercicios 32: Estimación y análisis de LGD 

 

Módulo 16: Modelos de LGD

 

  • Ventajas e inconvenientes de los Modelos Predictivos de LGD

  • Variables Macroeconómicas para  modelizar la LGD

  • Tipología de Modelos Multivariantes de LGD

    • Regresión Lineal y transformación Beta

    • Regresión Lineal y transformación Logit

    • Regresión Lineal y trasnsformación Box Cox

    • Regresión Logística y Lineal

    • Regresión Logística y no Lineal

    • Censored Regression

    • Generalized Additived Model

    • Redes Neuronales

    • Regresión Beta

    • Inflated beta regression

    • Fractional Response Regression

  • Ejercicio 33:Regresión Logística y lineal LGD en SAS

  • Ejercicio 34:Redes Neuronales LGD

  • Ejercicio 35:Beta Regression Model LGD en R y SAS

  • Ejercicio 36: Inflated Beta Regression en SAS

  • Ejercicio 37: Comparativo del performance de los modelos usando test de Calibración y precisión.

ANÁLISIS y ESTRATEGIAS del RECOBRO

Módulo 17: Análisis avanzado de las recuperaciones mediante Roll Rates y Matrices de Transición

 

  • Análisis de las recuperaciones

  • Roll Rates

    • Roll Rate Backward

    • Roll Rate Forward

  • Flow Rates

  • Roll Rate y los scores

  • Monitorización de los Roll Rates en la estrategias

  • Series temporales con Flow Rates

  • Análisis de Cosechas

  • Matrices de transición de la morosidad

  • Cadenas de Markov

  • Modelos predictivos del default

  • Efecto de variables macroeconómicas en el default

  • Impacto macroeconómico en la morosidad

  • Ejercicio 38: Roll Rates en Excel

  • Ejercicio 39: Series temporales multivariantes de impago en SAS

  • Ejercicio 40: Series temporales ARIMA de la PD en SAS

  • Ejercicio 41: Modelos estructurales en SAS 

  • Ejercicio 42: Procesos de Markov en SAS 

  • Ejercicio 43: Modelos supervivencia en SAS 

  • Ejercicio 44: Matrices de Transición en tiempo continuo en R

Módulo 18: Herramientas de Análisis

 

  • Performance

    • Principales Drivers

    • Métricas importantes del Collections

    • Análisis de costes por volumen, gestores y morosidad

    • Métricas importantes del Recovery

    • Matriz de Boston

  • Modelo Coste-Beneficio en el recobro

    • Valoración de la rentabilidad en la recuperación

    • Curvas de recuperación 

    • Curvas de los costes

    • Promesas de pago

    • Análisis de costes por volumen, gestor de recobro y ciclo de recuperación

  • Análisis de la productividad

  • Incremento de la morosidad

    • Drivers del incremento de la morosidad en el departamento de recobro

    • Proceso de resolución de problemas

  • Análisis del ROI de software de Inteligencia artificial​

  • Inteligencia Artificial

    • Medición y seguimiento de chatbots

    • Automatización Robótica de Procesos RPA

    • Asistentes inteligentes en las llamadas

Módulo 19: KRIs y KPIs: Productividad, Eficiencia y Calidad

 

  • Introducción

  • Key Risk Indicators

    • Collection Performance

    • Complaince Performance

    • Cost Performance

  • Desarrollo y gestión de Key Performance Indicators

  • Métricas del importe impagado

  • Estadísticas del desempeño del cobrador

  • Principales KRIs para medir la gestión del recobro

  • Cuadro de mando para Director del Recobro

  • Cuadro de mando para el Risk Appetite 

 

Módulo 20: Estrategias de Recobro

 

  • Departamento de Collections

  • Procesos  de recobro

  • Estrategias de recobro

  • Medición y efectividad en las estrategias de recobro

  • Collection Score

  • Recovery Score

  • LGD y Probabilidad de Pago en las estrategias de recobro

  • Saldo en riesgo y acciones

  • Árboles de decisión

  • Estrategias de recobro

    • Etapa temprana

    • Etapa tardía

    • Estrategia de promesa de pago

    • Tracing Strategy

  • Optimización de los costes de recobro usando programación entera

  • Modelo de optimización del proceso del recobro

  • Propiedades y políticas del proceso óptimo del recobro

  • Modelización con curvas de maduración de la recuperación

  • Ejercicio 45: optimización de costes de recuperación usando programación entera en SAS

EVALUACIÓN DEL RECOBRO

Módulo 21: Evaluación del Proceso de Recobro

 

  • Evaluación de la estructura, staff y gestión del departamento de collections

  • Verificación de las políticas, clasificación y procedimientos  de saldos fallidos/castigos

  • Revisión de pagos, cargos por atraso y dotaciones

  • Evaluación de las estrategias de recobro

  • Valoración de estrategias champion/challenger

  • Evaluación del MIS de los programas de quitas, curas, reestructuras

  • Revisión de la efectividad  del Tracing Strategy

  • Valoración de sistemas automatizados para el recobro

  • Evaluación y medición de la efectividad de los informes de recobro

  • Evaluación de efectividad de la recuperación de colateral y embargos

  • Evaluación de la externalización de las agencias recobro

  • Medición del rendimiento de la recuperación

  • Evaluación de políticas, procedimientos y MIS del fraude

  • Evaluación de muestras testing 

 

DIGITALIZACIÓN DEL RECOBRO 

Módulo 22: Automatización Robótica de Procesos RPA

 

  • Inteligencia Artificial 

  • Proceso y Automatización del Workflow

  • Workflow tradicionales en la admisión

  • Definición de la automatización robótica de procesos RPA

  • Procesos estandarizables en la banca digital

  • Reducción de costes de los RPAs

  • Análisis de principales proveedores de software RPA

  • RPA en procesos en el ciclo de crédito

  • RPA en el proceso de admisión

  • RPA en el análisis de los Fraudes

  • RPA en el proceso de Seguimiento

  • RPA en el proceso de Recobro

  • RPA y Machine Learning

  • Expectativas realistas del RPA

  • Estructura de gobernanza

  • Mejora y rapidez en las decisiones de crédito

  • Uso de los chatbots

  • Asistentes Inteligentes virtuales

  • Futuro de la automatización en la banca

  • Caso de Estudio 1: Implementación de RPA en banco digital Europeo

  • Caso de Estudio 2: Implementación de RPA en financiación automovilística de banco Europeo

  • Ejercicio 46: Uso de software RPA para actividades de automatización

 

Módulo 23: Inteligencia Artificial y Chatbots en el Recobro

 

  • Almacenamiento y tratamiento de los datos

    • Herramientas SQL y NoSQL

    • ​Datos de Esfuerzo

    • Datos Personales

    • Datos Públicos

    • Propensión de pago

    • Datos de Propiedad

  • Natural Language Processing

  • Asistentes virtuales en el recobro

  • Autoservicio en el recobro

  • Análisis de los chatbots en el recobro

  • Asistentes Inteligentes Virtuales en las llamadas

  • Self Service Collections Debt

  • Chatbots

  • Entrenamiento y desarrollo de chatobots

  • Tratamiento de los datos

  • Creación de modelos

  • Uso de python y Tensorflow 

  • Deep Learning para chatbots

  • Modelo predictivo

  • Implementación de chatbots

  • Caso de Estudio 3: Chatbot para recobro

  • Ejercicio 47: Desarrollo y entrenamiento de chatbot

Módulo 24: Marcadores predictivos

 

  • Llamadas de Entrada y de Salida

  • Simulación de llamadas 

  • Enfoques estratégicos para marcadores predictivos

  • Diseño del sistema

  • Monitorización de llamadas

  • Modelización de los marcadores predictivos

  • Probabilidad de pago

  • Best Time to Call models

  • Variable objetivo

  • Variables explicativas

  • Regresión Multinomial

  • Medición de los beneficios del modelo

  • Ejercicio 48: Simulación de tiempo de espera en call center de recobro 

  • Ejercicio 49: Regresión multinomial de modelo Best Time to Call

Módulo 25: Nuevas empresas digitales Fintech

  • Externalización del recobro

  • Agencias de recobro tradicionales

  • Nueva Fintech Trueaccord

  • Otras Fintech sobre el proceso recobro

  • ¿Cual es el futuro de las fintech en el recobro?

  • Uso de la inteligencia artificial del fintech

  • Machine learning

  • RPAs

  • Estrategias de la banca con los fintech

 EXTERNALIZACIÓN Y VENTA DE CARTERA

 

Módulo 26: Recobro Externo

 

  • Principios sobre la externalización

  • Asignación a un externo de Cartera Previa a que sea fallido/Castigado

  • Asignación a un externo de Cartera Posterior a que sea fallido/Castigado

  • Mejores prácticas para la segmentación

  • Estrategias con LGD Score

  • Auditorias de agencias de recobro y despachos de abogados

Módulo 27: Venta de Cartera

 

  • Indicadores clave en las ventas de cartera

  • Determinación del valor de la cartera

  • Estimación de la Pérdida Esperada

  • Estrategias de venta de cartera

  • Acuerdos de compra y venta

Ejercicio 50: Pricing de la Venta de Cartera usando modelos financieros y predictivos sobre la tasa de recuperación 

bottom of page