1

Scoring de Otorgamiento de Microcrédito en Bogotá

relacionado por sector económico e indicador de Cartera
Vencida (Jun 2015)
Autor: Romero Romero Adny1 y Jiménez Ortega Jessica2 Tutores: Ariza Garzón Miller Janny3

Resumen—Este trabajo fue realizado con el fin de crear un 1. INTRODUCCIÓN

modelo que permita establecer el scoring de otorgamiento de En la actualidad el crecimiento económico de un país es
microcrédito en Colombia utilizando sólo el estado de guiado en gran parte por el comportamiento del sector
resultados y variables sociodemográficas aportadas por una financiero, el cual por medio de la captación de recursos
entidad bancaria, aplicando la metodología de regresión públicos con productos como cuentas de ahorros, CDT’s,
logística, adicional a lo anterior se buscó relacionar el entre otros y colocación de recursos en diferentes productos
comportamiento sectorizado respecto a la cartera vencida como tarjetas de crédito, cuentas corrientes, créditos para
por medio de una regresión lineal múltiple y así robustecer microempresas, empresas corporativas, personas naturales,
la toma de decisiones con respecto a la tasa o monto a entre otros productos permite generar una disminución de la
aprobar. El proyecto se desarrolla basado en los pobreza e incentivar la creación y crecimiento de la base
antecedentes presentados en esta cartera debido a que el empresarial; estos recursos son manejado por entidades
Microcrédito busca impulsar el crecimiento económico y financieras vigiladas y supervisadas por la superintendencia
disminuir la pobreza. Las políticas de otorgamiento financiera de Colombia (SFC) quien garantiza el buen
definidas por las entidades, no han logrado controlar el manejo de los recursos, la estabilidad en el mercado
deterioro en la cartera y consecuentemente las pérdidas financiero y la implementación las políticas que mitigan los
derivadas del portafolio; en conclusión este modelo obtenido riesgo de crédito. Teniendo en cuenta lo anterior si una
no es verídico y no se puedo establecer la relación entre el persona natural o jurídica desea obtener un crédito o
comportamiento sectorizado y la cartera vencida por medio producto financiero debe entregar a la entidad información
de esta prueba estadística. sociodemográfica y financiera para su respectivo estudio de
riesgo en donde se establece si se tiene o no retorno del
Palabras clave— Arboles de Decisión, Índice de Cartera dinero que se va a otorgar y así ser negado u otorgado el
Vencida, Microcrédito, Probabilidad de Incumplimiento, producto solicitado.
Puntaje de Viabilidad, Producto Interno Bruto, Riesgo de
Crédito. Es por esto, que con el objetivo de disminuir la pobreza en
Colombia, mejorando la calidad de vida de las personas,
Abstract— This work was performed in order to create a tomando gran importancia en el mercado financiero, pero
model to establish the scoring for granting microcredit in según informes presentados por la Superintendencia
Colombia using only the statement of income and Financiera de Colombia (SIF) y el Banco de la Republica
demographic variables provided by a bank, applying the (BR) no se tiene un modelo global para la otorgación de
methodology of logistic regression, in addition to the above este tipo de crédito, por lo anterior las entidades solicitan
we sought sectored relate the behavior regarding diferente información dependiendo el modelo interno
NonPerforming Loand by a multiple linear regression and definido.
thus strengthen decision making with respect to the rate or
amount te be approved. The project is based on the Teniendo en cuenta lo anterior, el objetivo del proyecto es
information presented in this portfolio because Microcredit establecer el perfil de riego del cliente para el otorgamiento
seeks to stimulate economic growth and reduce poverty. de microcrédito, de una entidad bancaria, por medio de un
Granting policies defined by institutions, have failed to modelo estadístico y la incorporación del comportamiento
control the deterioration in the portfolio and consequently de los sectores económicos Vs su índice de cartera vencida.
losses from the portfolio; In conclusion this model obtained
is not true and can not establish the relationship between Para lograr lo anterior se debe establecer qué relación existe
behavior and sectored NPLs by this statistical test. entre el contexto del microcrédito en Colombia y el
comportamiento económico; identificar las variables de
Key Words — Decision Trees, PDL ratio, Microcredit, riego para la modalidad de microcrédito y aplicar un modelo
Probability of Default Score Feasibility GDP, Credit Risk. estadístico que permita establecer la probabilidad de
incumplimiento; definir el scoring de riesgo para el
1 otorgamiento, a partir de los resultados del modelo
Estudiante de opción de grado de ingeniería financiera de la universidad
piloto de Colombia (2015). estadístico utilizado y por ultimo analizar la relación que
2
Estudiante de opción de grado de ingeniería financiera de la universidad existe entre los sectores económicos y el índice de la Cartera
piloto de Colombia (2015). vencida de microcrédito y a su vez resaltar la relación que
3
Lic en Matemáticas de la Universidad Distrital, Estadístico Universidad tiene con el scoring de otorgamiento.
Nacional de Colombia Msc(c) en Economía Universidad Javeriana.
Docente de Ingeniería Financiera. Universidad Piloto de Colombia.
 2

En este documento encontrara un marco de referencia en Toman estas tres matrices matriz D=Variables Dummy,
donde evidenciara antecedentes relacionados al problema, matriz C= Vector de ponderación de cada categoría y matriz
marco conceptual que lo centrara para desarrollar el S= Vector de scoring de cada registro.
proyecto, marco legal y la evolución del tipo de riesgo Seguido, definen tres rangos de scoring:
seleccionado frente a Basilea; y por último el desarrollo del
problema que en este proyecto trata de ¿Es suficiente el Tabla No1. Rango Scoring Otorgamiento
Estado de Resultados y variables sociodemográficas para
Aprobación Inmediata Clientes Buenos
otorgar microcrédito sin ocasionar deterioro de la cartera?
Revisión Junta Créditos con Default/Probabilidad 0,08%
Rechazo Proba de Incumplimiento 99,55%
2. MARCO REFERENCIAL Fuente: Creación Propia en base al Documento.

2.1 Antecedentes Realizan la prueba de Back Testing para comprobar el ajuste

del modelo concluyendo que la estimación de los resultados
Realizado una verificación de los estudios desarrollados en en contraste con la información real es bastante similar y
riesgo de crédito por diferentes autores en donde aplican esto hace que el scoring sea predictivo para la cooperativa.
metodologías estadísticas como regresión lineal, análisis Aclaran además que la responsabilidad de tener un modelo
discriminante, arboles de decisión y regresión logística para en una entidad no significa que disminuya el riesgo en un
análisis de puntaje scoring en diferentes modalidades de 100%, pero si permite desde el otorgamiento del crédito
crédito, permite verificar los métodos más relevantes en tener un seguimiento ante diferentes solicitantes. Finalmente
estos análisis que contribuyen a robustecer las políticas de concluyen que la importancia en la actualización de la
otorgamiento de las entidades financieras. A continuación se información de los clientes ya que esto mejora el resultado
formaliza un breve resumen de los estudios desarrollados del modelo.
tanto en Colombia como en el exterior.
Los docentes de la Facultad de Ingeniería Financiera de la
En Colombia la investigación de la Universidad de Universidad de Medellín, Horacio Fernández Castaño y
Antioquia dirigida por el Docente Luis Gabriel Agudelo Fredy Ocaris Ramírez (2005), realizan un trabajo publicado
junto con los analistas de riesgo Willinton Galeano y el en la Revista de Ingenierías, en donde explican los
analista de lavados de activos de Coofinep Juan Camilo diferentes modelos para evaluar el riesgo de crédito al
Ochoa (Dic -2010), quienes realizaron un proyecto titulado implementar un scoring, exponiendo que la regresión Logit
“Construcción de un modelo para el otorgamiento de se utiliza cuando se quiere predecir un resultado binario.
crédito en una entidad financiera” donde su objetivo Esta regresión binaria es un tipo de análisis de regresión
principal consiste en implementar una metodología de donde la variable dependiente es una variable Dummy:
análisis discriminante para la construcción de un modelo de código 0 (Buen Cliente) o 1 (Mal Cliente). Además del
puntaje de otorgamiento de crédito para una cooperativa análisis de componentes principales, siendo un método
financiera en el Valle de Aburra. estadístico, muy útil en la evaluación del riesgo crediticio
que consiste en describir la variación producida por la
Describen que cuentan con una base de 24.786 registros de observación de p variables aleatorias Xi en términos de un
clientes con 30 variables relacionadas al otorgamiento, conjunto de nuevas variables incorrelacionadas entre sí
inicialmente en la base crean la variable default dada por el (denominadas componentes principales), cada una de las
incumplimiento de los clientes al no pago en 90 días 4 cuales sea combinación lineal de las variables originales.
generada por la variable de mora, seguido filtran la base en
dos grupos: (1)Nomina, que hace referencia a los créditos Un aspecto muy importante sobre el cual enfatizan es el
descontados de la nómina del empleado5 y (2) caja cuando la sistema SARC como el seguimiento y control de procesos
persona titular de la obligación cancela la cuota que tengan relación directa con el riesgo crediticio. Por lo
independientemente de su empleador. A esta división le tanto; se hace necesario el monitoreo de procesos tales
asignan variables categóricas y con esto realizan una tabla como: Otorgamientos, Comportamiento y Provisiones cada
para determinar la probabilidad de incumplimiento y uno de estos procesos sintetiza las diferentes etapas de la
adicional conocer la cantidad de clientes que tienen un buen vida de una obligación, razón por la cual las variables
comportamiento. Luego a estos grupos le asignan la contempladas en cada proceso deben tener relación directa
probabilidad de cumplimiento e incumplimiento. con el objeto del mismo del crédito, así como el análisis y
seguimiento a las mismas.
Para determinar el scoring de los registros de la base de
datos, utilizan como instrumento una matriz dummy de A nivel internacional, los docentes Salvador Cantón y Juan
24.786 x 188, donde cada categoría toma el valor de 1 si el Rubio de la Universidad de Granada España en compañía
cliente cumple y el valor de 0 en el caso contrario. del docente David Blasco de la Universidad Carlos III de
Madrid (2010), realizan un modelo econométrico para
4
verificada por las políticas internas de la cooperativa. diseñar un Credit Scoring para las entidades de desarrollo de
5
Conocido como Libranza mecanismo de recaudo de cartera en donde la pequeña y micro empresa (Edpyme) del sistema
el deudor autoriza a su entidad empleadora a descontar de su nómina financiero de Perú. Pretenden construir el modelo en base al
mensual o quincenal una suma determinada para aplicar a la cancelación de
sus obligaciones ante una entidad financiera.
conocimiento del cliente al momento del desembolso y su
 3

comportamiento de pago en la vida del crédito. Generando determinar el punto de corte para establecer el
una doble finalidad, por una parte explicativa y otra incumplimiento de los clientes dando como viable una
predictiva desde la probabilidad de incumplimiento de probabilidad de incumplimiento de 8.90%.
clientes potenciales antes de generar el desembolso.
Y concluyen que es viable realizar un árbol secundario ya
La base tiene una periodicidad desde 1997 hasta 2005 y que permite robustecer la respuesta en el otorgamiento y que
cuenta con información del comportamiento de pago cada entidad debe asignar un punto de corte según las
histórico de clientes potenciales de la empresa. Definen la políticas y metas.
variable dependiente default dicotómica con valor de
1(cliente impago) y 0 (cliente pago), dado cuando se cae en M. Jesús Mures Quinta, Ana García y Eva Vallejo Pascual
incumplimiento a los 30 días. Por otro lado, las variables (2005) realizan un estudio empírico en Castilla y León de
independientes son definidas por seis fases (40 variables) las clientes de dicha comunidad por medio de análisis
cuales abarcan el crédito desde la solicitud (viabilidad) hasta discriminante y regresión logística con el fin de evaluar la
el desembolso. Al verificar las variables anteriores, realizan morosidad. Tiene una base de datos consolidada de la
la regresión logística binaria como método econométrico en información que solicitan las entidades para otorgar un
SPSS 15 y desarrolla la siguiente ecuación: crédito, destacan tres elementos que resultan en dicha
información: la personalidad del cliente, referente al
El valor Z= 8.703 – 0.498 Zona – 1.693 Situación Laboral – carácter, honradez y ambiente del individuo, que determina
3.062 Capacidad de Pago + 1.274 Endeudamiento – 0.070 si pagará, o, por el contrario no lo hará incurriendo en
Créditos del último año – 1.088 Destino del Crédito – 1.064 riesgo de crédito, por otro; la capacidad de endeudamiento,
Garantía – 4.356 Pronóstico Analista + 0.241 Tasa de la situación financiera y patrimonial del cliente,
variación anualizada de la tasa de cambio. Verifican que las respectivamente, que establecen el límite de crédito que
variables son inferior al nivel de significancia 0,05 y para puede concederse, esto es, si el cliente podrá pagar y cuánto.
significancia global el x2 es de 78%, en la bondad de ajuste
calculan el R2 de cox y Snell que muestra valores Por todo lo anterior, las variables independientes las
significativos frente a la muestra de la base. clasifican en dos grupos:

El docente Carlos Vladimir Caballero magister en – Variables relativas a la operación de crédito, como valor
econometría de la Universidad Nacional Autónoma de solicitado, plazo, destino, operación empresa y garantía.
México junto con el estudiante de maestría en bioestadística
de la Universidad de Waterloo Oswaldo Espín (2010), – Variables relativas al perfil del solicitante, que incluyen
quienes revisan los llamados Credit Scoring para pequeñas aquéllas referidas a sus características personales, como
empresas con clientes sin referencias crediticias y con edad, estado civil o cargas familiares; las que reflejan su
información sociodemográfica, por medio de árboles de situación profesional, como situación laboral, ingresos
decisión y regresión logística. mensuales o antigüedad en el trabajo, junto a otras que
definen su relación con la entidad, como número de créditos
En cuanto a la obtención de la información señalan que es activos y comportamiento de pago y operación con
altamente probable encontrar información falsa, para lo cual incumplimiento.
recomiendan considerar casos anormales, como por ejemplo
altos niveles de ingresos cuando no tienen un empleo estable En el análisis discriminante utilizan criterios de selección de
y con estos registros debe ser cauteloso al momento del variables como Lambda de Wilks, varianza no explicada o
aplicar el modelo estadístico. residual, distancia de Mahalonobis, V de Rao y menor de
razón F. En cuanto a la predicción que genera el modelo es
Cuentan con una base de 2.271 registros con fecha de corte del 88.9% de acierto para clientes morosos y un 100% para
al 15 de octubre de 2007, luego de realizar una depuración clientes no morosos.
de los datos faltantes, emplearon árboles de decisión para
comprobar las variables explicativas para la regresión Por otro lado, los resultados de la regresión logística binaria
logística binaria por ser una herramienta efectiva para la utilizan el test de razón de verosimilitud, X2 para evaluar la
predicción de probabilidades de incumplimiento, no sólo a significancia global del modelo. El poder predictivo del
nivel de capacidad de discriminación y estabilidad a través modelo con clientes morosos es del 98.1% y cliente no
del tiempo, sino como una herramienta de fácil morosos 94.4% con un nivel global de 97.1% Ambos
entendimiento que permite potencializar sus usos y servir modelos concluyen que son altamente predictores para la
además de predicción, para la planeación de estrategias entidad de estudio.
comerciales, estrategias de cobranza, entre muchas otras, la
variable de influencia son los ingresos declarados por el En la Universidad de Teherán en Irán (2013), la facultad de
cliente. administración financiera a cargo de Mojtaba Dastooril y
Por otro lado, se usaron técnicas micro econométricas Samira Mansouri realizaron una investigación llamada
específicamente el modelo logit, para calcular los odds por “Credit Scoring Model for Iranian Banking Customers asn
el grupo poblacional carente de información crediticia. Forescasting Creditworthiness of Borriwes”, donde su
Realizan un análisis de distribución de la población para objetivo principal fue examinar la aplicación del análisis
 4

discriminante y regresión logística para comparar su los datos de los préstamos de crédito concedidos a pequeñas
eficiencia en la predicación y la clasificación de las y microempresas en el Perú rural.
empresas que cumplen y no cumplen con sus obligaciones
financieras. El conjunto de datos incluye información de 2,899
diferentes préstamos a corto plazo concedidos a 1.393
Su población de estudio fueron todos los clientes jurídicos clientes (PYME) de una zona rural en Perú. Todos los
en una de las sucursales de los bancos comerciales en la créditos pertenecen a actividades agrícolas, con el propósito
provincia de Hormozgan. Después de investigar los registros financiar su capital de trabajo. Se adjudicaron los préstamos
de los clientes, se proporcionó una lista de clientes solventes desde el 1 de febrero 2008 hasta el 31 de julio de 2010, que
e insolventes que recibieron sus préstamos en 2009. haya caído en incumplimiento de pago de alguna cuota.
De acuerdo con ello, se eligieron un total de 54 empresas La variable dependiente es (1/0) binaria que indica si el
que no tenía retraso en el pago de sus préstamos en un plazo cliente paga o no sus obligaciones sin embargo tiene como
de tres años (2009 – 2011) y un total de 46 empresas, con regla no superar 3 días después de la fecha de pago. Por
mora superior a 90 días en el pago de sus préstamos. Otro otro lado, toman variables independientes como género,
requisito para la inclusión de las empresas de la muestra fue estado civil, edad, nivel de educación, cantidad de
la facilidad de obtener sus datos financieros y el acceso a sus trabajadores (máx. 15), promedio de ingresos de los últimos
cuentas. años, activos y comportamiento de otros créditos.
Determinan como variable dependiente la calidad de pago
del crédito, tomando valor 1 a los clientes que pagan sus Los resultados de las estimaciones indican que los métodos
obligaciones a tiempo y 2 los clientes que incurren en no paramétricos conducen a una mejor evaluación de la
incumplimiento. Y como variables independientes datos solvencia crediticia y pueden ayudar a prevenir incluyendo
financieros derivados de las cuentas financieras de las potenciales prestatarios "malos" y "buenos" con exclusión de
empresas investigadas, en total fueron 18 variables. los prestatarios de los mercados de microcrédito sensibles.

Finalmente los resultados de los análisis realizados por 2.2 Marco Conceptual
medio de análisis discriminante sugirieron que la
sensibilidad del modelo en el reconocimiento y clasificación Riesgo de Crédito
de los clientes “solventes e insolventes” era igual a 91%, Definido en el estudio de (M. Jesús Mures Quintana, 2005)
mientras que la sensibilidad de la regresión logística fue del como la exposición a la posibilidad de pérdidas económicas
97%. También se señaló que ambos métodos son muy y financieras, de daños en las cosas y en las personas o de
potentes para predecir y clasificar a los clientes, aunque el otros perjuicios como consecuencia de la incertidumbre que
modelo de regresión logística, en comparación, era más origina el llevar a cabo una determinada acción, para este
fiable y potente que el modelo de análisis discriminante; una caso el incumplimiento de una obligación crediticia.
afirmación que es confirmado por los hechos presentados en
el área bajo la característica (ROC) curva receptor-operativo. Esta incertidumbre, que es una de las características
fundamentales del riesgo, se presenta en tres aspectos:
Ellos aclaran que todavía se necesita más investigación para
explorar el tema en mayor profundidad, y sugieren a futuros 1. En cuanto a la posibilidad de que se materialice una
investigadores examinar la exactitud de los resultados pérdida efectiva.
obtenidos por este modelo en diferentes poblaciones y en 2. Sobre la cuantía o valor de la pérdida.
diferentes períodos de tiempo. También se recomiendan
3. Sobre el instante en que puede materializarse dicha
emplear otras técnicas estadísticas y econométricas en
futuras investigaciones para predecir las puntuaciones de pérdida.
crédito bancarias de los clientes y realizar un análisis
comparativo de las técnicas utilizadas. Microfinanzas
Las microfinanzas son préstamos que se dirigen a personas o
Finalmente en la ciudad de Washington, EE.UU, los a grupos con pocos medios económicos y que normalmente
analistas de mercado y comercio de IFPRI6 Manuel A. están excluidos del sistema financiero tradicional, y también
Hernández y Máximo Torero en su trabajo titulado define los negocios que crecieron alrededor de estas
“Parametric versus nonparametric methods in risk actividades.
sconring: an application to microcredit”(2013), donde su Aunque la idea de los pequeños préstamos a nivel local no
propósito es comparar el rendimiento de los modelos de es nueva, el sector de las microfinanzas inició su camino con
calificación no paramétricos frente semiparamétricos y el profesor Muhammad Yunus, que se doctoró en Estados
tradicional de riesgo basado en las probabilidades de Unidos y volvió a su país para, posteriormente, ser
incumplimiento. Para mostrar las ventajas de confiar en nombrado Profesor de Economía de la Universidad de
métodos menos estructurados, basados en datos de Chittagong, en su ciudad natal. Después de haber vivido la
calificación de riesgo utilizando tanto los datos simulados y hambruna del 1974 en su país, Bangladesh, inició su
actividad local de ayudar a los más pobres. (El Blog
Economia y Finanzas).
6
IFPRI : International Food Policy Research Institute
 5

Microcrédito en Colombia Ilustración 1. Factores que impiden otorgar microcrédito

Es definido como un conjunto de créditos con destino a
microempresas las cuales se consideran así a aquellas
empresas que tienen un máximo de 10 trabajadores y activos
de máximo 500 SMMLV Según la ley 590 de julio 10 de
2000, modificada por la Ley 905 de 2004 (Bancoldex); en
donde su monto máximo de otorgamiento es de 25 Salarios
mínimos mensuales legales vigentes (SMMLV).
El microcrédito surge principalmente para impulsar a los
pequeños empresarios y disminuir la pobreza, realizando el
otorgamiento a través de las instituciones financieras,
convirtiéndose así en uno de los pilares para el crecimiento
económico de un país o región. La solidez de la estructura
de capital de dichas instituciones contribuye a un sistema
financiero estable que ayudará a atenuar impactos
económicos y financieros. Para lograr la solidez, los
gobiernos deben emitir reglas de supervisión, requerimientos
de capital para reducir los riesgos de insolvencia y altas
tasas de interés para mitigar el riesgo al que se exponen los
recursos.
Fuente: Reporte de la situación actual del microcrédito en Colombia –
Realizando un seguimiento al microcrédito en Colombia Marzo 2015
tiene un alto nivel de riesgo debido a que su recuperación o
cancelación se puede afectar por variables externas e
internas de la entidad, la SFC desarrolló la Carta Circular Producto Interno Bruto (PIB)
31 y la Circular Externa 11 de 2002, modificando el El PIB es el valor monetario de los bienes y servicios finales
capítulo II de la circular básica contable y financiera, en producidos por una economía en un período determinado. El
donde obliga a las instituciones financieras a efectuar un PIB es un indicador representativo que ayuda a medir el
Sistema de Administración del Riesgo Creditico (SARC). crecimiento o decrecimiento de la producción de bienes y
Junto con la normativa internacional de Basilea III sobre el servicios de las empresas de cada país, únicamente dentro de
requerimiento del capital, lo cual estimula a las entidades su territorio. Este indicador es un reflejo de la
bancarias a un manejo adecuado de sus políticas de competitividad interna de las empresas.
otorgamiento; y con respecto al comportamiento de la
cartera en el informe presentado a corte de Marzo del 2015 En Colombia representa el resultado final de la actividad
por el Banco de la República los principales factores que productiva de las unidades de producción residentes. Se
impactan e impiden una mayor colocación de microcrédito mide desde el punto de vista del valor agregado, de la
en Colombia es la capacidad de pago, el demanda final o las utilizaciones finales de los bienes y
sobreendeudamiento y el historial crediticio, aparte de las servicios y de los ingresos primarios distribuidos por las
altas tasas de intereses, por esta razón el comportamiento de unidades de producción residentes, según el DANE.
la cartera no tiene una colocación constante y la cartera
vencida ha presentado un crecimiento significativo desde el Índice de Cartera Vencida
año 2011 y desde este período la participación de cartera
calificada en “A” ha disminuido según informe de la SIF. “El castigo hace alusión a una operación ante todo de
orden contable, consistente en dar el tratamiento de pérdida
a una cantidad originalmente registrada como activo,
medida que razonablemente puede tomar un establecimiento
de crédito al cerciorarse de la irrecuperabilidad de una
obligación dineraria determinada, decisión que de ninguna
manera libera a la entidad de continuar con el cobro de las
sumas comprometidas, ni tampoco releva al responsable del
crédito de su condición de deudor moroso. Parámetros que
deben observar las instituciones vigiladas para desarrollar
el procedimiento de castigo de activos” (SFC, 2013)
Se calcula de la siguiente manera:
 6

El Modelo de Puntaje (Credit Scoring)

Es un sistema de calificación de créditos que intenta
automatizar la toma de decisiones en cuanto a otorgar o no
una determinada operación de riesgo, normalmente un
t: Mes de información crédito. La integridad de este sistema es la de acortar el
i: Comercial, Consumo, Vivienda, Microcrédito y Total tiempo de análisis además de simplificarlo, lo que
contribuye a mejorar el nivel de servicios proporcionados a
El indicador permite conocer el porcentaje del saldo de la los clientes. Se puede aplicar tanto a personas naturales
cartera bruta que se encuentra vencida o que fue sujeta al como jurídicas, siendo lo normal el utilizarlo para créditos
castigo, por cada modalidad de crédito, es decir este personales o al consumo, establecimiento de límites a
indicador siempre será superior al indicador de cartera tarjetas de créditos o créditos a PYME. (Dominguez, Ignacio
vencida tradicional. Lopéz)

Cabe aclarar que el saldo de cartera castigada que se incluye Sin embargo según el libro (Credit scoring and its
en este indicador consolida datos históricos de cada entidad, applications, 2002) explica que el puntaje de crédito es el
por lo que la SFC trabaja actualmente en la construcción de conjunto de modelos de decisión y técnicas profundas que
un formato que le permita contar con información más los bancos tienen para otorgar crédito. Estas técnicas
depurada del saldo de castigos de cartera y sus deciden quién va a obtener crédito, la cantidad de dinero que
correspondientes recuperaciones, con el fin que el indicador puede recibir, y qué estrategias operacionales mejorará la
de calidad de cartera incluidos castigos revele la situación y rentabilidad de los deudores.
evolución de la gestión de cartera con periodicidad mensual.
(SFC, 2013) Esto genera que las entidades financieras deban presentar
dos momentos para tomar decisiones:
Probabilidad de Incumplimiento
La PD es una medida de calificación crediticia que se otorga a) Conceder el crédito a un cliente nuevo y b) como manejar
internamente a un cliente o a un contrato con el objetivo de a los clientes existentes, incluyendo si se les debe
estimar su probabilidad de incumplimiento aun tiempo incrementar el límite de crédito. En ambos casos, el modelo
determinado. El proceso de obtención de la PD se realiza a de puntaje es un predictor del riesgo y se basa en muestras
través de herramientas de scoring y de rating7. (BBVA, de comportamiento de créditos otorgados en el pasado cuyos
2011). clientes se esperaría sean similares a aquellos que serán
Scoring: son instrumentos estadísticos focalizados en la evaluados con el modelo de puntaje. El modelo de puntaje
estimación de la probabilidad de incumplimiento en función para la primera decisión es conocido como Score de
de características propias del binomio contrato-cliente y Originación y para el segundo es un Score de
están enfocadas a la gestión de créditos. comportamiento.

Rating: estas herramientas están enfocadas a la calificación Las primeras herramientas usadas para la construcción de
de clientes mayoristas: empresas, corporaciones, pymes, tablas de puntaje son los métodos estadísticos y actualmente
administraciones públicas, etc., en las que el incumplimiento el más utilizado es la regresión logística (Modelo Logit) la
que se predice es a nivel del cliente en lugar de ser a nivel cual tiene insumos importantes del análisis discriminante.
contrato. Otros métodos son la regresión lineal y clasificación de
En Colombia la PI es definida en un lapso de 12 meses los árboles (modelo de árboles) el cual separa el conjunto de
clientes en mora mayor o igual a 30 días pero dado según la solicitantes en un cierto número de subgrupos en función de
modalidad de crédito, para microcrédito es de 30 días. sus atributos y luego clasifica los subgrupos en satisfactorios
o insatisfactorios.
Cliente Bueno o Malo
Según los estudios analizados en antecedentes de este Regresión lineal múltiple
trabajo, se define como cliente bueno o malo por medio del (Renatas K) Explica el comportamiento de una determinada
comportamiento que tenga el cliente en sus pagos mensuales variable denominada variable explicativa o variable
con sus obligaciones crediticias. dependiente, (y representaremos con la letra Y) en función
 Cliente Bueno: Personas que pagan la cuota en la de un conjunto de x variables explicativas X1, X2,..., Xk
fecha establecida y llevan un buen habito de pago. mediante una relación de dependencia lineal (suponiendo X1
= 1):
 Cliente Malo: Persona que ocasiona pérdidas
económicas a la entidad, su característica es caer en
impago de las obligaciones crediticias que asume.
Siendo U el término de error.

Para determinar el modelo anterior, es necesario hallar

(estimar) el valor de los coeficientes β1, β2,..., βk. La
linealidad en parámetros posibilita la interpretación correcta
 7

de los parámetros del modelo. Los parámetros miden la • Las variables X1, X2,... X k son deterministas (no son
intensidad media de los efectos de las variables explicativas variables aleatorias) ya que sus valores vienen de la muestra
sobre la variable dependiente y se obtienen al tomar las tomada.
derivadas parciales de la variable a explicar respecto a cada
una de las variables explicativas: • Se supone que todas las variables X relevantes para la
explicación de Y están incluidas en la definición del modelo
lineal

• Las variables X1, X2,... X k son linealmente

El objetivo es asignar valores numéricos a los parámetros
independientes (no se puede poner a una de ellas como
β1, β2,.., βk. Es decir, tratar de estimar el modelo de manera
combinación lineal de las otras). Esta es la hipótesis de
que, los valores ajustados de la variable dependiente resulten
independencia y cuando no se cumple se dice que el modelo
tan próximos a los valores realmente observados como sea
presenta multicolinealidad. O sea: Ninguna v.
posible.
Independiente da un R2 = 1 con las otras v.i.
Las variables del modelo de regresión deben ser
• Linealidad de las relaciones: la v. Independiente presenta
cuantitativas. Pero dada la robustez de la regresión es
relación lineal con cada una de las dependientes. Se
frecuente encontrar incluidas en el modelo como variables
comprueba con los gráficos de regresión parcial. Su
independientes a variables ordinales e incluso nominales
incumplimiento se arregla mediante transformaciones de los
transformadas en variables ficticias. Pero la variable
datos
dependiente debe ser cuantitativa. Para una variable
dependiente binaria de emplea la regresión logística. • Los residuos siguen una distribución Normal N (0, σ 2),
no están correlacionados con ninguna de la variables
Estos valores son la estimación de los parámetros llamados
independientes, ni están autocorrelacionados. Hay
coeficientes de regresión. Representan las unidades de
homocedasticidad: la varianza del error es constante para los
cambio en la variable dependiente por unidad de cambio en
distintos valores de las variables independientes.
la variable independiente correspondiente. En el caso de que
sólo haya una variable dependiente se llega a la ecuación de El primer objetivo es el de obtener estimaciones, es decir,
una recta donde b0 es la ordenada en el origen y b1 la valores numéricos de los coeficientes b0 , b1, b2,... b k
pendiente de la recta. Una vez encontradas las estimaciones (coeficientes de regresión parcial) en función de la
de los parámetros del modelo, podremos hacer predicciones información muestral. Las estimaciones de los parámetros se
sobre el comportamiento de la variable Y en la población. suelen hacer por el método de los mínimos cuadrados que
consiste en minimizar la suma de los cuadrados de los
El análisis de regresión sirve tanto para EXPLORAR datos
residuos, también llamada suma residual
como para CONFIRMAR teorías.
Análisis de la varianza:
Si el análisis de regresión se realiza con variables tipificadas
Suma total (ST) es la varianza muestral de la variable
los coeficientes b, pasan a denominarse β (coeficientes de dependiente y es por lo tanto una medida del tamaño de las
regresión estandarizados) β i = b i (Desv. Típica Xi fluctuaciones experimentadas por dicha variable alrededor
/Desv. Típica Y) de su valor medio.
Suma explicada (SE) es la fluctuación de estimador de la
Al coeficiente de correlación R elevado al cuadrado se le variable Y (Y) alrededor de la media de Y. Por tanto, la
llama coeficiente de determinación y es una medida de la suma explicada es el nivel de fluctuación de la variable Yt
bondad del ajuste del modelo ya que da la proporción de que el modelo es capaz de explicar.
Suma residual (SR) es un indicador del nivel de error del
variación de Y explicada por el modelo. Se suele emplear
modelo.
R2 ajustado, que es una corrección de R2 para ajustar mejor Suma total = Suma explicada + Suma residual
el modelo a la población objeto de estudio.
También se define el coeficiente de determinación R2
Supuestos del modelo de regresión como una medida descriptiva del ajuste global del modelo
El modelo lineal se formula bajo los siguientes supuestos: cuyo valor es el cociente entre la suma explicada y la suma
• Tamaño adecuado de la muestra: se recomienda n= 20 x nº total. (Da la proporción de varianza explicada por el modelo)
de variables predictoras. R2 = V. Explicada / V. Total.
Se define el coeficiente de correlación múltiple R como la
raíz cuadrada del coeficiente de determinación y mide la
 8

correlación entre la variable dependiente y las como malos de aquellos clasificados como buenos,
independientes. otorgando un menor puntaje a los primeros. Para esto, se
han desarrollado una sería de pruebas estadísticas, siendo las
Arboles de decisión comúnmente utilizadas para llevar a cabo la validación de
Son una forma gráfica y analítica que representa eventos que los modelos de puntaje (Credit Scoring and its applications,
pueden surgir a partir de una decisión inicial en cierto 2002): Índice de Ginni, Índice de Divergencia, K-S
momento. Nos ayudan a tomar una decisión más acertada (Kolmogorov – Smirnov), Valor de la Información, Índice
desde el punto probabilístico, ante una diferenciación de de Estabilidad de la Población, Prueba T.
decisiones. (Como aplicar arboles de decision en SPSS,
Enero 2013) Ilustración 3. Definiciones

Son una técnica estadística de segmentación, la predicción,

reducción de datos y filtrado de variables, la identificación
de interacciones, la fusión de categorías.

Ilustración 2. Métodos de división para los árboles

Fuente: Creación Propia

Error Tipo I y Tipo II

Fuente: Creación Propia El error tipo I se define como el rechazo de la hipótesis nula
Ho cuando ésta es verdadera. También es conocido como ó
La regresión logística es una función discriminante que nivel de significancia. Si tuviéramos un nivel de confianza
intenta encontrar la mejor combinación de características del 95% entonces el nivel de significancia sería del 5%.
que expliquen la probabilidad de incumplimiento. Si pi es la Análogamente si se tiene un nivel de confianza del 90%
probabilidad de que el solicitante i en la muestra ha entonces el nivel de significancia sería del 10%.
incumplido, es decir que Yi valga 1, es deseable encontrar El error tipo II ó error se define como la aceptación de la
un vector w tal que (Econometría, 2010): hipótesis nula cuando ésta es falsa.
Por tanto, al probar cualquier hipótesis estadística, existen
( ) cuatro situaciones diferentes que determinan si la decisión
final es correcta o errónea. (Instituto Tecnologico De
Chihuahua)
Tomando exponenciales de ambos lados de la ecuación
anterior se obtiene:

A diferencia de la regresión lineal, la regresión logística Fuente: Lectura Instituto Tecnológico De Chihuahua.
permite que la variable pi solo tome valores entre 0 y 1, el
cual es el rango esperado para una variable que estime una 3. MARCO LEGAL Y EVOLUCIÓN DEL TIPO DE RIESGO
probabilidad (en este caso de incumplimiento). SELECCIONADO, CON RESPECTO A BASILEA
Los componentes del vector w son encontrados a través del
método de máxima verosimilitud, mediante encontrar el Ante la relación directa que existen entre Basilea y la
vector que maximice el logaritmo de la función de administración del Riesgo de crédito (Dominguez J.C,
verosimilitud la cual es (Econometría, 1993). 2005) en su trabajo explica la regulación de Basilea para la
administración del Riesgo (Crédito, liquidez, operativo y de
El tablero de puntaje debe demostrar que efectivamente mercado), y verifican que el riesgo de crédito en lugar de
separa de una manera adecuada a los créditos clasificados evitarse, debe gestionarse adecuadamente para generar una
 9

rentabilidad que compense la probabilidad de de crédito, el Comité propone realizar modificaciones

incumplimiento por parte de los clientes. También describe (1988), y agrega a la ecuación la medición del riesgo de
todas las normas que se han implementado con Basilea y mercado. Un punto adicional fue el Nivel III de capital10.
ante el aumento de la industria financiera pretendan dar un Debido a los fallos que presentaba el Acuerdo de 1988, entre
recorrido por la normativa que deben tener estas entidades. 2004 y 2006, el BPI publicó una versión mejorada del
acuerdo, conocido como Basilea II.
Es así como el riesgo de crédito guía su marco legal por
medio de la regulación nacional dada por la SFC, la cual Este nuevo acuerdo (Basilea II) tenía como propósito:
ejerce supervisión al sistema financiero y bursátil del país Permitir una mayor alineación entre el capital regulatorio y
para preservar la estabilidad, seguridad, confianza y los riesgos económicos; proporcionar incentivos a las
promover, organizar y desarrollar la protección de los empresas para mejorar su gestión de riesgos; asegurar el
inversionistas, ahorradores y aseguradores. También tiene mantenimiento de los niveles de capital en el sistema
como función propender por la solvencia, disciplina y financiero.
supervisión del sistema financiero.
Dado lo anterior del ente regulador del riesgo de crédito en Se resume en la implementación de los siguientes tres
Colombia, se abordara la evolución del regulador de crédito pilares:
internacional conocido como el Banco de Pagos
Internacional quien puso sus propuestas en práctica con el Pilar I: Requisitos mínimos de capital regulatorio: En este
acuerdo de Basilea I (1988) hasta la reciente actualización pilar se definen los recursos propios mínimos,
de Basilea III (2010), también la implementación por parte manteniéndose el 8% del capital en relación con los riesgos
de SFC al sistema bancario Colombiano y a manera de asumidos. La definición del capital no cambia, y en el
conclusión lo cambios más importantes en cuento al manejo denominador se añade el riesgo operativo (inicialmente un
del riesgo de crédito desde la perspectiva de Basilea. 20% de ese 8%) y se cambia el tratamiento del riesgo de
crédito. La revisión se centra en la medición del riesgo, es
El Acuerdo de Basilea de 1988 según (Torrado Fernando M, decir, el denominador de la ratio de capital.
2011) “es el convenio dado por la preocupación de que el Los métodos para la medición del riesgo de crédito están
capital de los principales bancos mundiales fuera más desarrollados. Se propone por primera vez una medida
arriesgadamente bajo por el continuo deterioro a causa de para el riesgo operativo, mientras que la medición del riesgo
la competencia. Ya que el capital es necesario como de mercado no registra cambios. Para la medición del riesgo
colchón ante las pérdidas y proporciona un estímulo para de crédito se proponen dos opciones. La primera es el
una gestión de crédito.” método estándar y la segunda el método basado en rating
Los propósitos del Acuerdo de Basilea fueron los de internos (IRB Internal Rating-Based approach), este último
asegurar un adecuado nivel de capital en el sistema bancario con dos variables Básico (Foundation) y Avanzado
internacional y crear un “campo de juego más igualado” (Advanced). Clasifica los activos en cuatro categorías, en
(more level playing field) en términos de competencia. La cada categoría la exposición es ponderada (0%, 20%, 50%,
adecuada regulación de este acuerdo fue ampliamente 100%) según el tipo de deudor. (Ver Anexo No.1
admitido por más de 100 países llegando a ser un estándar Presentación Escuela Finanzas).
mundial. Este primer acuerdo se centró en el riesgo de Pilar II: Proceso de revisión del supervisor: Los
crédito y específicamente en la implementación de un marco supervisores deben garantizar que los bancos tienen
de medición del riesgo de crédito. El Acuerdo se basa en el procesos adecuados para calcular el ajuste de su capital a
modelo RAR (Risk Asset Ratio), según el cual las entidades partir de una absoluta evaluación de sus riesgos. Los
han de conservar un capital mínimo del 8% sobre los activos gestores de la entidad deben desarrollar procesos de
ponderados por riesgo y con esto obligar a los bancos a evaluación interna del capital y fijar objetivos de capital en
calcular indicadores para (I) el riesgo de crédito, y (II) la función del perfil de riesgo particular.
cantidad de capital. Este pilar se basa en cuatro principios:
 Los bancos deben tener procedimientos para
(Capital Regulatorio)/ (Activos Ponderados) >8% evaluar su solvencia en relación con los riesgos
asumidos y tener una estrategia para mantener un
El capital bancario se clasificó en dos niveles:
nivel adecuado de capital.
• El capital de Nivel 1 (“central”)8.
• El capital de Nivel 2 (”suplementario”)9.  El supervisor debe revisar la evaluación del banco y
su estrategia de gestión de riesgos, y actuar en el
A principios de 1990, al inspeccionar que los bancos estaban caso en que no los considere adecuados.
expuestos a altos niveles de riesgo de mercado e igualmente  Los supervisores deben esperar que los bancos
mantengan un capital por encima del mínimo y
8
Capital Nivel I= incluye el valor en libros de las acciones ordinarias, deben tener capacidad de imponer niveles
acciones preferenciales perpetuas y las reservas. superiores al mínimo.
9
Capital Nivel II= es considerado de menor calidad e incluye, sujeto a
varias condiciones, las provisiones generales por préstamos impagados, la
10
deuda subordinada de largo plazo y las acciones acumulativas y/o Capital Nivel III= Que comprende la deuda a corto plazo, pero solo
preferenciales amortizables. puede ser utilizada para cubrir el riesgo de mercado
 10

 Los supervisores deben intervenir rápidamente para Actualmente en Colombia la implementación de Basilea III,
impedir que el capital descienda por debajo de los se verifica por medio de SFC dado en la Asamblea General
niveles consistentes con el perfil de riesgos de cada ANIF en octubre de 2014 “llamada Retos De La Banca
Frente A Las Mejores Prácticas Internacionales
entidad.
Recomendadas Por Basilea” guiada por Gerardo
Hernández C el Superintendente Financiero de Colombia.
Pilar III: Disciplina de mercado: Establece el deber de los
bancos de revelar detalles sobre su nivel y estructura de
Ilustración 4. Implementación de Basilea III en
capital, sobre su perfil de riesgos y sobre sus sistemas de
Colombia
medición y control de dichos riesgos. Se hacen unos
requerimientos más detallados para el reconocimiento por
parte del supervisor de las metodologías internas para el
riesgo de crédito, las técnicas de reducción de riesgo de
crédito y la titulación de activos.

Sin embargo después de la crisis subprime desarrollada en

Estados Unidos que afecto a gran parte del mundo, el comité
de Basilea inicia la supervisión en cuanto a la regulación
bancaria, con apoyo de grandes números de bancos
centrales. Es así como en Octubre de 2010, el BPI público
un documento llamado “Respuesta del Comité de Basilea a
la crisis financiera: Informe para el G20”, este documento
describe las medidas adoptadas por el Comité para fortalecer
Fuente: Presentación (RETOS DE LA BANCA FRENTE A LAS MEJORES
la capacidad de recuperación de los bancos y del sistema PRÁCTICAS INTERNACIONALES RECOMENDADAS POR BASILEA,
bancario en general. (Ver anexo No. 2 Banco Mundial) 2014)

Finalmente Basilea III se compone de los siguientes

elementos fundamentales: 4. DESARROLLO DEL PROBLEMA DE INVESTIGACIÓN
Mayor calidad del capital, con atención especial en el capital Realizando un seguimiento y análisis a la modalidad de
ordinario, y niveles de capital más elevados para garantizar microcrédito en Colombia se evidencia que está ha tenida
que los bancos puedan absorber mejor los tipos de pérdidas etapas de contracción en la colocación y un aumento
asociadas con las crisis recientes, mayor cobertura de los contante en el deterioro lo cual es ocasionada por falencias
riesgos, especialmente para las actividades del mercado de en el otorgamiento, debido a que presenta falencias en el
capitales, el fortalecimiento sustancial del marco de riesgo momento de realizar un análisis profundo al clientes para
de crédito, un ratio de apalancamiento que limite la toma establecer la capacidad de pago de los clientes.
excesiva de riesgos, reservas de capital, que deberían
acumularse cuando el negocio funciona bien para poder Así mismo se puede identificar que se han realizado
recurrir a ellas en períodos de tensión, estándares globales diferentes modelos para establecer el perfil de un cliente
mínimos de liquidez para mejorar la resistencia de los para el otorgamiento de microcrédito a nivel nacional e
bancos a las tensiones graves a corto plazo y mejorar la internacional como una herramienta que permita apoyar la
financiación a largo plazo; y estándares más estrictos para la decisión del analista pero en ningún momento se centran
supervisión, la información pública y la gestión de riesgos. solo en el estado de resultados, variables sociodemográficas
(Esther Barros Campello, 2015) y como relacionar este perfil con el comportamiento
económico por sector para la toma decisiones en el valor de
Por lo tanto, Colombia requiere mayores depuraciones en la desembolso y así mitigar el riesgo de incumplimiento que
calidad de su capital bancario. Por ejemplo, en lo relativo al pueden presentar los clientes.
nivel I (Tier I), la regulación local permitía incluir en dicho
capital los impuestos diferidos netos. Sin embargo, Basilea Por lo anterior, se implementa una herramienta estadística
III los excluye, pues ellos afectan la rentabilidad futura que permitirá establecer el puntaje de scoring del cliente
bancaria. En lo relativo al nivel II (Tier II), los ajustes son teniendo en cuenta la información remitida para la solicitud.
aún mayores e involucran los siguientes tópicos: i) los También se implementa una herramienta estadística para
activos por inflación; ii) las ganancias no realizadas por establecer la relación entre la cartera vencida y el
inversión en cualquier tipo de título; y iii) la revalorización comportamiento económico sectorizado para luego en un
de activos tangibles e intangibles. Al excluir todos estos formato creado en Microsoft Excel (Visual Basic) entregar
aspectos del capital, bajo la nueva nomenclatura de Basilea como resultado la puntuación y dependiendo el sector al cual
III, se tiene que el índice de solvencia de Colombia se vería va dirigido el crédito como puede este influenciar el
disminuido entre 2.1 y 2.2 puntos porcentuales al corte de incumplimiento del cliente y así la entidad financiera poder
2011, pero, aun así, quedaría en niveles satisfactorios del tomar decisiones en montos a otorgar.
11.9%. (Galindo, 2011)
 11

4.1 Descripción de la información Días Mora , Ventas Totales, Utilidad Bruta , Utilidad Neta,
Utilidad Operativa y Zona .
A continuación se explica la información recolectada para
la finalidad de este trabajo. Luego se continuó con la depuración de las variables que se
conservaron, eliminando los registros que no poseen
a. Modelo Base Scoring Otorgamiento información completa, con datos dispersos, datos nulos,
entre otros; dando como resultado final un consolidado de
La base de datos base scoring de otorgamiento pertenece a 2.105, se laminaron así:
un establecimiento de crédito, que por políticas de seguridad
de la información no es posible dar a conocer tu nombre.  Se eliminan 344 registros que presentaban datos nulos y
Por lo anterior, la base de datos inicialmente de 2.510 falta de información en las variables de Ventas Totales,
registros con una periodicidad de 16 meses (agosto 2013 utilidad bruta, utilidad operativa y utilidad neta.
hasta Noviembre 2014), que representa la información
 Se eliminan 18 registros que presentan en los días de
inicial cuando se tiene una solicitud de crédito, consignada
en la siguiente lista, esta fecha noviembre 2014 es la fecha mora datos nulos.
de corte para los datos de mora.  Para realiza la segmentación sectorial utilizando el
código CIIU encontramos códigos errados incoherentes,
Las siguientes variables son las que contiene la base inicial: adicional a lo anterior en la base en cuanto a que un
Numero de solicitud, fecha de desembolso , Código CIIU, microcrédito no puede tener una actividad financiera de
Año Mes del Desembolso, Cliente, Experiencia financiera,
una entidad financiera, adicional a lo anterior solo
Cliente Antiguo, Experiencia Financiera en Meses, Ventas
Totales, Utilidad Bruta, Utilidad Neta, Utilidad Operativa, obtuvimos 5 registros del sector Agropecuario siendo
Formalidad, Tipo de Cliente, Tiene Experiencia SF, Fecha poco significativos y por estos motivo se eliminan 22
de Inicio, Valor Solicitado, Estado de la Cartera al corte, registros de la base.
Días de Mora, Zona, Descripción Producto y Descripción  Con el fin de relacionar indicadores financieros con el
Destino. modelo se crearon los indicadores: Rentabilidad Bruta,
Rentabilidad Operativa y Rentabilidad Neta, teniendo
Teniendo la información anterior y asumiendo el punto de
referencia de la metodología del scoring de otorgamiento, en como resultado 21 registros que superan el 100% lo cual
asignar el tipo de análisis que se desea finalmente se opta presenta inconsistencias en la información por lo anterior
por depurar la base con las variables de mayor significancia estos se eliminan.
eliminando las variables:
Se crea la variable DEFAULT, que es la variable
• Tiene Experiencia SF y Experiencia Financiera en dependiente se generar por medio de los días de mora, ya
Meses: estas dos variables presentaban información que si estos días son superiores o iguales a 15 el cliente será
incompleta y teniendo una variable denominada Experiencia clasificado como malo (1) de lo contrario será bueno (0).
financiera la cual se encontraba con la información completa Seguido se crean los indicadores denominados
decidimos conservarla. anteriormente del estado de resultados por la información
• Código CIIU: con base a la anterior variable se construye obtenida en la base, con lo cual se aplican las siguientes
una variable nueva denominada Agrupación la cual contiene formulas.
el sector económico al cual pertenece la actividad de la
empresa (Comercial, Industrial, Servicios y no reporte), por Rentabilidad Bruta = (Utilidad Bruta)/ (Ventas Totales)
lo anterior se conserva la nueva variable.
• Se eliminan la variable Cliente debido a que contenía Rentabilidad Operativa = (Utilidad Operativa)/ (Ventas
información directa del cliente como el nombre. Totales)
• Formalidad: se elimina la variable debido a que más del
95% de los registros son Informales y los otros registros no Rentabilidad Neta = (Utilidad Neta)/ (Ventas Totales)
los vimos significativos para el modelo.
• Fecha inicio se elimina debido a que es una variable que b. Valoración Sectorial Cartera Vencida Microcrédito
no aporta al modelo.
• Descripción del producto se elimina la variable debido a Se realiza una búsqueda de la información en medios
que esta estaba conformada por dos caracteres en donde se electrónicos, en donde se obtiene inicialmente el historial del
encontraba Bancoldex y estos tipos de créditos no son índice de calidad de cartera vencida por modalidad de
administrados directamente por la entidad bancaria. crédito en la página de la Superintendencia Financiera (SFC,
• Tipo de Cliente se elimina esta variable que en la 2013), con una periodicidad mensual desde el año 2002
mayoría de sus registros no contiene información y la poca hasta el año 2014. A esta información se le realizan algunos
que contenía era similar a la variable Cliente Antiguo. cambios en la periodicidad ya que se tienen mensualmente
Finalmente la base termina con esta información Solicitud, lo que se hace es pasarla a trimestral realizando el promedio
Año, Mes , Día , Agrupación, Descripción Destino, Cliente de tres meses, y adicional a esto se verifican de la base solo
Experiencia financiera, Cliente Antiguo , Valor Solicitado,
 12

el valor de los establecimientos de crédito que otorgan Tabla 2. Estadísticos Descriptivos

microcrédito en Colombia.
N Mínim Máxim Medi Desviació
o o a n estándar
Por otro lado, se recolecta la información del histórico del
Agricultura 53 -3,781 4,827 ,577 1,771
PIB sectorial de Colombia a precios constantes del año 2005
que cuentan con una periodicidad trimestral de la página Explotación de minas 53 -6,949 8,952 1,249 2,855

principal del (DANE), el cual se divide en nueve variables. Industrias 53 -3,409 7,202 ,682 2,088
manufactureras
Suministro de 53 -3,176 3,796 ,845 1,224
1. Agricultura, ganadería, caza, silvicultura y pesca. electricidad, gas y agua
Construcción 53 -14,011 20,946 2,267 6,490
2. Explotación de minas y canteras.
Comercio 53 -,988 4,580 1,251 1,128
3. Industrias manufactureras.
Transporte 53 -2,021 5,050 1,396 1,567
4. Suministro de electricidad, gas y agua.
Establecimientos 53 -,756 4,872 1,248 ,781
5. Construcción . financieros
Actividades de servicios 53 -1,096 5,451 1,078 1,222
6. Comercio, reparación, restaurantes y hoteles. sociales
7. Transporte, almacenamiento y comunicaciones. Promedio ICV 53 ,066 ,216 ,121 ,034
Microcrédito
8. Establecimientos financieros, seguros, actividades N válido (por lista) 53

inmobiliarias y servicios a las empresas. Fuente: Creación Propia por datos generados por paquete
9. Actividades de servicios sociales, comunales y estadístico.
personales.
En la tabla anterior, se observa los valores mínimos y
máximos en donde se concentra la información de la base
4.2 Análisis descriptivo
para cada sector económico y además el ICV, se tienen un
a. Modelo Base Scoring Otorgamiento total de 53 registros de la información de sectores a precios
constantes. Cabe resaltar que se verifica que los sectores han
Realizando un análisis a la base teniendo en cuenta la tenido decrecimiento ya que en todos se nota un valor
información brindad por la entidad bancaria y las variables mínimo negativo siendo mayor en el caso del sector de
creadas según nuestros criterios, podemos determinar que la construcción e inferior el decrecimiento en el sector
base contiene solo 4,80% de clientes clasificados como comercio. Por otro lado, verifica valor máximo en el sector
malos siendo esto una desventaja para la predicción del construcción e inferior en sector comercio.
scoring.
Los clientes Nuevos representan el 55,30% de la base, 4.3 Descripción metodológica
adicional a lo anterior el 72, 87 % de los clientes tienen
a. Modelo Base Scoring Otorgamiento
Experiencia financiera lo cual soportaría por qué los clientes
clasificados como malos en esta base son pocos.
Se inicia realizando un análisis de la dispersión de los datos
utilizando el grafico de cajas (ver anexos - Gráficos de
Por último el destino de los microcréditos solicitados tiene
Dispersión) obteniendo como resultado 16 datos dispersos
establecido como destino capital de trabajo y la mayor
en la variable valor Solicitado, 27 de la variable Ventas
concertación de las solicitudes se agrupan aparte de los que
totales, 17 de utilidad bruta, 14 Utilidad neta y 21 de utilidad
no Reportan son para el sector Comercial.
Operativa los cuales se trataron por la acción Forzar: la cual
“sustituye los valores atípicos y extremos por el valor más
b. Valoración Sectorial Cartera Vencida Microcrédito
cercano que no se consideraría extremo. Por ejemplo, si un
valor atípico se define como todo lo que queda por encima o
A la base ya consolidada con la información de cartera
por debajo de tres desviaciones estándar, todos los valores
vencida microcrédito junto con el PIB sectorial, se realizan
atípicos se sustituirían por el valor mayor o menor de este
los descriptivos por medio del paquete estadístico, lo cual
intervalo”.
genera la siguiente tabla sobre la información de la base.
( IBM Knowledge Center).

Para establecer un modelo de scoring se utilizara la

regresión logística, pero antes de implementarla se utiliza la
herramienta de árboles de decisión en donde busca realizar
un análisis visible las variables independientes como
explican la variable dependiente default, evidenciando que la
variable ventas totales, la utilidad bruta y las variables de
rentabilidad no explican la variable dependiente y no genera
ningún nodo. Por lo anterior, el nivel de significancia de
estas variables no es suficiente para establecer el
comportamiento del default, teniendo en cuenta que las
variables independientes, que creíamos significativas no
pesaban en el modelo, realizamos una validación y
 13

encontramos que esto puede ser causado por la gran

dispersión presentada en los datos de estas variables. Una vez se tiene la distribución anterior se sigue a correr la
base con las variables seleccionadas según los arboles de
Luego del anterior análisis se categorizan las variables valor decisión, los cuales permiten tener claridad sobre las
solicitado, utilidad operativa y utilidad neta teniendo en variables que pueden llegar a explicar la variable default, en
cuenta los rangos establecidos en los arboles de decisión con esta investigación principalmente. Es así como se verifican
el fin de convertirlas en variables dummy e ingresarlas en la las siguientes variables independientes.
regresión logística y así establecer cuál es la categoría más
riesgosa. Gracias a lo anterior, se corre la regresión logística Agrupación, Descripción Destino, cliente Experiencia
para determinar la probabilidad de incumplimiento para cada financiera, Cliente Antiguo, Valor Solicitado, Ventas
cliente y de esta forma poder establecer el scoring de Totales , Utilidad Bruta, Utilidad Operativa, Utilidad
otorgamiento; junto con lo anterior se realiza la prueba de Neta, Zona y los indicadores de Renta. Bruta Renta,
poder predictivo y analizar el porcentaje correcto de Operativa y Renta. Neta.
clasificación de la variable dependiente. Posteriormente se
verifica la información se puede realizar la prueba de Cabe aclarar que antes de seleccionar el modelo final, se
escritorio. corrió la base con toda la información de las variables y se
notó que al quitar de la base la utilidad operacional el
b. Valoración Sectorial Cartera Vencida Microcrédito modelo permitía la entrada y concluía la utilidad neta, por
este motivo se decide quitar los valores de la utilidad
A la información finalmente consolidada de fuentes operativa ya que por una lógica de negocio se considera de
confiables y verídicas, primerio se le realizan los estadísticos mayor predicción la variable de utilidad neta, por ser el
descriptivos (Tabla 1), y seguido por medio de un paquete capital del cliente.
estadístico se corre una regresión lineal múltiple por los Se hace la modelación en un paquete estadístico, la cual se
siguientes métodos: pasos sucesivos, hacia atrás y hacia realiza por medio de los métodos hacia delante condicional,
delante. En cada uno de estos métodos se verifica lo lo cual generar el modelo se observa la tabla de
confiabilidad del modelo por medio del coeficiente de clasificación, donde se verifica que del 100% de los clientes
correlación (R2) el cual debe ser como mínimo del 65%, la buenos los clasifica correctamente en el 85.8% y del 100%
significancia global del modelo se comprueba en base a la de clasificación de los clientes malos es de 42.6%. Y
prueba F donde la significancia debe ser menor a 0,05 y finalmente un porcentaje global del 83.8%. Como se observa
finalmente, se observa la significancia individual de las en la siguiente tabla.
variables donde la probabilidad debe ser inferior a 0,05. Tabla 4. Tabla de Clasificación
Se tiene claro al momento de verificar los estadísticos Pronosticado
anteriores se debe realizar la validación de los supuestos en
Default Corrección de
los residuos de los modelos que se hayan corrido, por medio
Observado 0 1 porcentaje
de la generación de gráficos y así corroborar la información
Paso 5 Default 0 1720 284 85,8
para poder aceptar el modelo y conocer los resultados
finales. 1 58 43 42,6

Porcentaje global 83,8

4.4 Modelación a. La constante se incluye en el modelo.

b. El valor de corte es ,100

a. Modelo Base Scoring Otorgamiento.

Se define la variable default como la variable dependiente Para el caso del tratamiento de la base de scoring de
para correr el modelo en método estadístico, la cual se otorgamiento de microcrédito se puede verificar por medio
compone por: de la tabla 4, donde por medio del método condicional hacia
delante verifica la clasificación de los clientes buenos en un
0 para cliente al día en pagos (Buenos) porcentaje superior al 50%, siendo de 85.8% permite aceptar
1 para clientes en mora de 15 días (Malos) el modelo ya que explica en buena cantidad los malos o
como se conoce el error tipo I, por otro lado cuanto a la
En donde los clientes en mora son aquellos que tienen más forma de clasificación de los clientes buenos es del 42.4%
de 15 días de mora debida a que el microcrédito tiene donde explica el error tipo II y finalmente un porcentaje
similitud al comportamiento del consumo según (lindon . V, global del 83.8%. Cabe resaltar que en cuanto al error tipo I
Uriol J), por lo anterior la distribución de los clientes queda y tipo II, se tuvo que tener claridad en que la base que se
de la siguiente manera: analizó tenía poca información y además la mayoría de sus
clientes eran de buen comportamiento de pago.
Tabla 3. Distribución de Clientes Buenos y Malos
Y Registros Porcentaje Se realiza la prueba de Curva Roc, para identificar que tanto
0 2004 95,20% poder de discriminación tiene la variable dependiente frente
1 101 4,80% a las variables independientes, donde se muestra que el área
Total 2105 100,00% bajo la curva, lo que indica que tanto predice el modelo, este
valor debe ser superior al 65% para aceptar la clasificación
 14

que se está haciendo con la base, esta información descrita Fijos). Para establecer la puntuación del scoring ara
se verifica por las siguientes gráficas. microcrédito es igual a: Scoring= (1- PI)* 1000

Ilustración 5. Curva COR b. Valoración Sectorial Cartera Vencida Microcrédito

Al correr la base de datos en un programa estadístico, se

consolida a continuación la información arrojada por los
diferentes métodos estadísticos que ofrece este paquete
para la regresión lineal múltiple para así llevar a finalidad
la correlación y verificación del modelo.

En la tabla 6 se verifica el “Resumen del Modelo” para

cada método que se decidió correr. La tabla 7 muestra el
resumen de la significancia global de los métodos y la
tabla 8 muestra la significancia de las variables que deja
cada método, cabe resaltar al momento de correr los
respectivos modelos se hicieron cambios en los valores de
entrada y salida de variables de 0,01 y 0,20
respectivamente.
Los cambios se realizaron con el propósito de intentar
ajustar el modelo, para que permitiera la entrada de
variables por el nivel de significancia de las pruebas.
Otro valor importante de analizar en el caso de los
resultados que arrojó el modelo es la curva Roc que permitió Tabla 6. Resumen de Modelos
conocer en qué porcentaje está explicando el modelo la
discriminación de la variable dependiente, ya que al Resumen Modelos
Estadísticas de cambios
observar la gráfica de la curva se verifica que el área bajo la R
R
Error estándar de la Cambio
Método R cuadrado de Cambio
curva es igual a 81.5% lo que indica la predicción del cuadrado
ajustado
estimación
cuadrado en F
df1 df2 Sig. Cambio en F

de R
modelo es buena. Modelo Por Pasos
1 ,420a ,176 ,1603 ,0312 ,176 10,925 1 51 ,002

Tabla 5. Área Bajo la Curva Modelo Hacia Atrás

6 f
,554 ,307 ,2489 ,0295 -,007 ,496 1 47 ,485
Área bajo la curva
Modelo Hacia Adelante

Variable(s) de resultado de prueba: Probabilidad pronosticada 6 ,554f ,307 ,2489 ,0295 -,007 ,496 1 47 ,485

Significación 95% de intervalo de confianza asintótico

Tabla 7. Resumen Anova (Prueba F)
a b
Área Error estándar asintótica Límite inferior Límite superior
Resumen Tabla ANOVA
,773 ,022 ,000 ,730 ,815 Sum a de Media
Modelo gl F Sig.
cuadrados cuadrática

Seguido a obtener la información generada por la tabla del Por pasos

1 Regresión b
área bajo la curva con una confiabilidad del 81.5% del ,011 1 ,011 10,925 ,002
Residuo ,050 51 ,001
modelo. Se realiza a continuación el cálculo de la Total ,060 52
probabilidad de incumplimiento que en este caso de la Modelo Hacia Atrás
regresión lineal se realiza con la siguiente formula. 6 Regresión ,018 4 ,005 5,309 ,001
g

Residuo ,042 48 ,001

Total
Para calcular el scoring: ,060 52
Modelo Hacia Delante
6 Regresión g
,018 4 ,005 5,309 ,001
Donde el , y Residuo ,042 48 ,001
específicamente para nuestro modelo es: Total ,060 52

Z= -3,276 + 0,181*Comercio -0,495*Industria – 0,793*No

Reporta + 0,597 *Cliente experiencia si es No +
0.998*Cliente Antiguo si es No - 0,276* Suroccidental –
0,499*Chapinero + 0,378*Occidental – 18.452* Nororiental
– 18,509 * Centro – 1,565*Eje industrial –
0,322*Suroriental + 0,523 *Utilidad Neta si es >190500 +
0,958* Capital De Trabajo + 0,900* Compra De
Maquinaria y Equipo +0,990*Compra Muebles Y Enseres
+ 0,042* Destino Mixto -16,479* Inversión Fija O Activos
 15

Tabla 8. Resumen Coeficientes (Prueba t) En las tabla 8 de coeficientes se verifica la significancia

individual, donde solo se verifica el último paso dado por el
Coeficientesa
Coeficientes no Coeficientes 95,0% Estadísticas de modelo, se observa que la información de la significancia de
estandariza Correlaciones
estandarizados intervalo de colinealidad
Modelo t Sig.
la prueba t es inferior a 0,05. Para lograr que en este
Error Límite Límite
B
estándar
Beta
inf sup
Orden cero Parcial Parte Tolerancia VIF resultado permitiera el ingreso de más variables se hizo
Modelo Por Pasos
ajustes en la entrada del modelo bajándolo a 0,01 y en salida
1 (Constante) ,125 ,005 27,757 ,000 ,116 ,134 0,20, lo cual permitió la entrada de más variables al modelo
Industrias
manufactureras
-,007 ,002 -,420 -3,305 ,002 -,011 -,003 -,420 -,420 -,420 1,000 1,000 sin embargo estos cambios no producen ningún cambio en
Modelo Hacia Atrás los coeficientes analizados.
6 (Constante) ,127 ,006 20,072 ,000 ,114 ,139
Agricultura ,005 ,003 ,235 1,597 ,117 -,001 ,010 -,069 ,225 ,192 ,668 1,497
Industrias
-,008 ,003 -,482 -3,098 ,003 -,013 -,003 -,420 -,408 -,372 ,596 1,678
En vista de lo ocurrido con el modelo de regresión lineal
manufactureras
Comercio -,010 ,005 -,325 -2,133 ,038 -,019 -,001 -,314 -,294 -,256 ,624 1,603 múltiple, se concluye que no es es verídico y no se puede
Actividades de
servicios sociales
,008 ,004 ,296 2,093 ,042 ,000 ,016 ,063 ,289 ,252 ,724 1,381 establecer la relación entre el comportamiento de los
Mode sectores y la cartera vencida por medio de esta herramienta
lo
6 (Constante)
Agricultura
,127 ,006 20,072 ,000 ,114 ,139
estadística, principalmente por que la determinación del
,005 ,003 ,235 1,597 ,117 -,001 ,010 -,069 ,225 ,192 ,668 1,497
Industrias
-,008 ,003 -,482 -3,098 ,003 -,013 -,003 -,420 -,408 -,372 ,596 1,678
modelo es demasiados pequeña en los métodos aplicados.
manufactureras
Comercio -,010 ,005 -,325 -2,133 ,038 -,019 -,001 -,314 -,294 -,256 ,624 1,603
Actividades de
,008 ,004 ,296 2,093 ,042 ,000 ,016 ,063 ,289 ,252 ,724 1,381
4.6 Utilidad y aplicación financiera de los resultados
servicios sociales

 Comportamiento de Residuos La utilidad aplicada del análisis realizado a la base de esta

entidad financiera, arrojo una serie de variables que pasan a
Para el comportamiento de las grafica se puede observar el ser predictoras para generar un puntaje de scoring, por
Anexo 3, donde se encuentran las gráficas analizadas de los medio del uso de visual basic se realiza el siguiente modelo
residuos que finalmente dan viabilidad al modelo en donde se observa las variables que según el modelo hacia
conjunto con la información anterior presentada. delante pasan a tener significancia.

Primer cuadro que encontrara el analista para ingresar

4.5 Análisis de resultados el modelo.

Con respecto a la base se estableció un scoring entre 1 a

1000 para la puntuación, no se establece la cantidad de
clientes buenos y malos ya que consideramos falencias en
las variables que toma el modelo, por que como se nota en
agrupación se obtiene un beta alto para “no reporte” y en la
prueba de escritorio realizada eso es inestable ya que no es
posible para el analista dar una viabilidad si no conocer el
sector al que se dirige la persona. Por otro lado, se observa
que para los valores arrojados por el modelo es asertivo en el
valor de beta para las zonas de centro y sur ya que tienen
una alta distribución de microempresas. Para el destino el de
mayor significancia es el capital de trabajo, lo cual es bueno
ya que esta implementado en aumento de la empresa.
Fuente: Construcción Propia.
En el caso puntual del modelo de regresión lineal múltiple se
verifica en las tablas presentadas que el modelo no fue Seguido el analista solicita la información al cliente, y al
confiable, ya que como se muestra inicialmente en el completar los espacios solicitados, oprime el botón de
coeficiente de determinación para el método por pasos es de calcular y este genera el puntaje se scoring del cliente.
17.6%, y el los métodos hacia delante y hacia atrás es de
24.89%, esto permite determinar que este método no da
seguridad en el modelo porque es inferior al 65%.11
Sin embargo al notar este valor se quiso seguir confirmado
la información, en la tabla 7 Resumen del ANOVA donde
se verifica la significancia global del modelo, se encuentra
que los métodos determinan los valores en significancia es
inferiores a 0,05. Esta información sería útil si el modelo
fuera más verídico en su R2.

11
Punto mínimo para optar por tomar el modelo como determinante.
 16

6. RECOMENDACIONES

En base al modelo que en el presente trabajo no se pudo

llevar a finalidad, debido a la escogencia del modelo
estadístico se recomienda dada la temporalidad de las
variables finales aplicarse un Value at Risk (VAR) para esta
variables de estudio. Y haciendo énfasis en la importancia
de dar continuidad a este tipo de herramientas que
robustecen las políticas de otorgamiento para el microcrédito
en Colombia. Para tener un poco de claridad hacer del VAR
se verifica como una metodología de administración de
riesgo financiero, con la que se busca “la máxima perdida
esperada en un periodo de tiempo y con un nivel de
confianza dado, en condiciones normales del mercado”
(Value at Risk, 2000).
Fuente: Construcción Propia
REFERENCIAS
Por otro lado, en el caso puntual del modelo de valoración
de cartera vencida de microcrédito, a pesar de no ser viable
por el método escogido (RLM) en este trabajo cabe aclarar (s.f.). Obtenido de
la utilidad de lograr aplicar este modelo ya que pasaría a ser https://en.superfinanciera.gov.co/descargas?com=in
una herramienta de gran utilidad para los analistas de stitucional&name=pubFile3164&downloadname=i
crédito, quienes teniendo esta relación del ICV y el cv+cas_historia.xls
comportamiento de la economía, lograrían reducir el riesgo IBM Knowledge Center. (2010). IBM Knowledge Center.
sectorial, e incurren el reducir este riesgo. Lo recomendable Recuperado el 2015, de IBM Knowledge Center:
a los investigadores futuros aplicar otros métodos http://www-
estadísticos a esta base y así realizar una calibración al 01.ibm.com/support/knowledgecenter/SS3RA7_17.
modelo de forma semestral. 0.0/clementine/quality_results_outliers.dita?lang=e
s
5. CONCLUSIONES Agudelo L.G, O. J. (Dic -2010). Construccion de un modelo
de Scoring para el otorgamiento de credito en una
entidad financiera. Perfil Coyuntura Economica
En el modelo de scoring se utilizaron variables No.16, 191 - 222.
sociodemográficas junto con la información del estado de Bancoldex. (s.f.). Bancoldex. Recuperado el 23 de Abril de
resultados en el modelo final, las variables de indicadores 2015, de Bancoldex:
como rentabilidad operativa, bruta y operacional fueron http://www.bancoldex.com/Sobre-
sacadas del modelo y no fueron significativas, ya que estas microempresas/Que-es-una-microempresa628.aspx
variables tenían un P-value superior al 0,05. Aun realizando BBVA. (2011). Accionistas e Inversores BBVA. Recuperado
ajustes en el modelo en el punto de corte, permitió el ingreso el 2015, de Accionistas e Inversores BBVA:
de la variable utilidad neta, la cual finalmente termina siendo http://accionistaseinversores.bbva.com/TLBB/micr
una variable importante ya que es el capital con el que el os/informes2010/es/Gestiondelriesgo/Probabilidadd
cliente podrá respaldar la obligación. eincumplimientoPD.html
Caballero C. y Ospin O. (2010). Metodologia para un
Sin embargo los resultados arrojados por el modelo no son scoring de clientes sin reperencias crediticias.
totalmente predictivos ya que la modalidad de microcrédito Cuadernos de Economia 32, 139 - 165.
en Colombia es uno de los que tiene mayores dificultades al Canton S, R. J. (2010). Un modelo de Credit Scoring para
momento de implementar políticas de otorgamiento, debido instituciones de microfinanzas en el marco de
a que no se cuenta con información financiera robusta para Basilea II. Journal of Economics, Finance and
aplicar políticas acidas, por este motivo muchos de los Administrative Science Vol. 15, 90 - 121.
modelos para microcrédito se administran por información DANE. (01 de 01 de 2015). DANE. Recuperado el 12 de 03
cualitativa lo cual en el corto plazo no da información sobre de 23, de DANE:
un historial verídico de pagos del cliente y puede ser una de http://www.dane.gov.co/index.php/pib-cuentas-
las razones por las que las tasas de interés son tan altas. nacionales/cuentas-trimestrales
Dominguez J.C, G. J. (2005). La medicion del riesgo de
El modelo generado de ICV frente al comportamiento del credito y el nuevo acuerdo capital del comite de
PIB sectorial, no se pudo llevar a cabo a raíz del método Basilea. España: Universidad Santiago de
aplicado no fue el indicado por que la regresión lineal Compostela - Facultad de ciencias Economicas y
múltiple tiene como falencia la comprobación de una suma Empresariales.
importante de supuestos que se deben cumplir.
 17

Dominguez, Ignacio Lopéz. (s.f.). Expansión. Recuperado el S, D. M. (23 de 09 de 2013). Proquest. Recuperado el 20 de
01 de 05 de 2015, de Expansión: 05 de 2015, de Proquest:
http://www.expansion.com/diccionario- http://ezproxy.unipiloto.edu.co/login?url=http://sear
economico/credit-scoring.html ch.proquest.com/business/docview/1516514837/ful
El Blog Economia y Finanzas. (s.f.). El Blog Economia y ltextPDF/EF8C3FCFFFB947FEPQ/19?accountid=
Finanzas. Recuperado el 05 de 2015, de El Blog 50440
Economia y Finanzas: Sandica, A. M. (2010). Credit Scoring Modelling: A micro-
http://www.elblogsalmon.com/conceptos-de- macro approach. Academy of economic studies.
economia/que-son-las-microfinanzas Doctoral school of finance-dofin, 110.
Esther Barros Campello. (8 de 03 de 2015). Riesgo de SFC. (10 de 02 de 2013). Supeintendencia Financiera de
Credito - Conceptualizacion. España. Colombia. Recuperado el 15 de 05 de 2015, de
Ferrero C, J. (2012). Academia.edu. Recuperado el 29 de Supeintendencia Financiera de Colombia:
Abril de 2015, de Academia.edu: https://www.google.com.co/url?sa=t&rct=j&q=&es
https://www.academia.edu/1956539/PROPUESTA rc=s&source=web&cd=3&cad=rja&uact=8&ved=0
_DE_UN_MODELO_PARA_OTORGAMIENTO_ CCYQFjAC&url=https%3A%2F%2Fwww.superfi
DE_CR%C3%89DITOS_Y_ESTIMACI%C3%93 nanciera.gov.co%2Fdescargas%3Fcom%3Dinstituc
N_DE_PRIMAS_DE_SEGUROS_EN_EL_SECT ional%26name%3DpubFile1005088%26download
OR_AGROPECUARIO name%3Dmetodol_icv_cas.doc&ei=akJaVfv5CoW
Galindo, A. R.-S. (2011). Capital Requirements Under -ggTL
Basel III in Latin America: The Cause of Bolivia, Silvente V, H. M. (Enero 2013). Como aplicar arboles de
Colombia , Ecuador and Peru. Diciembre: Inter- decision en SPSS. REIRE - Revista de Educación,
American Development Bank Policy Brief No.IDB- 6(1), 65 - 75.
PB-137. Thomas, L. E. (2002). Credit scoring and its applications.
Gerando, H. (2014). RETOS DE LA BANCA FRENTE A SIAM Monographs on Mathematical Modeling and
LAS MEJORES PRÁCTICAS Computation. Philadelphia: Siam.
INTERNACIONALES RECOMENDADAS POR Thomas, L., Edelman, D., & Crook, J. (2002). Credit
BASILEA. Asamblea General ANIF (pág. 15). Scoring and its applications. United States of
Bogota- Colombia: SFC. America: SIAM.
Gujarati, D., & Porter, D. (2010). Econometría. México: Torrado Fernando M, D. J. (2011). La medicion del riesgo
McGraw Hill. de credito y el nuevo acuerdo de capital del comite
Herandez M, T. M. (9 de mayo de 2013). Parametric versus de Basilea. Santiago de Compostela - España.:
nonparametric methods in rick coring: an Universidad Santiago de Compostela - Ciencias
application to microcredit. Obtenido de Economicas.
Proquest.com: search.proquest.com Trend Management. (Noviembre 2006). Modelos analíticos
INSTITUTO TECNOLOGICO DE CHIHUAHUA. (s.f.). para el Manejo del Riesgo de Credito. Trend
INSTITUTO TECNOLOGICO DE CHIHUAHUA. Management- Ediciòn Especial, 46-47.
Obtenido de INSTITUTO TECNOLOGICO DE
CHIHUAHUA:
http://www.itch.edu.mx/academic/industrial/estadis
tica1/cap02.html
Jorian, P. (2000). Value at Risk. Mc Graw-Hill.
lindon . V, Uriol J. (2012). Los factores que determinan la
calidad de la cartera creditcia de las entidades
microfinancieras de la Amazonia peruana en el
periodo 2008 -2011. Perú: Universidad Nacional
Pedro Ruiz Gallo Lambayeque Perú.
Lyn C. Thomas, D. B. (2002). Credit scoring and its
applications. Estados Unidos : SIAM.
M. Jesús Mures Quintana, A. G. (2005). Aplicación del
Análisis Discriminante y Regresión Logística en el
estudio de la morosidad en las entidades
financieras. España: Pecvnia.
Novales, A. (1993). Econometría. Madrid: Mc Graw Hill.
Perez F, F. H. (2005). El modelo Logistico : Una
herramienta estadistica para evaluar el Riesgo de
Credito. Revistas Ingeneirias - Universidad de
Medellin, 55 - 75.
Renatas K, A. A. (2009). Modelo de Regresiòn Lineal
Multiple. Recuperado el 18 de 05 de 2015, de
UOC.EDU: www.uoc.edu
 18

ANEXOS

Anexo 1. Ponderación por activos

Fuente: Presentación Doc. Esther Barrientos / Escuela de Finanzas

Anexo 2. Banco Mundial

Fuente: Página Principal Banco Mundial

 19

Anexo 3. Graficas Regresión Lineal Múltiple- Residuos

Anexo 4. Gráficos de Dispersión

 20

Anexo 5. Árbol de decisión Valor solicitado

Fuente: Calculo propio

Anexo 6 – Árbol de decisión Utilidad Operativa

 21

Fuente: Calculo propio

Anexo 7 – Árbol de decisión Utilidad Neta

Fuente: Calculo propio

 22

Anexo 8 Resultados Regresión Logística hacia adelante y hacia atrás complementado

Variables en la ecuación
Categoría/Definición B Error estándar Wald gl Sig. Exp(B)
Agrupación Servicio
10,889 3 ,012
Agrupación(1) Comercia ,181 ,243 ,555 1 ,456 1,198
Agrupación(2) Industrial -,495 ,412 1,444 1 ,230 ,610
Agrupación(3) No Reporta -,793 ,326 5,904 1 ,015 ,452
clienteExperienciafinanciera(1) No
,597 ,235 6,449 1 ,011 1,817
Cliente Antiguo(1) No ,998 ,329 9,222 1 ,002 2,713
Zona Bogotá Bogotá Noroccidental 12,618 7 ,082
Zona Bogotá(1) Bogotá Suroccidental -,276 1,055 ,068 1 ,794 ,759
Zona Bogotá(2) Bogotá Chapinero -,499 ,751 ,442 1 ,506 ,607
Zona Bogotá(3) Bogotá Occidental ,378 ,558 ,458 1 ,499 1,459
Zona Bogotá(4) Bogotá Nororiental -18,452 5724,087 ,000 1 ,997 ,000
Zona Bogotá(5) Bogotá Centro -18,509 5576,931 ,000 1 ,997 ,000
Zona Bogotá(6) Bogotá Eje Industrial -1,565 ,472 10,966 1 ,001 ,209
Zona Bogotá(7) Bogotá Suroriental -,322 ,290 1,228 1 ,268 ,725
Utilidad Net(1) >1905000 -,523 ,224 5,444 1 ,020 ,593
Descripción Destino MEJORAS Y REPARACIONES
4,523 5 ,477
LOCATIVAS
Descripción Destino(1) CAPITAL DE TRABAJO
,958 ,617 2,410 1 ,121 2,607
Descripción Destino(2) COMPRA DE MAQUINARIA Y
,900 ,631 2,035 1 ,154 2,460
EQUIPO
Descripción Destino(3) COMPRA MUEBLES Y
,990 ,739 1,798 1 ,180 2,692
ENSERES
Descripción Destino(4) DESTINO MIXTO
,042 ,850 ,002 1 ,961 1,043
Descripción Destino(5) INVERSION FIJA O ACTIVOS
-16,479 3101,635 ,000 1 ,996 ,000
FIJOS
Constante -3,276 ,332 97,585 1 ,000 ,038

Fuente: Calculo propio

 solicitud Valor_Solicitado solicitud VentasTotales
315 25000000 85 35000000
466 22000000 104 30000000
745 22000000 131 35000000
1118 25000000 147 30000000
1287 24000000 152 35000000
1300 30000000 204 35000000
1329 24000000 214 55000000
1423 30000000 276 30000000
1438 25000000 436 38000000
1456 25000000 440 40000000
1756 22000000 473 32000000
1813 25000000 485 35000000
1854 25000000 612 35000000
1893 25000000 652 35000000
1945 25000000 696 30000000
2024 25000000 862 30000000
Media Valor a remplazar 891 30000000
6.747.117,70 19.421.374,01 1006 30000000
Desviacion Esta 1195 40000000
4.224.752,10 1263 40000000
1292 35000000
1353 45000000
1391 35000000
1895 30000000
1959 40000000
1964 30000000
2024 40000000
Media Valor a remplazar
7.592.311,46 22.854.234,05
Desviacion Esta
5.087.307,53
 solicitud Utilidad bruta solicitud UtilidadNeta
204 14000000 58 6003000,0
276 11100000 74 7009000,0
398 13500000 115 9101000,0
436 14820000 131 6170000,0
440 14000000 179 6972000,0
553 11070000 436 6060000,0
665 11760000 440 8330000,0
1006 12000000 553 8352000,0
1018 16800000 618 6609000,0
1056 17980000 654 6204000,0
1292 12250000 710 6455000,0
1323 11200000 712 6490000,0
1444 15400000 862 6191000,0
1618 13600000 1959 7023000,0
1671 10920000 Media Valor a remplazar
1959 14000000 2.097.894,37 4.689.046,55
2046 12000000 Desviacion Esta
Media Valor a remplazar 863.717,40
3.326.580,25 8.405.675,40
Desviacion Esta
1.693.031,72
 solicitud UtilidadOperativa
58 7060000
74 8300000
104 8230000
115 9340000
179 7840000
204 7700000
436 13660000
440 11630000
618 7100000
712 7300000
862 7300000
1006 11700000
1018 7700000
1178 7190000
1398 7470000
1444 12200000
1630 7820000
1785 7620000
1895 7505000
1959 10300000
1992 7180000
Media Valor a remplazar
2.478.438,68 5.822.554,44
Desviacion Esta
1.114.705,25
 Resumen Modelos
Estadísticas de cambios
Error estándar Cambio
Métod R cuadrado
R R cuadrado de la de Cambio
o ajustado df1 df2 Sig. Cambio en F
estimación cuadrad en F
o de R
Modelo Por Pasos
1 ,420a ,176 ,1603 ,0312 ,176 10,925 1 51 ,002
Modelo Hacia Atrás
6 ,554f ,307 ,2489 ,0295 -,007 ,496 1 47 ,485
Modelo Hacia Adelante
6 ,554f ,307 ,2489 ,0295 -,007 ,496 1 47 ,485

Resumen Tabla ANOVA

Suma de Media
Modelo gl F Sig.
cuadrados cuadrática
Por pasos
1 Regresión ,011 1 ,011 10,925 ,002b
Residuo ,050 51 ,001
Total ,060 52
Modelo Hacia Atrás
6 Regresión ,018 4 ,005 5,309 ,001g
Residuo ,042 48 ,001
Total ,060 52
Modelo Hacia Delante
6 Regresión ,018 4 ,005 5,309 ,001g
Residuo ,042 48 ,001
Total ,060 52

a
Coeficientes
Coeficientes no Coeficientes 95,0% Estadísticas de
estandarizados estandarizad intervalo de Correlaciones colinealidad
Modelo t Sig.
Error Límite Límite
B Beta Orden cero Parcial Parte Tolerancia VIF
estándar inf sup

Modelo Por Pasos

1 (Constante) ,125 ,005 27,757 ,000 ,116 ,134
Industrias
-,007 ,002 -,420 -3,305 ,002 -,011 -,003 -,420 -,420 -,420 1,000 1,000
manufactureras
Modelo Hacia Atrás
6 (Constante) ,127 ,006 20,072 ,000 ,114 ,139
Agricultura ,005 ,003 ,235 1,597 ,117 -,001 ,010 -,069 ,225 ,192 ,668 1,497
Industrias
-,008 ,003 -,482 -3,098 ,003 -,013 -,003 -,420 -,408 -,372 ,596 1,678
manufactureras
Comercio -,010 ,005 -,325 -2,133 ,038 -,019 -,001 -,314 -,294 -,256 ,624 1,603
Actividades de
,008 ,004 ,296 2,093 ,042 ,000 ,016 ,063 ,289 ,252 ,724 1,381
servicios sociales
Mode
lo
6 (Constante) ,127 ,006 20,072 ,000 ,114 ,139
Agricultura ,005 ,003 ,235 1,597 ,117 -,001 ,010 -,069 ,225 ,192 ,668 1,497
Industrias
-,008 ,003 -,482 -3,098 ,003 -,013 -,003 -,420 -,408 -,372 ,596 1,678
manufactureras
Comercio -,010 ,005 -,325 -2,133 ,038 -,019 -,001 -,314 -,294 -,256 ,624 1,603
Actividades de
,008 ,004 ,296 2,093 ,042 ,000 ,016 ,063 ,289 ,252 ,724 1,381
servicios sociales
 Variables en la ecuación
Error
Categoria/Definicion B estándar Wald gl Sig. Exp(B)
Paso 5e Agrupacion Servicio 10,889 3 ,012
Agrupacion(1) Comercia ,181 ,243 ,555 1 ,456 1,198
Agrupacion(2) Industria -,495 ,412 1,444 1 ,230 ,610
Agrupacion(3) No Reporta -,793 ,326 5,904 1 ,015 ,452
clienteExperienciafinanciera(1) N ,597 ,235 6,449 1 ,011 1,817
ClienteAntiguo(1) N ,998 ,329 9,222 1 ,002 2,713
ZonaBogota Bogotá Noroccidental 12,618 7 ,082
ZonaBogota(1) Bogotá Suroccidental -,276 1,055 ,068 1 ,794 ,759
ZonaBogota(2) Bogotá Chapinero -,499 ,751 ,442 1 ,506 ,607
ZonaBogota(3) Bogotá Occidental ,378 ,558 ,458 1 ,499 1,459
ZonaBogota(4) Bogotá Nororiental -18,452 5724,087 ,000 1 ,997 ,000
ZonaBogota(5) Bogotá Centro -18,509 5576,931 ,000 1 ,997 ,000
ZonaBogota(6) Bogotá Eje Industrial -1,565 ,472 10,966 1 ,001 ,209
ZonaBogota(7) Bogotá Suroriental -,322 ,290 1,228 1 ,268 ,725
UtilidadNet(1) >1905000 -,523 ,224 5,444 1 ,020 ,593
DescripciónDestino MEJORAS Y REPARACIONES
4,523 5 ,477
LOCATIVAS
DescripciónDestino(1) CAPITAL DE TRABAJO ,958 ,617 2,410 1 ,121 2,607
DescripciónDestino(2) COMPRA DE MAQUINARIA Y
,900 ,631 2,035 1 ,154 2,460
EQUIPO
DescripciónDestino(3) COMPRA MUEBLES Y ENSERES ,990 ,739 1,798 1 ,180 2,692
DescripciónDestino(4) DESTINO MIXTO ,042 ,850 ,002 1 ,961 1,043
DescripciónDestino(5) INVERSION FIJA O ACTIVOS FIJOS
-16,479 3101,635 ,000 1 ,996 ,000
Constante -3,276 ,332 97,585 1 ,000 ,038
a. Variables especificadas en el paso 1: ClienteAntiguo.

b. Variables especificadas en el paso 2: ZonaBogota.

c. Variables especificadas en el paso 3: clienteExperienciafinanciera.

d. Variables especificadas en el paso 4: Agrupacion.

e. Variables especificadas en el paso 5: UtilidadNet.

 Codificaciones de variables categóricas

Codificación de parámetro

Frecuencia (1) (2) (3) (4) (5) (6) (7) transformacion de la variable manual
ZonaBogota 1,00 16 1,000 0,000 0,000 0,000 0,000 0,000 0,000 utilidad neta 1,0 >1905000
2,00 35 0,000 1,000 0,000 0,000 0,000 0,000 0,000 2,0 <=1905000
3,00 43 0,000 0,000 1,000 0,000 0,000 0,000 0,000
4,00 46 0,000 0,000 0,000 1,000 0,000 0,000 0,000 ZonaBogota 1,0 Bogotá Suroccidental
5,00 48 0,000 0,000 0,000 0,000 1,000 0,000 0,000 2,0 Bogotá Chapinero
6,00 340 0,000 0,000 0,000 0,000 0,000 1,000 0,000 3,0 Bogotá Occidental
7,00 348 0,000 0,000 0,000 0,000 0,000 0,000 1,000 4,0 Bogotá Nororiental
8,00 1229 0,000 0,000 0,000 0,000 0,000 0,000 0,000 5,0 Bogotá Centro
Descripción Destino CAPITAL 996 1,000 0,000 0,000 0,000 0,000 6,0 Bogotá Eje Industrial
COMPRA D 543 0,000 1,000 0,000 0,000 0,000 7,0 Bogotá Suroriental
COMPRA M 114 0,000 0,000 1,000 0,000 0,000 8,0 Bogotá Noroccidental
DESTINO 127 0,000 0,000 0,000 1,000 0,000
INVERSIO 153 0,000 0,000 0,000 0,000 1,000
MEJORAS 172 0,000 0,000 0,000 0,000 0,000
Agrupacion Comercia 585 1,000 0,000 0,000
Industri 226 0,000 1,000 0,000
No Repor 743 0,000 0,000 1,000
Servicio 551 0,000 0,000 0,000
ValorSolicitado 1,00 544 1,000 0,000
2,00 301 0,000 1,000
3,00 1260 0,000 0,000
clienteExperienciafi N 571 1,000
nanciera
S 1534 0,000
UtilidadNet 1,00 1053 1,000
2,00 1052 0,000
ClienteAntiguo N 1164 1,000
S 941 0,000