Herramienta para el Análisis de la Cartera
Esta publicación se realizó en colaboración con:
2
PRÓLOGO El suministro de los medios para que las mujeres logren su propia seguridad económica ha estado siempre en el centro de la misión de WWB, desde que se estableció la organización hace más de 30 años. Trabajamos con los miembros de la red para crear enfoques innovadores para la provisión de productos de crédito, ahorro y seguros, específicamente diseñados para las necesidades singulares de las mujeres, y para extenderlos a otros miembros de la red y socios. Esta labor se basa en un compromiso con nuestras instituciones asociadas para el desarrollo de sus capacidades. Dada la diversidad de las instituciones dentro de nuestra red, el desarrollo institucional puede adoptar muchas formas. Puede consistir en ayudar a ampliar la capacidad de mercadeo, capacitar al personal o fortalecer los sistemas internos. Una de las formas más amplias de desarrollo de las capacidades de WWB es a través de la participación de prácticas óptimas y lecciones aprendidas. WWB ha desempeñado un papel principal en el desarrollo de la capacidad financiera de instituciones enfocadas hacia las mujeres, suministrándoles capacitaciones y talleres de trabajo personalizados, así como a través de la elaboración de cajas de herramientas para el estudio individual. A medida que la industria continúa cambiando su enfoque hacia la comprensión de las necesidades de los clientes y hacia dirigirse de manera más efectiva a segmentos específicos, es esencial para la gerencia comprender el desempeño de una institución en función de los datos. Numerosas IMF están recopilando una cantidad significativa de información, pero muy pocas están analizando los datos o utilizándolos de manera efectiva para proporcionar información para la toma de decisiones de la gerencia. Más allá de los datos estrictamente financieros, a medida que el desempeño social continúa convirtiéndose en una prioridad en el sector, es importante que las IMF utilicen los datos para analizar su cumplimiento de la misión. Esta caja de herramientas puede ayudar a la gerencia a tomar mejores decisiones acerca de las metodologías crediticias, la calidad de la cartera, las políticas de crédito, así como a comprender la sostenibilidad de ciertos productos y a analizar el desempeño frente a la misión. Esta caja de herramientas forma parte de una serie de 5 volúmenes de cajas de herramientas para la optimización del desempeño, acerca de temas que incluyen la valuación del capital, la administración del riesgo financiero, la optimización de la estructura de capital, la administración de efectivo y el análisis de la cartera. Esta serie se elaboró como respuesta a la demanda por parte de los miembros de nuestra red, de contar con herramientas prácticas que pudieran aplicar en sus instituciones. Se están suministrando las capacitaciones correspondientes a la red para asegurarse que estas instituciones disponen de las herramientas financieras que apoyan las soluciones innovadoras que están implementando, con el fin de expandir los servicios financieros para las mujeres y las jóvenes. Desearía agradecer a la Corporación Andina de Fomento (CAF) y a Moody’s Foundation el haber hecho posible esta publicación. Esperamos que les sea de utilidad. Mary Ellen Iskenderian, Presidenta y gerente general de Women’s World Banking
AGRADECIMIENTOS Women’s World Banking desearía agradecer a Micro Service Consult, y en particular a Hugh Sinclair y Ken Liffiton, el apoyo brindado que ha hecho posible esta publicación. También deseamos agradecer su apoyo a los voluntarios de Moody’s que han colaborado en el desarrollo y la revisión de parte del contenido. Numerosos miembros del personal de WWB han contribuido a este documento: Jaclyn Berfond, CJ Juhasz, Ines Marino, Rebecca Ruf, Rayme Samuels y Julie Slama, así como la consultora Laura Cobos y la voluntaria Laura Levenstein.
INDICE DEL CONTENIDO CAPÍTULO 1: ¿QUÉ ES EL ANÁLISIS DE LA CARTERA?........................................................... 11 El Sistema de Información Gerencial (SIG)............................................................................ 11 El valor de los datos en una IMF.............................................................................................12 Los beneficios de una gestión proactiva de la cartera.........................................................14 Panorama del proceso y los objetivos del Análisis de la Cartera .......................................15 Quién debe utilizar la herramienta.........................................................................................16 Qué contiene la herramienta..................................................................................................16
CAPÍTULO 2: QUÉ SE DEBE ANALIZAR Y COMPRENSIÓN DE LAS RELACIONES CAUSALES............................................................................................... 18 La misión y la visión de la IMF................................................................................................19 Ejercicio 2.1: ..................................................................................................................21 Variables mensurables...........................................................................................................21 Factores adicionales...............................................................................................................21 El mercado de la IMF...............................................................................................................21 Variables mensurables...........................................................................................................22 Factores adicionales...............................................................................................................23 La metodología de la IMF........................................................................................................23 Variables mensurables...........................................................................................................24 Factores adicionales...............................................................................................................24 Calidad de la cartera................................................................................................................25 Selección de las variables que se van a medir......................................................................28 Relaciones causales entre variables ......................................................................................29 Ejercicio 2.2.................................................................................................32 Un comentario sobre el análisis de serie de tiempo.............................................................32 Resumen...................................................................................................................................33 Ejercicio 2.3.................................................................................................34
CAPÍTULO 3: PREPARACIÓN Y PLANIFICACIÓN PARA EL ANÁLISIS DE LA CARTERA .................................................................................................... 35 Etapa 1: Formación del equipo ..............................................................................................35 Etapa 2: Evaluación de la capacidad institucional ...............................................................37 Etapa 3: Elaboración de un plan de acción............................................................................38 Próximos pasos........................................................................................................................40
3
CAPÍTULO 4 – RECOPILACIÓN Y VALIDACIÓN DE DATOS..................................................... 41 Preparándose...........................................................................................................................41 El SIG y la calidad de los datos ............................................................................................41 El Equipo del SIG y la comunicación ..................................................................................43 Campos de datos disponibles...............................................................................................44 Coordinación de la extracción de datos...............................................................................44 Paso 1: Extraer datos del SIG..................................................................................................45 Paso 2: Organizar los datos en Excel......................................................................................45 Paso 3: Limpiar los datos........................................................................................................46 Sección avanzada: valores atípicos..................................................................................48 Paso 4: Validar los datos..........................................................................................................49 Paso 5: Categorizar los datos para agilizar el proceso de análisis......................................50 Resumen...................................................................................................................................53
CAPÍTULO 5 – RETOS EN CUANTO AL ANÁLISIS DE DATOS Y SUS SOLUCIONES........................................................................................................ 54 Problema 1 del análisis de datos: Tamaño de la muestra.....................................................55 Tema avanzado – Por qué 30 observaciones son la regla práctica ...............................56 Problema 2 del análisis de datos: Multicolinealidad............................................................56 Tema avanzado: Otros métodos para abordar la multicolinealidad.............................59 Problema 3 del análisis de datos: Correlación versus causalidad.......................................60 Tema avanzado – Causalidad a lo largo del tiempo ......................................................65 Problema 4 del análisis de datos: sesgo previo a la prueba.................................................65 Problema 5 del análisis de datos: Minería de datos.............................................................68 Pregunta para el análisis ..................................................................................................70 Problema 6 del análisis de datos: variables no estacionarias..............................................70 Tema avanzado – Retos del análisis de variables no estacionarias...............................71 Resumen de los problemas del análisis de datos.................................................................71 Ejercicio 5.1........................................................................................................................72
CAPÍTULO 6: ANÁLISIS INICIAL.................................................................................................. 74 Cálculo de estadísticas básicas y control de errores............................................................74 Introducción a las tablas dinámicas ......................................................................................76 Elaboración de tablas dinámicas para los análisis iniciales.................................................76 Interpretación de cada análisis inicial....................................................................................83 Preparación para la puesta a prueba de las hipótesis..........................................................86
CAPÍTULO 7: PUESTA A PRUEBA DE HIPÓTESIS..................................................................... 87 El ciclo de la hipótesis.............................................................................................................89 Paso 1: Definir el problema que se va a abordar ..................................................................90
4
Paso 2: Formular una hipótesis...............................................................................................90 Paso 3: Elaborar una prueba...................................................................................................91 Paso 4: Analizar los datos .......................................................................................................92 Importancia de los resultados...............................................................................................93 Paso 5: Continuar el análisis ..................................................................................................93 Paso 6: Sacar una conclusión o repetir el ciclo ....................................................................94 Paso 7: Resumir los resultados...............................................................................................95 Métodos avanzados de análisis.............................................................................................95 Método 1: Análisis de variables dobles discretas................................................................95 Tema avanzado: Análisis con tres variables discretas..................................................100 Método 2: Análisis acumulativo de variables dobles continuas .....................................100 Método 3: Análisis de la cartera en riesgo por antigüedad de los clientes..................... 103 Resumen................................................................................................................................. 107
CAPÍTULO 8: ANÁLISIS DE ESCENARIOS .............................................................................. 108 Caso 1: Una IMF de Centroamérica que sufre una elevada y continua cartera en riesgo y castigos ............................................................................. 108 Caso 2: Una IMF de Africa con importantes variaciones de género................................. 109 Caso 3: Una IMF asiática mediana con una elevada cartera en riesgo ........................... 109 Aplicación del análisis del escenario a decisiones potenciales......................................... 110 Limitaciones del análisis del escenario ............................................................................. 111 Escenario 1: Impacto del género sobre la cartera en riesgo mayor a 30 días................. 111 Escenario 2: Impacto sobre la cartera en riesgo mayor a 30 días de los cambios en la combinación de rural/urbano Y sector ............... 114 Conclusión.............................................................................................................................. 117 Ejercicio 8.1...................................................................................................................... 117
CAPÍTULO 9: PRESENTACIÓN DE SUGERENCIAS................................................................. 118 Paso 1: Resumir las sugerencias y resolver las contradicciones....................................... 118 Paso 2: Considerar el contexto de la IMF ............................................................................ 119 Los planes futuros de la IMF............................................................................................... 119 Factores del mercado...........................................................................................................121 Misión y visión.....................................................................................................................122 Paso 3: Establecer prioridades y preseleccionar las sugerencias......................................122 Paso 4: Presentar las sugerencias de manera clara y concisa ...........................................123 Ejemplos en la práctica ........................................................................................................124 Una IMF grande de Sudamérica con una elevada cartera en riesgo y deserción de clientes ..........................................................................124 Equilibrio de la cartera en riesgo, la misión, las tasas de interés y las necesidades del inversor ..........................................................................126
5
CAPÍTULO 10: TOMA DE DECISIONES, IMPLEMENTACIÓN Y PUESTA A PRUEBA DE LOS RESULTADOS................................................................................................................................ 129 Etapa 1: Tornar las sugerencias del análisis en decisiones de la gerencia........................131 Revisión conjunta con la gerencia superior.......................................................................131 Evaluación de las sugerencias por parte de la gerencia del nivel superior ....................131 Selección de decisiones y alcance del cambio para cada una ........................................131 Etapa 2: Elaborar un plan de implementación de las decisiones......................................132 Elementos clave del plan.....................................................................................................132 Consideraciones en cuanto al personal ............................................................................134 Consideraciones operativas................................................................................................136 Etapa 3: Lanzar la implementación......................................................................................138 Etapa 4: Administrar y supervisar los resultados – la revisión a tres meses....................138 Métrica a supervisar: Datos del SIG...................................................................................139 Métrica a supervisar: Retroalimentación del personal y los clientes..............................139 Interpretación de la métrica................................................................................................139 Manejo de las expectativas ................................................................................................140 Etapa 5: Ajustar y extender el plan – la revisión a los seis meses.....................................140 Etapa 6: Repetir el proceso anualmente .............................................................................141
CAPÍTULO 11: CONCLUSIÓN...................................................................................................... 142 Más allá de la herramienta....................................................................................................143 Extensiones técnicas............................................................................................................143 Resumen.................................................................................................................................144
APÉNDICE 1: GLOSARIO............................................................................................................. 145 Datos vs. variables.................................................................................................................146
APÉNDICE 2: CÓMO CREAR Y UTILIZAR TABLAS DINÁMICAS.......................................... 148 APÉNDICE 3: ENLACES PARA INFORMACIÓN ADICIONAL................................................. 155 Teoría y términos econométricos.........................................................................................155 Herramienta de software: Crystal Reports..........................................................................156 Gestión de proyectos.............................................................................................................156
APÉNDICE 4: CLAVE DE SOLUCIONES PARA EJERCICIOS................................................... 157 APÉNDICE 5 – TEMAS AVANZADOS........................................................................................ 158 Serie de Tiempo .....................................................................................................................158 Análisis de Regresión............................................................................................................158 Análisis de Regresión Lineal.................................................................................................159 Conclusión..............................................................................................................................162
6
APÉNDICE 6: CASO DE ESTUDIO DEL ANÁLISIS DE LA CARTERA: BANCO DE LA MUJER................................................................................. 163 Capítulo 1: Introducción........................................................................................................163 Banco de la Mujer: una IMF de éxito en un punto decisivo.............................................163 Capítulo 2: Preparación del conjunto de datos de Excel ...................................................165 Extracción de datos..............................................................................................................165 Limpieza de datos ...............................................................................................................166 Organización de datos ........................................................................................................170 Ejercicio............................................................................................................................175 Capítulo 3: Cálculos preliminares.........................................................................................176 Capítulo 4: Análisis inicial......................................................................................................179 Ejercicio............................................................................................................................180 Género...................................................................................................................................181 Los hallazgos clave del equipo........................................................................................181 Observaciones iniciales....................................................................................................181 Preguntas de Banco de la Mujer para un análisis adicional .........................................181 Edad ......................................................................................................................................181 Los hallazgos clave del equipo........................................................................................181 Observaciones iniciales....................................................................................................182 Preguntas de Banco de la Mujer para un análisis adicional..........................................182 Agencia y agente de crédito ...............................................................................................183 Los hallazgos clave del equipo........................................................................................183 Observaciones iniciales....................................................................................................183 Preguntas de Banco de la Mujer para un análisis adicional..........................................183 Frecuencia de pago..............................................................................................................184 Los hallazgos clave del equipo........................................................................................184 Observaciones iniciales....................................................................................................184 Preguntas de Banco de la Mujer para un análisis adicional..........................................185 Plazo del préstamo ..............................................................................................................185 Los hallazgos clave del equipo........................................................................................185 Observaciones iniciales....................................................................................................186 Preguntas de Banco de la Mujer para un análisis adicional..........................................186 Rural versus urbano ............................................................................................................187 Los hallazgos clave del equipo........................................................................................187 Observaciones iniciales....................................................................................................187 Preguntas de Banco de la Mujer para un análisis adicional..........................................187
7
Producto de crédito .............................................................................................................188 Los hallazgos clave del equipo........................................................................................188 Observaciones generales..................................................................................................188 Preguntas de Banco de la Mujer para un análisis adicional..........................................188 Sector ...................................................................................................................................189 Los hallazgos clave del equipo........................................................................................189 Observaciones iniciales....................................................................................................189 Nivel de Pobreza ..................................................................................................................190 Los hallazgos clave del equipo........................................................................................190 Observaciones iniciales....................................................................................................191 Preguntas de Banco de la Mujer para un análisis adicional..........................................191 Tamaño del préstamo .........................................................................................................192 Los hallazgos clave del equipo .......................................................................................192 Observaciones iniciales ...................................................................................................192 Preguntas de Banco de la Mujer para un análisis adicional..........................................192 Ciclo de préstamos ..............................................................................................................193 Los hallazgos clave del equipo........................................................................................193 Observaciones iniciales ...................................................................................................193 Preguntas de Banco de la Mujer para un análisis adicional..........................................194 Capítulo 5: Puesta a prueba de hipótesis, ciclo núm. 1 – cartera en riesgo......................195 Cartera según la edad del cliente, por género ..................................................................195 Cartera en riesgo por edad y género .................................................................................196 Edad versus género .............................................................................................................197 Cartera en riesgo por sector y género................................................................................199 Cartera en riesgo por género y producto de crédito.........................................................201 Cartera en riesgo por edad y tamaño del préstamo.........................................................202 Análisis acumulativo de la cartera en riesgo por edad ....................................................204 Resumen de los resultados de la cartera en riesgo...........................................................205 Capítulo 6: Puesta a prueba de hipótesis, ciclo núm. 2 – Desempeño social..................206 Sectores por clientes urbanos/rurales...............................................................................206 Agencias– urbanas vs. rurales.............................................................................................208 Producto de crédito y sector por índice de pobreza......................................................... 210 Indice de pobreza por agencia............................................................................................ 211 Resumen de los resultados del desempeño social ..........................................................212 Capítulo 7: Puesta a prueba de hipótesis, ciclo núm. 3 – Costos operativos...................213 Número de clientes por agente de crédito.........................................................................214 Frecuencia de pago de los préstamos................................................................................215 Resumen de los resultados de los costos operativos.......................................................216
8
Capítulo 8: Análisis de escenarios .......................................................................................220 Ejercicio ...........................................................................................................................221 Capítulo 9: Preparación del informe ....................................................................................222 Seguimiento de preguntas persistentes............................................................................222 Preparándose........................................................................................................................223 Etapa 1: Descripción del proceso........................................................................................226 Etapa 2: Presentación de temas delicados.........................................................................226 Etapa 3: Decidiendo qué conclusiones presentar..............................................................230 El informe del equipo del proyecto para la gerencia del nivel superior de Banco de la Mujer.............................................................230 Ejercicio .........................................................................................................................235 Capítulo 10: Paso a la acción.................................................................................................236 Decidiendo qué sugerencias implementar........................................................................236 Estructurando la ejecución..................................................................................................236 Conclusión............................................................................................................................237 Postdata................................................................................................................................238
9
10
CAPÍTULO 1: ¿QUÉ ES EL ANÁLISIS DE LA CARTERA? Los gerentes de las instituciones microfinancieras (IMF) deben tomar una serie de decisiones en el curso de la gestión y el desarrollo de su IMF: qué clientes designar como objetivo, qué productos ofrecer, cuál es la mejor manera de utilizar su capital, cómo asegurar el pago y cuánto riesgo es el adecuado. Todas éstas son preguntas que permiten a una IMF administrar de manera efectiva su cartera de préstamos. La información se filtra a través de varios niveles de una IMF, por lo que a los gerentes les resulta difícil mirar en el interior de la cartera y utilizar dicha información para tomar decisiones que mejoren el desempeño de la organización y apoyen las necesidades de sus clientes. Al revisar el desempeño de una IMF, se debe considerar no sólo su desempeño financiero, sino también su cumplimiento de la misión, la capacidad para prestar servicio a su base de clientes y la capacidad para asignar capital de manera que se logren los objetivos anteriores con un nivel de riesgo que sea manejable. La toma de decisiones sin el beneficio del análisis de la cartera equivale a que una IMF trate de conducir un automóvil de noche, por una carretera desconocida y sin la ayuda de la luz de los faros. Aunque es importante la destreza del conductor, sin una clara visión los problemas son inevitables. La iluminación permite a un buen conductor completar el viaje sin problemas. El análisis de la cartera ayuda a las IMF a iluminar el camino que van a seguir, suministrándoles conocimientos acerca del desempeño de la organización, que se basan en datos rigurosos y permiten a la IMF predecir el impacto potencial de diferentes decisiones sobre la cartera. Esto ayuda a los gerentes de las IMF y al personal a adoptar un enfoque más proactivo en cuanto a la administración de la cartera, a fin de lograr la misión de la organización. Este análisis también ayuda a las agencias de calificación y a los inversores a entender mejor a la IMF.
El Sistema de Información Gerencial (SIG) La clave para el análisis de la cartera es el SIG de la IMF, el cual contiene valiosa información que puede ayudar en la toma de decisiones. El valor de dicha información a menudo no se comprende o no se aprovecha en su totalidad. Esta herramienta demostrará cómo extraer esta información, tomar decisiones basadas en ella e implementar mejoras como resultado de esto. Los beneficios de la toma de decisiones basada en los datos pueden incluir la reducción de costos, un posicionamiento más competitivo, un mejor enfoque hacia los clientes designados como meta y el cumplimiento de la misión de la organización. Aunque los datos se originan sobre el terreno, numerosas decisiones se toman en la oficina central de una IMF; sin embargo, el flujo de información del personal de campo a la gerencia del nivel superior es generalmente indirecto y a menudo incompleto. Quien mejor conoce la mayor parte de la información acerca del cliente es un agente de crédito, pero sólo un subconjunto de estos datos se introduce en el SIG. Los gerentes del nivel superior supervisan después la salud de la cartera y toman decisiones basadas en limitadas comunicaciones de campo e informes del SIG, elaborados tan solo a partir de una parte de los datos disponibles. 11
El análisis de la cartera mejora la calidad y la cantidad de la información que fluye desde la base hasta la cima de la IMF, permitiendo a la IMF tomar mejores decisiones. Las entradas de esta herramienta son los datos de campo y el producto es el conocimiento que apoya la toma de decisiones: Datos
Información
Conocimiento
Toma de Decisiones
Los efectos del proceso de análisis de la cartera facilitan una amplia gama de resultados. El resultado inicial es la mejora del conocimiento de la cartera: información del cliente, tasas de reembolso y el desempeño relativo de ciertos productos financieros, sucursales o regiones. Un análisis más profundo revelará dónde se origina el riesgo en el cartera y cómo mitigarlo, así como si una IMF está llegando a su audiencia meta y logrando su misión. Esto permite a la gerencia evaluar los resultados de las decisiones, para comprender el entorno en el que operan de manera más detallada y entender dónde pueden mejorarse la estructura y las prácticas de la organización. Ayuda a los gerentes de las IMF a trabajar hacia un objetivo clave de las instituciones financieras a lo largo de la historia: conocer a su cliente.
El valor de los datos en una IMF Los datos contenidos en un SIG pueden arrojar luz no solo acerca de las características de la cartera (número de clientes, extensión geográfica, información de productos, etc.), sino también acerca de las relaciones entre estas variables y las posibles causas de los cambios en el negocio de la IMF. Esto se explicará detalladamente más adelante, pero vamos a considerar algunos ejemplos básicos. Fenómeno
Observación en SIG
Desviación de la misión
•
•
12
Preguntas que deben hacerse
Tamaños de • los préstamos y enfoque geográfico de la IMF inconsistentes con la misión Clientes reales difieren de los clientes deseados
¿Se están otorgando préstamos de mayor tamaño a los clientes que están pasando al siguiente ciclo de préstamos o a los nuevos clientes?
•
¿Cuál es el desglose de clientes urbanos/rurales por región?
•
¿Quiénes son los clientes reales?
Posibles acciones •
Definir la misión de manera precisa
•
Ajustar los tamaños de los préstamos y su progresión
•
Suministrar incentivos a los agentes de crédito para que tengan como meta a los clientes deseados
•
Revisar los criterios de selección de clientes
Fenómeno
Observación en SIG
Deserción de • clientes
•
Descenso en el número promedio de ciclos de préstamos
Preguntas que deben hacerse
Posibles acciones
•
¿Qué clientes están desertado la IMF?
•
•
¿Hay productos crediticios específicos, • que están sufriendo unas tasas de deserción más elevadas? • ¿Cuáles son los tipos de negocios de los clientes • que desertan la IMF?
Dependencia creciente de nuevos clientes •
Incremento de la cartera en riesgo
•
Crecientes impagos y castigos de cartera
Proyecta abrir una nueva sucursal o lanzar nuevo producto
•
Desempeño de sucursales/ productos
•
Análisis regional
Elevados costos operativos
•
Discrepancias en los costos por cliente
•
Creciente número de castigos
Creciente competencia por parte de otras IMF
Modificar, agregar o eliminar productos crediticios Enfocar la atención hacia ciertos sectores/tipos de negocios de clientes Revisar el programa de incentivos Mejorar el servicio al cliente
•
¿Es el incremento en la cartera en riesgo temporal o permanente?
•
Enfocar las prácticas de cobro de la deuda hacia adecuados plazos, clientes o regiones
•
¿Qué clientes/regiones/ sectores son los más propensos a la cartera en riesgo?
•
Cambiar los clientes designados como meta, teniendo en cuenta la misión de la IMF
•
¿Están los clientes utilizando ciertos productos hasta sus límites actuales?
•
Adecuar el diseño de productos crediticios a los deseos de los clientes
•
¿Favorecen a la IMF ciertas características regionales?
•
Comprender las diferencias regionales para la apertura de sucursales
•
¿Existen maneras de reducir el costo por préstamo, sin ignorar a los clientes meta?
•
Modificar los plazos de los préstamos o las operaciones para reducir costos
•
¿Cuáles son las • características comunes de los castigos (región, cliente, sector, etc.)?
Identificar y evitar áreas “problemáticas”
•
Dar un nuevo enfoque al mercadeo
•
Ajustar los precios o la diversidad de productos crediticios
•
Competir en la calidad del servicio, el alcance, etc.
•
Creciente deserción de clientes
•
¿Dónde se halla la competencia más agresiva?
•
Menor número de clientes utiliza ciertos productos crediticios
•
¿Qué productos crediticios se ven más afectados por la competencia?
Esta tabla no es exhaustiva, pero suministra ejemplos de dónde los datos perceptibles pueden arrojar luz acerca de un problema subyacente. El análisis de los datos puede empoderar a la gerencia para que sepa dónde, cómo y por qué está ocurriendo un problema y haga algo para resolverlo. Esta información informa al encargado de tomar las decisiones.
13
Los beneficios de una gestión proactiva de la cartera Generalmente una cartera de préstamos constituye el 80 por ciento de toda la base de activos de una IMF. Esta fuente diversificada de activos cambia dinámicamente a lo largo del tiempo, con un elemento de incertidumbre que no se puede controlar, pero en su lugar se puede administrar. La información contenida en la base de datos del SIG arroja luz sobre las características de los activos individuales (ej. préstamos para clientes) y también identifica las causas de los problemas, y permite una medición más precisa del desempeño. Tal y como se mencionó, el objetivo último es la mejora de la toma de decisiones pero, ¿qué significa esto en la práctica? Esta herramienta ayudará a las IMF a: 1. Identificar las fuentes de riesgo, mitigarlas y mejorar así la calidad de la cartera. 2. Analizar el cumplimiento de la misión e identificar áreas de posible desvío de la misión. 3. Mejorar el enfoque hacia el cliente meta y el mercadeo, a través de una comprensión más profunda de las características específicas del cliente y las causas de su deserción. 4. Comprender el desempeño relativo de las regiones/sucursales y del personal, para asignar recursos de manera eficiente. 5. Mejorar los sistemas de calificación del crédito (si corresponde), identificando tendencias en las actuales características de los clientes y las tasas de reembolso correspondientes. 6. Comprender la adecuación de los productos de crédito/ahorro a grupos específicos de clientes y mejorar así la calidad del servicio y la retención de clientes. 7. Analizar y elaborar reportes con información más exhaustiva acerca del desempeño socioeconómico. 8. Identificar rápidamente los problemas en la cartera, permitiendo tiempos de respuesta más rápidos y costos operativos reducidos, y eventuales castigos. 9. Utilizar una comprensión más profunda de la cartera de la propia IMF para obtener conocimientos acerca de las carteras y las estrategias de los competidores1. 10. Predecir mejor el probable impacto de un evento externo sobre la cartera y actuar en consecuencia. Estas son tan solo unas pocas de las posibles ventajas de la gestión proactiva de la cartera y cada IMF descubrirá beneficios adicionales, específicos para su propio contexto. Sin embargo, en este capítulo introductorio es importante señalar que estos beneficios son mucho más amplios que 1 tulo 9.
14
Una aplicación quizá imprevista del análisis de la cartera, que se analiza con mayor detalle en el Capí-
simplemente reducir la cartera en riesgo o medir mejor métricas específicas, tales como aquellas relacionadas con el desempeño social. El proceso no depende de una investigación de mercado o entrevistas, basadas en trabajo de campo, que sean caras y prolongadas, sino del análisis de la información ya manejada por la IMF, de manera más productiva.
Panorama del proceso y los objetivos del Análisis de la Cartera El objetivo amplio de esta herramienta consiste en mejorar las operaciones de la IMF de una manera integral, puesto que generalmente el rol de la gerencia no consiste sólo en minimizar la cartera en riesgo, ni sólo prestar servicio a las personas de bajos ingresos, ni sólo maximizar el tamaño de la cartera o la rentabilidad. Más bien, los gerentes efectivos de IMF optimizan el nivel general de desempeño – comprenden que su objetivo consiste en lograr el mayor éxito posible, a pesar de que no todos los objetivos pueden cumplirse en un 100 por cien. Este proceso debe incluir dos pasos iniciales: • Comprender los objetivos de una IMF • Obtener los datos requeridos para evaluar cómo se están logrando estos objetivos La herramienta permitirá a la IMF evaluar su éxito en cuanto al logro de su misión establecida y mejorar la compatibilidad entre las características de los productos crediticios y las necesidades de los clientes. Los inversores, patrocinadores y agencias de calificación agradecerán un análisis más riguroso de la cartera y los informes que la acompañan. Mientras tanto, los datos generados son directamente útiles para los modelos de calificación del crédito y los estudios del desempeño social. A través del proceso de análisis, la IMF comprenderá más detalladamente quiénes son sus clientes realmente; dónde viven; lo que hacen; en qué sectores operan; qué productos crediticios son adecuados para qué clientes; qué regiones de la cartera están expuestas a unos niveles más elevados de riesgo; y las causas probables de la deserción y la morosidad. A la inversa, el proceso descubrirá áreas en las que los datos no están disponibles para hacer dichas mediciones y que deben captarse pronto para analizarlos en una fecha posterior. También proporcionará un panorama general de la calidad general de los datos que tiene la IMF y la eficacia del programa informático y del personal del SIG. La herramienta no es una “panacea”, sino una herramienta para ayudar a la gerencia. Revelará áreas con una elevada cartera en riesgo, por ejemplo, pero la IMF no podrá eliminarla (ni debe tratar de hacerlo). La IMF puede tomar medidas para reducir la cartera en riesgo, pero dichos pasos deben estar de acuerdo con el enunciado de la misión. La calidad de la toma de decisiones está determinada en parte por la calidad de los datos disponibles para tomar una decisión informada, pero el encargado de tomar las decisiones es responsable en última instancia, de la decisión tomada. La primera vez que un gerente de la IMF utilice esta herramienta, puede parecerle complicada, llevar significativo tiempo y un equipo de múltiples departamentos para implementar sus componentes adecuadamente. Afortunadamente, una vez que se ha completado el proceso inicial de análisis, se pueden optimizar los siguientes análisis hasta cierto punto. Estos análisis deben realizarse detalladamente por lo menos una vez al año, de acuerdo con el calendario de la toma de decisiones de alto nivel de la IMF, y más frecuentemente con menor detalle para hacer un seguimiento de las tendencias o responder a problemas urgentes, específicos. 15
La aplicación periódica del proceso de la herramienta suministrará una serie de instantáneas a lo largo del tiempo, que la IMF puede utilizar para monitorear tendencias y evaluar cambios y causas potenciales en el desempeño de la cartera. La herramienta está diseñada para utilizar programas que están fácilmente disponibles en la mayoría de las IMF, tal como Microsoft Excel. Por lo tanto, el proceso no incluye un análisis de regresión formal o un análisis de la serie de tiempo completa, que requiere un programa informático especializado, tal como SPSS. No obstante, la herramienta sienta las bases para utilizar técnicas analíticas más sofisticadas y especializadas. Las IMF que utilicen la herramienta deben tener en cuenta que puesto que el análisis se realiza sin un experimento de control, como en el caso de muchos estudios del impacto, será difícil medir de manera precisa el impacto de un cambio operativo. Además, la herramienta proporcionará una guía paso a paso de cómo realizar el análisis, pero el sentido común y la intuición desempeñan un importante rol como experiencia técnica. Por último, al igual que en el caso de cualquier herramienta, ésta puede utilizarse de manera productiva o destructiva. El usuario debe tener en cuenta que las conclusiones obtenidas del proceso de Análisis de la Cartera deben verificarse, ponerse a prueba, cruzarse y compararse con un conocimiento más amplio del entorno operativo. Se describirán en detalle ejemplos de dónde se pueden sacar conclusiones potencialmente falsas, junto con sugerencias de cómo evitar dichas trampas.
Quién debe utilizar la herramienta La herramienta está diseñada para las IMF que buscan una comprensión más completa de sus carteras. El proceso se extiende a lo largo de gran parte de la organización, requiriendo la participación de la gerencia del nivel superior, el personal de operaciones y del SIG, y el personal de campo. Un equipo típico de planificación y de implementación contará al menos con las siguientes personas: • Un miembro del equipo de la gerencia del nivel superior, normalmente el gerente de crédito u operaciones • Un agente de crédito con experiencia • Un supervisor de campo o gerente de sucursal • Un miembro del departamento del SIG, normalmente el gerente de éste
Qué contiene la herramienta Este conjunto de herramientas consta de dos partes: (1) una guía de auto-estudio (titulado Guía de Auto-estudio_herramienta del análisis de la cartera) la cual incluye los conceptos teóricos más importantes, y (2) un caso de estudio (titulado Caso de Estudio de Banco de la Mujer) que ilustra los pasos y procesos prácticos del Análisis de la Cartera de una organización ficticia. La guía también cuenta con una hoja de cálculo Excel: (1) un archivo titulado “Datos 16
No Procesados”, el cual el lector utilizará en la guía de auto-estudio para completar los ejercicios y ejemplos, y (2) “Datos Caso de Estudio Banco de la Mujer “ que incluye el análisis completo de la cartera utilizado para el caso de estudio de Banco de la Mujer. Más específicamente, el conjunto de herramientas tienen la siguiente estructura: Tema
Capítulos
Descripción
Cuestiones teóricas
2y 5
El capítulo 2 ayuda a la IMF a revisar qué datos estará analizando y a comenzar a entender la importancia de las relaciones causales. El capítulo 5 estudia diferentes retos que puede afrontar la IMF al llevar a cabo el análisis y sugiere formas de evitar dichos problemas.
Preparándose
3y4
Estos capítulos describen el proceso de preparación para el análisis de la cartera, el Capítulo 3, en gran medida desde un punto de vista gerencial y el Capítulo 4, desde un punto de vista técnico.
Haciendo el análisis
6y 7
Aquí esbozamos los pasos para el análisis de la cartera, cubriendo el análisis básico en el Capítulo 6 y el análisis avanzado en el Capítulo 7.
Implementando las decisiones
9 y 10
Tras haber completado el análisis, el personal de la IMF deberá presentar sugerencias de cambios en los productos, procedimientos, etc. y luego realizar la implementación de estos cambios.
Conclusión
11
Extensiones de la herramienta y resumen.
Un ejemplo de análisis de la cartera en acción
Documento de Caso de Estudio + pestaña de Excel
El caso de la IMF ficticia, Banco de la Mujer, ilustra el proceso de análisis de la cartera. El documento cuenta la historia del proceso y los retos afrontados por el personal de Banco de la Mujer, mientras que la hoja de Excel contiene los datos completos de la cartera de Banco de la Mujer, junto con todos los análisis realizados por Banco de la Mujer en el Caso de Estudio.
17
CAPÍTULO 2: QUÉ SE DEBE ANALIZAR Y COMPRENSIÓN DE LAS RELACIONES CAUSALES Este capítulo utiliza varios términos que, si no se entienden, pueden alterar esencialmente la comprensión de la herramienta por parte del lector. Se recomienda al lector que consulte el glosario (Apéndice 1) antes de continuar, especialmente para la diferencia entre “datos” y “variables”, así como la distinción entre “correlación” y “causalidad”. En el transcurso de sus operaciones, una IMF capta variada información acerca de su cartera, los prestatarios y otros datos, que ayuda al funcionamiento del negocio. Idealmente esta información se recopila utilizando reglas consistentes y se guarda en el SIG de la IMF. Esta herramienta utilizará una serie de variables que la IMF capta a diario en el desarrollo de sus actividades. Las IMF difieren en cuanto a la amplitud de los datos que recopilan y en la manera precisa de definir y medir las variables. Ciertos datos son obligatorios, tales como los datos básicos del cliente y las cifras de la cartera en riesgo, mientras que otros datos son útiles para un análisis en mayor profundidad, tales como los datos socioeconómicos. Las variables y otros factores que influyen en la cartera, pueden dividirse en tres amplias categorías: aquellas relacionadas con la misión, el mercado, y con la metodología de la IMF. Al considerar cada una de estas categorías, la IMF puede obtener un amplio escenario de los factores que influyen en sus operaciones. Un objetivo general del análisis de la cartera de una IMF es identificar y destacar la posible causalidad – determinar qué factores causan ciertos problemas en la IMF. Es fundamental definir con cuidado cada variable causal y su resultado consiguiente. Es también importante distinguir entre la correlación, donde dos variables se mueven juntas, pero pueden no estar realmente relacionadas, y la causalidad, donde dos variables se mueven juntas y están de hecho relacionadas. Por ejemplo, podemos decir que el número de miembros del personal y el tamaño de la cartera de la IMF están correlacionados, pero no existe de hecho una causalidad. Para más detalles, véase Correlación vs. Causalidad en el Capítulo 5. Debido a que la tarea de dirigir una IMF se enfoca principalmente en la gestión del riesgo, el proceso del análisis de la cartera se dedicará también, en gran medida, a comprender las fuentes del riesgo. Existen varios aspectos de las operaciones diarias, internas, de una IMF que tienen repercusiones directas sobre el riesgo de la cartera. Aunque estos factores no siempre pueden captarse en variables (por ejemplo, los procesos organizacionales o los desastres naturales), afectarán inevitablemente a los resultados que logre la IMF en su cartera. Por lo tanto, la IMF que está realizando el análisis de la cartera debe tener en cuenta tanto las fuentes de riesgo mensurables, como las no mensurables, para considerar ambas en su análisis final. Por ejemplo, factores del país tales como el PIB per cápita o las tasas de natalidad pueden influir en el negocio de la IMF, pero no se pueden analizar utilizando el análisis de la cartera porque el valor de estas variables es el mismo para todos los clientes de la cartera. En su lugar, el proceso cuantitativo de análisis de la cartera se enfoca en variables que varían de un cliente a otro, 18
mientras que otros factores deben considerarse cualitativamente, utilizando el mejor criterio de la gerencia de la IMF. (Advierta que examinamos las diferencias entre los clientes y no los cambios a lo largo del tiempo, que requerirían un complejo análisis de la serie de tiempo. En su lugar, estamos observando una instantánea de la cartera, en un punto en el tiempo). En última instancia las IMF no pueden recopilar y analizar todos los datos posibles, sino que deben establecer prioridades y tomar decisiones basadas en los recursos disponibles. Este capítulo ayudará a las IMF a comprender qué variables pueden desear captar y a suministrar un panorama general de las relaciones causales entre las variables, que el análisis de la cartera trata de desvelar.
La misión y la visión de la IMF Antes de implementar un proyecto de Análisis de la Cartera, una IMF debe considerar los límites de su misión y visión, y cómo éstos afectan a los resultados deseados del proceso – una conclusión que resulta del proceso puede ser objetivamente correcta, pero incompatible con la misión de la organización. Aunque la función principal diaria de una IMF está en gran medida relacionada con el mantenimiento, crecimiento y desempeño de una cartera de préstamos (y de ahorros) saludable, éste no es el único propósito. Una IMF opera en un entorno complejo, con varias partes interesadas, luchando para lograr una misión establecida. Algunos aspectos de esta misión son fáciles de cuantificar, mientras que otros no lo son. Una IMF que tenga una cartera con una calidad muy pobre luchará para crecer, lograr un amplio alcance, suministrar un servicio de calidad a sus clientes o atraer a inversores y donantes. Esta calidad puede medirse de manera más exacta con estadísticas, tales como los préstamos en mora durante 30 días o más y los castigos. Aspectos de la misión de una IMF que son más difíciles de medir con una sencilla métrica incluyen conceptos acerca del grupo de clientes designado como meta: ¿cuán “pobres” son los clientes designados como meta y cómo se mide el nivel de pobreza de un cliente? Es posible que existan datos inferidos y con suerte dichos datos se incluirán en el SIG para poder medirlos. Otros aspectos de la misión de las IMF son aún más difíciles de medir. Un ejemplo es la mitigación de la pobreza. Aunque el análisis de la cartera está limitado a los datos que la IMF está captando en ese momento, se puede aplicar a cualquier observación que sea medible.
19
Es por ello esencial expresar la misión y visión de la IMF en términos tangibles y referirse a ellas constantemente a lo largo del análisis. Vamos a tomar un ejemplo de un banco de microfinanzas: “Generamos valor social y económico para nuestra comunidad al generar oportunidades para el desarrollo dentro de los segmentos de bajos ingresos de la población. Nos esforzamos por desarrollar relaciones duraderas y de confianza, contribuyendo a crear un mundo mejor”. Aunque el enunciado general de la misión, presentado en un sitio web, no suele detallar cómo se definirán y medirán estos deseos, si una IMF quiere evaluar hasta qué punto está logrando su misión, debe poder medirla. Para ello, debemos desglosar la misión aún más, por ejemplo: Componente de la misión
Preguntas que deben hacerse
Posibles variables a medir
“Valor social y económico”
¿Cómo se traduce este valor en las vidas de nuestros clientes?
Calidad de la vivienda del cliente, saldos de ahorros o nivel educativo de los hijos.
“Al generar oportunidades para el desarrollo”
¿Cómo se define el desarrollo? ¿Cómo generamos oportunidades? Por ejemplo, ¿genera el crédito de consumo dichas oportunidades?
Movilidad de los clientes a través de los ciclos de productos y captación de nuevos productos.
“Segmentos de bajos ingresos”
¿Cómo se definen los “bajos ingresos”?
Ingresos de clientes y activos en el momento de su primer préstamo.
“Relaciones duraderas y confianza”
¿Cómo podemos desarrollar éstas?
Tasas de retención de clientes, progresión de ciclos y tasas de deserción.
“Contribuir a crear un mundo mejor”
Esta es una afirmación general – ¿cómo podemos reducirla a un objetivo más claro?
Amplia prosperidad económica, cuidado de la salud, educación, etc. – aunque éstos van más allá del ámbito de esta herramienta.
Aunque posiblemente no sea fácil, la comprensión de estos factores por parte de una IMF es fundamental para usar esta herramienta con éxito, por lo que éstos deben determinarse al inicio del proyecto. Por ejemplo, en el caso del enunciado de la misión aquí analizado, es posible que los préstamos a los clientes de “bajos ingresos”, de cualquier manera que éstos se definan, puedan presentar un mayor riesgo y gasto para la IMF que los préstamos a “clientes de medianos ingresos”. Esta herramienta mediría y cuantificaría esto, pero la opción de la IMF de si cambiar o no su enfoque hacia los clientes de medianos ingresos está determinada por el enunciado de la misión. A lo largo de esta herramienta se harán repetidas referencias a la “misión y visión” de la IMF, para ayudar a la IMF a realizar las preguntas correctas acerca de su cartera y, en última instancia, a tomar decisiones que sean compatibles con la misión y la visión.
20
Ejercicio 2.1: Antes de embarcarse en cualquier análisis de la cartera, anote la misión y visión de su IMF. Desglose esto en frases o expresiones individuales. Trate de definir y cuantificar todos los términos pertinentes (tales como “bajos ingresos” u “oportunidades de desarrollo”). Apunte las preguntas clave y las definiciones necesarias junto a cada frase individual. Luego considere qué variables desearía usted tener disponibles para poder medir el logro de la misión. Utilice la tabla anterior como guía. Un análisis a fondo de su misión probablemente será más detallado.
Aunque el proceso de Análisis de Cartera no está diseñado para medir el impacto de una IMF con el tiempo (un proceso que requiere un estudio detallado con análisis de serie de tiempo), puede utilizarse para evaluar el nivel de desempeño social de la IMF o la cobertura de los grupos de clientes deseados. Pueden utilizarse varias variables para medir esto y para equilibrar el alcance apropiado con el nivel de riesgo deseado por parte de la IMF. Variables mensurables
Nivel de pobreza: Algunas IMF calculan una calificación del nivel de pobreza de cada uno de sus clientes, en función de una evaluación estandarizada de las condiciones de vida del cliente. Las variables que contribuyen pueden incluir la calidad de la vivienda (materiales del suelo/paredes/tejado), los artículos para el hogar (sí/no tiene refrigerador, televisión, etc.), la educación de los hijos (porcentaje en la escuela), el acceso a agua corriente, acceso al cuidado de la salud, y otros indicadores. Género: Numerosas IMF ponen énfasis en el suministro de servicios financieros a las mujeres, por lo que hacer un seguimiento del género del cliente es crucial. Dependiendo de las condiciones locales y de la cultura, algunas IMF pueden hallar útil el seguimiento de si el capital para préstamos será utilizado principalmente por la persona que accede al préstamo o por otra persona (en muchos casos alguien del género opuesto, tal como el esposo del prestatario). Esto permitirá a la IMF segmentar no solo el desempeño del préstamo según el género del prestatario, sino según el género de las personas que operan los negocios financiados por los préstamos. Factores adicionales
Es posible que una IMF desee considerar cambios de población más amplios, al evaluar el logro de su misión. Por ejemplo, un grupo de población fuera de la base normal de clientes de la IMF puede atravesar épocas difíciles, entrando en el nivel de pobreza que tiene como meta la IMF. Por otro lado, los grupos meta tradicionales de la IMF pueden superar el nivel de pobreza apropiado para los servicios de la IMF. La atención a dichos cambios permitirá a la IMF maximizar el logro de su misión y su alcance.
El mercado de la IMF Existe un riesgo inherente en las características de cada cliente al que la IMF otorga un préstamo, así como en condiciones que difieren a lo largo de varias áreas geográficas de cobertura de la IMF. Se puede captar bastante información acerca del mercado de la IMF en variables y ponerla a prueba a través del proceso de Análisis de la Cartera. La IMF puede entonces utilizar los resultados para realizar ajustes en su proceso de filtro de clientes, para manejar el nivel de riesgo. No pueden medirse factores de mercado más amplios, por cliente, y deben por lo tanto integrarse en el proceso de Análisis de la Cartera utilizando un enfoque de sentido común.
21
Variables mensurables
Características demográficas de los clientes: Los clientes con ciertas características demográficas (edad, género) posiblemente constituyan un mayor riesgo que otros; y los clientes en una región pueden ser un mayor riesgo que los de otra. Los niveles educativos de los clientes, su estado civil y el número de hijos pueden también desempeñar un rol en cuanto a la solvencia. Negocio del cliente: Los clientes de un cierto sector pueden ser un mayor riesgo que los de otro, mientras que los clientes que obtienen préstamos para diferentes propósitos (por ejemplo, activos fijos vs. capital de trabajo) pueden constituir un mayor o menor riesgo. La IMF posiblemente desee también examinar los activos de los clientes. Fuente de clientes: ¿De qué manera el cliente se enteró de la existencia de la IMF – en una reunión con un agente de crédito, una conversación con colegas, a través de materiales de mercadeo? La IMF, tras recopilar y analizar dichos datos, puede hallar que los clientes de una fuente son más solventes que los de otra; esto propiciará una mayor investigación y posibles cambios en la manera en la que la IMF selecciona a sus clientes. Calificación del crédito: Utilizando una combinación de los factores demográficos previamente mencionados, junto con una evaluación del negocio/sector del cliente, la IMF puede asignar una calificación del crédito a cada cliente. O si hay un buró de crédito disponible, la IMF puede obtener sus calificaciones del crédito de los registros del buró sobre el desempeño crediticio del cliente en el pasado. Préstamos en otras instituciones: En las áreas donde existe un buró de crédito o un órgano de gobierno equivalente, es posible que la IMF desee realizar un seguimiento de cuántos créditos tiene cada cliente en otras instituciones. Además, es prudente establecer un límite para esto y rechazar a clientes potenciales que hayan llegado a un cierto ratio de endeudamiento. Características locales o regionales: Los clientes que residen en diferentes partes del área de servicio de la IMF pueden afrontar condiciones distintas. Por ejemplo, algunos clientes agrícolas pueden vivir en una área que tuvo tanto una gran cantidad de tiempo soleado como de precipitaciones el año pasado, mientras que otros podrían estar afrontando bajas temperaturas y sequía. La temperatura y las precipitaciones serían variables clave para seguimiento. Además, los clientes que están comerciando con productos podrían estar sujetos a fluctuaciones de precios en diferentes partes del país. Posiblemente sea difícil hacer un seguimiento de los precios de los productos de los clientes, por lo que la IMF puede decidir hacerlo sólo en casos en los que la información esté fácilmente disponible, como en el caso de los productos agrícolas. Merece la pena repetir que estas variables sólo son pertinentes si se pueden recopilar a nivel local individual. Si tan solo están disponibles los datos nacionales, no hay manera de segmentar la base de clientes para su análisis.
22
Factores adicionales
Aunque puede hacerse un seguimiento de información a nivel del cliente individual o la localidad, los factores más amplios pueden también influir en la cartera en conjunto. Dichos factores externos son, por su propia naturaleza, difíciles de prever, difíciles de medir y están sujetos a un elevado nivel de incertidumbre. Se puede preparar para ellos e intentar administrarlos, hasta cierto punto, pero no controlarlos. Asimismo varían ampliamente de una institución a otra, y entre diferentes regiones. Los huracanes son un fenómeno común en Honduras, mientras que Bangladesh a menudo se ve azotado por inundaciones. Los cambios en las regulaciones en Perú y Bolivia probablemente sean ocasionales y sutiles, mientras que los recientes cambios regulatorios en la India han alterado drásticamente el sector de las microfinanzas. Dichos factores externos incluyen: • Riesgo de las regulaciones: ¿Hasta qué punto está regulado el sector de las microfinanzas? ¿Hay probabilidad de cambios y cómo influirán en las operaciones? ¿Cómo se comunican las IMFs con la autoridad regulatoria? • Riesgo político: ¿De qué estabilidad goza el entorno político en el que opera la IMF? ¿Hay elecciones pendientes? ¿Cómo podría un cambio de partido político afectar a la IMF? • Factores externos que influyen en los clientes: ¿Hay cambios regulatorios que podrían afectar directamente a los clientes de las IMF? ¿Afrontan los clientes unos niveles crecientes de competencia? ¿Afectan de manera adversa factores tales como el crimen, la inflación o la salud, a ciertos grupos de clientes? • Factores del entorno: ¿Cuenta la IMF con planes de contingencia para dichos eventos (inundaciones, erupciones volcánicas, huracanes, deslizamientos de tierra, etc.)? ¿Pueden los clientes, o la propia IMF, obtener algún tipo de seguro para tales casos? Por último, la competencia se merece una mención especial. Puede variar de región a región o incluso de ciudad en ciudad en la red de la IMF. Dónde y de qué manera están los competidores realizando sus actividades puede influir en el desempeño de la cartera de la IMF – los movimientos de un competidor pueden ser los elementos impulsores clave detrás de cambios en la cartera. Aunque no se puede realizar un seguimiento de la competencia en los datos de la cartera, prestarle atención es crucial para llegar a las conclusiones más exactas posible.
La metodología de la IMF La manera en la que la IMF lleva su negocio puede tener tanta influencia sobre su cartera como sobre su misión prevista y mercado. Mientras que algunos conceptos de la gerencia de la IMF son bastante abstractos, otros pueden reducirse a variables de las que se puede hacer un fácil seguimiento.
23
Variables mensurables
Las características de los productos crediticios, tales como el tamaño, el plazo y la frecuencia de pago, tienen todas un impacto directo sobre la capacidad del cliente para pagar un préstamo. Cuanto más se corresponden el calendario de pago y la capacidad de generación de efectivo del negocio del cliente, mayores probabilidades hay de que el pago sea un éxito. Los desajustes entre estos dos pueden dar lugar a una elevada cartera en riesgo. La herramienta identificará las divergencias en las tasas de pago a lo largo de productos y grupos de clientes, y apuntará a maneras en las que la gerencia puede corregir problemas, a menudo modificando la línea de productos crediticios de la IMF. Los ratios del personal pueden tener una influencia directa sobre el riesgo. Si los agentes de crédito tienen demasiados clientes, esto afectará al filtrado de clientes, a la supervisión y al cobro de deudas, dando como resultado probablemente una elevada cartera en riesgo y una reducción en la calidad del servicio al cliente. Viceversa, resulta caro tener a cada agente de crédito prestando servicio únicamente a un pequeño grupo de clientes. La misma idea se aplica al número de agentes de crédito dirigidos por cada supervisor. La solución de compromiso entre gasto y calidad del servicio debe ser manejada de manera activa por la IMF, para lograr el equilibrio deseado. La herramienta ayudará a identificar si una elevada cartera en riesgo podría estar causada por un desequilibrio en su ratio. Las características demográficas de los agentes de crédito pueden también influir en el desempeño de la cartera. Al realizar un seguimiento de la edad, el género y la educación de los agentes de crédito, una IMF puede llegar a una conclusión acerca de la combinación óptima de estos factores para prestar servicio a diferentes clientes y asignar a los agentes de crédito en consecuencia. Sin embargo, esta variable debe utilizarse con cuidado, puesto que las IMF suelen cambiar a sus clientes de un agente de crédito a otro – un remedio para este problema sería analizar sólo los clientes que han estado con un agente de crédito durante más de un ciclo de préstamos. Factores adicionales
Proceso de selección/filtro de clientes: ¿Qué decisiones ha tomado la IMF acerca de los criterios que se utilizan para seleccionar clientes? Todos los clientes “problemáticos” también cumplieron con estos criterios, así que si pueden generalizarse las características de estos clientes, el proceso del filtro puede fortalecerse para prevenir que clientes similares obtengan préstamos. Esta herramienta ayuda a la IMF a identificar cuáles pueden ser esas características comunes, a través del análisis de los datos de los clientes, recopilados por los agentes de crédito. Igualmente, es fundamental que la IMF haya definido quiénes son sus clientes meta. El análisis puede conducir al desarrollo de una metodología de calificación del riesgo crediticio. Proceso continuo de cobranza: Cuando un cliente no paga, ¿qué procedimientos se adoptan y cuándo? ¿Se aplican procesos de cobro de la deuda más estrictos a clientes de mayor riesgo o se considera que todos los clientes morosos tienen el mismo riesgo de castigo? ¿Qué clientes no pueden pagar y qué clientes no van a pagar? La herramienta identificará maneras de enfocar los procesos de cobro de la deuda—una práctica cara y que lleva mucho tiempo— para lograr los mejores resultados posibles. 24
Cuestiones de recursos humanos: ¿Se corresponden las pericias del personal con las tareas que se esperan de ellos? ¿Existe un equipo dedicado al cobro de la deuda? ¿Cómo se organizan los planes de incentivos? ¿Qué acciones específicas se incentivan? Las respuestas pueden tener una influencia directa sobre el nivel de riesgo de la cartera. Por ejemplo, si se compensa a los agentes de crédito y a los supervisores de campo tan solo sobre la base del número de nuevos préstamos, es posible que aumenten tanto los nuevos préstamos como la cartera en riesgo. Si se les incentiva para minimizar la cartera en riesgo, es probable que se reduzca la cartera en riesgo, pero en una cartera más pequeña y más segura. Estandarización: A menudo las IMF desean estandarizar los procesos, los productos crediticios, la capacitación del personal, etc., a lo largo de la institución. Esto aumenta la consistencia y reduce los gastos, pero puede ser problemático si la IMF cuenta con un número elevado de clientes con características no estándar o heterogéneas. Una IMF debe buscar un equilibrio entre los costos y los beneficios de la estandarización. Un proceso muy eficiente y estandarizado puede no ser adecuado para algunos clientes, lo que puede conducir a un mayor riesgo. La herramienta identificará casos donde puede requerirse un enfoque más personalizado, aunque la IMF debe equilibrar los beneficios de este enfoque con sus costos más elevados. La estructura organizacional puede también afectar a la capacidad de la gerencia para realizar cambios en los procedimientos operativos. Por ejemplo, alterar el perfil del cliente meta puede conllevar la capacitación directa de todos los agentes de crédito o podría lograrse alterando los procesos del comité de crédito.
Calidad de la cartera La calidad de la cartera es una variable focal porque es crítica para el éxito de todas las IMF. Todas las IMF tratan de maximizar la calidad de la cartera, sujeto a varias limitaciones, y todas las IMF sufren unos costos más elevados si la calidad de la cartera desciende. Merece la pena detenerse un momento para considerar por qué la cartera en riesgo es un foco de atención tan importante, y hacer algunas preguntas que es posible que el lector desee considerar en el contexto de su propia IMF: Razón de la importancia de la cartera en riesgo
Relevancia para una IMF específica
La cartera en riesgo es una estadística de referencia. Las agencias de calificación, los inversores, donantes, MixMarket, etc., aluden de manera generalizada a la cartera en riesgo y deliberan acerca de ella. Permite una comparación sencilla y directa entre las IMF dentro de una región.
¿Cómo se define y comunica la cartera en riesgo de su IMF? ¿Cómo se puede comparar con la de sus competidores? ¿Existen razones fundamentales por las que su cartera en riesgo pueda ser más alta o más baja que la de su competidores?
La cartera en riesgo puede medirse fácilmente. Otras variables, particularmente aquellas relacionadas con factores socioeconómicos y el impacto, son más difíciles de medir (pero no son menos importantes).
¿Cómo se mide la cartera en riesgo en su IMF? ¿Cuáles son la cartera en riesgo de más de 30, 60, 90 días, etc. y cómo han cambiado éstas durante los últimos 12 meses?
25
Razón de la importancia de la cartera en riesgo
Relevancia para una IMF específica
La cartera en riesgo cuesta dinero. Dedicarse al cobro de los pagos atrasados quita tiempo de otras actividades y los castigos son un costo directo.
¿Cómo se define el ratio de castigos de cartera y cuál es el actual ratio de castigo en su IMF? Aproximadamente, ¿qué porcentaje de tiempo del personal de campo se dedica al cobro de la deuda?
A menudo no están disponibles unas medidas más sofisticadas. El sector de las microfinanzas está relativamente inmaduro, por lo que es inevitable depender de unas pocas variables sencillas.
Además de la cartera en riesgo, ¿qué otras variables o mediciones desearía usted utilizar para demostrar las actividades de su IMF a terceros interesados?
La cartera en riesgo puede ser un indicador del desempeño de una IMF. Sin embargo se requiere un análisis adicional para averiguar qué es lo que está impulsando el nivel de la cartera en riesgo.
Cuando una IMF en un país remoto afirma:: “Tenemos una elevada cartera en riesgo”, ¿cuáles son las cinco primeras explicaciones posibles que se le ocurren a usted?
Los gerentes de las IMF a menudo se enfocan hacia la cartera en riesgo, el tamaño de la cartera, el número de clientes, los volúmenes de ahorros y las tasas de crecimiento de la cartera, porque éstos son los focos de atención para los inversores externos, las agencias de calificación y la industria en conjunto. Los agentes de crédito se enfocan en estas estadísticas porque a menudo están directamente relacionadas con la remuneración, a través de planes de incentivos. Ciertamente la cartera en riesgo es una estadística vital que debe medirse. Una pobre calidad de la cartera reduce la productividad general – por ejemplo, puede llevar el triple de horas administrar un préstamo con un pobre desempeño, que uno con un buen desempeño. Mientras tanto, la cartera en riesgo tiene un costo financiero directo sobre la IMF y limita el nivel de alcance posible con una cantidad dada de recursos. En general, y quizá lo más importante, una cartera en riesgo elevada o creciente es a menudo un síntoma de un problema más grave. Las explicaciones pueden incluir: • Los clientes no pueden reembolsar sus préstamos debido a un clima económico adverso. • Los clientes sobre endeudados son morosos porque no temen a las consecuencias ya que hay crédito disponible y abundante en otros lugares. • Los calendarios de reembolso de los productos crediticios no se corresponden con los patrones de generación de ingresos de los negocios de los clientes. • El costo del capital (tasa de interés) está más allá de la capacidad de reembolso de los clientes.
26
• Los negocios de los clientes han sufrido una crisis o han experimentado márgenes descendentes debido a la creciente competencia. • Los procedimientos de filtro de potenciales clientes son inadecuados para identificar a los clientes que constituyen un riesgo potencial. Aunque todos éstos conducen al mismo problema de una elevada cartera en riesgo, las causas son muy distintas. Por lo tanto, las soluciones probablemente van a variar también en gran medida. Esta herramienta ayudará a las IMF a comprender las causas y a aplicar las medidas correctivas apropiadas. Consideren dos IMF hipotéticas que sufren idénticos niveles de cartera en riesgo elevados: La IMF A se enfoca predominantemente hacia el sector agrícola, en una región con poca competencia. El sector agrícola subyacente se está desempeñando bien (buena ganancia potencial para los clientes), pero es muy cíclico, con dos cosechas principales al año. La IMF ofrece un producto de crédito con reembolso mensual, fijo, a un año, que se utiliza principalmente para adquirir semillas y pagar los salarios. La IMF B se enfoca predominantemente en los comerciantes del mercado urbano, en una región altamente competitiva . Los negocios subyacentes de los clientes sobreviven con estrechos márgenes, debido a los elevados niveles de competencia entre los comerciantes. La IMF ofrece un producto de crédito con reembolso mensual, fijo, a un año, que se utiliza principalmente para la compra de inventario. Aunque las carteras en riesgo de ambas IMF pueden ser idénticas, las acciones que cada IMF puede tomar para disminuir la cartera en riesgo varían mucho. La IMF A puede reestructurar su calendario de pago de préstamos para ajustarse mejor a los flujos de fondos de sus clientes, concentrando los pagos en torno a los periodos de la cosecha y ofreciendo un periodo de gracia. La IMF B puede reducir su exposición a los mercados urbanos; proporcionar préstamos para activos fijos, además de financiar el inventario; y controlar más los procedimientos de solicitud para asegurar que los clientes no están demasiado endeudados. Obviamente éste es un ejemplo muy simplificado; la realidad en la mayoría de las IMF es que los factores, incluyendo los clientes, productos y la competencia, son complejos, por lo que dichas conclusiones no se sacan fácilmente. Con tal complejidad, el análisis formal se torna esencial para descifrar las causas y los patrones, y tomar medidas correctivas. Es importante observar, sin embargo, que mientras que el enfoque inicial de las dos IMF usadas a modo de ejemplo más arriba, posiblemente haya sido “reducir la cartera en riesgo”, con el logro de este resultado las IMF probablemente mejorarán la calidad del servicio a sus clientes, reducirán los gastos operativos y utilizarán los ahorros para aumentar la cobertura, lo que dará como resultado un mejor logro de la misión.
27
Selección de las variables que se van a medir No se realizará un seguimiento de todas las variables enumeradas anteriormente por parte de todas las IMF. En las IMF donde faltan algunas, merece la pena considerar si a la IMF le interesaría comenzar a captar los datos tan pronto como le sea posible, para permitir un análisis más efectivo en una fecha posterior. Una IMF debe utilizar una serie de variables para analizar el desempeño de una cartera y evaluar el logro de la misión. Las variables de desempeño social y logro de la misión probablemente estarán vinculadas de alguna manera a la cartera en riesgo – algunas pueden causar la cartera en riesgo, mientras que otras pueden ser causadas por la cartera en riesgo o ambas pueden verse impulsadas por una variable distinta. La red de relaciones entre estas variables puede llegar a ser compleja y se requiere el análisis formal para descifrar la causa y el efecto – esto se explicará en la siguiente sección. Al considerar qué variables deben analizarse o para comenzar a captar datos para analizarlos posteriormente, las IMF deben considerar ciertos principios: 1. En general, es mejor más datos que menos datos – pero no todos los datos son útiles. 2. La recopilación y el análisis de datos cuestan tiempo y dinero, particularmente si los procesos de solicitud de crédito deben actualizarse y si se requiere capacitación adicional. 3. La recopilación de datos tiene un uso limitado, a menos que éstos se introduzcan en el SIG – si el ingreso de datos es posible, requerirá capacitación y posiblemente la modificación del SIG. 4. Los datos inexactos pueden ser más peligrosos que la ausencia de datos. 5. Puede tardarse varios meses, o incluso años, en acumular suficientes datos acerca de una variable, para poderlos utilizar en este análisis, pero cuanto antes comience la IMF a recopilar dichos datos, antes podrá utilizarlos. Al decidir qué variables se van a medir, la IMF probablemente deseará examinar variables potenciales en función de su utilidad para disminuir el riesgo (ganancia financiera), la relevancia para el impacto en la pobreza (beneficio del logro de la misión) y la dificultad para obtener la información (costo). La IMF puede después clasificar las posibles variables en función de este análisis de costo/beneficio, que incluye tanto factores financieros como sociales, y seleccionar aquellas para las que tiene los recursos apropiados de captación. A pesar de los inconvenientes a largo plazo, una recopilación de datos exhaustiva y adecuada puede amortizarse a través de una mejor toma de decisiones en la IMF – su importancia no debe subestimarse.
28
Relaciones causales entre variables Las variables en la cartera de una IMF forman parte de una red interconectada de relaciones de Tamaño causa y efecto, tanto entre las propias PAR de Préstamo variables como entre factores externos a la IMF. A través de un cuidadoso examen, la IMF puede determinar dónde radican estas relaciones causales. Además, la IMF puede realizar una determinación razonable de la fortaleza de cada relación, ya que es probable que cada variable se vea afectada por otras múltiples variables.
?
Por ejemplo, una IMF posiblemente desee determinar dónde existe una relación entre el tamaño del préstamo y la cartera en riesgo: “¿Resultan los montos de préstamos de mayor tamaño en una cartera en riesgo más alta?” Al examinar los préstamos para un tipo dado de cliente, es posible que la IMF halle después que el mayor tamaño del préstamo es en realidad una causa de una cartera en riesgo más elevada – los clientes no pueden pagar los préstamos de mayor tamaño. Al mismo tiempo la cartera en riesgo puede ser una causa de los cambios en otra variable. Por ejemplo, una sucursal de una IMF con una alta cartera en riesgo puede experimentar unas elevadas tasas de deserción de clientes (a medida que los clientes toman con menor seriedad a la IMF) – en este caso, la cartera en riesgo es una causa y la tasa de deserción de clientes es el efecto. Es crucial señalar que una variable es una causa, no la causa. De hecho, existen a menudo varias otras causas asociadas con un efecto dado en la cartera. El ejemplo más sencillo es que una elevada cartera en riesgo es generalmente una combinación de factores. Por ejemplo, una IMF puede estar experimentando problemas de pago debido a que está otorgando créditos a un sector con un pobre desempeño, a que está haciendo préstamos que son demasiado grandes o pequeños, y también por una pobre capacitación de los agentes de crédito. Aunque todos estos factores posiblemente estén influyendo en la cartera en riesgo, no podemos decir que uno es la única causa de la cartera en riesgo. En cambio, podemos determinar qué factores podrían tener un mayor efecto y ver lo que se puede cambiar para resolver el problema. En este caso, los dos primeros factores están relacionados con variables que pueden analizarse a través del proceso de Análisis de la Cartera (sector del cliente y tamaño del préstamo), mientras que el tercer factor (capacitación de agentes de crédito) es un elemento contribuyente, que precisa un aporte bien fundamentado por parte de la gerencia de la IMF. Además el usuario de la herramienta debe evaluar cuidadosamente la dirección de las relaciones causales. Aunque podemos decir con absoluta confianza que la cartera en riesgo no puede causar el género, otras relaciones están mucho menos claras. Por ejemplo, ¿conduce una cartera en riesgo más alta a la deserción por parte de los clientes o conduce la deserción de los clientes a una cartera en riesgo más alta?
29
Existe un número casi ilimitado de relaciones de causa y efecto entre las variables, a lo largo de una IMF. Aquí se muestran unos pocos ejemplos de las relaciones que pueden tener lugar en una IMF típica. En cada caso la IMF que emprende el análisis de la cartera no supondrá una respuesta para la pregunta, sino que realizará las pruebas que figuran en esta herramienta para llegar a una conclusión lógica, respaldada por datos: Posible Causa
Posible Efecto
Pregunta
Tamaño del préstamo
Cartera en riesgo
¿Dan lugar los préstamos de mayor tamaño a una cartera en riesgo más alta?
Cartera en riesgo
Tasa de deserción de clientes
¿Están los clientes perdiendo la confianza en la IMF debido a las dificultades de otros clientes para pagar los préstamos?
Nivel educativo
Saldo de ahorros
¿Tienen los clientes con un nivel educativo más alto, un saldo de ahorros más elevado?
Ciclo del préstamo
Saldo de ahorros
¿Cuentan los clientes de un ciclo de préstamos posterior con un saldo de ahorros más elevado?
Estado civil
Calificación del crédito
¿Suelen obtener los clientes casados, unas calificaciones del crédito más elevadas que los clientes solteros?
Al analizar dichas relaciones entre las variables, es importante no solo examinar las potenciales relaciones de causa y efecto, sino también determinar qué causas son más importantes y si algunos de los “efectos” posiblemente están influyéndose entre sí. Tomemos como ejemplo un análisis realizado en la IMF X: Variable 1: Nivel educativo Variable 2: Saldo de ahorros Pregunta para el análisis: ¿Tienen los clientes con un nivel educativo más alto, un saldo de ahorros más elevado? El análisis muestra que los clientes con un mayor nivel educativo realmente tienen saldos de ahorros más elevados y por lo tanto se supone que estos clientes tienen mayor probabilidad de ahorrar (en otras palabras, que un mayor nivel educativo está causando ahorros más elevados). Sin embargo, múltiples variables pueden influir en los saldos de los ahorros. Por ello, la IMF X realiza un análisis adicional, examinando el ciclo de préstamos y el saldo de ahorros: Variable 1: Ciclo de préstamos Variable 2: Saldo de ahorros Pregunta para el análisis: ¿Cuentan los clientes de un ciclo de préstamos posterior, con un saldo de ahorros más elevado?
30
+
Nivel Educativo
Ciclo de Préstamos
Saldo de Ahorros
+
No es demasiado sorprendente hallar que clientes en ciclos de préstamos posteriores que cuentan con saldos de ahorros más elevados. Por ello, la IMF X considera que hay dos causas que contribuyen al mismo efecto, como muestra el diagrama que figura a continuación. Aunque existe una relación, esto es simplemente una prueba y requiere pruebas adicionales para verificarlo. La IMF puede estar equivocada a estas alturas respecto a su creencia inicial – aunque el supuesto puede parecer correcto, la IMF puede ser engañada por una simplificación excesiva (el Capítulo 5 analiza más detalladamente cómo evitar o corregir dichos errores de lógica).
Para comprender qué es lo que está pasando realmente y considerar maneras de mejorar su cartera, la IMF X debe profundizar más. Así, la IMF limita el análisis, manteniendo constante la variable del ciclo de préstamos y observando tan solo un ciclo de cada vez. Esto elimina de manera efectiva el efecto del ciclo de préstamos del análisis, dirigiendo el enfoque en su lugar hacia la otra causa potencial (nivel educativo): Variable 1: Nivel educativo Variable 2: Saldo de ahorros Segmentado según: Ciclo de préstamos Pregunta para el análisis: Para cada ciclo de préstamos, ¿cuentan los clientes de un nivel educativo más alto, con un saldo de ahorros más elevado? La IMF X halla que, dentro de cada ciclo de préstamos, los clientes con un nivel educativo más bajo están de hecho ahorrando más, que los clientes con un mayor nivel educativo. Es fundamental señalar que al mantener un factor constante (tamaño del préstamo), la IMF ha descubierto evidencia que contradice directamente su hallazgo inicial – cuando esto sucede, es probable que la IMF esté cerca de aprender algo imprevisto acerca de las relaciones entre las variables en su cartera. Para reconciliar la evidencia contradictoria, la IMF X debe buscar una relación entre las dos variables causales de los análisis previos: Variable 1: Nivel educativo Variable 2: Ciclo de préstamos Pregunta para el análisis: ¿Llegan los clientes con un nivel educativo más alto, a ciclos de préstamos más altos? La IMF X halla que la respuesta es “sí”; los clientes con un nivel educativo más alto, de hecho llegan a unos ciclos de préstamos más altos. Así que parece que la razón por la que los clientes de nivel educativo más alto cuentan con saldos de ahorros más elevados es que llegan a ciclos de préstamos más altos, y los clientes que llegan a ciclos de préstamos más altos generalmente 31
obtienen también saldos de ahorros más elevados. Tal y como halló la IMF X anteriormente, sus clientes con mayor nivel educativo en cada ciclo de préstamos no son en realidad tan buenos ahorradores como los clientes de un menor nivel educativo, pero sí se les da mejor alcanzar el siguiente ciclo del préstamo. Al considerar qué variables medir entre sí, es crucial hacer una prueba de “sentido común” acerca de la medición propuesta. En un ejemplo extremo, podríamos hacer una prueba comparando la primera letra del nombre del cliente (variable 1) con la cartera en riesgo (variable 2), y hallar que los clientes cuyo nombre comienza con “Q” son excepcionalmente buenos en cuanto al pago de los préstamos. Esto es muy probablemente una anomalía estadística basada en una prueba defectuosa – un cambio en la metodología para tener como meta a nuevos clientes “Q” probablemente no produciría ningún beneficio para la IMF. Al final, el análisis de dos variables no producirá mágicamente la “respuesta correcta”; como se demostró anteriormente, el proceso requiere reiteradas pruebas, consideradas cuidadosamente, atenuadas por el sentido común. En conjunto, al hacer el análisis de la cartera, estamos tratando de explorar una gran red de relaciones interconectadas, utilizando una herramienta bastante sencilla; conociendo las limitaciones de la herramienta, podemos incrementar la efectividad del análisis. El usuario debe combinar el sentido común con humildad – no existe tal cosa como la causalidad absoluta, sino que hay variables que influyen o causan parcialmente ciertos resultados. Ejercicio 2.2: Examinando las relaciones entre las variables Dibuje las probables relaciones entre estas variables:
Edad
PAR Ciclo de Préstamos
La respuesta se halla en la clave de soluciones, en el Apéndice 4 de este documento.
Un comentario sobre el análisis de serie de tiempo Un análisis de series de tiempo es una secuencia de datos medidos a intervalos sucesivos y analizados en diferentes períodos de tiempo por lo general para explicar el pasado o para predecir el futuro. Es importante señalar que esta herramienta no incorpora un análisis de serie de tiempo. Esto se debe a dos razones clave. En primer lugar, un análisis de serie de tiempo completa aumenta la complejidad de este análisis significativamente y requiere unos poderosos programas
32
informáticos y econométricos cualificados. En segundo lugar, las ventajas de dicho análisis para una IMF son mínimas. En cambio, el análisis de la instantánea es un substituto más pragmático. Las cuentas financieras son generalmente instantáneas. Los balances generales muestran la situación en el tiempo X y en el tiempo Y. El estado de ingresos y gastos muestra el total de flujos entre estos dos momentos. El estado del flujo de caja desglosa estos flujos de una manera distinta. Aunque esto es una simplificación excesiva de la contabilidad, el concepto relevante se halla aquí. Numerosas IMF elaboran balances generales mensuales, que a muchas les resultan adecuados. Algunas IMF pueden supervisar a diario los saldos de la cartera, o los saldos de efectivo, pero no requieren balances generales diarios. Igualmente en el Análisis de la Cartera, debido a que los cambios que tienen lugar en una cartera son graduales, el beneficio de repetir el análisis diaria, semanal o incluso mensualmente es limitado. Cualquier cambio que tenga lugar a lo largo de unos intervalos de tiempo tan cortos, no es probable que sean cambios a largo plazo en las características de la cartera, sino más bien fluctuaciones a corto plazo.2
Resumen El éxito en los resultados de esta herramienta depende de los datos recopilados por los agentes de crédito y otro personal de la IMF. Si los datos no están disponibles o no son exactos, es sensato que la IMF se ocupe de esto ahora. La falta de datos influye en la utilidad de esta herramienta y tiene consecuencias de gran alcance. La herramienta revelará áreas en donde se puede mejorar la recopilación de datos. Los fundamentos esenciales de la herramienta están ahora establecidos; el siguiente capítulo comienza el conjunto de fases sucesivas, que utilizará la IMF para prepararse para el proceso, realizar el análisis e interpretar los resultados. A estas alturas el lector debe tener un conocimiento de los siguientes conceptos clave: • Aunque la cartera en riesgo puede ser la principal variable del enfoque, una serie de factores influyen en la salud de una IMF y su cartera; muchos de estos factores se pueden analizar. • Cualquier problema dado (cartera en riesgo, tasas de deserción de clientes, etc.) puede parecer similar en diferentes IMF, pero en realidad tiene causas muy distintas. • Una variable está a menudo influida por múltiples variables causales. • Al seleccionar las variables y analizar las relaciones entre ellas, es fundamental aplicar el sentido común tanto para realizar la prueba como para comprender su resultado. • Al comprender las fuentes internas y externas de riesgo en una IMF, podemos generar nuestras variables de interés para ayudar a la IMF en su función fundamental de gestión del riesgo. 33 2
Para información adicional sobre el análisis de tiempo vea el Apéndice 5.
Ejercicio 2.3: Conociendo las fortalezas y las debilidades de su IMF en la recopilación de datos para la gestión del riesgo. El jefe de operaciones de la IMF debe reunirse con el jefe del departamento del SIG y deliberar acerca de las siguientes preguntas. Sería útil también analizar los resultados con el equipo de la gerencia superior más amplio. 1. ¿Qué variables se recopilan en su SIG? ¿Se le ha solicitado que suministre datos acerca de la cartera que no estaban fácilmente disponibles en su institución? ¿De qué datos adicionales desearía usted disponer? 2. Solicite una copia del formulario de solicitud de un préstamo (o un documento equivalente en su IMF) y compare los datos solicitados en esta etapa con su respuesta a (1) más arriba. ¿Hay otros datos que usted desearía captar en esta etapa temprana del proceso del préstamo? ¿Le parece que algunos datos en este formulario tienen un uso limitado 3. Al observar un formulario de solicitud del cliente completado, ¿puede usted con confianza determinar si el cliente se halla claramente en el grupo de clientes meta de la IMF? Si no, ¿por qué no? 4. ¿Establece su IMF prioridades en cuanto al cobro de la deuda, enfocándose más intensamente hacia clientes específicos que incumplen los pagos o se trata de igual modo a todos los clientes morosos? 5. Si su IMF cuenta con un plan de incentivos, ¿qué conducta del personal incentiva en realidad este plan? 6. ¿Cuál es el número óptimo, o deseado, de clientes por agente de crédito? 7. Considere los dos productos crediticios principales de su IMF. ¿Qué tipo de cliente/uso de fondos sería particularmente adecuado para este producto de crédito (comerciante del mercado, inversión en activo fijo, mejora de la vivienda, préstamo para educación, etc.)? ¿Qué tipo de cliente sería particularmente inadecuado para estos productos de crédito? 8. ¿Cuál es la distancia física desde el departamento de sistemas de información gerencial hasta la oficina del gerente general o del gerente de operaciones? ¿Con qué frecuencia hablan directamente el gerente general y el gerente de operaciones con alguna persona del departamento del SIG? ¿Consultan directamente los gerentes del nivel superior con el departamento del SIG, al tomar decisiones operativas?
34
CAPÍTULO 3: PREPARACIÓN Y PLANIFICACIÓN PARA EL ANÁLISIS DE LA CARTERA Es mejor llevar a cabo el proyecto con un equipo pequeño, seleccionado de diferentes áreas de la IMF. Este equipo debe mantener un enfoque riguroso para realizar el análisis y referirse constantemente al modelo comercial subyacente, la misión y el entorno operativo en el que opera la IMF. Los análisis posteriores pueden realizarse más rápidamente, omitiendo ciertos pasos, pero para el análisis inicial es aconsejable seguir este orden cuidadosamente. Antes de establecer el equipo y desarrollar un plan de acción, la IMF debe establecer un compromiso formal con el proyecto de análisis de la cartera, idealmente con el apoyo de la junta directiva. Como evidencia de este compromiso, la IMF debe comunicar sus intenciones a todo el personal pertinente, asignar suficientes recursos al proyecto sin sobrecargar a los empleados y elaborar un presupuesto expreso para el costo de todo el proyecto, teniendo en cuenta algunas contingencias.
Etapa 1: Formación del equipo No es posible estipular los miembros precisos del equipo, puesto que variarán de una institución a otra. Sin embargo, los miembros del equipo deben cumplir estos lineamientos generales: 1. Un miembro del equipo gerencial del nivel superior: La herramienta suministrará la información que es necesaria a elevados niveles de la toma de decisiones, y por ello es importante que alguien con responsabilidad de la gerencia superior sea parte del equipo. Este miembro del equipo estará al tanto de las decisiones de alto nivel que se estén tomando en ese momento en la IMF, aquellas que se hayan tomado anteriormente y aquellas que se tomen probablemente en el futuro. Además de impulsar la planificación y el liderazgo del proyecto, este miembro del equipo también sería el “defensor del proyecto”, obteniendo el apoyo del equipo de la gerencia del nivel superior y manteniéndoles informados acerca del progreso del proyecto. Debido a la naturaleza operativa (basada en el campo) del proyecto, normalmente éste sería el Gerente de Operaciones. 2. El gerente del SIG: Puesto que éste es un proyecto basado en el SIG, el gerente de este sistema debe estar profundamente involucrado en su planificación y ejecución. En las IMF donde el gerente del SIG forma parte del equipo de la gerencia superior, éste no serviría para reemplazar al gerente de operaciones mencionado anteriormente. 3. Un miembro del departamento del SIG: Esta persona debe ser un miembro del nivel superior del equipo del SIG, con pericias técnicas para comprender la base de datos, competencia en aritmética y Excel, y tiempo disponible para dedicarle al proyecto. Este miembro del equipo será probablemente el que dedique más horas que nadie al proyecto.
35
4. Un supervisor de operaciones de campo: Lo ideal sería que esta persona tuviera experiencia sobre el terreno, quizá habiendo trabajado como agente de crédito. Además este miembro del equipo tendrá contacto con el SIG, así como experiencia en la administración de equipos y en el comité de crédito. El valor de esta persona es que él/ella comprenderá tanto las cuestiones sobre el terreno, hacia abajo, involucradas en el proyecto, como los temas de elaboración de informes gerenciales, hacia arriba, y podrá identificar los obstáculos para su implementación. Este sería normalmente un supervisor de agentes de crédito o un gerente de sucursal. 5. Un agente de crédito con experiencia: Este debe ser un agente de crédito que haya pasado algunos años en la IMF, y tenga una exposición máxima a la gama de productos, regiones y clientes de la IMF. Esta persona será el “contacto de campo” del equipo, explicando cómo ocurren en realidad las operaciones y la facilidad con la que se pueden obtener los datos. Además, este miembro del equipo comprenderá las repercusiones prácticas, a nivel de campo, de las sugerencias operativas generadas por el análisis. El criterio clave es que esta persona tenga un contacto directo con el cliente. Estos miembros del equipo se desempeñarán en una combinación de roles del equipo de liderazgo y del equipo de implementación. La estructura exacta del equipo dependerá del tamaño de la IMF. Las IMF pequeñas deben poder manejar este proyecto con un equipo de tres personas, asumiendo el gerente del SIG la responsabilidad de los detalles técnicos del mismo (el gerente del SIG posiblemente sea la única persona en una IMF más pequeña, que pueda manejar estos aspectos técnicos). Las IMF de mayor tamaño, con operaciones más complejas, necesitarán personal adicional para contribuir al proyecto. Además, los roles deben dividirse entre los equipos de liderazgo del proyecto y de implementación del mismo, con el gerente del SIG y el gerente de operaciones en el equipo de liderazgo, y llevando también el gerente del SIG el proceso de implementación: En una IMF pequeña (menos de 20.000 clientes): Equipo de liderazgo
Equipo de implementación
En una IMF mediana o grande (más de 20.000 clientes): Equipo de liderazgo
Gerente del SIG Gerente de operaciones
Supervisor de campo o agente de crédito
Equipo de implementación
Gerente del SIG Gerente de operaciones
Miembro del personal del SIG Supervisor de campo Agente de crédito
Las IMF grandes (aquellas con cientos de miles o millones de clientes) posiblemente requieran más de un miembro del personal del SIG, para manejar el proceso técnico que conlleva el proyecto.
36
El equipo de liderazgo se enfoca en la planificación del proyecto y en el liderazgo de alto nivel durante el proyecto, así como de realizar las “grandes preguntas” que la IMF proyecta analizar, y de evaluar las respuestas. El equipo de implementación se enfoca en los detalles de la ejecución del proyecto, tanto en términos de las consideraciones del SIG como de las operaciones de campo prácticas, sirviendo como un “baño de realidad” para el proyecto.
Etapa 2: Evaluación de la capacidad institucional La segunda etapa conlleva determinar si la IMF está lista para ejecutar este análisis. Condiciones previas: 1. ¿Cuenta la IMF con un SIG? 2. ¿Recopila la IMF los datos esenciales, necesarios para el análisis? 3. ¿Puede la IMF extraer los datos hacia Excel? 4. ¿Están los datos lo suficientemente “limpios” (por ej. ¿ 98 por ciento o más de exactitud? – El concepto de “datos limpios” se analizará más adelante)? Si la respuesta a estas preguntas es “no”, la IMF no puede proceder con esta herramienta hasta que se corrija la condición, ya sea instalando o modernizando el SIG (condiciones 1 y 3) o revisando la recopilación de datos o los procedimientos de archivo, de manera que la IMF esté guardando los datos necesarios en un formato útil (condiciones 2 y 4). Características deseables en la IMF: • ¿Están los agentes de crédito adecuadamente capacitados para sus actividades diarias? • ¿Dispone la IMF de una serie razonable de manuales operativos? • ¿Pueden las modificaciones de estos manuales, los procesos del comité de crédito, las especificaciones de los productos crediticios y la documentación interna/externa implementarse en un periodo razonable de tiempo? • ¿Hay una cantidad razonable de datos no esenciales, incluida también en el SIG? El último grupo de sugerencias es deliberadamente general: es imposible elaborar reglas generales para todas las IMF. La pregunta importante que se debe realizar en esta etapa es: “¿puede la IMF implementar sugerencias?” Naturalmente, en esta etapa la IMF tiene pocas ideas acerca de qué sugerencias es probable que aporte el análisis, pero lo importante es que la IMF se asegure que es lo suficientemente flexible y cuenta con suficientes recursos y un apoyo de alto nivel, para considerar e implementar las sugerencias del proceso de análisis. 37
Los datos no esenciales son principalmente datos socio-económicos: sin éstos, ciertos aspectos del análisis no serían posibles. El análisis probablemente aportará aún resultados tangibles, basados únicamente en los datos esenciales, pero si en esta etapa la IMF se da cuenta de que en realidad sólo se capta y se introduce en el SIG el mínimo esencial de los datos en el campo (tamaño del préstamo, monto, plazo, frecuencia, región), puede ser sensato abordar esta cuestión inmediatamente, cambiando los procedimientos de recopilación de datos y modificando el SIG, si fuera necesario. Cuanto antes se capten esos datos, antes se podrán analizar.
Etapa 3: Elaboración de un plan de acción A continuación se esboza el plan del proyecto. Los pasos amplios son consistentes para cualquier IMF, pero el tiempo y los recursos disponibles varían drásticamente, según el tamaño de la institución, la cantidad de datos disponibles, las pericias de los miembros del equipo y la complejidad del análisis.
Recopilar Datos
Analizar Datos
Interpretar Resultados
Repetir cada 3-6 meses
Monitoreo y Puesta a Prueba
Implementar Cambios
Decisión de la Alta Gerencia sobre Cambios
Las tareas se dividen entre el equipo de liderazgo y el equipo de implementación; en las fases en las que el equipo de liderazgo no tenga un rol específico, estarían vigilando las actividades del equipo de implementación. Estas fases se esbozan a continuación y son el tema de los restantes capítulos de la herramienta.
38
Fase Lanzamiento del Proyecto
Plazo 1a2 semanas
Equipo de liderazgo
Equipo de implementación
Leer la herramienta detenidamente Leer las preguntas en el texto, análisis preliminar de elevado nivel, formación del equipo
Recopilación de Datos
1a2 semanas
Analizar la base de datos y el SIG, identificar y abordar los problemas. Si hay datos suficientes para proceder, prepárelos para su análisis. Si no, aborde las cuestiones fundamentales y regrese a la herramienta en una fecha posterior.
Análisis de Datos
1a2 semanas
Realizar las pruebas iniciales, presentarlo al equipo de liderazgo.
1 semana
Interpretación
Implementación de las Decisiones
Supervisión y Puesta a Prueba
Preparar una lista de las hipótesis que probablemente se investigarán, considerando la misión y el contenido.
2a3 semanas
Proceder a un análisis detallado.
1 semana
Resumir todas las conclusiones.
1 semana
Deliberar acerca de todas las conclusiones y cualquier análisis posterior requerido.
1a2 semanas
Elaborar un documento formal/PPT para la gerencia del nivel superior.
1 semana
Presentar las conclusiones ante la gerencia del nivel superior. Decisiones adoptadas por la gerencia del nivel superior, después de una extensa sesión de preguntas y respuestas, con la aprobación de la junta directiva para cualquier decisión importante (ej. eliminar completamente un producto crediticio de manera gradual).
Varios meses
Implementar los cambios sugeridos, involucrando a la mayor parte del personal de la IMF. Según el tipo de cambios necesarios, esto podría demorarse varios meses.
Intervalos regulares
Supervisión continua enviada al equipo de liderazgo. Mini análisis o modificaciones adicionales en función de los datos resultantes.
Cada 3 a 6 meses
Presentar las conclusiones a la gerencia del nivel superior.
Al elaborar y ejecutar el plan de acción del proyecto, la IMF debe asegurarse que:
39
• Los miembros clave del equipo tienen suficientes pericias y disponibilidad, y que los plazos de tiempo son realistas; • Todos los miembros del equipo conocen perfectamente todos los aspectos del plan, los cuales han sido aprobados por la gerencia del nivel superior; • La gerencia del nivel superior acuerda asignar recursos, humanos y financieros, para la realización de cambios en la organización, basados en las sugerencias que surjan de este proceso; y • Los gerentes de operaciones del nivel intermedio tienen un conocimiento general del proyecto, lo que ayuda a asegurar su apoyo a los cambios propuestos al final del proceso.
Próximos pasos Una vez que se haya realizado el análisis, se resumen y analizan los resultados entre todo el equipo en un ciclo iterativo. Surgirán preguntas adicionales, que llevarán a más análisis, hasta que se acuerde una lista corta de sugerencias por orden de prioridad. Por último, el análisis y las sugerencias se presentan a la gerencia del nivel superior para obtener su autorización para realizar la implementación. Esto proporciona al equipo gerencial más amplio del nivel superior un conocimiento para la posterior toma de decisiones.
40
CAPÍTULO 4 – RECOPILACIÓN Y VALIDACIÓN DE DATOS El proceso de recopilación y validación de datos sigue el esquema general que figura a continuación: Extraer Datos
Organizar Datos
Limpiar Datos
Validar Datos
Categorizar Datos
Una vez que han ejecutado adecuadamente estos pasos, utilizando los datos de su SIG, una IMF está lista para iniciar el proceso del análisis de datos, que se cubrirá en los siguientes capítulos.
Preparándose Antes de emprender el proceso de recopilación y validación de datos, la IMF debe comprender algunos conceptos clave acerca de su SIG y los datos que éste contiene. El SIG y la calidad de los datos
El SIG es un concepto más amplio que el paquete del programa informático del SIG. Este incluye todo el flujo de datos a través de la IMF, desde el campo hasta los estados financieros auditados. En esta herramienta nos enfocamos hacia el subconjunto de este proceso que incluye el paquete del programa utilizado para hacer un seguimiento de los préstamos, los ahorros y los datos de los clientes, y nos referimos a este componente como el “SIG”. Adviértase que no se requieren datos de contabilidad, tales como los gastos operativos. El SIG contiene tres componentes fundamentales: 1. Un interfaz, donde se introducen o se visualizan los datos en pantalla o en el dispositivo manual. 2. La base de datos, donde se guardan los datos. 3. El generador de informes para extraer la información de la base de datos. Ejemplos de bases de datos utilizadas en paquetes normales de sistemas de información gerencial incluyen Oracle, Access, SQL, MySQL, FoxPro etc. Los datos necesarios para la herramienta se extraen directamente de esta base de datos. El equipo del SIG debe poder completar este proceso fácilmente y el proveedor del SIG quizá pueda ayudar, si fuera necesario3. En esta etapa es esencial destacar uno de los axiomas de todo análisis de datos: “Con malos datos, se obtienen malos resultados” 3 Los datos contenidos en la base de datos de un SIG son propiedad de la IMF y, si los datos no son fácilmente accesibles, el proveedor del SIG tiene generalmente la obligación legal de permitir a la IMF que extraiga estos datos de la base de datos, si lo solicita.
41
Si la calidad de los datos es pobre o el SIG no está guardando estos datos adecuadamente, la validez de las conclusiones de esta herramienta puede verse comprometida. Un SIG es un componente crítico de la misión en cualquier IMF y si éste no está funcionando adecuadamente, como para tener un elevado nivel de confianza en los datos allí contenidos, la IMF tiene un problema fundamental que debe abordar urgentemente, antes de utilizar esta herramienta. Sin embargo, para definir si un SIG está “funcionando adecuadamente” en el contexto de esta herramienta, nos referimos específicamente a la calidad de los datos contenidos en la base de datos, en lugar de al funcionamiento más amplio del SIG. Los siguientes problemas relacionados con el SIG son graves, pero no comprometen la calidad de los datos. Aunque éstos deben resolverse, la herramienta puede funcionar adecuadamente con dichos problemas: 1. Reportes inadecuados del SIG 2. Limitaciones en cuanto a la funcionalidad disponible en el SIG 3. El SIG es lento Adviértase que todos estos problemas están relacionados con el interfaz o el generador de informes del SIG – ninguno de ellos influye necesariamente sobre la base de datos en sí, que es hacia donde estamos enfocando nuestra atención. Suponiendo que el SIG cumple con estos requisitos muy básicos, la siguiente preocupación será la calidad de los datos, que posiblemente ya sea bien conocida por el personal del SIG de la IMF. Si se introducen datos incorrectos en cualquier proceso analítico, las conclusiones son cuestionables. Cuando se descubre que faltan datos, la IMF debe regresar a cualquier otro registro disponible (tal como recibos o libretas de ahorros), para ver si dichos datos pueden corregirse/agregarse. Esto permitirá al(a los) cliente(s), simultáneamente, ser incluido(s) en el análisis pero también le servirá a la IMF, en términos más generales, para mejorar la integridad de su base de datos general. Sin embargo, habrá momentos en que inevitablemente dichos datos no se puedan hallar fácilmente. Si no se pueden hallar datos completos y correctos para un cliente dado, el cliente debe ser eliminado del análisis– pero, ¿cuál es un nivel aceptable para el número de dichos clientes rechazados? Como regla práctica general, si esto representa menos del 2 por ciento de la cifra de clientes, es improbable que altere drásticamente el análisis. Si un 5 por ciento o más de los clientes son rechazados debido a datos incorrectos o faltantes, entonces la IMF tiene un grave problema de integridad de los datos, que debe resolverse antes de que la IMF realice su proyecto del Análisis de la Cartera. Con entre 2 y 5 por ciento de clientes rechazados, no es posible definir la gravedad del problema en el análisis final. Ninguna IMF dispondrá de un 100 por cien de datos perfectos en el mundo real de la entrada manual de datos y formularios de solicitud completados a mano por los clientes. Si el porcentaje de datos rechazados excede el 2 por ciento, posiblemente le merezca la pena a la IMF investigar 42
la fuente de dichos problemas, dirigir la atención de la gerencia hacia esto y tomar medidas correctivas. Cuando se extraen los datos de la base de datos del SIG en Excel, inicialmente contendrán información confidencial relativa a los datos de los clientes. Esta es información sensible de mercado y sólo debe acceder a ella el personal autorizado. Además, enviar dicha información fuera de la IMF podría violar las leyes de confidencialidad del cliente. Si el análisis se va a realizar externamente o fuera de la oficina, debe tenerse cuidado para asegurar que los datos sensibles no terminen en manos equivocadas. Confidencialidad del cliente: la información que puede identificar a un cliente individual se debe eliminar del libro de Excel inmediatamente. La mayoría de los paquetes del SIG contienen un número de identidad del cliente o código. Mientras éste figure, borre todos los nombres de clientes, números de teléfono, direcciones específicas (se requieren datos regionales, pero los detalles adicionales son superfluos), fotografías, firmas o cualquier otro dato que podría identificar a un cliente individual. Si la IMF debe determinar seguidamente la identidad específica de un cliente individual, puede hacerse una referencia cruzada de la identidad del cliente en el libro de Excel, para determinar esto. Copias de seguridad: una vez que se ha eliminado del Libro de Excel la información que identifica al cliente, se debe crear una base de datos de seguridad, denominada “base de datos sin procesar.” Realice con regularidad copias de seguridad del libro, a lo largo del proceso y asegúrese de que están identificados con claridad. El Equipo del SIG y la comunicación
Para asegurar el éxito en la gestión de la cartera, la IMF debe contar con procedimientos fiables para transmitir los datos de campo al SIG y, en última instancia, a los encargados de tomar las decisiones en la compañía. El departamento encargado del SIG es fundamental: recibe y maneja los datos de campo; y tiene gran parte de la responsabilidad de analizar estos datos y presentar los informes pertinentes a la gerencia del nivel superior. Al menos un miembro del departamento del SIG debe conocer el proceso de la toma de decisiones, y al menos un miembro de la gerencia del nivel superior debe tener un conocimiento detallado de la información que se capta en el campo, contenida en el SIG y disponible para un potencial análisis, si fuera necesario. Las decisiones de la IMF acerca de cómo organizar su departamento del SIG y su lugar en la estructura gerencial son fundamentales. En las IMF donde el jefe del SIG tiene un puesto en el equipo de la gerencia superior y los análisis del SIG se incorporan con regularidad en la toma de decisiones, probablemente haya un mayor nivel de conocimiento y control de la dirección de la compañía. Allí donde el SIG está desconectado de la toma de decisiones, la IMF está de nuevo “conduciendo sin la luz de los faros”: tomar decisiones basadas en presentimientos acerca de las realidades en el campo es tan peligroso como conducir de noche basándose en corazonadas acerca de dónde estarán las curvas en la carretera.
43
Campos de datos disponibles
Los paquetes del SIG contienen una amplia gama de campos en los que pueden captarse los datos, pero la mayoría de las IMF no utilizan la gama completa de campos disponibles. Particularmente en el caso de los datos socioeconómicos, puede captarse una variedad casi infinita de variables. En la siguiente tabla se resume la mayoría de los campos comunes que pueden aparecer en un SIG y su nivel de importancia para este proceso: Obligatorio
Deseable
No necesario
•
Capital vigente de préstamo
•
•
Direcciones específicas
•
Días de mora del préstamo
Fecha de desembolso del préstamo
•
Núm. de teléfono
•
Frecuencia de pago del préstamo •
•
Nombre del cliente
•
Nombre del producto crediticio
Fecha de apertura de la cuenta de ahorros* Préstamos en otras instituciones
Nombre del cónyuge
Monto de desembolso del préstamo
•
•
•
•
Fotos
Otros ahorros /riqueza
Firmas
Nombre del producto de ahorro*
•
•
• •
Saldo de ahorros*
•
Otros productos ej. seguros
•
Identificación del cliente
•
Calificación del crédito
•
Agente de crédito
•
Propósito del préstamo
•
Identificación del grupo**
•
Edad del cliente
•
Sucursal
•
•
Plazo del préstamo
Nivel educativo del cliente
•
Periodo de gracia
•
•
Número de ciclo
Nivel educativo de los hijos
•
Género del cliente
•
Acceso a servicios básicos
•
Sector del negocio
•
•
Tipo de negocio
Indicador de calidad de la vivienda
•
Región / ciudad / población
•
Indicador de cuidado de la salud
•
Número de hijos
* sólo pertinente en las IMF que captan ahorros ** sólo pertinente en las IMF que practican el crédito grupal
Adviértase que los datos excesivos retrasarán el análisis (o requerirán computadores más potentes), por lo tanto sólo incluya datos en el Libro de Excel si son pertinentes, suficientemente precisos y se han captado de manera consistente a través de todos los clientes. Cualquier información superflua es mejor borrarla, en lugar de esconderla o ignorarla. Coordinación de la extracción de datos
Es importante seleccionar un momento apropiado para extraer los datos del SIG. Los siguientes lineamientos ayudarán a la IMF a determinar cuál es el momento óptimo: 1. Los datos deben extraerse lo más tarde posible, para que sean lo más actuales posible y el análisis pueda continuar inmediatamente después. 44
2. Los miembros del equipo deben asegurarse que disponen de suficiente tiempo para dedicar al proyecto, antes de extraer los datos y comenzar el análisis. 3. Si hay pendientes importantes actualizaciones o modificaciones del SIG (dentro del periodo de un mes, más o menos), posiblemente sea aconsejable esperar hasta que dichos procesos se hayan completado. 4. La mayoría de las IMF tienen un proceso de cierre al final del mes. Es aconsejable realizar la extracción de datos inmediatamente después de fin de mes. 5. Seleccionar un mes típico o representativo del año. Deben evitarse periodos que incluyen las festividades religiosas u otros periodos estacionales en los que se registren periodos atípicos. Si una IMF experimenta cambios estacionales pronunciados, es preferible seleccionar un mes que esté en mitad del ciclo (por ej. ni uno óptimo ni uno mínimo). 6. Evitar una fecha de extracción de datos que esté próxima, un día o dos, a un día festivo público. Estos pueden distorsionar ciertas variables temporalmente (incluyendo días en mora – una variable crítica). 7. La extracción de datos inmediatamente después del final del año financiero está bien pero, dadas las repercusiones para el SIG/contabilidad en el mes o dos antes y después del fin del año financiero, el personal puede estar demasiado ocupado con otras labores para realizar el análisis. Tras haber considerado todos los factores anteriores, la IMF estará lista para proceder con la extracción de datos y los pasos subsiguientes de organización, limpieza, validación y modificación.
Paso 1: Extraer datos del SIG Para comenzar el proceso, exporte los datos necesarios del SIG a Excel. Este proceso variará según el SIG – si una IMF no puede pasar los datos que necesita a Excel, debe ponerse en contacto con el vendedor de su SIG para solicitarle ayuda. (Si no está disponible el acceso directo a la base de datos, la IMF debe solicitar al vendedor el acceso de Sólo Lectura o una copia de Sólo Lectura de la base de datos, que pueda luego exportarse a Excel.) Es importante asegurarse que se exportan todos los campos potencialmente útiles. No será práctico agregar datos adicionales del SIG más tarde en el proceso, aunque es bastante sencillo eliminar dichos datos de la hoja de Excel, si fuera necesario.
Paso 2: Organizar los datos en Excel Una vez que los datos están en Excel, asegúrese que los títulos de las columnas están claramente marcados. Cada fila debe referirse a un cliente individual. Deben borrarse las columnas o filas vacías para que los datos estén tan compactos como sea posible. Si hay columnas que incluyen información claramente inútil, deben borrarse. Realice una “comprobación preliminar” muy 45
aproximada, revisando rápidamente si los datos en cada columna tienen sentido. Esto se logra fácilmente utilizando un autofiltro o clasificando la columna.
Paso 3: Limpiar los datos Recuerde que “con malos datos, se obtienen malos resultados”: los datos contaminados, inexactos, que faltan o que son absurdos, son peligrosos. Un conjunto de datos es rara vez perfecto, pero es esencial una mínima calidad de los datos. Hay cuatro etapas principales en esta fase crítica: (1) eliminación inicial de datos; (2) definición de datos “sucios”; (3) identificación y eliminación de datos “sucios”; y (4) evaluación del alcance de los datos “sucios”. Etapa 1: Eliminación inicial de datos Deben eliminarse inmediatamente tres categorías atípicas de préstamos: préstamos reestructurados, préstamos al personal y préstamos irrelevantes. • Los préstamos reestructurados son, por definición, no estándar. Generalmente han sufrido alguna forma de evento “inusual”; las razones de la reestructuración no son fácilmente captadas en un SIG y sólo pueden analizarse manualmente (por ej. no a través del proceso de Análisis de la Cartera). Los datos esenciales del SIG posiblemente no revelen el hecho de que estos préstamos son generalmente préstamos con “problemas”, y una mirada superficial puede sugerir que son préstamos regulares. Los préstamos reestructurados (con suerte) no representan más de un 2 a 3 por ciento de la cartera de préstamos y no son representativos de las actividades diarias de la IMF. • Los préstamos al personal son igualmente atípicos y deben eliminarse. Generalmente no son parte de las actividades diarias de una IMF y sus términos son normalmente distintos y favorables, cuando se los compara con la cartera regular. Si la IMF desea analizar los préstamos al personal, éstos pueden incluirse en el Libro de Excel en el caso de que estén claramente marcados como un producto crediticio separado. Esta herramienta sugiere ignorar completamente los préstamos al personal. • Los préstamos irrelevantes son aquellos con un saldo cero o casi cero. Los saldos de casi cero son generalmente errores de redondeo. A pesar de que la suma de dichos saldos es probable que sea insignificante, éstos pueden dar una falsa impresión del número de clientes en mora. Deben pasarse a pérdidas directamente en el SIG y eliminarse de la pestaña. Sin embargo, si un cliente con un saldo de casi cero también tiene ahorros, no debe borrarse al cliente completamente, sino reemplazar el saldo de casi cero con un cero – dichos clientes deben permanecer en la pestaña. Los clientes con saldos cero para préstamo vigente y ahorros deben borrarse.
46
Etapa 2: Definición de datos sucios Al afrontar una hoja de Excel con quizá 20 columnas y 20.000 líneas (400.000 observaciones), la identificación de datos sucios puede parecer algo comparable a la búsqueda de una aguja en un pajar. Afortunadamente, la mayor parte de los datos sucios encaja en una de cuatro categorías, facilitando su identificación: 1. Datos que faltan: Las casillas que están vacías, tienen un valor cero cuando se espera un valor no cero o contienen texto tal como “n.a.” 2. Datos duplicados: Un cliente aparece dos veces en la hoja de Excel (nota: un cliente puede tener más de un préstamo) 3. Datos falsos: Datos que son incompatibles con la variable en cuestión, tales como una fecha en el campo del “número de hijos” o una cifra en un campo de datos. 4. Datos absurdos: Datos que tienen el formato correcto (una fecha en un campo de fecha, texto en un campo de texto), pero son absurdos. Los ejemplos incluyen a un cliente con 100 hijos o un cliente de 150 años. Los datos incorrectos pueden ocasionalmente tener valores que parecen razonables (por ejemplo, introducir que una clienta tiene dos hijos cuando de hecho tiene tres), pero normalmente sólo pueden detectarse a través de las operaciones de campo diarias de la IMF, en lugar de un proceso de limpieza de datos en la oficina central. En una IMF con sólidos procedimientos de entrada de datos, este tipo de datos sucios serán mínimos. Etapa 3: Identificación y eliminación de datos sucios El Caso de Estudio demuestra ejemplos de cada uno de los cuatro tipos de datos sucios y sugiere métodos para detectar dichos datos rápidamente. En Excel, el uso de filtros y valores de clasificación en orden ascendente o descendente, son extremadamente útiles. Por ejemplo, clasificar la columna de “número de hijos” alertará al usuario sobre valores inusuales (tales como 200 hijos). Un Autofiltro proporcionará un cuadro desplegable de todos los campos disponibles dentro de una columna. Simplemente observando estas opciones uno puede detectar valores inusuales, incluidos campos en blanco. Por ejemplo, suponiendo que el título de la columna es “nombre del producto crediticio” y el Autofiltro enumera: Préstamo para activo fijo Préstamo a corto plazo Préstamo para vivienda Préstamo para cuota residual Fatima Mahmoud Préstamo reestructurado 47
Resulta obvio inmediatamente que uno de éstos es un caso de datos incorrectos, que aparece en esta columna: Fatima Mahmoud parece ser el nombre de una clienta y no un producto de crédito. Debido a la gama de variables que una IMF podría medir potencialmente y al número infinito de combinaciones de datos incorrectos que podrían aparecen en un campo, es imposible suministrar un mecanismo general por el que se puedan detectar todos los datos incorrectos o extraños. Si se pasan por alto una o dos observaciones, es improbable que éstas alteren drásticamente todas las conclusiones de la herramienta y probablemente se detectarán después. A estas alturas el sentido común es la principal herramienta para resolver estos problemas. Etapa 4: Evaluación del alcance de los datos sucios En el Caso de Estudio hay 123 ejemplos de datos sucios, que representan un 0,5% por ciento del total de clientes. Estos se eliminan antes de que continúe el análisis. ¿Qué nivel de datos sucios es aceptable o normal y cuándo pone en peligro el alcance de los datos sucios todo el análisis? Consideren lo siguiente: 1. Ninguna base de datos es 100 por cien perfecta. 2. Si los datos sucios son un problema común, debe solucionarse inmediatamente identificando y resolviendo las fuentes de errores de entrada de datos en la IMF. La entrada de datos es un proceso manual, propenso al error. 3. Como regla práctica, si más del 2 por ciento de los clientes se han tenido que eliminar, debido a datos incompletos o sucios, esto sugiere una pobre calidad general de los datos. Esta es una aproximación muy “preliminar”, pero alrededor de un 1 por ciento es lo “típico”. El resto de esta herramienta supondrá que los datos que se están analizando son de buena calidad y se han limpiado. Cuando se detectan datos sucios/que faltan, el primer procedimiento que se debe seguir es tratar de resolverlo. El departamento del SIG es capaz de preparar una lista de dichos clientes por agente de crédito (o sucursal, o cualquier nivel que asuma responsabilidad por la entrada de datos), y solicitar a los responsables que investiguen esto como tema prioritario. Esto puede suponer referirse a la documentación de la solicitud del préstamos local, a nivel de la sucursal, y tiene dos funciones adicionales: en primer lugar, los datos limpios tienen beneficios más allá de esta herramienta; y en segundo lugar, esto envía una importante señal a las personas responsables de que las inexactitudes o la omisión han sido detectadas y no son aceptables. Sección avanzada: valores atípicos “Una observación atípica, o valor atípico, es aquella que parece desviarse marcadamente de otros miembros de la muestra en la que ocurre”4. Resulta tentador eliminar ciertas observaciones de los datos de Excel, porque la observación se considera un valor extremo: una observación atípica, o no representativa en la muestra. Ejemplos en las microfinanzas pueden incluir los préstamos excepcionalmente grandes, un cliente con un éxito 4
48
Grubbs, F. E.: 1969, Procedures for detecting outlying observations in samples. Technometrics 11, 1–21.
extraordinario que ha progresado a través de muchos ciclos o un grupo de clientes que por alguna razón ha recibido plazos especiales para los préstamos por parte de la IMF. Existe un frecuente debate y ninguna solución clara al problema de cómo manejar los valores atípicos. En primer lugar, existe un elevado nivel de subjetividad respecto a su identificación. En segundo lugar, la naturaleza completa de la herramienta consiste en detectar patrones inusuales, correlaciones o características comunes de los préstamos – en cierto sentido, el propósito es precisamente detectar los valores atípicos y eliminarlos, reduce el poder potencial de la herramienta. La mora, por ejemplo, es generalmente una observación externa, por derecho propio – puesto que el objetivo de la IMF es que los clientes paguen los préstamos, los clientes que no pagan son valores atípicos. Quizá el aspecto más peligroso de eliminar estos valores atípicos es que este proceso está sujeto a la manipulación. Una IMF puede mejorar potencialmente el aspecto del análisis eliminando unas pocas observaciones “inoportunas” y, dado el grado de subjetividad al definir un valor atípico, esto constituye un riesgo real. Por otro lado, es verdad que los valores atípicos alteran los resultados de la herramienta y no siempre de manera beneficiosa. Si hay uno o dos préstamos muy grandes en mora, en una cierta región geográfica o para un cierto producto crediticio, mientras que los otros préstamos más pequeños en esa muestra están mostrando un buen desempeño, es posible que toda la región geográfica, o el producto de crédito, sea visto negativamente basándose sólo en una o dos observaciones desafortunadas. El consejo de los autores de esta herramienta respecto a los valores atípicos es el siguiente: 1. Tal y como se analizó anteriormente, los préstamos reestructurados y los préstamos para el personal son un tipo especial de “valores atípicos” que realmente dañan el análisis – deben eliminarse del libro de Excel. 2. Todos los demás valores atípicos NO deben eliminarse de los datos. 3. Durante el análisis, si se observan valores atípicos potenciales, se les debe prestar atención independientemente. Por ejemplo, en particular los préstamos grandes, especialmente aquellos en mora, deben observarse y tenerse en mente cuando dichas observaciones aparezcan en una muestra. 4. Cuando una prueba produce resultados imprevistos, el analista debe verificar rápidamente para ver si esto podría ser el resultado de un préstamo inusualmente grande o de otros datos atípicos y advertir esto en el informe final. En última instancia, consideramos que las ventajas de eliminar los valores atípicos se ven superadas por las potenciales desventajas de llevar esto a cabo y por lo tanto recomendamos mantener los valores atípicos en el conjunto de datos de Excel que se va a analizar.
Paso 4: Validar los datos Esta etapa conlleva una rápida segunda comprobación preliminar. Realicen algunos análisis muy sencillos del Libro de Excel: • ¿Cuántas filas hay en la hoja? ¿Se corresponde esto con el número aproximado de clientes (considerando que algunas observaciones se habrán eliminado)? • ¿Cuál es el capital total vigente? ¿Se corresponde éste con el tamaño aproximado de la cartera total de la IMF? 49
• ¿Faltan algunos productos crediticios? • ¿Encajan los géneros en dos categorías claras (para clientes individuales, no grupos) de hombres y mujeres? ¿Hay otras etiquetas o espacios en blanco? • ¿Hay un número de ciclos que corresponda a cada préstamo? • ¿Hay un agente de crédito/sucursal asociado con cada préstamo? Si existen problemas obvios, resulta sensato resolver éstos antes de continuar con el siguiente paso. Algunos datos se “pierden” en el proceso de traspaso de datos, por ejemplo, y estas verificaciones rápidas permitirán a la IMF regresar y resolver dichos problemas antes de perder demasiado esfuerzo con el grupo de datos erróneos .
Paso 5: Categorizar los datos para agilizar el proceso de análisis Al hacer dos importantes modificaciones en el Libro de Excel, la IMF puede realizar el análisis posterior de manera más precisa y eficiente. La primera modificación permitirá a la IMF evitar la realización de cálculos repetidos posteriormente; la segunda es necesaria para superar un fenómeno denominado multicolinealidad, que se describe con mayor detalle en el siguiente capítulo y en el Caso de Estudio. Ambas modificaciones conllevan la categorización de los datos que ya están incluidos en el Libro de Excel. Categorizar la cartera en riesgo mayor a 30, 60, 90, 120 y 150 días Dada la frecuencia con la que se considera la cartera en riesgo, el siguiente proceso de categorización ayudará al análisis, suministrando un atajo para ciertos cálculos. Además, los exámenes de las subdivisiones resultantes pueden revelar descubrimientos extremadamente importantes dentro de una IMF, con profundas repercusiones para el enfoque hacia el cliente meta, las normas de cobro de la deuda y los criterios de selección de clientes. Cualquier estadística de la cartera en riesgo requiere dos observaciones clave: el monto de capital (en unidades de moneda local) y el tiempo que el capital está atrasado (según el número de días). No es posible la elaboración de una estadística significativa de la cartera en riesgo sin considerar estos dos conceptos simultáneamente. La cartera en riesgo mayor a 30 días es la estadística de referencia tradicional dentro de la comunidad de las microfinanzas. El comportamiento de la cartera en riesgo a lo largo de otros periodos recibe menos atención, en detrimento del sector de las microfinanzas en general. Esta herramienta ayudará a la gerencia a interpretar los datos de la cartera en riesgo con significativamente más detalles.
50
Consideren las siguientes IMF hipotéticas: Cartera en riesgo > 30 días
IMF A
IMF B
10%
5%
Sin datos adicionales, ¿qué IMF parece “mejor?” Si se mantiene todo lo demás constante, la mayoría sugeriría que la IMF B. El tiempo y los costos de administrar la mora y los posteriores castigos son probablemente inferiores en la IMF B que en la IMF A. Teniendo tan solo estos datos, ésta es una conclusión que se obtiene racionalmente. Ahora consideren los siguientes datos: IMF A
IMF B
Cartera en riesgo > 30 días
10%
5%
Cartera en riesgo > 60 días
7%
4%
Cartera en riesgo > 90 días
4%
3%
Cartera en riesgo > 120 días
1%
2,5%
Cartera en riesgo > 150 días
0,5%
2%
Castigo
0%
1,5%
La IMF A sufre unas tasas superiores de cartera en riesgo que la IMF B en 30, 60 y 90 días, y esto causará un gasto de recuperación de préstamos adicional. Sin embargo, el castigo final de capital en la IMF A es 0 por ciento, mientras que la IMF B castiga el 1,5 por ciento de su cartera. ¿Qué es preferible? Sin conocer los datos precisos de costos, es imposible responder a esta pregunta de manera concluyente. Quizá la IMF B tiene unos costos operativos tan bajos que la rentabilidad general es aún superior a la de la IMF A, a pesar de los elevados castigos. Sin embargo, el desglose de la cartera en riesgo en subdivisiones distintas a la cartera en riesgo mayor a 30 días ha revelado un conocimiento, que de otro modo se hubiera pasado por alto. Para facilitar el análisis, en lugar de tener las columnas mínimas requeridas en el Libro de Excel, necesarias para calcular la cartera en riesgo (monto vigente y días vencido), es preferible separar éstas en varias categorías. Se puede realizar el análisis sin completar este paso, pero es significativamente más laborioso.
51
Consideren los siguientes clientes: Capital vigente
Días vencido
Cliente A
$100
0
Cliente B
$150
41
Cliente C
$125
12
Cliente D
$175
97
Cliente E
$100
141
Cliente F
$150
89
total
$800
A partir de estos datos podemos calcular las divisiones pertinentes de la cartera en riesgo. La cartera en riesgo mayor a 90 días, en este ejemplo, sería $275 (Clientes D y E, $175 + $100). Sin embargo, utilizando los datos anteriores, podríamos agregar las siguientes columnas a la tabla: Vigente
Cartera en riesgo > 30 días
Cartera Cartera en en riesgo > riesgo > 90 60 días días
Cartera en riesgo >120 días
Cartera en riesgo >150 días
Cliente A
$100
-
-
-
-
-
Cliente B
$150
$150
-
-
-
-
Cliente C
$125
-
-
-
-
-
Cliente D
$175
$175
$175
$175
-
-
Cliente E
$100
$100
$100
$100
$100
-
Cliente F
$150
$150
$150
-
-
-
$800
$575
$425
$275
$100
$0
El método exacto para hacer esto se describe en el Caso de Estudio acerca de nuestra IMF ficticia, Banco de la Mujer. Esta modificación en la tabla no conlleva agregar nuevos datos, sino más bien manipular los datos existentes en un formato fácil de usar. Consideren tratar de responder a la pregunta: “¿cuál es la cartera en riesgo mayor a 60 días de los clientes en la región X?” Sin esta categorización, como en la tabla anterior, esto supondría dos pasos: identificar a los clientes en la región X y luego calcular la cartera en riesgo mayor a 60 días. Con la categorización, aún habría que identificar a los clientes pertinentes, pero la cartera en riesgo mayor a 60 días sería simplemente un gran total, obtenido de los totales de las columnas pertinentes (en este ejemplo: $150 + $175 + $100 = $425). Esta categorización elimina la necesidad de este cálculo manual, mediante la simple observación de la suma de la columna de la cartera en riesgo mayor a 60 días. Para observar la cartera que no está en mora, simplemente reste la cartera en riesgo mayor a 30 días del total vigente ($800 - $575 = $225), que se refiere a los clientes A y C ($100 + $125 = $225). Dado que el usuario de esta herramienta realizará literalmente cientos de cálculos, la capacidad para visualizar un total, en vez de realizar un cálculo condicional (“sume aquellos clientes sólo si el atraso es superior a 60 días...”) es un ejercicio pragmático para ahorrar tiempo.
52
Resumen A estas alturas la IMF ha completado lo siguiente: • Evaluación de la adecuación del SIG y de la estructura de su base de datos; • Revisión de los datos disponibles en el SIG; • Determinación de una fecha límite para la extracción de datos real. • Extracción de los datos de la base de datos del SIG hacia un Libro de Excel. Eliminación de los datos que no sean adecuados para el proceso de análisis y evaluación del alcance de los “datos sucios”. Categorización de los campos pertinentes en el Libro de Excel, agregando columnas adicionales. El usuario tendrá ahora una “sensación” del propósito de la herramienta y los datos contenidos en la base de datos. Sin embargo, antes de embarcarse en el análisis, es importante que el usuario de la herramienta esté al tanto de varios retos que surgen en la mayor parte de los procesos de análisis de datos y sepa cómo superar dichos retos. En el siguiente capítulo se describen estas cuestiones.
53
CAPÍTULO 5 – RETOS EN CUANTO AL ANÁLISIS DE DATOS Y SUS SOLUCIONES Para continuar con el proceso del Análisis de la Cartera, el usuario de esta herramienta debe comprender algunos principios econométricos y estadísticos básicos. Estos conceptos son importantes porque ayudarán a la IMF a evitar la formación de conclusiones falsas durante el proceso de análisis. Dichas conclusiones podrían conducir a cambios operativos potencialmente incorrectos en la IMF, con un impacto negativo sobre la IMF y sus clientes. Por muy tentador que resulte saltarse este capítulo, instamos a todos los usuarios de esta herramienta, y en particular a todo el personal de la oficina central en los equipos de liderazgo e implementación, a que lo lean detenidamente. Cada concepto se describirá primero brevemente y a continuación se presentará un ejemplo para destacar el problema fundamental y el posible peligro. El concepto se explicará después con el detalle necesario para la implementación, con notas de recuadro sobre temas más avanzados para el lector interesado. Abundan los ejemplos de cómo los errores en el análisis de datos pueden ser peligrosos. La profesión médica ha registrado numerosos casos de ese tipo – donde las medicinas no se han probado rigurosamente y los resultados de pruebas insuficientes han llevado a resultados positivos, tan solo para mostrar consecuencias negativas posteriormente. La profesión de la Economía está llena de casos de hipótesis que se han considerado como “leyes”, sólo para revisarse más tarde, a menudo tras un daño substancial sufrido por la economía. Consideren las siguientes afirmaciones: “Las personas que viven cerca de vertederos de basura presentan tasas más altas de afecciones del corazón”. Esto sugiere que la contaminación producida por los vertederos de basura es perjudicial – una conclusión sensata que parece estar apoyada por los datos. Sin embargo, supongan que un análisis posterior halla que las tasas de afección de corazón son elevadas también en otras áreas, no próximas a los vertederos de basura. En todas esas áreas la característica común es que los habitantes son pobres y sufren de malas dietas y malnutrición. De hecho, deben ser los síntomas de pobreza los que conducen a las elevadas tasas de afecciones del corazón. ¿Es por lo tanto falso, el enunciado que figura arriba? “Los clientes que residen en la región X, con el tipo de negocio Y, muestran una tasa de impago diez veces más alta que los clientes promedio de la IMF”. Esto sugiere que la IMF no debe designar como meta a estos clientes. La cartera en riesgo promedio de la IMF es un 1 por ciento y la IMF cuenta con 50.000 clientes. Los clientes de la región X son extremadamente pobres y sólo diez de esos clientes operan un negocio del tipo Y. De esos diez clientes, nueve pagan en fecha (por ej. la cartera en riesgo es 0 por ciento), pero una sufrió un robo y como resultado de ello no pudo pagar su préstamo, por lo que la cartera en riesgo general es ahora del 10 por ciento para esos diez clientes, colectivamente. El comentario anterior es cierto desde el punto de vista técnico, pero ¿es esto un fundamento para alterar el proceso de selección de clientes?
54
Para resumir el propósito de este capítulo en términos no técnicos, nunca debe tomarse una estadística o una conclusión tal cual, sin cuestionarla más. El propósito de este capítulo consiste en ayudar al lector a determinar cuándo puede creerse una conclusión, con cierto grado de confianza, o cuándo es necesario realizar un mayor análisis. Aunque estas ideas pueden parecer teóricas, las consecuencias de cometer errores operativos en una IMF, basándose en falsas conclusiones, pueden tener un gran alcance y por lo tanto se requieren precaución, sentido común y humildad.
Problema 1 del análisis de datos: Tamaño de la muestra Durante el proceso de análisis de la cartera, se analizan los datos y se pueden deducir patrones, generalizaciones, relaciones y causas. Estas deducciones conducen a sugerencias de planes de acción. Sin embargo, la adecuación de los datos subyacentes es fundamental para asegurar que las acciones sugeridas son creíbles. La supervisión del tamaño de la muestra es un aspecto clave para asegurar que los datos son útiles para el análisis que se está realizando. En general, cuanto más datos, mejor. Si examinamos a la población total de EE.UU. (una muestra de alrededor de 315 millones de personas), podemos concluir que aproximadamente un 50 por ciento de la población mundial es masculina y un 50 por ciento es femenina. Sin embargo, si en su lugar analizamos las 10 primeras personas que conocemos en EE.UU. al desembarcar del avión (una muestra de 10 personas), podemos concluir que el 70 por ciento de la población mundial es masculina y el 30 por ciento femenina, por ejemplo. ¿Es ésta una conclusión válida, a pesar de que puede estar apoyada por “datos”? El análisis de tan solo 10 observaciones no es suficiente para sacar una conclusión generalizada. Es posible hallar siete hombres en un tamaño de muestra de 10 personas, pero sería improbable hallar siete millones de hombres en una muestra de 10 millones de personas. Consideren una IMF con 50.000 clientes. Este es un tamaño de muestra lo suficientemente amplio como para elaborar generalizaciones y conclusiones. Por ejemplo, es posible que la IMF desee examinar la conducta de sus 10.000 clientes hombres, que representan el 20 por ciento de su cartera. Esta es aún una gran cantidad de datos. En la región X, sin embargo, sólo hay 500 clientes masculinos. De esos 500 clientes, 20 tienen el producto crediticio Y: una muestra de 100 observaciones. Deseamos observar qué tipos de negocios constituyen un mayor riesgo para los clientes masculinos de mayor edad y vemos que el negocio tipo Z representa al 15 por ciento de esos 100 clientes, y sólo cinco de esos 15 clientes se definen como de mayor edad. ¿Podemos sacar una conclusión válida del análisis de esos cinco clientes (que representan apenas un 0,01 por ciento de la cartera)? ¿En qué momento decimos: “hay un número insuficiente de observaciones para sacar una conclusión significativa?” Un 0,01 por ciento parece pequeño, pero ¿sería un 1 por ciento suficiente? El 1 por ciento de la base de clientes de la IMF mencionada son 500 clientes, lo que parece razonable, pero un 1 por ciento de una IMF con sólo 5.000 clientes serían únicamente 50 observaciones – ¿es esto aún suficiente? En esta muestra la IMF está tomando un subconjunto de datos generales, de acuerdo con ciertos criterios (ej. hombre, edad, región X, producto crediticio Y, tipo de negocio Z, etc.), conocido como una muestra, que está formada por una número de observaciones (en este caso, la conducta 55
de cada cliente en el subconjunto). La IMF compara luego esta muestra con otras muestras, para inferir generalizaciones acerca de la cartera general, conocida como la población. Esto hace que nos preguntemos: “¿Cómo podemos determinar si el tamaño de una muestra es lo suficientemente amplio?” Aquí se aplican dos herramientas clave: el sentido común y la regla práctica. El sentido común requiere que el analista pregunte: “¿Es éste un resultado significativo? Cuando observo el panorama general de esta IMF, ¿tengo fe en este resultado?” Por regla general, si el analista se siente incómodo o no confía en el resultado debido al número limitado de observaciones, este sentimiento es probablemente correcto – una muestra de un tamaño más grande siempre es mejor y la calidad del análisis puede disminuir con segmentos más pequeños de la población. En el extremo inferior de la escala del tamaño de la muestra, la regla práctica común es que cualquier muestra con menos de 30 observaciones no se considera lo suficientemente amplia como para sacar una conclusión significativa desde el punto de vista estadístico. Tema avanzado – Por qué 30 observaciones son la regla práctica La razón por la que se selecciona normalmente 30, como el nivel en el cual el tamaño de una muestra pequeña se convierte en un problema estadístico, deriva del segundo teorema fundamental de probabilidad, el Teorema del Límite Central. Este teorema es un concepto estadístico que compara muestras con poblaciones totales. Puede parecer “fácil” lograr treinta observaciones, pero éste no siempre es el caso. Cuando las carteras, incluso las grandes, están divididas en subconjuntos de clientes con características particulares, que utilizan un cierto producto en una cierta región, etc., es sorprendentemente fácil obtener tamaños de muestra pequeños. Evidentemente, cuanto mayor sea la IMF, con menor frecuencia ocurrirá este problema, aunque una IMF con menos de 5.000 clientes probablemente lo encontrará con regularidad. En un análisis posterior en la herramienta, las observaciones tempranas del análisis acumulativo serán erráticas e ignoradas deliberadamente, hasta que se observe un tamaño de muestra lo suficientemente grande – esto se debe al mismo fenómeno del sesgo de una pequeña muestra.
Problema 2 del análisis de datos: Multicolinealidad La multicolinealidad es uno de los retos más graves que afronta el usuario de esta herramienta. No considerar la multicolinealidad ni ajustar los datos como corresponde, conducirá inevitablemente a falsas conclusiones y puede resultar en el fracaso para identificar ciertas relaciones entre variables. La multicolinealidad es un fenómeno que ocurre cuando existen elevados niveles de correlación entre conjuntos de datos distintos, y por ello se torna difícil identificar con precisión observaciones singulares, dentro de cada conjunto de datos: los conjuntos de datos pueden parecer muy similares, y las sutiles diferencias que suministran pistas acerca del desempeño de la IMF son invisibles. De los conceptos econométricos que se presentan en este capítulo, es quizá el más difícil de entender desde el punto de vista conceptual.
56
Para resolver el problema de la multicolinealidad, el lector debe comprender que existen generalmente dos tipos de datos: discretos y continuos. Un ejemplo de una variable discreta es el género: es hombre o mujer – no hay nada intermedio. Los productos crediticios son discretos: producto A o producto B. La región geográfica es generalmente discreta. La multicolinealidad ocurre normalmente cuando las variables en un conjunto de datos son continuas. Las variables continuas son aquellas que pueden tener un número grande o infinito de valores posibles, dentro de un cierto rango. Los ejemplos incluyen la edad del cliente (normalmente cualquier valor entre 18 y 65), los tamaños de los préstamos y las fechas de desembolso. Siempre que una variable no puede ubicarse en una categoría y en su lugar encaja en un rango, es probable que esa variable sea continua, y el conjunto de datos está sujeto al problema de la multicolinealidad. En términos generales, el manejo de la multicolinealidad conlleva ubicar los valores de una variable continua en categorías discretas, haciendo posible de esta manera un análisis adecuado. Imagínense que una IMF desembolsa préstamos cuyo tamaño oscila de $100 a $1.000. Para analizar la relación entre el tamaño del préstamo y otras variables (no importa si el tamaño del préstamo se considera como una causa o efecto potencial en esta etapa), la IMF divide la cartera en categorías, a fin de ver si los préstamos en cada una de ellas tienen diferentes tasas de cartera en riesgo, por ejemplo, o si el desglose de clientes hombre respecto a mujeres difiere a lo largo de las categorías. Basándose en una regla práctica, la IMF divide la cartera en cinco categorías, en función del monto original de desembolso del préstamo: muy pequeño, pequeño, mediano, grande y muy grande. La razón por la que se seleccionan cinco categorías será evidente posteriormente. ¿Cómo definimos qué préstamos están contenidos dentro de cada categoría? Si la IMF tiene 10.000 préstamos, una posible solución sería ubicar 2.000 préstamos en cada categoría. Sin embargo, en términos de capital vigente en cada categoría, la categoría “muy grande” representará entonces un riesgo muchas veces mayor para la IMF que la categoría “muy pequeño”. Es por lo tanto preferible dividir las categorías de acuerdo con montos de capital aproximadamente similares, de manera que cada categoría tenga la misma importancia para la IMF en términos de la cartera general. La siguiente tabla demuestra esta diferencia: Categoría
Categorías de iguales números de préstamos
Categorías de igual capital
($ desembolsados)
Núm. préstamos/(% del total)
$ de capital/(% del total)
Núm. préstamos/ (% del total)
$ de capital/(% del total)
Muy pequeño
2.000 (20%)
$200.000 (4%)
4.680 (47%)
$1,04m (20%)
Pequeño
2.000 (20%)
$500.000 (10%)
1.827 (18%)
$1,04m (20%)
Mediano
2.000 (20%)
$1 m (19%)
1.387 (14%)
$1,04m (20%)
Grande
2.000 (20%)
$1,5 m (29%)
1.067 (11%)
$1,04m (20%)
Muy grande
2.000 (20%)
$2 m (38%)
1.040 (10%)
$1,04m (20%)
Total
10.000
$5,2 m
10.000
$5,2 m
57
Una vez que hemos dividido la cartera en cinco categorías, comenzaremos a hacer las pruebas. Es en este momento cuando el problema de la multicolinealidad es más fácil de comprender. Muy Pequeño X
Y Pequeño
Mediano
Grande
Muy Grande
Si consideramos dos observaciones individuales, X e Y, en el anterior diagrama, estos valores corresponden a tamaños de préstamos muy similares. Los dos préstamos están en diferentes categorías, pero si se hubiera marcado un límite ligeramente diferente entre “muy pequeño” y “pequeño”, podrían haber estado fácilmente en la misma categoría. Si comparamos X e Y, no observaremos diferencias sustanciales entre las dos categorías. En el caso de una variable que es discreta – género – la multicolinealidad no es un problema. Si deseamos analizar los efectos del género sobre otra variable, podemos dividir la cartera entre hombres y mujeres clientes. No existe ambigüedad en cuanto a en qué categoría encaja cada cliente y no hay superposición. En el caso de los tamaños de los préstamos, no podemos estar tan seguros. Un préstamo de $499 puede clasificarse como “pequeño”, mientras que un préstamo de $500 se puede clasificar como “mediano” – ¿realmente esta diferencia de $1 distingue los dos préstamos, como si tuvieran una naturaleza fundamentalmente distinta? Si existe una diferencia entre estos dos préstamos, ¿podemos estar seguros de que esta diferencia es el resultado de este $1? Para analizar el efecto del tamaño del préstamo sobre una variable, debemos comparar préstamos con tamaños auténticamente distintos. Cuando dividimos la cartera en categorías, de acuerdo con los tamaños de los préstamos, los límites son relativamente arbitrarios. El objetivo consiste en determinar si existen ciertos efectos, o causas, en cada categoría de tamaño de préstamos, que sean distintos de aquellos en otras categorías. Sin embargo, si comparamos los préstamos de la categoría muy pequeño con préstamos de la categoría pequeño, algunas de las observaciones en cada una, particularmente aquellas cerca de los límites de la categoría, serán muy similares o incluso las mismas. Afortunadamente, la solución para esto es sencilla: Sólo ponga a prueba categorías no adyacentes. Se pueden poner a prueba las siguientes parejas: Muy Pequeño con Mediano
Muy Pequeño con Grande
Muy Pequeño con muy Grande
Pequeño con Grande
Pequeño con muy Grande
Mediano con muy Grande
Las siguientes parejas no se pueden poner a prueba. Muy Pequeño con Pequeño
Pequeño con Mediano
Mediano con Grande
Grande con muy Grande
En cada prueba permitida, se comparan dos categorías, ignorándose al menos una categoría entre medias. Esto significa que las observaciones dentro de cada categoría son lo suficientemente distintas entre sí, y se pueden evitar las observaciones muy correlacionadas (aquellas que 58
aparecen en diferentes categorías como resultado de los límites arbitrarios trazados). Por lo tanto, la importancia del fenómeno bajo investigación, en este caso el tamaño del préstamo, se puede aislar y poner a prueba. La razón por la que cinco es el número óptimo de categorías es igualmente arbitraria, pero se considera generalmente óptima por las siguientes razones prácticas: • Contar con cinco categorías permite seis combinaciones de pares para probar, lo que es generalmente suficiente para sacar una conclusión significativa – mientras que con cuatro categorías, sólo serían posibles tres pruebas (A-C, A-D, B-D). • Demasiadas categorías pueden resultar en el sesgo de una pequeña muestra, analizado anteriormente, y sólo sería práctico con conjuntos de datos muy amplios y un trabajo adicional significativo. Este enfoque simplificado incrementa la precisión del análisis y evita el problema de la multicolinealidad. Tema avanzado: Otros métodos para abordar la multicolinealidad Un método alternativo para evitar la multicolinealidad supone clasificar todos los préstamos de acuerdo con la variable problemática (en este caso, el tamaño del préstamo) y calcular la cartera en riesgo acumulada de la muestra: la cartera en riesgo de los 100 préstamos de menor tamaño, luego de los 101 préstamos de menor tamaño, etc. hasta que se determine la cartera en riesgo de la cartera total (la observación final, incluyendo todos los préstamos), y observar cómo esta cartera en riesgo acumulada cambia, a medida que se agregan más observaciones. Este método elimina la necesidad de categorizar los datos, pero presenta varios problemas adicionales: •
Es muy susceptible al sesgo de una pequeña muestra
•
La interpretación de la cifra de la cartera en riesgo para la observación final puede resultar en conclusiones intuitivas, pero los datos anteriores no, ya que el usuario está buscando puntos de inflexión que indican el inicio o el final de intervalos claves en lugar de las interpretar las tendencias de los datos.
•
La ventaja de este método es que los incrementos o descensos repentinos en la cartera en riesgo acumulada proporcionan al usuario una pista acerca de dónde se están produciendo los cambios fundamentales en la cartera, permitiéndole un análisis más detallado; sin embargo, no existe una interpretación significativa directa de los datos sin dicho análisis adicional. Para un ejemplo, véase el capítulo 7 y también el caso 3 en el capítulo 8.
•
La definición de un “incremento o descenso repentino en la cartera en riesgo” es de por sí subjetiva y tales saltos son matemáticamente más probables con tamaños de muestras más pequeños. Así, este análisis suele conducir a conclusiones acerca de pequeños préstamos en lugar de grandes préstamos. Esto se debe a los datos que convergen en un promedio, lo que hace más difícil la interpretación.
Este método alternativo se describirá en el Caso de Estudio y en el capítulo 7, y es mucho más fácil de comprender con un ejemplo tangible. En resumen, no existe una solución fácil para la multicolinealidad y todas las soluciones tienen inconvenientes.
59
Problema 3 del análisis de datos: Correlación versus causalidad El propósito de esta herramienta no consiste simplemente en describir datos, sino en explicarlos. Una descripción de los datos le cuenta al analista el “qué”, mientras que la explicación de los datos le cuenta al analista el “por qué.” Consideren el siguiente ejemplo: Hombres
Mujeres
Total
Total de capital vigente
$500.000
$500.000
$1 millón
Capital vigente > 30 días
$50.000
$5.000
$55.000
Cartera en riesgo > 30 días (%)
10%
1%
5,5%
Aquí la IMF detecta una correlación – dos observaciones que ocurren simultáneamente dentro de la misma muestra (cliente hombre + cartera en riesgo elevada). La IMF puede concluir que el mejor curso de acción para reducir la cartera en riesgo es cambiar la cartera a favor de las clientes mujeres. En este ejemplo simplificado, la IMF decide pasar la mitad de la cartera de los hombres hacia las clientes mujeres. Supongan que todos los demás factores permanecen constantes. El resultado puede ser el siguiente: Hombres
Mujeres
Total
Total de capital vigente
$250.000
$750.000
$1 millón
Capital vigente > 30 días
$25.000
$7.500
$32.500
Cartera en riesgo > 30 días (%)
10%
1%
3,25%
Esto reduce la cartera en riesgo total del 5,5 por ciento al 3,25 por ciento. (En este caso simplificado, se supone que pueden hallarse mujeres clientes adicionales, rápidamente, sin incurrir en un riesgo adicional). Parece que la observación adicional conduce a una sugerencia y esta sugerencia mejora la cartera en riesgo total. En ningún momento realizó el analista la pregunta: “¿Por qué observamos esa disparidad en las tasas de pago por género?” Un análisis más profundo de los datos iniciales revela lo siguiente: Hombres
Mujeres
Total
Capital para sector de manufacturas
$250.000
$50.000
$300.000
Capital vigente en riesgo > 30 días
$47.500
$5.000
$52.500
Cartera en riesgo > 30 días (%)
19%
10%
17.5%
Capital para el sector alimenticio
$250.000
$450.000
$700.000
Capital vigente en riesgo > 30 días
$2.500
$0
$2.500
Cartera en riesgo > 30 días (%)
1%
0%
0,4%
Total de capital
$500.000
$500.000
$1m
Cartera en riesgo > 30 días (%)
10%
1%
5,5%
Este análisis adicional agrega detalles a la primera tabla. Sugiere que, mientras que las tasas de reembolso masculinas son peores, esto está relacionado en gran medida con el sector en el que trabajan los clientes. Aquí la IMF ha hallado evidencia de causalidad, o una descripción de cómo un factor está afectando a otro. El sector de las manufacturas sufre una elevada tasa de cartera en riesgo (17,5 por ciento), comparado con el sector alimenticio (0,4 por ciento) y los hombres 60
suelen trabajar principalmente en las manufacturas. Las tasas de impago de las mujeres en las manufacturas son elevadas, 10 por ciento, pero esto tiene un impacto relativamente menor en la cartera, puesto que hay menos mujeres clientes en las manufacturas. Las tasas de impago de los hombres en el sector alimenticio son de un 1 por ciento (ej. buen desempeño), pero muy pocos clientes hombres están en este sector. Así que la relación entre sector y cartera en riesgo es mucho más fuerte que la relación entre género y cartera en riesgo. Se puede afirmar que es mucho más probable que el hecho de estar en el sector de las manufacturas cause la cartera en riesgo, incluso si este fenómeno se oculta detrás del hecho de que los hombres suelen operar más en dicho sector. Sin embargo, mientras que la IMF puede hallar evidencia de causalidad o puede creer que dicho sector es probablemente un factor causal, no hizo el comentario concreto de que el sector causa la cartera en riesgo exclusivamente. El sector parece ser una influencia fuerte. Es raro poder hacer la afirmación más sólida de que “X causa Y”. Mientras que en este ejemplo podemos observar que los clientes en el sector de las manufacturas tienen mayor probabilidad de ocasionar la cartera en riesgo, un mayor análisis podría revelar, por ejemplo, que aquellos involucrados en la fabricación de repuestos para vehículos son clientes extremadamente buenos, y que son los clientes de otras áreas del sector de las manufacturas los que son problemáticos. En este caso, la IMF puede observar: “Es probable que los clientes en el sector de las manufacturas den lugar a la cartera en riesgo”. “Los clientes en las manufacturas, en áreas distintas a la fabricación de repuestos para vehículos, tienen una gran probabilidad de ocasionar la cartera en riesgo”. La primera frase sugiere una relación causal, pero la segunda es más fuerte. La causalidad es una cuestión de nivel, no un concepto absoluto. Así la IMF decide cambiar tanto su enfoque de género como su enfoque de sector, pero de una manera más perfeccionada: Hombres
Mujeres
Total
Capital para sector de manufacturas
$0
$50.000
$50.000
Capital vigente en riesgo > 30 días
$0
$5.000
$5.000
Cartera en riesgo > 30 días (%)
0%
10%
10%
Capital para el sector alimenticio
$400.000
$550.000
$950.000
Capital vigente en riesgo> 30 días
$6.000
$5,500
$10.500
Cartera en riesgo > 30 días (%)
1,5%
1%
1,1%
Total de capital
$400.000
$600.000
$1m
Cartera en riesgo > 30 días (%)
1,5%
1,75%
1,65%
Continuando con este ejemplo muy simplificado, la cartera en riesgo total se reduce a un mero 1,65 por ciento. Los préstamos a hombres en el sector de las manufacturas son prácticamente eliminados, pero se realizan préstamos adicionales a los hombres en el sector alimenticio. Incluso si suponemos que los préstamos para el sector alimenticio presentan una cartera en riesgo más elevada, de 1,1 por ciento en lugar del 0,4 por ciento previo (el sector se torna 61
más saturado, competitivo, etc.), la mora general de los hombres ha disminuido de un 10 por ciento a un 1,5 por ciento. La IMF continúa apoyando a sus clientes mujeres en el sector de las manufacturas, pero no incrementa el capital para este sector. En su lugar, incrementa los préstamos a las mujeres en el sector alimenticio, y aunque su cartera en riesgo puede incrementarse del 0 por ciento al 1 por ciento, como resultado del incremento de actividad en el sector, la cartera en riesgo total en la IMF aún ha descendido. Este ejemplo está demasiado simplificado, pero demuestra que profundizar más para comprender la posible CAUSA de la mora, y tomar medidas correctivas como respuesta, puede dar lugar a un resultado mucho mejor para la IMF y los clientes, que elegir una solución aparentemente sensata, basada sólo en la observación inicial. En cada nivel sucesivo de la investigación, la IMF puede aproximarse más a la causa subyacente, pudiendo hacer afirmaciones cada vez más sólidas acerca de las causas de la cartera en riesgo, pero en cada nivel sucesivo suceden dos problemas: el tamaño de la muestra disminuye y la pertinencia/importancia desciende en consecuencia. Aunque este ejemplo se enfoca hacia un deseo de reducir la cartera en riesgo, este análisis más profundo logra varios resultados: • Al comprender mejor la cartera, la IMF puede enfocarse mejor hacia todos los clientes que tienen mayor capacidad para beneficiarse de los préstamos. • La IMF reducirá los costos del cobro de préstamos en mora y de los castigos, permitiéndole mejorar la productividad, incrementar el alcance y ofrecer una mejor calidad de servicio a todos los clientes. • Se presta un servicio más justo a los clientes. La conclusión inicial, basada en la observación general, habría conducido a reducir los préstamos a los clientes hombres en general, lo que habría penalizado a aquellos clientes hombres en el sector alimenticio, que estaban pagando sus préstamos de manera oportuna. Mientras tanto, al cambiar este capital hacia las clientes mujeres en general, algunas de las cuales estaban operando en el sector de las manufacturas, esto habría incrementado los préstamos en mora de las mujeres en general. • Al identificar de manera precisa la fuente del problema, la IMF puede desarrollar un producto crediticio, dirigido específicamente al sector de las manufacturas (tanto para hombres como para mujeres), lo que da como resultado la posibilidad de prestar servicio a este sector sin un elevado riesgo. Quizá el problema actual es un resultado de un desajuste entre los términos del producto crediticio y las necesidades del cliente. Los puntos importantes que deben comprenderse son que la causalidad es la pista para tomar buenas decisiones acerca de mejoras operativas y que las mejoras en el enfoque hacia una variable, tal como la cartera en riesgo, pueden tener también efectos más amplios tales como la mejora de la calidad del servicio, un mejor enfoque hacia los clientes meta y unos productos crediticios más adecuados. 62
La correlación y la causalidad parecen estar estrechamente relacionadas, pero la correlación no implica la causalidad. La correlación es descriptiva, mientras que la causalidad es explicativa. Ambas comienzan con una observación: el fenómeno X ocurre con el fenómeno Y (en el ejemplo anterior, esto sería “el incremento en la cartera en riesgo se produce con el incremento en los préstamos a los clientes hombres)”. La diferencia clave entre estos dos conceptos es que la evaluación de la causalidad requiere el paso adicional de preguntar “por qué”. La correlación puede o no implicar causalidad. Este ejemplo demuestra que el análisis de datos puede no solo describir un fenómeno tal como la cartera en riesgo, sino clarificar sus causas. Los posibles vínculos entre causa y efecto son casi infinitos. En este ejemplo, podríamos aún hacer la pregunta: “¿por qué los clientes hombres en el sector de las manufacturas sufren unas tasas tan elevadas de cartera en riesgo?”, y quizá este análisis revelaría que esto se debe en realidad, en gran medida, a problemas en ciertas regiones o a un producto crediticio mal especificado, y que en efecto existen áreas dentro del amplio sector manufacturero de los hombres que están logrando un buen desempeño. El análisis puede continuar indefinidamente, con los detalles de la investigación limitados en última instancia, por el tamaño de la muestra analizada anteriormente. En el ejemplo anterior la IMF determinó que el sector en el que operaba el cliente tenía un mayor impacto sobre la cartera en riesgo, que examinar el género del cliente únicamente. Sin embargo, esto no significa que el sector es la única causa de la cartera en riesgo. De hecho, es bastante improbable que un fenómeno tenga una “causa simple” por ejemplo, un solo factor que influya en otro, sin otros factores que entren en juego. Es necesario un análisis adicional para desvelar las causas adicionales que contribuyen. A través de dicha investigación, una IMF puede desarrollar una comprensión más completa de las relaciones causales en su cartera. Estas relaciones causales se reúnen a lo largo de un espectro, tal y como se ilustra a continuación:
63
Descripción
Correlación sin causalidad
Causalidad parcial
Causalidad absoluta
Relación causal
Ninguna: la relación es puramente falsa o “fortuita”
Ciertas variables tienen un “nivel de causalidad”
Total: variables relacionadas irrevocablemente
Probabilidad
Bastante común
La mayoría de todas las relaciones
Extremadamente raro
1. Débil relación causal 2. Uso operativo reducido para la IMF 3. Detectado con herramienta, de uso parcial
4. Relación causal más sólida (no total) 5. Significativo uso operativo para IMF 6. Enfoque de la herramienta
La causalidad no es binaria; no podemos decir “X causa Y” o “X no causa Y”. La realidad es que “X causa Y parcialmente”. La amplia mayoría de las relaciones causales investigadas utilizando esta herramienta se hallarán en la zona gris entre estos dos extremos del espectro. Esto no es una limitación de la herramienta – es la realidad del mundo en el que opera una IMF. La causalidad parcial puede compararse a una influencia, una tendencia o una probabilidad. Incluso en el caso más sólido, donde parece casi garantizado que una cierta muestra de la base de clientes resulte en mora, donde la pura causalidad parece asegurada, basta con una sola excepción a esta regla para cambiar la causalidad de pura a parcial. En el caso extremo de la no causalidad, tal como la primera letra del nombre del cliente que causa la cartera en riesgo, es justo suponer que no existe una relación causal, sino que más bien el sentido común sugiere que no se requiere una herramienta formal. En ambos casos, el sentido común es un activo más valioso que el análisis estadístico. La ausencia de casos extremos no significa que no se puede deducir la causalidad, ni tampoco que no se pueden realizar mejoras operativas. En el anterior ejemplo, el caso simplificado sugirió que ese sector causó la cartera en riesgo. La realidad es que ese sector probablemente desempeña un importante rol– la eliminación de préstamos del sector de las manufacturas no erradicará la cartera en riesgo, pero ayudará. Aunque no existe (casi) “prueba” de causalidad, existe inferencia de la causalidad. La IMF puede observar tendencias en su cartera, pero no es una “panacea”. Desafortunadamente, no es posible construir un modelo matemático masivo que pueda eliminar la cartera en riesgo. Un préstamo 64
puede tener una influencia más beneficiosa sobre el cliente uno que sobre el cliente dos, pero no es posible aumentar al máximo el beneficio en el 100 por cien de los casos. Las relaciones entre las variables, en la práctica, son desordenadas, imprecisas, inexactas, aproximadas y cambian a lo largo del tiempo. Pero esto no es una razón para desistir – es una razón para analizar y manejar estas relaciones. Tema avanzado – Causalidad a lo largo del tiempo La causalidad (a diferencia de la correlación) se complica más por la presunta secuencia temporal de eventos. Para que A cause B, B no tiene que ocurrir necesariamente después de A. Ambas pueden ocurrir simultáneamente o en ciertos casos A podría ocurrir después de B. Esto es común en situaciones donde los participantes se forman expectativas que determinan sus acciones. Las personas que esperan que llueva, posiblemente salgan de su casa por las mañanas con un paraguas. Suponiendo que dicha acción es a menudo correcta, es probable que haya una correlación positiva entre el número de personas que llevan consigo un paraguas por la mañana y la cantidad de lluvia durante el día. ¿Es válido concluir que el hecho de llevarse los paraguas causó la posterior lluvia? No, más bien la expectativa de (posterior) lluvia causó el (temprano) porte del paraguas. Sin embargo, las expectativas no pueden medirse fácilmente. Las observaciones directas, que se pueden medir fácilmente son “personas que salen con paraguas” y “lluvia durante el día”. En esta herramienta dichas confusiones son menos probables, puesto que el enfoque no está tan dirigido hacia la causalidad a lo largo del tiempo. En el contexto de las microfinanzas, las expectativas pueden también desempeñar un importante rol. El ejemplo más obvio, particularmente importante en regiones muy competitivas por el microcrédito y con altos niveles de sobreendeudamiento de clientes, es la expectativa de consecuencias negativas por el impago. Los clientes que tienen múltiples préstamos con varias IMF y no son capaces de cumplir con la totalidad de los pagos, es probable que no paguen primero a la IMF que les cause el menor sufrimiento a partir de entonces—la IMF más tolerante o aquella con las prácticas de cobro de la deuda menos estrictas. El banco que tenga las prácticas de cobro de la deuda más proactivas, confisca el colateral, da parte de los clientes rápidamente al buró de crédito, etc., probablemente sufra una mora relativamente inferior. El mecanismo subyacente para evitar dichos problemas es apelar al sentido común.
Problema 4 del análisis de datos: sesgo previo a la prueba Este problema es menos técnico y más filosófico por naturaleza—el deseo de las personas de descubrir o probar precisamente las cosas que desean, sin importar la exactitud. Las expectativas y los prejuicios del analista influyen en las pruebas que se realizarán y en cómo se llevarán a cabo; por lo tanto, lo que puede parecer como un análisis objetivo posiblemente contenga elementos ocultos de subjetividad, preferencias, prejuicios y expectativas que no son visibles para terceras partes. Este problema puede presentar una amenaza realmente peligrosa para el análisis general. El remedio sugerido puede resumirse en una sola frase: Abordar la prueba con una mentalidad abierta Esto es más fácil decirlo que hacerlo. La selección de qué análisis realizar ya está sujeta al sesgo previo a la prueba. Las IMF comparan las tasas de reembolso de hombres y mujeres porque esperan hallar ahí una diferencia. Es menos probable que comparen la calidad de la vivienda de 65
acuerdo con el género, porque suponen que da igual. La IMF podría tener razón en esto, pero hasta que se pruebe, no puede estar segura. Uno de los objetivos clave de esta herramienta es descubrir la causalidad, basándose en la premisa de que la IMF no conoce con certeza todas las relaciones causales activas en su entorno operativo. Pero cuando se pone a prueba: “¿es A la causa de B?”, es importante considerar, por lo menos teóricamente, que de hecho B puede causar A. El sesgo previo a la prueba en este contexto es la suposición de la dirección de la causalidad. El sesgo previo a la prueba también puede conducir a falsas conclusiones de que existe una relación causal entre dos variables que sólo están correlacionadas. Por ejemplo, consideren una IMF que realiza créditos grupales. La IMF observa que los grupos muy pequeños suelen tener tasas de cartera en riesgo más elevadas. El sentido común apoya esto – si un miembro de un grupo muy pequeño está en riesgo de mora, es más difícil para los demás miembros del grupo cubrir el déficit, que lo que le costaría a un grupo grande. La IMF supone que los tamaños de los grupos pequeños son una causa del incremento de la cartera en riesgo. Antes de que la IMF realice el análisis, esta idea preconcebida puede parecer razonable. Sin embargo, una elevada cartera en riesgo en un grupo causará un incremento en el deserción de clientes. A medida que los clientes desertan la IMF, quedan menos miembros para formar grupos. Así, mientras los grupos pequeños pueden tener algún efecto causal sobre la cartera en riesgo del grupo, la cartera en riesgo por sí misma, puede tener cierto impacto causal sobre los tamaños de los grupos a través del deserción de los clientes. La distinción entre causa y efecto no está tan claramente definida como puede suponerse inicialmente. A menos que se considere esto, puede suponerse que la relación entre el tamaño del grupo y la cartera en riesgo es una relación causal simple de A a B.
+ PAR
+
Tamaño de Grupo Pequeño
Tasa de Deserción de Clientes
+
Una sugerencia “razonable” para resolver el problema de los grupos pequeños que sufren elevadas tasas de cartera en riesgo, puede ser fusionar los grupos pequeños con grupos de mayor tamaño y así reducir la cartera en riesgo. Sin embargo, es improbable que la solidaridad entre los miembros de los grupos, obligados a unirse arbitrariamente, sea fuerte y por esto es improbable 66
que tal política tenga el efecto deseado sobre la cartera en riesgo, sin importar los términos del contrato – el vínculo social entre los miembros será más débil como resultado de verse obligados, de manera arbitraria, a fusionarse en distintos grupos. La IMF puede entonces concluir que incluso los grupos grandes (fusionados) no tienen tampoco un buen desempeño. El problema en este ejemplo es que la supuesta relación de causa y efecto no era completa y condujo a una sugerencia que no abordó el problema subyacente. Un peligro relacionado está en no considerar las repercusiones de una prueba “fallida” que se ignora. Esto puede llevar a perder una oportunidad. Consideren una prueba del “efecto de la frecuencia de pago sobre las tasas de reembolso”. La sospecha (o prejuicio) es que unas frecuencias de pago más largas llevan a tasas de mora más elevadas, dado que la IMF tiene un contacto menos frecuente con el cliente, mientras que éste afronta una menor presión para pagar, posiblemente ocasionando una mora más elevada. La IMF compara las tasas de morosidad de los préstamos, semanal y mensualmente, y halla que no existe una diferencia significativa. No se saca ninguna conclusión; la prueba fracasa. Sin embargo, la prueba sólo fracasó con respecto a la expectativa inicial de la IMF, mientras que de hecho, el resultado de la prueba podría tener una repercusión de gran alcance para la IMF (pendiente de un examen adicional). Si existe la misma probabilidad de que los clientes hagan un pago mensual del préstamo que uno semanal, entonces la IMF puede reducir sus costos operativos, puesto que le resulta considerablemente más económico administrar los costos mensuales y esto podría permitir a los agentes de crédito manejar más clientes. Si la prueba inicial se hubiera expresado de la siguiente forma: “los préstamos con mayor frecuencia de pago son más económicos y fáciles de administrar, y no dan lugar a una cartera en riesgo más alta” – esencialmente la misma prueba, pero con un supuesto inicial distinto (sesgo) – entonces se consideraría que la prueba había tenido “éxito”. En ambos casos, la prueba emprendida es idéntica, sólo definida con un sesgo distinto. Todos los lectores de esta herramienta, todas las instituciones de microfinanzas y, de hecho, todo ser humano, está sujeto a prejuicios. Es imposible evitarlo. Negar que el prejuicio existe no es una solución: se debe reconocer y manejar, mantener una mentalidad abierta, considerar otras explicaciones, cuestionar continuamente los resultados e identificar supuestos explícitamente. Aunque esto puede parecer un problema muy “teórico”, tiene una particular importancia en las microfinanzas , un campo donde suelen hacerse afirmaciones audaces y creerse sin una firme evidencia que las apoye. Considere lo ampliamente aceptadas que están las siguientes afirmaciones en el folclore de las microfinanzas: 1. “Los préstamos grupales son menos arriesgados que el crédito individual”. 2. “Los préstamos de mayores montos son más arriesgados para la IMF que los de montos más reducidos”. 3. “Los préstamos mensuales son más arriesgados para la IMF que los préstamos semanales”.
67
4. “Las tasas de reembolso de las mujeres son mejores que las tasas de reembolso de los hombres”. 5. “Los créditos urbanos son más efectivos en cuanto a los costos/rentables para las IMF”. Cada una de estas afirmaciones posiblemente sea cierta. Quizá son generalmente ciertas para el sector global de las microfinanzas. Son probablemente, fundamentalmente ciertas en cualquier IMF individual. Pero no son axiomas o leyes – deben analizarse y verificarse. Todas las suposiciones deben estar sujetas a prueba. Ya sea que éstas sean posiblemente, probablemente o fundamentalmente ciertas, en general esto tiene aquí poco interés: nos preocupa si son ciertas en SU IMF. Esta herramienta suministra un método objetivo para cuestionar cualquier teoría, cualquier observación o cualquier creencia, en la búsqueda para hallar las verdaderas relaciones causales. Particularmente cuando se realiza un descubrimiento controvertido, uno que quizá cuestiona el supuesto fundamental de toda la institución, la única manera de continuar es con datos fríos, rigurosos, sin opiniones dogmáticas. Por ejemplo, los resultados que contradigan aparentemente la influencia de la IMF sobre la reducción de la pobreza no serán muy bienvenidos. Sin embargo, en la medida en que un propósito principal de esta herramienta es ayudar a la IMF a lograr su misión, es tan importante identificar áreas donde la IMF no está haciendo esto, como demostrar áreas donde está teniendo éxito, para que se puedan realizar mejoras.
Problema 5 del análisis de datos: Minería de datos Un tipo final de sesgo analítico, aunque es un sesgo que se produce después de que se realicen las pruebas, supone hacer una selección de qué datos se presentarán a la gerencia o a partes externas. Considere a una IMF que desea analizar el desempeño social. Se examinan tres variables:
68
Variable
Medición
Resultado
Posible explicación
Calidad de la vivienda
Acceso a los servicios, tejado, suelo, etc.
POSITIVO: Los clientes que reembolsaron sus préstamos con éxito, a lo largo de un extenso periodo de tiempo, tienen un mayor acceso a los servicios públicos esenciales y realizan importantes mejoras en sus hogares.
La microempresa genera ingresos netos adicionales que permiten a los clientes invertir en mejoras en su vivienda.
Salud de la familia
Núm. de visitas al hospital o de enfermedades /año, tasa de mortalidad
NEUTRO: No existe una notable diferencia en la salud de los clientes y sus familias, como resultado de los préstamos sucesivos.
La salud no está directamente relacionada con el hecho de poseer una microempresa y quizá exista una amplia asistencia sanitaria básica.
Educación de los hijos
Porcentaje de hijos de la familia que acuden a la escuela
NEGATIVO: La probabilidad de que los hijos de los clientes a largo plazo asistan a la escuela, de hecho disminuye.
Los clientes pueden dar empleo a sus propios hijos en su microempresa, en lugar de enviarles a la escuela.
Aunque el análisis de la IMF da estos resultados y posibles explicaciones, ¿qué se está reportando realmente? ¿Cuál es la probable reacción de la gerencia ante los resultados que asocian ciclos de préstamos adicionales con una menor educación de los hijos? Dicho resultado puede cuestionar la creencia que la IMF tiene acerca de su impacto social sobre sus clientes. Hay tres procedimientos posibles, si se halla dicho resultado – los dos primeros son manifestaciones del sesgo posterior a la prueba: 1. Refutar el resultado, cuestionar el propósito, criticar los datos o al analista: Esto es válido si el análisis es defectuoso. Sin embargo, si el análisis es preciso, no resulta inusual que los gerentes critiquen o rechacen el resultado, puesto que éste implica que la IMF posiblemente no tenga tanto éxito como presentaron estos gerentes. 2. Aceptar el resultado y encubrirlo: Suponiendo que los datos se consideren válidos y que cuestionen la misión fundamental de la IMF (que puede tener un enfoque hacia los niños, por ejemplo), sería incómodo explicar dichas conclusiones a los inversores o incluso a otros miembros del personal, por lo que la acción más fácil es ocultar los resultados. 3. Abordar el problema subyacente: Aunque la IMF puede desear compartir importantes hallazgos con sus inversores y partes interesadas pertinentes, los resultados de este análisis rara vez se publican, pero suministran una oportunidad para mejorar. La IMF podría analizar si existen ciertos tipos de negocios que sean particularmente susceptibles al trabajo por parte de los niños, e iniciar controles en la selección de clientes y el proceso de supervisión para evitar que los niños sean obligados a trabajar, en lugar de ir a la escuela. Esto podría incluir, por ejemplo, una mejora en el procedimiento de solicitud de préstamos para detectar si se obliga a trabajar en la microempresa a niños, que de lo contrario podrían asistir a la escuela. Naturalmente este ejemplo está muy simplificado y supone que el niño podría acudir a la escuela si no trabajara en la microempresa. Si prescindir de un niño empleado supusiera la quiebra de la microempresa y diera lugar a que todos los demás niños de la familia abandonaran la escuela y se pusieran a mendigar en la calle, esto no sería deseable. En muchos países la educación primaria y secundaria casi universal es ahora una realidad y, sin embargo, numerosos microempresarios continúan empleando a sus propios hijos. Muy pocas IMF cuentan con normas explícitas acerca de dichas prácticas de trabajo infantil, no se ha investigado el impacto a largo plazo sobre esos niños y éste es un tema sobre el que se delibera pocas veces. Sin embargo, analizar esta medida de impacto es relativamente sencillo y, si los datos no están disponibles en ese momento, éstos son fáciles de obtener – es más fácil, por ejemplo, medir el número total de hijos y el número de hijos en la escuela, que la calidad de la vivienda. 69
Las IMF que captan y analizan los datos socio económicos a menudo publican resultados de su éxito para afrontar la pobreza. ¿Con qué frecuencia publican las IMF resultados que cuestionan su impacto sobre la pobreza, incluso si se hallan dichos resultados? Los econometristas se refieren a esto como “ir de pesca”: se analizan datos repetidamente y continúan generándose nuevos resultados, muy parecido a la manera en que un pescador arroja el sedal repetidamente, hasta que se halla el resultado deseado o, en el caso del pescador, éste captura un pez. Cuando se halla el resultado “correcto”, se detiene el análisis. Pregunta para el análisis En su IMF, si se descubriera un resultado controvertido (y se hallara que era exacto), que cuestionara la misión fundamental de la IMF, ¿cuál sería la probable respuesta de la gerencia?
Problema 6 del análisis de datos: variables no estacionarias Este problema está relacionado con la cuestión de la causalidad versus la correlación, mencionado anteriormente, pero trata específicamente de cómo algunas variables cambian a lo largo del tiempo. Para los fines de la herramienta, estamos estudiando una serie de análisis de instantáneas con el paso del tiempo, en lugar de analizar la varianza continua con el tiempo. Por ejemplo, una IMF examina los tamaños promedio de los préstamos a través del tiempo, y observa que se están incrementando. Al mismo tiempo, el número de sucursales en la IMF ha aumentado, como parte del plan de crecimiento general de la IMF. Un gráfico en el que se tracen los tamaños de los préstamos y el número de sucursales puede sugerir una correlación casi perfecta. ¿Significa esto que uno causa el otro? Las IMF operan a menudo en países que sufren unas tasas de inflación del 10 por ciento al 20 por ciento al año. Un préstamo de $100 en el año número uno puede, en la práctica, tener el mismo poder adquisitivo que un préstamo de $120 en el año número dos, pero la observación simple será que el tamaño promedio del préstamo se está incrementando. La IMF podría contrarrestar esto ajustando los tamaños de los préstamos según la inflación, pero el sentido común es generalmente suficiente para determinar si hay una probable relación causal. ¿Es probable que los tamaños promedio de los préstamos causen la apertura de sucursales adicionales, o viceversa? ¿Hay otros fenómenos que podrían explicar los incrementos en los tamaños promedio de los préstamos y las aperturas de sucursales adicionales, tales como la inflación, la migración de clientes a través de los ciclos de préstamos a préstamos de mayor tamaño o el crecimiento de la población?
70
Problemas de esta naturaleza son a menudo causados por tendencias, o cambios generales/ graduales en las variables. Técnicamente, un enfoque de sentido común es mucho más práctico que los cálculos prolongados, requeridos para eliminar los efectos de las tendencias en los datos. El enfoque pragmático consiste simplemente en considerar qué tendencias amplias, tales como las tasas de inflación o el crecimiento de la población, es probable que ocurran, y sobre qué variables influirán éstas probablemente – tal como el tamaño del préstamo y el número de sucursales. El analista debe por consiguiente, estar al tanto de dichos fenómenos y refrenarse de saltar a conclusiones precipitadas acerca de la causalidad. Tema avanzado – Retos del análisis de variables no estacionarias Es posible analizar las variables no estacionarias ajustando los datos para explicar la tendencia subyacente y luego analizar los cambios en los datos, más allá de la tendencia subyacente. La consecuencia desafortunada de esto, en el análisis de la regresión regular y la econometría, es que se quebrantan los supuestos fundamentales respecto al modelo lineal clásico, como consecuencia de este fenómeno, y se requiere un enfoque completamente distinto, utilizando métodos de cointegración o la autoregresión de vectores. Estos métodos sumamente avanzados, van mucho más allá de la experiencia de un gerente normal del SIG y requieren programas de econometría profesionales, en lugar de Excel. Aún más, cualquier análisis de ese tipo requiere una significativa puesta a prueba de varias condiciones y características de los datos, antes de poder confiar en los resultados, y dichas pruebas requieren una comprensión de las distribuciones de la probabilidad subyacente del conjunto de datos, que son generalmente desconocidas y volátiles. De este modo, ninguna persona excepto el econometrista con mucha experiencia, cometería la imprudencia de intentar dicho análisis.
Resumen de los problemas del análisis de datos No es vital que los usuarios de esta herramienta comprendan los principios estadísticos y econométricos subyacentes, sino que tengan un conocimiento de las maneras en las que estos principios crean problemas para el análisis de datos. Para abordar estos problemas en cuanto al análisis de datos, los usuarios deben cumplir unas pocas reglas sencillas: • Tener en cuenta el sesgo de las pequeñas muestras y, siempre que el análisis conlleve un subconjunto de la cartera que cuente con menos de 30 observaciones, ser cauteloso en sacar una sólida conclusión. • Separar las variables continuas en categorías discretas y comparar las categorías no adyacentes. • Al evaluar los resultados de cualquier análisis, preguntar siempre: “¿por qué?” y “¿hay alguna otra explicación posible para este resultado?” El sentido común y una mente inquisitiva son tan importantes como las capacidades técnicas en la utilización de esta herramienta. • Tener en cuenta variables que se podría esperar que cambiaran, simplemente como resultado del paso del tiempo y cambios en factores externos.
71
• Reconocer y manejar la tentación de formar una conclusión o expectativa, antes de realizar una prueba, y abordar cada prueba con una mentalidad abierta. Las bases de datos de las IMF no contienen “leyes”– sólo hay observaciones, pruebas y conclusiones. Sin embargo, debe tenerse en cuenta que algunos resultados pueden ser incómodos para la IMF. No hay necesidad de hacer públicos ampliamente dichos resultados más allá de las partes interesadas pertinentes, según corresponda, pero ocultar tales resultados a la gerencia no ayuda a nadie, incluso si los propios gerentes hallan dichos resultados molestos. En efecto, es al lidiar con resultados incómodos como se logra a menudo el mayor progreso. Ejercicio 5.1: Examen de supuestos, reconocimiento del sesgo Los equipos de liderazgo e implementación deben hacer este ejercicio juntos, como grupo. Considere el siguiente diagrama hipotético:
PAR
Joven
Edad del Cliente
Viejo
Este diagrama examina las tasas de cartera en riesgo de acuerdo con la edad de los clientes. La cartera en riesgo total de la IMF es del 5 por ciento, representada por la línea de puntos. Lo que observamos es que los clientes muy jóvenes y los clientes muy mayores sufren niveles más elevados de cartera en riesgo. La intuición detrás de esto puede ser que los clientes jóvenes tienen poca experiencia al operar sus propios negocios, mientras que los clientes de mayor edad sufren problemas de salud (incluida quizá una mayor probabilidad de fallecimiento) y son por ello propensos a una morosidad más elevada. Sin consultar ningún dato, ni realizar ningún análisis, ni hablar con sus compañeros de equipo, completen rápidamente los siguientes gráficos de manera individual. ¿De qué manera esperaría usted que la cartera en riesgo estuviera relacionada con el número de miembros de un grupo, la frecuencia de pago, el monto de préstamo desembolsado y el plazo del préstamo? Suponga que en cada caso la IMF tiene una cartera en riesgo total del 5 por ciento, tal y como muestra la línea de puntos. Dibuje una línea como en el anterior diagrama, que represente sus expectativas respecto a la relación. Por ejemplo, si usted piensa que no existe una relación entre la cartera en riesgo y una variable, dibuje una línea continua por encima de la línea de puntos: la cartera en riesgo es la misma, sin importar la variable en cuestión.
72
PAR
PAR
1234
Diario Semanal Quincenal Mensual etc
50+ # de Clientes en un Grupo
Frecuencia de Repago
PAR
PAR
Pequeño
Mediano Tamaño de Préstamo Desembolsado
Grande
Corto Plazo
Mediano Plazo
Largo Plazo
Plazo del Préstamo (Mes)
Una vez que todos los miembros del grupo hayan completado sus gráficos, comparen sus resultados y deliberen acerca de ellos. ¿Qué lógica utilizó usted para decidir que cada gráfico debe tener una cierta forma? ¿Hubo un consenso general para cada gráfico? ¿En qué difieren su gráfico y su lógica de los de otros miembros de su equipo? ¿Qué le dice esto acerca del sesgo previo a la prueba? Guarden estos gráficos completados para utilizarlos posteriormente, cuando se complete el análisis de cada uno de ellos, utilizando los datos reales de su IMF. Resulta interesante ver quién tenía las expectativas que se ajustaban más al resultado real. A menudo los miembros de nuestro equipo tendrán ideas muy distintas. Todo el mundo tiene un prejuicio u otro. No existe un supuesto correcto o incorrecto, sino que todos deben ponerse a prueba y ser validados por los datos.
73
CAPÍTULO 6: ANÁLISIS INICIAL Tras la preparación del conjunto de datos, utilizando los pasos que figuran en el Capítulo 4, la IMF está ahora preparada para armar los análisis iniciales en Excel, que inician el proceso de Análisis de la Cartera. Esto conlleva: 1. Calcular una serie de estadísticas básicas. 2. Segmentar los datos y analizar cada variable en la cartera. 3. Interpretar las tablas del análisis inicial y prepararse para la puesta a prueba de hipótesis.
Cálculo de estadísticas básicas y control de errores El paso inicial es calcular las estadísticas básicas de la cartera, basándose en el conjunto de datos de Excel. Esto suministra un rápido resumen de la cartera y sirve como mecanismo de validación para el análisis que se llevará a cabo posteriormente. También permite al equipo que está realizando el análisis, asegurarse que no se han cometido errores en las etapas preliminares de la extracción y limpieza de datos. Los resultados quizá no se ajusten exactamente a aquellos reportados en el SIG, puesto que deben haber ocurrido ciertas modificaciones menores (limpieza, eliminación de préstamos al personal y reestructurados, etc.), pero las estadísticas deben ajustarse al entendimiento amplio de la IMF. Tras extraer datos de la pestaña del conjunto de datos, en la hoja de Excel titulada “Datos Básicos”, surge la siguiente tabla. Los valores se basan en el conjunto de datos del Caso de Estudio. Ver documento “Datos no Procesados”. 3.1 Datos básicos
74
Estadística
Valor
%
Cálculo
Total cartera vigente
$17,935,395
suma simple de columna vigente
Cartera actual
$16,883,763
cartera vigente total menos cartera en mora
Tot. cartera en riesgo > 30 días
$1,051,632
5.9%
suma simple de columna PAR 30
Tot. cartera en riesgo > 60 días
$738,615
4.1%
suma simple de columna PAR 60
Tot. cartera en riesgo > 90 días
$517,945
2.9%
suma simple de columna PAR 90
Tot. cartera en riesgo > 120 días
$308,889
1.7%
suma simple de columna PAR 120
Tot. cartera en riesgo > 150 días
$136,375
0.8%
suma simple de columna PAR 150
Cartera en riesgo 30-59 días
$313,017
PAR 60 menos PAR 30
Cartera en riesgo 60-89 días
$220,670
PAR 90 menos PAR 60
Cartera en riesgo 90-119 días
$209,056
PAR 120 menos PAR 90
Cartera en riesgo 120-149 días
$172,514
PAR 150 menos PAR 120
Cartera en riesgo 150-179 días
$136,375
PAR 150 a 179 es igual que PAR 150
Estadística
Valor
%
Cálculo
Desembolso promedio
$1,444
promedio simple de columna desembolsos
Promedio vigente
$799
total vigente dividido entre # clientes
Desembolso total en período
$32,406,008
suma simple de columna desembolsos
Número total de clientes
22,442
conteo simple de IDs clientes
Clientes hombres (número)
8,350
37%
conteo condicional de IDs de clientes donde género=M
Clientes mujeres (número)
14,092
63%
conteo condicional de IDs de clientes donde género=F
Clientes hombres (cartera)
6,768,054
suma condicional de vigente donde género=M
Clientes mujeres (cartera)
11,167,341
suma condicional de vigente donde género=F
Edad promedio
36.0
promedio simple columna edad
Edad promedio ponderada
39.5
promedio ponderado de edad (ponderado por capital vigente)
Plazo promedio de préstamo ponderado
9.1
promedio ponderado de plazo (ponderado por capital desembolsado)
Las fórmulas exactas utilizadas para calcular estos campos se describen con mayor detalle en el Caso de Estudio y cada cálculo anterior puede verse en el conjunto de datos de Excel. Las funciones críticas de Excel utilizadas son SUM, SUMIF, SUMPRODUCT, COUNTA y AVERAGE. Ciertos valores tienen una importancia crítica para el siguiente análisis, en particular la cartera en riesgo total (monto y porcentaje), el número total de clientes y la cartera vigente total. A lo largo del siguiente análisis es importante que, en cada etapa, el equipo valide todos los hallazgos frente a estos totales. Por ejemplo, al analizar el desglose de la cartera por sector y género: • La suma de todos los clientes analizados = número total de clientes • La suma de todas las clientes mujeres en cada sector = número total de clientes mujeres • La suma de todo el capital (y la cartera en riesgo) en cada sector = capital total (y cartera en riesgo) de la IMF Esto puede parecer obvio, pero es muy fácil excluir accidentalmente ciertos subconjuntos de los datos. Igualmente, al utilizar los filtros automáticos es fácil olvidar que uno se ha activado y continuar como si se estuviera analizando toda la cartera, mientras que de hecho algunos datos están ocultos – Excel no proporciona una advertencia particularmente visual de que un filtro está activado. El usuario debe habitualmente validar cada total, pero las cifras esenciales serán memorizadas rápidamente y la validación durará un segundo. 75
Una vez que se han calculado las estadísticas básicas y se ha verificado la integridad del conjunto de datos de Excel, la IMF está lista para realizar su primera ronda de análisis de datos. Estos análisis siguen formatos estándar y permiten a la IMF obtener una rápida visión de todas las variables relevantes en este conjunto de datos. En función de estos análisis iniciales, la IMF formulará preguntas que le ayudarán a determinar qué análisis va a realizar en la puesta a prueba de hipótesis del proceso de análisis.
Introducción a las tablas dinámicas Las tablas dinámicas de Excel constituyen la base para la mayoría de los análisis iniciales, por lo que el usuario de la herramienta debe comprender cómo construirlas y utilizarlas. Las tablas dinámicas son una poderosa herramienta que puede ahorrar mucho tiempo al usuario, en comparación con la segmentación o el filtro manual del conjunto de datos y la ejecución de cálculos basados en los resultados. Las tablas dinámicas toman grandes cantidades de datos y los combinan automáticamente en resúmenes, tales como totales, porcentajes, cómputos o promedios, basados en criterios establecidos por el usuario. Esta funcionalidad es ideal para el proceso de Análisis de la Cartera, donde la IMF está analizando los datos de muchos miles de clientes. Las cifras que se muestran en las tablas dinámicas se basan en segmentos definidos por el usuario. Por ejemplo, una tabla dinámica muy sencilla podría mostrar la cartera vigente total de la IMF y los saldos de ahorros segmentados por género, permitiendo ver a la IMF cómo está distribuyendo su cartera. El personal de la IMF que no esté familiarizado con las tablas dinámicas, debe referirse al Apéndice 2 para aprender las nociones básicas para el uso de las tablas dinámicas.
Elaboración de tablas dinámicas para los análisis iniciales El conjunto de datos de Excel contiene una serie de variables que la IMF posiblemente desee analizar frente al desempeño de la cartera, tales como la región, el sector, la sucursal, el género, el nivel de pobreza o el tamaño del préstamo. Según los datos que esté recopilando la IMF, la lista puede ser extensa, excluyendo sólo datos específicos de clientes. Para obtener un panorama de cómo estas variables se comportan en la cartera, la IMF debe comenzar elaborando una visión de “helicóptero” de los datos. Recomendamos al usuario de la herramienta que comience ejecutando un análisis inicial de cada una de estas variables, para obtener una idea muy básica de lo que está sucediendo en la cartera. El análisis inicial mostrará lo siguiente para cada segmento asociado con la variable: cómputo de clientes, desembolso total de préstamos, total de préstamos vigentes, capital total de la cartera en riesgo mayor a 30 días y total de ahorros. Estos valores estarán contenidos en una tabla dinámica. En este ejemplo, análisis de los clientes en diferentes categorías de calificación de la pobreza, la tabla dinámica es la porción contenida dentro de la línea de puntos:
76
Datos Nivel de Pobreza
1 - extrem. pobre 2 - muy pobre 3 - pobre 4 - no pobre 5 - clase media Gran Total
Conteo de Edad
2195 7930 6491 4614 1212 22442
Suma desembolsado
$ $ $ $ $ $
1,794,491 8,848,101 8,359,533 7,096,273 6,307,610 32,406,008
Suma Vigente
$ $ $ $ $ $
1,039,295 4,908,830 4,587,956 3,907,131 3,492,183 17,935,395
Suma de PAR30 Suma de Ahorros
$ $ $ $ $ $
8,946 132,842 159,215 231,657 518,972 1,051,632
$ $ $ $ $ $
268,236 1,304,624 1,213,040 1,040,611 943,299 4,769,810
% de clientes
9.8% 35.3% 28.9% 20.6% 5.4% 100.0%
% de cartera
PAR30 Tamaño prom. Prést.
5.8% 0.9% $ 27.4% 2.7% $ 25.6% 3.5% $ 21.8% 5.9% $ 19.5% 14.9% $ 100.0% 5.9% $
Prom. Ahorro
818 1,116 1,288 1,538 5,204 1,444
$ $ $ $ $ $
122 165 187 226 778 213
El análisis inicial sugerido agrega cálculos adicionales, basados en las cifras de la tabla dinámica (incluyendo la columna de ‘conteo de edad’, que es realmente un cómputo del número total de clientes en cada segmento). Los cálculos adicionales muestran lo siguiente para cada segmento: el porcentaje de clientes asociados con cada segmento; el porcentaje de la cartera vigente en cada segmento; la cartera en riesgo mayor a 30 días en términos de porcentajes; el monto promedio del préstamo; y el saldo promedio de ahorros. La fila resaltada al final de la tabla contiene los totales para toda la cartera, que deben ser iguales en todas las tablas y deben coincidir siempre con las estadísticas básicas de la IMF. En este caso, el usuario se familiarizará rápidamente con el número total de clientes (22.442), el total vigente ($17.935.395) y el total de la cartera en riesgo mayor a 30 días ($1.051.632), y un vistazo rápido a los totales en todas las tablas siguientes confirmará si los totales son correctos o si ha habido un problema. Para elaborar dicha tabla, vea el archivo de Excel “Datos no procesados” y siga los siguientes pasos: 1. Seleccione el conjunto completo de datos (de la pestaña titulada “1. Base de datos”) e inserte la tabla dinámica en una pestaña separada (refiérase a las instrucciones en el Apéndice 2, si fuera necesario). 2. En la lista de campos, pulse primero sobre la variable que va a examinarse – en este ejemplo, usaremos “Sector.”
77
3. A continuación, pulse sobre “Edad”, “Desembolsado”, “Vigente”, “Cartera en Riesgo mayor a 30 Días” y “Ahorros”:
78
4. A estas alturas la tabla precisa algún formateo. Abra la ventana de Configuración de Campos de Valores para el valor de “Suma de Edad” y cámbielo a contar, para obtener el número de clientes en cada categoría. (Puede usarse cualquier columna para contar los clientes – si su IMF no realiza un seguimiento de la edad, puede utilizarse cualquier otra columna que tenga un valor distinto de cero para cada cliente). Luego cambie los valores del capital al formato de moneda apropiado:
79
5. La tabla dinámica está ahora completa y pueden agregarse columnas adicionales para el análisis. A la derecha de los títulos de la tabla dinámica, cree cinco títulos más: “Porcentaje de clientes”, “Porcentaje de la cartera”, “Cartera en riesgo> 30 días”, “Tamaño promedio del préstamo” y “Ahorros promedio”. Si la tabla resulta demasiado ancha para su pantalla en este momento, redúzcala con el zoom o utilice el separador de columnas de Excel para inmovilizar los títulos de la fila (Columna A) en su sitio:
6. Anote las siguientes fórmulas en la primera casilla de cada una de las nuevas columnas: a. “Porcentaje de clientes” es el número de clientes (para el segmento), dividido por el total de clientes (para toda la cartera). b. “Porcentaje de la cartera” es el capital vigente (para ese segmento), dividido por el total vigente (para toda la cartera). c. “Cartera en riesgo > 30 días ó PAR30” es el capital de la cartera en riesgo mayor a 30 días, dividido por el capital vigente. d. “Tamaño promedio del préstamo” es el desembolso dividido por el número de clientes. e. “Ahorros promedio” son los ahorros divididos por el número de clientes.
80
f. El valor de la segunda fila utilizado en los cálculos del “Porcentaje de clientes” y el “Porcentaje de la cartera” debe siempre coincidir con la fila de gran total en la tabla; en este caso la tabla cuenta con cinco filas, así que el gran total está en la fila 8: % de clientes
% de cartera
Cartera en Tamaño prom. Riesgo>30días préstamo
Ahorros Promedio
=B4/B$9
=D4/D$9
=E4/D4
=F4/B4
=C4/B4
7. Utilice el comando de “Llenar hasta abajo” para incorporar estas fórmulas al resto de las casillas en la tabla. Formatee las tres primeras columnas como porcentajes con un decimal y formatee las columnas de préstamos y ahorros como moneda:
8. Verifique los valores del gran total, para asegurarse que coinciden con los valores previstos para la cartera de préstamos total – los “totales” para cartera en riesgo> 30 días, tamaño promedio del préstamo y saldo promedio de ahorros serán en realidad promedios en lugar de totales, puesto que estas tres cifras son ratios. El proceso será similar para cada variable en la cartera – cualquier variable que esté categorizada, se puede analizar de esta manera. Por ejemplo, después del primer análisis, la IMF puede hacer un análisis inicial del desempeño relativo de cada una de sus sucursales, siguiendo estos pasos: 1. Siga los siguientes pasos iniciales para crear una tabla dinámica con las columnas apropiadas, pero esta vez seleccione “Agencia”, en lugar de “Sector”, como campo de la fila.
81
2. Copie las columnas adicionales de la tabla dinámica de sector y péguelas en el mismo lugar, junto a la tabla dinámica de sucursal. Esto aplicará las fórmulas a la nueva tabla dinámica:
3. Si la nueva tabla dinámica tiene un número distinto de filas a la tabla anterior (como en este ejemplo), las fórmulas producirán resultados incorrectos. En este caso, ajuste la primera casilla en la fila de “% de clientes” y la fila de “Porcentaje de cartera”, para que se corresponda con la cifra de la última fila de la tabla dinámica. Aquí los “9” de las fórmulas anteriores se cambiarían a “13”, puesto que los totales para la tabla antigua estaban en la fila 9 y los totales de la nueva tabla están en la fila 13. (No es necesario cambiar las otras fórmulas, ya que no dependen del número de filas en la tabla dinámica).
82
4. Aplique las nuevas fórmulas hasta la parte inferior de la tabla:
5. El análisis inicial de esta variable está ahora completo. Siga un proceso similar para desarrollar rápidamente el análisis inicial de todas las demás variables en el conjunto de datos. Con estos análisis iniciales completos, la IMF podrá descubrir tendencias en estos datos, que le permitirán formular preguntas para el proceso de la puesta a prueba de hipótesis.
Interpretación de cada análisis inicial Para cada tabla de análisis inicial, el usuario debe contestar unas pocas preguntas: 1. ¿Tiene cada segmento en el análisis un tamaño de muestra suficiente? (por ej. 30 clientes o más, como se registra en la columna “Conteo de Edad” y se analizó en el Capítulo 5)? Si un segmento es demasiado pequeño, la IMF no puede sacar ninguna conclusión del análisis de dicho segmento, pero aún puede llegar a conclusiones acerca de otros segmentos. 2. ¿Están correlacionados ciertos valores de esta variable con una cartera en riesgo más alta/más baja? ¿Con un tamaño de préstamo o unos ahorros mayores o inferiores? 3. ¿Explica un cierto valor de la variable a un segmento desproporcionadamente grande de la cartera (por ejemplo, al advertir que un 55 por ciento de los clientes están en el negocio del transporte)?
83
En función de todas las respuestas anteriores, el usuario debe: 4. Desarrollar cualquier gráfico que ayude al equipo a visualizar el comportamiento de ciertas variables. 5. Hacer una presentación al resto del equipo y juntos preparar preguntas basadas en correlaciones halladas en el análisis inicial, para evaluarlas en la fase de puesta a prueba de hipótesis. A estas alturas es importante considerar todas las posibilidades y abordar el proceso de generación de preguntas con una mentalidad abierta, para evitar el problema del sesgo previo a la prueba, analizado en el Capítulo 5. Utilizando el análisis de la calificación de la pobreza que se mostró anteriormente, veremos los cinco primeros pasos de interpretación, que son específicos para cada tabla: Datos Nivel de Pobreza
1 - extrem. pobre 2 - muy pobre 3 - pobre 4 - no pobre 5 - clase media Gran Total
Conteo de Edad
2195 7930 6491 4614 1212 22442
Suma desembolsado
$ $ $ $ $ $
1,794,491 8,848,101 8,359,533 7,096,273 6,307,610 32,406,008
Suma Vigente
$ $ $ $ $ $
1,039,295 4,908,830 4,587,956 3,907,131 3,492,183 17,935,395
Suma de PAR30 Suma de Ahorros
$ $ $ $ $ $
8,946 132,842 159,215 231,657 518,972 1,051,632
$ $ $ $ $ $
268,236 1,304,624 1,213,040 1,040,611 943,299 4,769,810
% de clientes
9.8% 35.3% 28.9% 20.6% 5.4% 100.0%
% de cartera
PAR30 Tamaño prom. Prést.
5.8% 0.9% $ 27.4% 2.7% $ 25.6% 3.5% $ 21.8% 5.9% $ 19.5% 14.9% $ 100.0% 5.9% $
Prom. Ahorro
818 1,116 1,288 1,538 5,204 1,444
$ $ $ $ $ $
122 165 187 226 778 213
1. La IMF verifica que cada segmento contiene en verdad más de 30 clientes y por lo tanto puede utilizarse para sacar conclusiones estadísticamente válidas (ej. ningún sesgo de pequeña muestra, véase el Capítulo 5). 2. Parece que los clientes de clase media sufren una cartera en riesgo desproporcionadamente elevada. Además presentan tamaños de préstamos significativamente superiores a los de otros clientes. No sorprende demasiado que puedan ahorrar más que los clientes pobres. 3. La cartera parece estar dividida bastante uniformemente entre los segmentos: sin embargo, ésta es una IMF enfocada hacia la pobreza, por lo que advierten que puede haber una oportunidad para incrementar la proporción de la cartera dedicada a clientes de más bajos ingresos.
84
4. El personal considera que un gráfico de burbuja puede ser útil para visualizar los datos, donde el nivel de la burbuja es la tasa de la cartera en riesgo mayor a 30 días y el tamaño de la burbuja es la participación de la cartera. El gráfico hace más aparente la intensidad del problema – los préstamos a la clase media constituyen una parte significativa de la cartera y son más susceptibles de un mal pago que otros préstamos. Esto influirá en la rentabilidad y la capacidad de la IMF para incrementar su alcance. Cartera en riesgo mayor 30 días y participación de cartera por nivel de pobreza 20.0% 15.0% 10.0% 5.0% 0.0%
Extremadamente Pobre
Muy Pobre
Pobre
No Pobre
Clase Media
5. En función de todo lo anterior, la IMF anota algunas preguntas para la puesta a prueba de hipótesis. Por ejemplo, ¿se debe de hecho la pobre tasa de reembolso, entre los clientes de clase media, a que son clase media o entra en juego algún otro factor, tal como la geografía, el tipo de negocio o las características del préstamo? A continuación la IMF dirige su atención hacia el análisis inicial del ciclo de préstamos: Ciclo 1 2 3 4 5 6 7 Gran Total
Conteo de edadSuma desembolsado Suma Vigente 5325 $ 2,845,738 $ 1,719,239 5685 $ 4,014,065 $ 2,334,123 3961 $ 4,590,306 $ 2,572,926 2798 $ 4,587,396 $ 2,530,191 2352 $ 6,932,930 $ 3,708,318 1828 $ 7,334,037 $ 3,978,071 493 $ 2,101,536 $ 1,092,527 22442 $ 32,406,008 $ 17,935,395
Suma de PAR30 Suma de Ahorros% de clientes%clientes de cartera PAR30 Tam.Prom.Prést. Ahorros prom $ 20,033 $ 406,270 23.7% 9.6% 1.2% $ 534 $ 76 $ 32,476 $ 579,063 25.3% 13.0% 1.4% $ 706 $ 102 $ 50,661 $ 689,132 17.6% 14.3% 2.0% $ 1,159 $ 174 $ 78,019 $ 693,835 12.5% 14.1% 3.1% $ 1,640 $ 248 $ 332,382 $ 1,023,300 10.5% 20.7% 9.0% $ 2,948 $ 435 $ 403,633 $ 1,081,422 8.1% 22.2% 10.1% $ 4,012 $ 592 $ 134,428 $ 296,788 2.2% 6.1% 12.3% $ 4,263 $ 602 $ 1,051,632 $ 4,769,810 100.0% 100.0% 5.9% $ 1,444 $ 213
1. Todos los segmentos presentan un tamaño de muestra suficiente. 2. La cartera en riesgo parece ser un problema para los clientes en ciclos de préstamos posteriores. Los tamaños de los préstamos y los saldos de ahorros también se incrementan a medida que los clientes progresan a través de los ciclos de préstamos, un resultado previsto. 3. En este análisis se espera que haya menos clientes en ciclos posteriores; los datos lo confirman.
85
4. La IMF decide que, al igual que en el análisis anterior, un gráfico de burbuja puede ser útil para visualizar los datos. Aquí la IMF advierte que los clientes comienzan a tener problemas después del cuarto ciclo de préstamos, y los ciclos de préstamos quinto y sexto representan partes más grandes de la cartera que otros ciclos: Cartera en riesgo a 30 días y participación de cartera por ciclo de préstamos 14.0% 12.0% 10.0% 8.0% 6.0% 4.0% 2.0% 0.0%
5. Las preguntas para la fase de puesta a prueba de hipótesis incluyen: ¿qué está sucediendo entre los ciclos 4º y 5º? ¿Se debe el problema realmente al ciclo de préstamos o es otro factor (tamaño del préstamo, negocio del cliente, etc.) el que está contribuyendo realmente al problema? La revisión de los análisis iniciales es un proceso acumulativo – tras revisar cada análisis inicial, la IMF puede obtener conocimientos acerca de relaciones con otras tablas.
Preparación para la puesta a prueba de las hipótesis Tras examinar todos los análisis iniciales, la IMF podrá realizar ciertas observaciones y prepararse para un mayor análisis. Tomados en conjunto, los análisis iniciales ayudarán a la IMF a responder a estas preguntas: 1. ¿Qué es lo que salta a la vista en las cifras y cuáles son las tendencias? 2. ¿Cuáles parecen ser las áreas de fortaleza en la cartera? 3. ¿Cuáles parecen ser las áreas de preocupación en la cartera? En función de estas conclusiones, la IMF formulará hipótesis acerca de lo que puede estar pasando en la cartera, manteniéndose abierta una vez más a todas las posibilidades, para evitar la cuestión del sesgo previo a la prueba. El siguiente capítulo esboza el proceso de la formulación y el uso de las hipótesis, así como de la presentación de varias herramientas avanzadas que el usuario puede aprovechar para probar esas hipótesis. El análisis hasta este punto es estático, comparable a una fotografía. No ha analizado la causalidad, pero ha identificado la correlación y ha descrito los datos. 86
CAPÍTULO 7: PUESTA A PRUEBA DE HIPÓTESIS Tras haber completado los análisis iniciales, la IMF cuenta con un mejor panorama del estado de su cartera y está lista para profundizar, pensando de manera crítica para elaborar pruebas que revelarán mayores conocimientos acerca de las relaciones causales contenidas en la cartera. El proceso de analizar una cartera utilizando esta herramienta, conlleva un procedimiento iterativo. Mientras que el proceso del análisis inicial suministra a la IMF una fórmula para descubrir tendencias generales en este conjunto de datos, el proceso de puesta a prueba de hipótesis requiere una cuidadosa reflexión a lo largo de varias iteraciones. No hay dos IMF que sean idénticas, por lo que es imposible resumir el proceso exacto que se debe seguir – hay un número casi infinito de permutaciones para el proceso de prueba de las hipótesis. Sin embargo, la IMF puede abordar este proceso equipada con tres herramientas principales: 1. El ciclo de hipótesis es una estructura general para facilitar un proceso de investigación iterativo en cualquier IMF. 2. Los métodos avanzados de análisis se utilizan para descubrir nuevos conocimientos en el transcurso del ciclo, según corresponda. 3. El sentido común y la comprensión general del modelo comercial de las microfinanzas. Como se esbozó anteriormente, es vital relacionar los hallazgos e interpretar los resultados con referencia a la lógica subyacente. Esta etapa supone una explicación, en lugar de una mera descripción. Consideren la analogía de las ramas de un árbol: cada IMF sube por el tronco principal del árbol en el que hay dos o tres ramas principales, tales como parámetros crediticios fundamentales, variables de clientes fundamentales y variables de mercado fundamentales (tales como sector/ industria del cliente). A lo largo de cada rama hay varias ramas más pequeñas, por ejemplo, préstamos de diferente tamaño dentro de un sector. Finalmente, los análisis de interés para una IMF específica están representados por las ramitas u hojas hacia el exterior del árbol, de las que hay ahora miles de posibles combinaciones que pueden ser más o menos relevantes para diferentes IMF (por ejemplo, el tamaño del préstamo y el calendario de pago, comparado con el nivel de pobreza de los clientes en diferentes regiones). El ciclo de la puesta a prueba de hipótesis se utiliza para navegar por el árbol, mientras que los métodos avanzados de análisis se utilizan para investigar cada una de las ramas. Cada IMF que utiliza la herramienta se desviará hacia una serie diferente de ramas principales y menores, hallando resultados específicos para su propio entorno operativo.
87
Analista investiga un fenómeno específico
Pruebas
Sector Género Tipo de préstamo
Productos De Crédito
Base de Datos
En el ciclo de puesta a prueba de hipótesis, una IMF probablemente seguirá varias “ramas”, que no llevarán a relaciones claras entre las variables. Esto no quiere decir que el analista o la herramienta hayan fracasado: esto está previsto. Quizá un proceso de la IMF conllevará examinar cien relaciones, entre varias combinaciones de variables, y sólo diez de esas pruebas producirán relaciones sobre las que la IMF puede después actuar. Evidentemente, si el analista supiera qué diez ramas seguir, no sería necesario seguir las otras 90 pero, al mismo tiempo, descubrir que una rama no conduce a una conclusión definitiva, es en sí un resultado importante. Descubrir que “A” NO causa “B” puede ser tan útil como descubrir que “C” SÍ causa “D”. Puede ser útil un ejemplo que ilustre esto. Si una IMF descubre que la frecuencia de pago no influye sobre el desempeño de un préstamo, a la IMF puede resultarle más económico, desde el punto de vista operacional, unas frecuencias de pago más largas permitiendo que un solo agente de crédito trabaje con más clientes. Esto debería validarse detenidamente, pero es un ejemplo de dónde un descubrimiento sin ninguna influencia puede conducir igualmente a un resultado tangible. A medida que el equipo sigue este proceso, es importante tener en mente los retos en cuanto al análisis de datos, mencionados en el Capítulo 5. En la primera etapa es muy importante prestar una gran atención a la cuestión del sesgo previo a la prueba: hacerse preguntas constantemente entre sí, cuestionar los resultados y mantener la mente abierta a lo largo del proceso.
88
El ciclo de la hipótesis A través del proceso iterativo del ciclo de la hipótesis, la IMF puede revelar conocimientos adicionales acerca de su cartera, más allá de las observaciones básicas obtenidas del análisis inicial. Para hacer esto es importante comprender el proceso metodológico de la formulación y puesta a prueba de una hipótesis. Esto se hace mejor mediante un ejemplo: Una IMF sufre una elevada cartera en riesgo. Tras un mayor análisis, parece que las tasas de reembolso de los hombres son notablemente inferiores a las de las mujeres. La IMF descubre finalmente que un sector en particular, y un tipo producto crediticio en un sentido más amplio, es el principal impulsor de esto. La IMF deja de hacer préstamos a los hombres que operan en este sector y endurece los criterios de solicitud y debida diligencia para este producto crediticio, de manera más general. La historia puede parecer sencilla, pero hay muchas oportunidades de cometer errores en este proceso, a menos que se desglose en pasos individuales: Núm.
Paso
Ejemplo
1
Definir el problema que se va a abordar.
Algunos clientes hombres muestran tasas de morosidad significativamente más altas que el promedio.
2
Formular una hipótesis: Elaborar una lista de posibles explicaciones y comenzar con las más probables.
En numerosas IMF se ha mostrado que el género es un factor que contribuye a la cartera en riesgo. El género puede ser una causa de la cartera en riesgo en nuestra IMF. Puede haber factores contribuyentes que guarden relación con el género, por ejemplo: tipo de préstamo o sector.
3
Elaborar una prueba: Examinar la variable que es un “problema”, en función de varios factores y combinaciones de éstos. Considerar los datos disponibles por sector, edad, tamaño del préstamo, etc. Considerar también la utilización de múltiples tipos de pruebas, según corresponda.
¿Hay mayor probabilidad de que los clientes hombres utilicen un tipo de préstamo que tenga una cartera en riesgo más elevada?
4
Analizar los datos: Examinar las tablas dinámicas, los gráficos, etc. para analizar si ciertos subconjuntos constituyen una gran parte del problema.
Parece no haber una correlación entre el tipo de préstamo y la cartera en riesgo. El sector X no parece ser un problema y los clientes hombres hacen negocios en este sector de manera desproporcionada.
5
Realizar un análisis continuado.
Se cumplió la expectativa original, pero la IMF debe buscar explicaciones adicionales o complejidad en el resultado.
6
Sacar una conclusión o repetir el ciclo.
Los préstamos grandes a clientes hombres en el sector X son la principal fuente de este problema.
7
Resumir los resultados.
Sugerimos detener los préstamos a los clientes hombres que operan en el sector X y hacer más riguroso el proceso de solicitud en general.
-o¿Hay mayor probabilidad de que los clientes hombres estén en un sector con una cartera en riesgo más elevada?
89
El proceso de reflexión detrás de este mecanismo iterativo no se define fácilmente. Existe un número infinito de permutaciones y el analista aprenderá con la práctica. El proceso es en parte técnico, pero es igualmente intuitivo. Cuando una aparente conclusión parece explicar una observación, una pregunta clave que el(la) usuario(a) debe preguntarse a sí mismo(a) es: “¿podría haber otra explicación que produciría esta misma observación?”
Paso 1: Definir el problema que se va a abordar En función de los resultados de los análisis iniciales, la IMF debe seleccionar cuestiones para investigarlas con mayor detalle: • Un problema de la cartera en riesgo: parece que un cierto grupo de clientes está teniendo un pobre desempeño: ¿qué podemos aprender acerca de este grupo y cuáles parecen ser las principales variables que impulsan el problema? • Una cuestión de desempeño social: la IMF no está llegando a un cierto grupo de clientes o parece que sólo puede llegar a cierto grupo de clientes con un elevado costo para la IMF en términos de la cartera en riesgo. ¿Cómo puede la IMF segmentar este grupo de clientes para llegar a los clientes con mejor desempeño, al tiempo que cumple con su misión? • Una cuestión operativa: algunos agentes de crédito parecen tener un mejor desempeño que otros. ¿Existe alguna característica común en las carteras de estos agentes de crédito que les lleva a un mejor desempeño? Con los problemas definidos, la IMF probablemente desee repetir este ciclo varias veces, para abordar las diferentes cuestiones que ha identificado.
Paso 2: Formular una hipótesis Inicialmente la IMF quizá no tenga ni idea de dónde se origina un problema, por ejemplo una elevada cartera en riesgo. Por ello examina los análisis iniciales de la cartera en riesgo por producto crediticio, región, género, y observa una divergencia entre las tasas de pago de los hombres y de las mujeres, así como una divergencia menos significativa, pero notable, para diferentes productos crediticios y sectores. La IMF es consciente de que se han documentado diferencias de género en otras IMF y se pregunta si le puede estar ocurriendo a ella el mismo fenómeno con sus clientes. Así hay una razón, o una premisa, para suponer que el género podría ser una posible causa de la cartera en riesgo. La idea se basa en el sentido común, en una teoría, con alguna justificación. De este modo, la IMF formula una hipótesis que se expresa de la siguiente manera: “El género ha demostrado ser en numerosas IMF un factor contribuyente a la cartera en riesgo. El género puede ser una causa de la cartera en riesgo en nuestra IMF”.
90
La IMF puede formular muchas de dichas hipótesis, establecer prioridades en función de cuáles parecen más sensatas y ejecutar el ciclo de hipótesis para cada una de ellas.
Paso 3: Elaborar una prueba Es importante considerar exactamente qué datos están disponibles y cómo se elaborará la prueba. La IMF cuenta con datos de género disponibles para cada préstamo, pero primero debe preguntarse: “¿en qué medida son fiables estos datos?” Hay muchos casos de IMFs que presentan un sesgo hacia las clientes mujeres en sus políticas crediticias; los clientes lo saben y por ello los clientes hombres envían a sus mujeres a obtener préstamos. Suponiendo que el personal de la IMF confíe en que esto no esté sucediendo, a continuación establece claramente cómo se elaborará una prueba: “Desglosaremos la cartera por género y luego por otras variables que sean relevantes, analizaremos las cifras de la cartera en riesgo como corresponde y buscaremos divergencias notables”. En este caso, al desglosar la cartera por más de una variable a la vez, la IMF está utilizando el método de prueba de variables dobles, esbozado en este capítulo. Los principales métodos de análisis que la IMF puede seleccionar para la prueba son: 1. Análisis de variables dobles discretas: ¿Cómo dos variables discretas, tomadas en combinación, afectan a una tercera variable continua en la cartera y qué variable discreta parece tener un mayor efecto? Por ejemplo, ¿cuál es la cartera en riesgo relativa de las diferentes combinaciones de sector del cliente y región? O, ¿cómo las diferentes combinaciones de sucursal y tipo de préstamo se corresponden con diferencias en los saldos de ahorro de los clientes? 2. Análisis acumulativo de variables dobles continuas: En el caso de una variable, ¿cómo varía en función de otra variable, si tomamos el promedio acumulado para cada cliente? Por ejemplo, a medida que progresamos del cliente con el préstamo más pequeño hasta el cliente con el más grande, ¿cómo cambia la cartera en riesgo promedio? Este método puede utilizarse para desvelar los puntos precisos donde tienen lugar cambios en la calidad de la cartera. 3. Análisis de la cartera por edad de los clientes: Para ciertos segmentos de clientes, en qué medida se recuperan los clientes morosos– por ejemplo, ¿cuál es la cartera en riesgo mayor a 30, 60, 90, 120 y 150 días, para cada grupo? Esto puede revelar percepciones acerca de cómo manejar mejor estos grupos. El análisis de la cartera por edad de los clientes puede segmentarse basándose en una variable discreta (por ej. el género) o utilizar variables dobles discretas (por ejemplo, género por sector). Estos métodos de análisis se explican con mayor detalle más adelante en este capítulo. La IMF debe también considerar qué estadística de la cartera en riesgo se observará – ¿sólo la cartera en riesgo mayor a 30 días (común) o la cartera en riesgo en todos los rangos de fechas (aconsejable)? Una elevada cartera en riesgo mayor a 30 días es un problema para una IMF, pero son los castigos los que suponen un costo financiero directo para la IMF. Es preferible tener una 91
cartera en riesgo mayor a 30 días de un 8 por ciento y cero castigos, que una cartera en riesgo mayor a 30 días del 5 por ciento y castigos del 3 por ciento. Tras realizar los análisis de variables dobles discretas, la IMF quizá desee poner a cero ciertas combinaciones de variables y someterlas a la prueba del análisis de la cartera por edad de los clientes, para descubrir las diferencias más profundas.
Paso 4: Analizar los datos Una vez que se ha realizado la prueba y se han recopilado los datos, la IMF revisa las conclusiones y compara los resultados con la hipótesis. En la hipótesis había una expectativa implícita: que las tasas de pago diferirían por género. ¿Ha sucedido esto? Sólo hay dos posibilidades y ninguna puede considerarse un “fracaso”: Se observa el resultado previsto: Si la IMF observa una divergencia, esto no significa simplemente que “el género X es mejor que el género Y”, sino que significa que el género sí desempeña un rol. La IMF debe ahora buscar más profundamente para ver si existe otra explicación para esto. ¿Es esta diferencia de género, consistente a lo largo de todos los productos y regiones? ¿Quizá las diferencias de género prevalecen en los entornos urbanos, pero no en los rurales, por ejemplo? Para averiguarlo, la IMF repite el proceso con estas pruebas más perfeccionadas. Regresa al paso dos y elabora una nueva hipótesis: las diferencias de género a través de la cartera no están distribuidas de manera uniforme, sino que varían por región (o producto de crédito, tamaño de la familia, actividad comercial, etc.). No se observa el resultado previsto: Esto no significa que la prueba fracasó sino que las diferencias de género promedio se contrarrestan. Quizá las tasas de reembolso de los hombres son muy buenas para los préstamos de manufacturas pero muy malas para los préstamos para educación, mientras que las tasas de reembolso de las mujeres son muy buenas para los préstamos agrícolas y muy malas para los préstamos de consumo. En promedio, las tasas globales de reembolso por género pueden parecer iguales, pero la IMF y los clientes podrían beneficiarse de cambiar los préstamos a los hombres, de educación a manufacturas, y los préstamos a las mujeres, de consumo a préstamos agrícolas. En este caso, la cartera en riesgo total de la IMF probablemente se reduciría con el tiempo, mientras que los clientes podrán reembolsar mejor sus préstamos y desarrollar sus negocios. De igual modo, quizá la IMF examine la comparación entre el género y otras variables, y halle que el género no desempeña un rol tan importante en determinar la cartera en riesgo. Por ejemplo, en algunos países del Este de Europa las tasas de reembolso de los hombres son generalmente más altas que las tasas de las mujeres. Las IMF pueden formular políticas y enunciados de la misión completos en torno a estos supuestos, que de hecho pueden no ser tan válidos como se cree.
92
Importancia de los resultados
Al mismo tiempo, la IMF debe plantearse qué resultados considera significativos. Suponga que una IMF sufre una cartera en riesgo promedio total del 5 por ciento. ¿Cuáles de las siguientes constituyen divergencias notables? Categoría A
Categoría B
Conclusión
4,8%
5,2%
Ninguna categoría es significativamente distinta del promedio – la IMF ha aprendido que no existe una relación de causa y efecto entre estas categorías y puede enfocar su atención hacia otro tema.
8,1%
3,3%
La categoría A es significativamente superior al promedio, la categoría B es significativamente inferior, la IMF puede considerar alejarse de A hacia B, pero podría haber otra explicación para la elevada cartera en riesgo en la categoría A
8,6%
7,9%
Ambas categorías son más elevadas que el promedio, pero no significativamente diferentes entre sí. Posiblemente existe algún factor común que está impulsando la cartera en riesgo en ambas categorías, pero no en el resto de la cartera. ¿Comparten A y B algún factor que esté ausente en el resto de la cartera?
4,9%
2,8%
La categoría A es promedio o típica, mientras que la categoría B es “próspera”. Es posible que la IMF desee enfocarse hacia A, pero merece la pena explorar qué es lo que caracteriza a B para ver si esto puede influir en otras partes de la cartera.
1,6%
1,9%
Ambas categorías presentan un buen desempeño y no existe ninguna diferencia significativa entre ellas. ¿Qué tienen en común y cómo puede la IMF utilizar dicha información para lograr este resultado de manera más consistente?
Paso 5: Continuar el análisis A estas alturas, el camino a seguir depende fundamentalmente de los resultados hallados en el paso anterior. Hay tres opciones posibles: 1. Se cumplió la expectativa original: En este caso la IMF debe examinar otras posibles explicaciones, realizando pruebas adicionales. Esto revelará una de las siguientes posibilidades: a. El resultado presenta una complejidad adicional: Por ejemplo, el sector es también un factor relevante y está distribuido de manera desigual a lo largo de los géneros. b. El resultado es una conclusión general: Por ejemplo, las tasas de reembolso de los hombres son generalmente peores que las de las mujeres, a lo largo de toda la cartera, y esto no es notablemente distinto al analizarlo por sector, producto crediticio, etc.
93
2. No se cumplió la expectativa original (los resultados no son concluyentes): Se requiere aún un mayor análisis, como se explicó anteriormente – pueden existir divergencias significativas en las tasas de reembolso por género, para ciertos sectores, regiones, etc., que están ocultas en los datos consolidados debido a que los subconjuntos de la cartera se contrarrestan entre sí. Sin embargo, si un mayor análisis no revela dichas diferencias, la IMF puede cuestionar la hipótesis fundamental, lo que es de por sí un importante hallazgo: “descubrimos que el género, en contra de la expectativa, no parece ser un factor relevante para explicar la cartera en riesgo en esta IMF”. Esto puede tener tantas repercusiones operativas como el caso núm. 1, aunque podría considerarse, equivocadamente, como un fracaso. 3. Se contradijo la expectativa original: Este resultado es el más difícil de abordar, pero es valioso para la IMF y merece un mayor análisis. La hipótesis original se elaboró sobre la base del sentido común, la experiencia, la intuición y las observaciones de otras IMF, por lo que generalmente debería hallarse que está apoyada por la evidencia. Si se halla el resultado opuesto, esto provocará asombro y puede que incluso cuestione el enunciado de la misión de la IMF. Por lo tanto, es importante probar de modo riguroso tal resultado desde varios ángulos, antes de presentarlo formalmente. Por ejemplo, una IMF puede formular una hipótesis acerca de que “los clientes de una pobreza extrema afrontan numerosos retos personales y es probable que sus tasas de cartera en riesgo sean más elevadas que las de los clientes más ricos”. Este sería ciertamente el resultado más probable, pero si los datos lo contradicen, esto puede ser un hallazgo fundamental. La IMF puede si no, haber reducido su exposición a la extrema pobreza, creyendo que esto mejoraría el pago, cuando de hecho son los clientes con mayores ingresos los que están haciendo subir las tasas de la cartera en riesgo. Tal resultado debería ser analizado en términos de costo total de la prestación de servicios al cliente (la mora es uno de los numerosos gastos incluidos en la prestación de servicios al cliente y otros costos operativos probablemente sean superiores cuando se preste servicio a aquellos extremadamente pobres, incluso si la cartera en riesgo no lo es).
Paso 6: Sacar una conclusión o repetir el ciclo A continuación, ¿se halló un resultado significativo? Si es así, primero ponga a prueba cualquier otra explicación posible y luego defina los posibles procedimientos para resolver el problema. En caso contrario, regrese al paso 4 y realice más análisis. Este es un proceso iterativo – con cada repetición la IMF aprende un poco más y puede estar más cerca de comprender lo que está sucediendo realmente en la cartera de préstamos. Con cada paso, el usuario de la herramienta debe preguntar si existen otras causas posibles o variables que puedan probarse, las que puedan ser relevantes para el fenómeno que se está examinando. De ser así, el proceso debe repetirse hasta que se hayan agotado las posibilidades pertinentes o los tamaños de las muestras hayan llegado a ser demasiado pequeños como para realizar un análisis significativo. 94
Una vez que la IMF haya agotado las pruebas posibles, debe poder sacar una conclusión firme, que debe coincidir con una de las tres opciones principales en el paso 5 (con suerte, que se cumplió o se contradijo la expectativa original). Sin embargo, hay casos en los cuales los resultados aún no son concluyentes después haberse llevado a cabo todas las pruebas posibles; en esos casos quizá las relaciones entre las variables no sean sólidas o los tamaños de las muestras sean demasiado pequeños como para sacar conclusiones. En los casos donde los resultados no son concluyentes, es mejor reconocer que “tras un extenso análisis, no pudimos hallar una explicación válida para este problema”, en lugar de forzar un plan de acción que realmente no aborde el problema subyacente. No todos los problemas tienen soluciones claras, quizá haya causas más allá del ámbito del conjunto de datos o quizá haya problemas con los datos.
Paso 7: Resumir los resultados Tras haber examinado cada hipótesis por completo y haber determinado los resultados a través del análisis avanzado, la IMF está lista para resumir cada resultado. La pregunta que debe hacerse es: “¿qué cambio debe hacer la IMF en la cartera para corregir, de la mejor manera posible, la cuestión que se está abordando?” Esto puede ser tan sencillo como: “incrementar el número de préstamos a clientes en el sector X, en 10 puntos porcentuales”. A estas alturas, no son necesarios los detalles de la implementación. El resumen de los resultados se transformará después en puntos específicos para la acción, que se pondrán por orden de prioridad y se introducirán en un plan de acción. Al definir un posible camino a seguir, la IMF debe prestar atención a las posibles consecuencias negativas del plan de acción. Por ejemplo, si la misión de una IMF consiste en prestar servicio a las personas de bajos ingresos y la acción propuesta es “reducir la cartera en riesgo dejando de realizar préstamos a las personas pobres”, se debe de volver al punto de partida y hallar una mejor manera de resolver este problema de la cartera en riesgo. Por ejemplo, quizá sólo las personas pobres en un cierto sector sean la fuente real del problema. Las conclusiones del ciclo de hipótesis pueden también introducirse en los análisis del escenario: ¿qué pasaría si una acción dada se llevara a cabo con diferentes intensidades? Por ejemplo, si una IMF incrementa la porción de préstamos realizados al sector X en 5, 10 ó 15 puntos porcentuales, ¿qué cambios podrían preverse en la cartera en riesgo total o en otras variables? Este proceso se cubrirá en el siguiente capítulo, donde la IMF atraviesa el proceso de interpretar los resultados que ha hallado. En primer lugar, dirigiremos nuestra atención a los métodos avanzados de análisis específicos, utilizados en el ciclo de puesta a prueba de hipótesis.
Métodos avanzados de análisis Método 1: Análisis de variables dobles discretas
Mientras que los análisis iniciales examinan, por ejemplo, cómo una variable tal como el tamaño del préstamo afecta a la cartera en riesgo, estos análisis más sencillos conducen a preguntas más complicadas, que deben investigarse analizando las variables dobles discretas frente a una tercera variable continua. Este es el método que las IMF utilizarán con mayor frecuencia para hacer nuevos hallazgos, a medida que progresan a través del ciclo de hipótesis. 95
Por ejemplo, una IMF puede saber que: 1. Algunos productos crediticios tienen un mejor desempeño que otros. 2. Los clientes en algunos sectores se desempeñan mejor que los clientes en otros. Sin embargo, la IMF debe preguntar qué combinaciones de producto crediticio y sector de clientes (las variables discretas) dan como resultado una mejor o peor cartera en riesgo (la variable continua) – por ej. ¿qué tipos de clientes parecen estar beneficiándose de qué tipos de préstamos? Para hallar la respuesta, ponga a prueba ambas variables discretas frente a la cartera en riesgo, a la vez: 1. Cree una tabla dinámica en una nueva pestaña. 2. Seleccione los campos de “Sector” y “Producto crédito” y mueva “Producto crédito” al área de etiquetado de columnas:
96
3. Seleccione “Cartera en riesgo > 30 días” y “Vigente” como los campos de valores para la tabla:
4. Debajo de la tabla dinámica, cree una nueva tabla con las mismas categorías de filas y columnas que la tabla dinámica:
97
5. Haga que la primera casilla en la columna de Producto Crédito Activo Fijo (B13) sea igual a la cartera en riesgo > 30 días correspondiente, dividido por el monto de capital vigente correspondiente. Haga lo mismo con la primera casilla de las restantes columnas:
6. Utilice el comando de “Llenar hasta abajo” para copiar las fórmulas hasta el final de la tabla y darles el formato de porcentajes. Asegúrese que los valores totales de la cartera en riesgo para productos y sectores coinciden con los valores previstos y que el valor del gran total de la cartera en riesgo coincide con la cartera en riesgo total de la cartera de la IMF:
7. Seleccione las casillas que se están examinando (todas las combinaciones de sector y cartera en riesgo) y pulse sobre “Formateo Condicional à Resaltar las Reglas de Casillas à Mayor que”. Introduzca la cartera en riesgo total de la IMF en el cuadro que se abra. Esto destacará los campos que superan la cartera en riesgo mayor a 30 días total de la IMF:
98
Con esta tabla, la IMF puede visualizar rápidamente algunas tendencias interesantes. Por ejemplo, los préstamos de consumo en general tienen un desempeño bastante pobre, pero por alguna razón a los clientes artesanos les va muy bien con estos préstamos. Los préstamos para capital de trabajo generalmente se desempeñan bien, pero por alguna razón los clientes en el sector del turismo tienen problemas con estos préstamos. Estos hallazgos conducirán a otras preguntas que la IMF podría examinar – por ejemplo, ¿tienen problemas los clientes en el sector del turismo, con los préstamos de un cierto tamaño? ¿Realizan un reembolso más fiable en este sector los clientes más jóvenes o los de mayor edad? ¿Existe alguna característica de los ciclos de ingresos de los artesanos que les permita utilizar con éxito los préstamos de consumo? Hay un número casi ilimitado de preguntas que podrían hacerse – algunas requerirán un análisis adicional utilizando las variables dobles discretas, mientras que otras llevarán a la IMF a hacer preguntas a sus agentes de crédito y clientes para averiguar qué es lo que está causando un cierto fenómeno. La IMF podría utilizar el mismo análisis con un campo de valor distinto (variable continua) para ver, por ejemplo, qué combinaciones de préstamo y sector dan como resultado unos saldos de ahorros más elevados.
Esta tabla dinámica utiliza la misma estructura básica que la tabla dinámica anterior, pero en lugar de calcular una suma, está calculando un promedio de saldos de ahorros (se logra pulsando sobre el campo de saldo de ahorros, seleccionando “Configuración de campos de valores” y cambiando el valor a promedios, como se observa en la esquina inferior derecha de la anterior captura de pantalla). Además, el formateo condicional se ha utilizado para destacar valores que son más de un 6 por ciento superiores o inferiores al saldo de ahorros promedio general de la IMF. Un mayor análisis puede llevar a la IMF a concluir que necesita hallar modos de ayudar a los clientes de ciertas categorías a ahorrar más y que los ahorristas de otras categorías que han tenido éxito pueden proporcionar pistas para averiguar cómo hacer esto. 99
Tema avanzado: Análisis con tres variables discretas Aunque es posible realizar el tipo de prueba descrito más arriba con tres (o más ) variables discretas, el análisis se torna cada vez más complejo, así como susceptible del sesgo de una pequeña muestra. Por ejemplo, considere una IMF que desee comparar la cartera en riesgo asociada con diferentes combinaciones de sucursales y sectores. La IMF tiene cinco sucursales y cinco sectores, así que el producto del análisis es una tabla de 5x5 en Excel, en la que cada columna representa una sucursal distinta y cada fila representa un sector diferente. Cada una de las 25 casillas en la tabla muestra la cartera en riesgo de esa combinación de sucursal y sector. En una IMF con 10.000 clientes, cada casilla tendría, en promedio, 400 observaciones (10.000 / 25) – suficiente para sacar una conclusión significativa de cualquier patrón observado en la tabla. Si la IMF introdujera luego una tercera variable (por ejemplo, producto crediticio, de los que tiene cinco), esto podría visualizarse como si se reemplazara la anterior tabla de 5x5 con un cubo de 5x5x5 o, en Excel, cinco tablas separadas de 5x5. En tal caso, ya no hay 25 casillas reflejando la cartera en riesgo de dicha combinación de sucursal y sector, sino 125 mini cubos que representan cada combinación de sucursal, sector y producto crediticio. Esto plantea dos problemas clave. En primer lugar, en una IMF con 10.000 clientes, cada mini cubo contendría ahora un promedio de sólo 80 observaciones (10.000 / 125). Sin embargo, dado que esto es un promedio, es posible que muchos de los mini cubos tengan un número significativamente mayor o menor de observaciones, incrementando la probabilidad de encontrar sesgos de una pequeña muestra. En segundo lugar, es difícil interpretar este análisis “tridimensional” y la interpretación se hace casi imposible en mayores dimensiones. En el caso de que la tercera variable sea una variable binaria (tal como el género), estas inquietudes se ven parcialmente mitigadas, puesto que el número de mini cubos es de 5x5x2 = 50. Esto no es ni un descenso drástico en el número de observaciones por combinación de las tres variables, ni un incremento marcado en la complejidad, permitiendo que se formen observaciones. Para usuarios que deseen realizar el análisis con tres dimensiones, el proceso continúa siendo idéntico al descrito para el análisis más usual de variables dobles. Cada “cubo” se desarrolla en capas. La primera capa puede ser sucursal versus sector para clientes hombres, mientras que la segunda capa correspondiente sería sucursal versus sector para clientes mujeres. Siempre que cada capa se desarrolle de acuerdo con los lineamientos establecidos en esta herramienta y que se considere detenidamente el sesgo de una pequeña muestra, el proceso de análisis es idéntico.
Método 2: Análisis acumulativo de variables dobles continuas
Cuando una IMF está examinando variables continuas en su cartera (tamaño del préstamo, fecha de desembolso, etc.), el análisis acumulativo es la segunda forma de sortear el problema de la multicolinealidad, mencionado en el Capítulo 5 (siendo el otro método la categorización). El análisis acumulativo permite a la IMF ver exactamente dónde se producen los cambios en la cartera de préstamos. Para usar el análisis acumulativo para examinar el efecto del tamaño del préstamo sobre la cartera en riesgo, ejecute los siguientes pasos: 1. Ordene el conjunto de datos según la variable que se va a examinar, en este caso el monto de desembolso del más pequeño al más grande. 2. Agregue dos nuevas columnas a la derecha del conjunto de datos. Etiquete éstas como “Vigente Acumulado” y “Capital de la Cartera en Riesgo > 30 días Acumulado”. Si la hoja es demasiado ancha para ver éstas, junto con las columnas de Vigente y Cartera en Riesgo > 30 días, oculte algunas columnas. 100
3. Iguale la primera casilla en la columna “Vigente Acumulado”, a la primera casilla de la columna vigente e iguale la primera casilla en la columna “Cartera en Riesgo > 30 días Acumulada”, a la primera casilla en la columna Cartera en Riesgo > 30 días. Iguale la segunda casilla en cada columna de acumulado, a la segunda casilla en su respectiva columna fuente, más la casilla anterior en la columna de acumulado (en esta captura de pantalla y en la siguiente se activa “mostrar fórmulas” en Excel):
4. Llene la segunda casilla en cada columna de acumulado, hasta el final de la columna. Estas dos columnas mostrarán el vigente acumulado y la cartera en riesgo > 30 días, clasificadas por monto de desembolso. Por ejemplo, la observación número 1.000 mostrará el capital vigente total de los 1.000 préstamos más pequeños desembolsados y la cartera en riesgo > 30 días total de esos mismos 1.000 préstamos. Estos dos son ambos montos en dólares (capital). (Por supuesto que el monto vigente NO se clasificará del más pequeño al más grande, ya que los clientes han pagado diferentes porcentajes de sus préstamos). 5. Agregue una nueva columna a la derecha de la columna de acumulado. Catalogue esto como “Porcentaje de cartera en riesgo > 30 días acumulado”. Ponga como fórmula para esta columna, cartera en riesgo > 30 días acumulada, dividido por vigente acumulado, y llene la fórmula hasta el final de la columna. Siguiendo el ejemplo anterior, la observación número 1.000 en esta columna es por lo tanto, el porcentaje de la cartera en riesgo > 30 días de los 1.000 préstamos más pequeños desembolsados:
101
6. Revise las casillas al final de las tres nuevas columnas. Si las fórmulas se han realizado correctamente (sumando cada préstamo en el conjunto de datos), estos valores deben ser la cartera vigente total de la IMF, su capital total de la cartera en riesgo > 30 días y su porcentaje de la cartera en riesgo > 30 días:
7. Cree un gráfico de los valores en la columna “Porcentaje de la cartera en riesgo > 30 días acumulado”: % de Cartera en Riesgo mayor a 30 días acumulado
Los gráficos acumulativos deben leerse con detenimiento – en cualquier punto del gráfico lo importante no es el valor real de la cartera en riesgo (ya que es un promedio de todos los valores que le precedían), sino cualquier cambio repentino en el valor. Por ejemplo, en el gráfico anterior observamos que la IMF tiene un problema de cartera en riesgo con los préstamos grandes, puesto que el gráfico comienza a registrar un movimiento ascendente con mayor rapidez alrededor del préstamo número 20.000. Incluso peor, la IMF tiene un problema muy grave de cartera en riesgo con los préstamos muy grandes — el gráfico sube casi en vertical con los tamaños de préstamos más grandes. La eliminación de los 1.000 préstamos de mayor tamaño mejoraría de manera espectacular la cartera en riesgo de la IMF. 102
Si esta IMF tuviera problemas con los préstamos pequeños en vez de con los grandes, el gráfico se vería distinto – comenzaría muy arriba y descendería hasta el 5,9 por ciento. Si el problema de la cartera en riesgo estuviera en áreas aisladas, el gráfico podría incluso parecer una ola. Si el tamaño del préstamo no influye en la cartera en riesgo, entonces el gráfico sería bastante plano, manteniéndose cerca del 5,9 por ciento, desde los préstamos más pequeños (después del “ruido” inicial con el sesgo de una pequeña muestra) hasta los más grandes. En cualquier caso, los primeros valores numéricos en un gráfico acumulativo no son útiles – representan el promedio de una pequeña muestra y por lo tanto pueden variar ampliamente sin un significado real. Véase el capítulo 5 donde se halla una descripción más detallada de los problemas con el tamaño de una pequeña muestra. En el otro extremo, el gráfico siempre terminará con el valor de la cartera total de la IMF, en este caso cartera en riesgo de 5,9 por ciento. Método 3: Análisis de la cartera en riesgo por antigüedad de los clientes
Aunque las IMF se enfocan en la cartera en riesgo mayor a 30 días como un indicador de su éxito en los créditos a las personas de bajos ingresos, esta cifra oculta una riqueza de perspectivas que se pueden obtener por medio del análisis de la cartera en riesgo según la antigüedad de los clientes— por ej. observando qué parte de la cartera en riesgo ha traspasado los límites de 30, 60, 90, 120 y 150 días. La cartera en riesgo en categorías más elevadas tiene un riesgo superior de castigo y dicha cartera en riesgo indica un fracaso de la IMF en el cobro de esas deudas. A través del proceso del análisis de la cartera, una IMF puede ejecutar este proceso de análisis de la cartera por antigüedad de los clientes en varios subconjuntos de la cartera, para obtener una idea más profunda acerca de lo que está sucediendo en dichos subconjuntos. Por ejemplo, es posible que una IMF desee hacer un ejercicio de análisis de la cartera por edad, segmentada por grupo de antigüedad de los clientes. Lo lograría de la siguiente manera:
103
1. Cree una tabla dinámica con categorías de edad como campos de las filas y Vigente más cartera en riesgo mayor a 30 días hasta mayor a 150 días como campos de las columnas. Cree una tabla en blanco debajo para realizar un seguimiento del monto de la cartera en riesgo para cada duración (30-59 días, 60-89 días, etc.), como porcentaje del valor vigente total para la categoría:
104
2. Para cada casilla en la nueva tabla, calcule la diferencia entre su valor correspondiente de la cartera en riesgo y el valor de la siguiente categoría de la cartera en riesgo—el monto de la cartera que está actualmente en mora 30-59, 60-89, etc. días. Divida este monto por el total vigente para ese grupo de edad, para obtener el valor como un porcentaje de la cartera vigente de ese grupo de edad. Llene las fórmulas hasta el final de la tabla:
105
3. Dibuje un gráfico de los valores resultantes:
Aquí la IMF puede observar que aunque los clientes muy jóvenes, jóvenes y de mediana edad constituyen el mayor riesgo para la IMF en términos de la cartera en riesgo mayor a 30 días, los clientes de mediana edad plantean una menor amenaza de castigo que los otros grupos. De hecho, los clientes de mayor edad constituyen una amenaza ligeramente superior de castigo; una vez que entran en la cartera en riesgo, suelen permanecer allí. Al observar estos resultados, la IMF debe recordar la nota acerca de la multicolinealidad del Capítulo 5; sólo se pueden comparar los grupos no adyacentes, así que por ejemplo merece la pena observar la diferencia entre muy joven y mediana edad, pero desde un punto de vista estadístico no se puede llegar a ninguna conclusión basada en la diferencia entre los grupos muy jóvenes y los jóvenes. Al afrontar estos resultados, la IMF puede decidir reconsiderar sus procedimientos de cobro de la deuda para ver cómo puede mejorar el cobro de ésta con los clientes de mayor edad. Aunque la tasa es baja, si estos clientes por ejemplo tienen una porción más grande de la cartera (a través de préstamos más grandes), el efecto sobre la IMF podría ser perjudicial. Las tres pruebas avanzadas descritas, suministran una herramienta técnica para poner a prueba la interrelación de múltiples variables. Los usuarios avanzados pueden desarrollar pruebas adicionales o combinaciones de estas pruebas, según corresponda, pero las herramientas técnicas 106
aquí presentadas proveerán al usuario de las pericias necesarias para descubrir aspectos tangibles y originales de la cartera, a fin de resolver problemas operativos tales como unos persistentes cartera en riesgo, desvío de la misión, enfoque hacia el cliente y alcance.
Resumen Aunque existe un número infinito de posibles hipótesis para examinar en el proceso de prueba de hipótesis, el sentido común y una mente inquisitiva ayudarán al usuario a determinar la vía correcta que se debe seguir; con experiencia, este proceso se convertirá en algo automático. Aunque el análisis es parcialmente técnico, un enfoque puramente técnico no producirá los resultados deseados. El análisis técnico debe combinarse con experiencia práctica del entorno operativo y sentido común. Por esta razón, el equipo ideal contiene personal técnico y operativo trabajando en colaboración.
107
CAPÍTULO 8: ANÁLISIS DE ESCENARIOS Una vez que se ha analizado el conjunto de datos, se han recopilado y resumido los resultados, y se han sacado conclusiones respecto a los posibles planes de acción a seguir, la IMF debe llevar a cabo un paso más antes del lanzamiento gradual. El análisis del escenario ayudará a la IMF a predecir el efecto que pueden tener varias acciones sobre la cartera y a seleccionar el camino a seguir que parezca más beneficioso. Cuando se complete el análisis del escenario, la IMF estará lista para completar su interpretación de los resultados, presentarlos a la gerencia y tomar decisiones tangibles acerca de cómo es mejor proceder. Ejemplos de decisiones tomadas por IMFs Para reflexionar acerca del proceso de análisis del escenario, presentamos decisiones tomadas por IMFs que podrían estar sujetas al análisis del escenario. Los siguientes ejemplos simplificados se han tomado de IMFs reales, pero se han disimulado los resultados. En cada caso, la IMF realizó significativos cambios operativos sobre la base de sus hallazgos. Caso 1: Una IMF de Centroamérica que sufre una elevada y continua cartera en riesgo y castigos Tamaño del préstamo
Muy pequeño
Pequeño
Mediano
Grande
Muy grande
Núm. préstamos
6.500
3.700
2.400
1.800
1.200
Prom. desemb.
US$800
-
-
-
US$5.500
Ciclo promedio
1,9
2,3
2,6
3,1
3,4
Capital vigente
montos aproximadamente iguales en cada categoría
Cartera en riesgo > 30 d.
16%
14%
8%
9%
1%
Cartera en riesgo > 60 d.
14%
11%
5%
7%
1%
Cartera en riesgo > 90 d.
13%
10%
4%
3%
1%
Cartera en riesgo > 120d.
11%
9%
3%
3%
1%
Cartera en riesgo > 150 d.
10%
8%
2%
2%
0%
Castigo (180)
9%
5%
1%
1%
0%
La IMF sabía que los problemas de morosidad predominaban en los préstamos más pequeños, de ciclos más bajos. Lo que no estaba tan claro era que los castigos eran tan espectacularmente bajos para los préstamos medianos, grandes y muy grandes. En función de esta revelación, la IMF aumentó el monto mínimo del préstamo para descartar la amplia mayoría de los préstamos muy pequeños y realizó una debida diligencia adicional en los pequeños préstamos. Se endurecieron los criterios de solicitud para los clientes y se ajustaron las normas de cobro de la deuda para tener como meta nuevos préstamos, más pequeños, en lugar de tratar todos los préstamos en mora como si tuvieran el mismo riesgo para la IMF. 108
Caso 2: Una IMF de Africa con importantes variaciones de género
Esta IMF no conocía inicialmente la diferencia relativa entre las tasas de reembolso de los hombres y de las mujeres, ya que había supuesto que la cartera en riesgo disminuía de acuerdo con los niveles iniciales de la cartera en riesgo mayor a 30 días, que eran comparables para clientes hombres y mujeres. Sin embargo, las mujeres clientes reanudaban los pagos relativamente bien, una vez que habían entrado en la cartera en riesgo mayor a 30 días, en comparación con sus homólogos masculinos. En función de los hallazgos la IMF modificó las prácticas de cobro de la deuda, para hacer prioritario el cobro a los clientes hombres. Además, trabajaron para sesgar la cartera a favor de las clientes mujeres. Este ejemplo utiliza conjuntos de datos discretos. Este ejemplo anterior demuestra el peligro de prestar excesiva atención a la cartera en riesgo mayor a 30 días. La IMF afirmaba que las tasas de pago eran “aproximadamente iguales” para ambos géneros, mientras que la realidad era que había aproximadamente el triple de probabilidades de que los préstamos a clientes hombres fueran finalmente pasados a pérdidas, que aquellos otorgados a clientes mujeres. Un enfoque dirigido sólo hacia la cartera en riesgo mayor a 30 días, no habría revelado esta importante diferencia en el riesgo asociado con los clientes hombres. Caso 3: Una IMF asiática mediana con una elevada cartera en riesgo
Cartera en riesgo acum.
Este último ejemplo está Largo Muy Corto Corto/Mediano Cartera en 8,00% tomado de una IMF de riesgo > 7,00% 30 días Asia que realiza préstamos acum. 6,00% individuales y sufre una Cartera en 5,00% elevada y persistente cartera riesgo > 150 días en riesgo y una pobre 4,00% acum. retención de clientes. El 3,00% análisis utiliza el método 2,00% de datos acumulativos. Las 1,00% investigaciones en torno a los 0,00% efectos del plazo del préstamo sobre la cartera enriesgo sugerían una sólida relación y, cuando la IMF realizó un análisis acumulativo de la cartera en riesgo con todos los préstamos clasificados por plazo del préstamo, los resultados fueron reveladores.
109
Es inusual en dichos análisis observar unos puntos de inflexión tan claros. Aquí no se puede confiar en las observaciones de los préstamos de plazos más cortos debido al sesgo de la pequeña muestra (explicado en el Capítulo 5), pero está claro que la cartera en riesgo se incrementa consistentemente con el plazo del préstamo hasta un pico de 7 por ciento para préstamos a corto plazo. Advierta que este 7 por ciento se refiere a la cartera en riesgo total de todos los préstamos hasta este plazo de préstamo. Desde este punto en adelante, la cartera en riesgo disminuye de manera consistente hasta un segundo punto de inflexión, que corresponde con el límite entre los préstamos a medio y corto plazo de la IMF. En este punto, la cartera en riesgo empieza a incrementarse rápidamente de nuevo. A lo largo de toda la cartera, la cartera en riesgo mayor a 150 días (riesgo extremadamente alto de castigo) va aproximadamente paralela a la cartera en riesgo mayor a 30 días, y no es notablemente más baja. En función de los puntos de inflexión de este gráfico, la IMF pudo determinar una gama óptima de plazos de préstamos que ofrecer. Esto supuso incrementar el plazo mínimo del préstamo (eliminando la categoría de “muy corto plazo”), y disminuir el plazo máximo del préstamo (eliminando la categoría de “largo plazo”). Los préstamos fuera de este rango podrían aún ser considerados por la IMF, pero sólo con la aprobación por parte de la oficina central. Además, estaba claro que los procedimientos de cobro de la IMF podrían mejorarse: la cartera en riesgo mayor a 150 días tenía, en general, más de la mitad del valor de la cartera en riesgo mayor a 30 días, sugiriendo que una vez que un préstamo alcanzaba 30 días de mora, existía una probabilidad superior al 50 por ciento de que el préstamo no se reembolsara nunca más. Esto resultaba excesivamente alto y sugería que eran necesarios recursos adicionales tanto para la gestión de la mora como para el filtro de clientes. Adicionalmente, la IMF consideró la posibilidad de que el tamaño del préstamo fuera también un factor contribuyente. Quizá los préstamos a largo plazo eran arriesgados, no solo debido al plazo del préstamo en sí, sino al hecho de que los préstamos a largo plazo suelen ser más grandes que los de plazo más corto. Igualmente, quizá los préstamos a corto plazo eran arriesgados debido a que normalmente contienen montos pequeños de préstamos. Así, aunque este gráfico demuestra un claro vínculo entre el plazo del préstamo y el riesgo, también suscita más preguntas acerca de los tamaños de los préstamos, lo que fue investigado por la IMF.
Aplicación del análisis del escenario a decisiones potenciales Cuando un equipo de Análisis de la Cartera propone soluciones tales como “incrementar el número de pequeños préstamos”, “prestar servicio a un mayor número de clientes mujeres” o “reducir el número de préstamos a largo plazo”, surgen dos preguntas inmediatamente: ¿Cuán intenso debe ser el cambio? ¿Cuál es el resultado probable de dicha solución? Todos los análisis del escenario conllevan cambiar una, o posiblemente dos, variables y observar el resultado sobre una tercera variable. Por ejemplo: 1. Si la IMF disminuye los tamaños promedio de los préstamos en un 20 por ciento, ¿en qué manera cambiará esto la distribución de la cartera a lo largo de los segmentos de pobreza de los clientes? 110
2. Si la IMF deja de hacer préstamos al sector X, ¿influirá esto más en el número de clientes hombres que en el de clientes mujeres? 3. Si la IMF invierte en un plan de incentivos para los clientes, a fin de mejorar su retención, ¿cuál será el beneficio probable, en términos de reducir la cartera en riesgo? Al igual que en el caso de los análisis originales, hay un número casi infinito de posibles escenarios que considerar. A continuación se consideran dos ejemplos. Uno examina el efecto de los cambios de la cartera sobre la cartera en riesgo y el otro observa el efecto de los cambios en la combinación de la cartera sobre los sectores de clientes meta. Las fórmulas principales utilizadas en Excel para realizar el análisis del escenario son SUMPRODUCT, porcentajes y aritmética básica. Al igual que con otros análisis, es importante siempre verificar que los datos son iguales al conjunto de datos original y la manera más fácil de hacerlo es verificar que en todos los análisis la cartera en riesgo total, las cifras de clientes o la cartera vigente permanecen sin cambios. Limitaciones del análisis del escenario
Aunque el análisis del escenario es una herramienta útil, tiene limitaciones. Está sujeta a un elevado grado de incertidumbre, debido a la falta de un experimento de control. Conlleva hacer la pregunta: “¿cuál es el impacto previsto de la modificación X sobre la variable Y?”, y supone que dichas modificaciones pueden realizarse de manera aislada, lo que está lejos de ser posible en una IMF típica. El análisis de los escenarios puede resultar extremadamente complicado y forzar Excel más allá de los límites, incluso de un usuario sofisticado. En general, el análisis del escenario es útil, pero debe tratarse con cuidado, usarse sólo como una guía y no considerarse tan predictivo de lo que va a suceder cuando se realicen los cambios, sino como indicativo de lo que puede suceder. La hoja de Excel del estudio del caso que acompaña a esta herramienta contiene cuatro análisis de escenarios del conjunto de datos utilizado. Aquí se describen dos de los análisis. Escenario 1: Impacto del género sobre la cartera en riesgo mayor a 30 días
Consideren una IMF con las siguientes estadísticas de desglose de la cartera en riesgo y de la cartera para clientes hombres y mujeres (cartera en riesgo mayor a 30 días total de la IMF = 5,9 por ciento):
% de cartera (columna B)
% de cartera en riesgo > 30 días (columna C)
Hombres
37,7%
7,0%
Mujeres
62,3%
5,1%
111
La IMF se pregunta qué sucedería si decidiera alterar el ratio de capital prestado a los hombres versus las mujeres. La IMF desea poner a prueba los siguientes siete escenarios: Escenario
(1)
(2)
(3)
(4)
(5)
(6)
(7)
Hombres (% de cartera)
50%
45%
40%
35%
30%
25%
20%
Mujeres (% de cartera)
50%
55%
60%
65%
70%
75%
80%
Para hacer esto, la IMF debe utilizar el comando SUMPRODUCT en Excel. En la tabla de datos originales más arriba, esto puede utilizarse para calcular el porcentaje total de la cartera en riesgo mayor a 30 días en la IMF, que es igual al promedio ponderado de la estadística porcentual de la cartera en riesgo mayor a 30 días, de acuerdo con sus proporciones relativas en la cartera. Matemáticamente, esto es: (37,7% x 7,0%) + (62,3% x 5,1%) = 5,9%. Excel ofrece una característica útil para automatizar este proceso: =SUMPRODUCT (B2:B3,C2:C3) Esto multiplica los valores en la columna B (en este ejemplo, el porcentaje de las cifras de la cartera) por los valores correspondientes en la columna C (en este ejemplo, las cifras de porcentaje de la cartera en riesgo mayor a 30 días) y suma éstos. Utilizando esta fórmula, la IMF agrega la siguiente fila a la tabla: Escenario
(1)
(2)
(3)
(4)
(5)
(6)
(7)
Hombres (% cartera)
50%
45%
40%
35%
30%
25%
20%
Mujeres (% cartera)
50%
55%
60%
65%
70%
75%
80%
% cartera en riesgo > 30 días implícita
6,1%
6,0%
5,9%
5,8%
5,7%
5,6%
5,5%
Por ejemplo, en la tabla anterior el escenario 3 se corresponde más exactamente con la cartera vigente (división de 40/60 entre hombres y mujeres, la división actual es de 37,7/62,3), con un porcentaje de la cartera en riesgo mayor a 30 días del 5,9 por ciento. El escenario 7 divide por dos la proporción de clientes hombres hasta 20 por ciento, a favor de las clientes mujeres, y como consecuencia de las tasas superiores de pago de las mujeres, la cartera en riesgo implícita cae al 5,5 por ciento, como resultado de este cambio. Las carteras en riesgo implícitas son aquellas que se preverían, si la cartera en riesgo de hombres/ mujeres permaneciera constante en la cartera de la IMF, y sólo se cambiara la división de hombres/mujeres. Como se mencionó, esto no significa que mover la cartera a un 20 por ciento de clientes hombres va a disminuir la cartera en riesgo a un 5,5 por ciento. Se puede tardar seis meses en efectuar dicho cambio y durante ese tiempo cualquier número de factores adicionales puede influir en la cartera – y, en efecto, la IMF puede efectuar una serie de cambios simultáneamente. 112
Lo que puede afirmarse con cierta confianza es que un cambio de un 5 por ciento en la proporción de hombres normalmente tendrá un impacto inverso sobre la cartera en riesgo mayor a 30 días de aproximadamente un 0,1 por ciento. El análisis también proporciona a la IMF una idea del cambio requerido en la proporción de hombres para lograr el resultado deseado. Por ejemplo, si la IMF desea reducir la cartera en riesgo en un 0,3 por ciento utilizando sólo este método, deberá reducir la participación de los hombres en la cartera en 15 puntos porcentuales, hasta aproximadamente un 22 por ciento. El plan de la IMF de reducir el crédito a los hombres en 15 puntos porcentuales constituye entonces la base de una predicción: después del periodo necesario de implementación (quizá seis meses), la IMF espera ver una reducción del 0,3 por ciento en la cartera en riesgo total. Seis meses después la IMF realiza de nuevo en análisis y halla el siguiente resultado: Cartera en Riesgo – original
Cartera en Riesgo – despues de implementación
% de cartera (columna B)
% cartera en riesgo>30 d. (columna C)
% de cartera (columna B)
% cartera en riesgo>30 d. (columna C)
Hombres
22%
6,0%
Hombres
37,7%
7,0%
Mujeres
78%
4,1%
Mujeres
62,3%
5,1%
5,9%
Promedio Ponderado
Promedio Ponderado
4,5%
La cartera en riesgo mayor a 30 días total de la IMF es del 4,5 por ciento – una notable mejora sobre el 5,9 por ciento original. Sin embargo, esto no implica que el cambio tuvo un resultado mayor que el previsto. El porcentaje de la cartera en riesgo mayor a 30 días de toda la cartera cayó aproximadamente un punto porcentual; así, en ausencia del cambio de la cartera a favor de las mujeres, la cartera en riesgo habría caído aún del 5,9 por ciento al 4,9 por ciento. Sin embargo cayó 0,4 puntos porcentuales más por debajo del nivel del 4,9 por ciento previsto, lo que puede atribuirse al cambio relativo en la cartera. Si la IMF no hubiera hecho una predicción aproximada de la caída prevista, no habría manera de evaluar el éxito de esta modificación. La IMF podría suponer, de manera equivocada, que el cambio fue asombroso – una reducción de un 1,5 por ciento completo en la cartera en riesgo mayor a 30 días, lo que atribuiría un beneficio, de manera incorrecta, únicamente a la modificación, y que de hecho se debió a una combinación de una amplia mejora en la cartera en riesgo y de la modificación.
113
Escenario 2: Impacto sobre la cartera en riesgo mayor a 30 días de los cambios en la combinación de rural/urbano Y sector
La misma IMF produce la siguiente tabla utilizando la herramienta: Sector
Rural
Urbano
% de cartera
% cartera en riesgo> 30 días
% de cartera
% cartera en riesgo> 30 días
Agricultura
6,9%
3,3%
6,3%
7,0%
Artesanos
7,2%
3,0%
6,1%
4,1%
Ganaderos
10,6%
4,2%
9,2%
9,8%
7,5%
5,4%
6,3%
9,0%
Comercio
21,5%
4,6%
1,3%
7,7%
53,7%
4,3%
46,3%
7,7%
Turismo
Los totales sombreados en verde son sumas simples de los distintos valores porcentuales de los sectores correspondientes. La suma es 100%. Los totales sombreados en azul son los promedios ponderados de los valores porcentuales de la cartera en riesgo mayor a 30 días, de las carteras rural y urbana respectivamente, calculados utilizando la siguiente fórmula (rural): =SUMPRODUCT (C32:C36,D32:D36)/D376 C32:C36 se refiere a los valores porcentuales de la cartera en riesgo mayor a 30 días (3,3%...4,6%), D32:D36 se refiere a los valores porcentuales de la cartera (6,9%...21,5%) y D37 es la proporción total de la cartera (53,7%). La primera parte de la ecuación calcula las carteras en riesgo ponderadas de la cartera rural, y dividiéndolo por la proporción general, pondera esto de acuerdo con la ponderación general de los préstamos rurales en la cartera. Para verificar que esto es exacto, debe considerarse lo siguiente: (4,3% x 53,7%) + (7,7% x 46,3%) = 5,9%, que es el porcentaje de la cartera en riesgo mayor a 30 días total de la cartera. La IMF desea estimar el impacto de eliminar completamente las categorías de préstamos con un peor desempeño, los créditos para ganado y turismo en áreas urbanas, y prestar ese capital en su lugar a los clientes de áreas rurales que se dedican a la agricultura y a los artesanos (los dos sectores con un mejor desempeño). Esto se lleva a cabo de la siguiente manera: Calcule el monto total de la cartera que se va a reasignar (9,2% + 6,3% = 15,6% - error menor de redondeo, véase caso de estudio para valores exactos).
114
Determine cómo se distribuirá esto en los sectores de destino – en este caso simplemente supongan que esto está dividido en 50/50 para agricultura y artesanos. Recopile la nueva tabla de los valores deseados (adviértase que los valores del porcentaje de la cartera en riesgo mayor a 30 días no cambian, sólo cambia el porcentaje de la cartera). Vuelva a calcular los totales en la tabla. Vuelva a calcular el nuevo porcentaje de la cartera en riesgo mayor a 30 días total de la cartera. Sector
Rural
Urbano
% cartera en riesgo > 30 días
% de cartera
% cartera en riesgo > 30 días
% de cartera
Agricultura
3,3%
14,7%
7,0%
6,3%
Artesanos
3,0%
15,0%
4,1%
6.1%
Ganaderos
4,2%
10,6%
9,8%
0,0%
Turismo
5,4%
7,5%
9,0%
0,0%
Comercio
4,6%
21,5%
7,7%
18,3%
4,0%
69,3%
6,8%
30,7%
Sólo han cambiado los valores de los datos destacados en amarillo, lo que refleja la reasignación de préstamos para ganado y turismo de los clientes urbanos, a préstamos para agricultura y artesanos para clientes rurales. La ponderación de la cartera ha cambiado en consecuencia, incrementándose los préstamos rurales del 53,7 por ciento al 69,3 por ciento, mientras que los préstamos urbanos han caído del 46,3 por ciento al 30,7 por ciento de la cartera. La cartera en riesgo rural total ha caído del 4,3 por ciento al 4,0 por ciento, reflejando un incremento en los sectores con un buen desempeño relativo, mientras que la cartera en riesgo urbana ha caído del 7,7 por ciento al 6,8 por ciento, reflejando la eliminación de los sectores con un peor desempeño. En general, el porcentaje de la cartera en riesgo mayor a 30 días de la cartera de la IMF ha disminuido a (4,0% x 69,3%) + (6.8% x 30,7%) = 4,9%, lo que representa una mejora de un punto porcentual en la cartera en riesgo mayor a 30 días. El poder de este análisis es que le pueden incorporar supuestos más complejos. Por ejemplo, la IMF quizá estime que no puede eliminar completamente los préstamos para ganado y turismo, pero enfocándose mucho mejor hacia ellos posiblemente sea capaz de reducirlos quizá a un 2 ó 3 por ciento de la cartera urbana con una cartera en riesgo ligeramente mejorada. Igualmente, la IMF puede suponer de manera prudente que, si realiza más préstamos a los clientes de áreas rurales que son artesanos o trabajan en la agricultura, la cartera en riesgo en dichos sectores puede aumentar ligeramente. La IMF incorporaría entonces directamente estos supuestos a 115
la tabla anterior para estimar la cartera en riesgo probable. También puede determinar que el supuesto simplista de la reasignación en una proporción igual no es realista y calcule una distribución más compleja. Es interesante observar que el impacto general de los cambios de urbano a rural supone aproximadamente una reducción de 0,35 puntos porcentuales en el porcentaje de la cartera en riesgo mayor a 30 días, por cada disminución de 10 puntos porcentuales en los préstamos urbanos a favor de los rurales (ver el escenario núm. 3 en el Caso de Estudio para más detalles). En el anterior ejemplo, la IMF cambió un 15 por ciento de su cartera de urbana a rural. Si esto se hubiera hecho reduciendo en general todos los préstamos urbanos a favor de todos los préstamos rurales (por ej. sin designar sectores como meta), la reducción prevista de la cartera en riesgo mayor a 30 días habría sido de sólo 0,35% x 1,5 = aproximadamente un 0,5%, mientras que el análisis anterior sugiere una posible mejora más cerca de un punto porcentual. Este es el beneficio de la identificación específica de sectores con un desempeño pobre y bueno. De este modo, aunque el comentario general de que “los créditos rurales presentan un mejor desempeño que los urbanos” es cierto, se obtiene un mejor resultado tanto para la IMF como para sus clientes identificando los sectores individuales con problemas. Un cambio general del 15 por ciento de la cartera, de clientes urbanos a rurales, habría penalizado injustamente a los artesanos urbanos, que disfrutan de una cartera en riesgo de tan solo un 4,1 por ciento, y beneficiado a los créditos para turismo que sufren una cartera en riesgo de 5,4 por ciento - esta opción no habría constituido una reasignación óptima de la cartera. Otro factor que complica el uso de los análisis del escenario es que los efectos predictivos de diferentes decisiones no se pueden agregar. Si una IMF considera que cambiar un 10 por ciento 116
Análisis de escenarios para el logro de la misión Un uso común del análisis del escenario considera estimar el probable impacto en la cartera en riesgo de la extensión de la cobertura. En numerosas IMF los clientes de menores ingresos pueden sufrir unas tasas más elevadas de cartera en riesgo que los clientes con mayores ingresos. Sin embargo, la IMF quizá desee ampliar su alcance (buscar clientes en el sector más popular), y un análisis del escenario puede estimar el impacto probable. Por ejemplo, la IMF puede estimar que al incrementar su cartera hacia la categoría de clientes muy pobres, del 20 al 40 por ciento, lograría un probable incremento en la cartera en riesgo mayor a 30 días total de la cartera del 0,5%. Además, la IMF puede estimar, con referencia a los datos contables, el probable incremento en los costos operativos (examinando los costos fijos y variables – una tarea que está más allá del ámbito de esta herramienta, pero que no es compleja). Esto puede suministrar a la IMF una comprensión más completa del impacto general de dicho cambio en la cartera, e incluso utilizarse para la negociación de capital con inversores que tengan una orientación social. Por ejemplo, si la IMF está recibiendo un capital en préstamo del inversor al 10 por ciento al año, un análisis de esta naturaleza puede permitir a la IMF presentar al inversor un costo financiero probable (en incremento en cartera en riesgo/castigo y costos operativos directos) de 0,5% + $50.000, y proponerle que esto es totalmente viable y socialmente beneficioso, si el inversor continuara reduciendo el costo del capital del 10 al 9 por ciento. Es posible que la negociación desde el punto de vista del análisis de datos rigurosos sea convincente, si se pueden presentar claramente los costos probables al inversor.
de su cartera de los clientes hombres a las mujeres probablemente producirá una mejora de dos puntos porcentuales en la cartera en riesgo, y que cambiar un 10 por ciento de la cartera de clientes urbanos a rurales probablemente logrará una mejora de un punto porcentual en la cartera en riesgo, no es válido sugerir que si se realizan estos dos cambios se obtendrá una mejora en la cartera en riesgo de tres puntos porcentuales. Es probable que el cambio de la división de hombres/mujeres altere la división de rural /urbano, y viceversa. A menos que éstos se basen en el análisis de un solo escenario, es difícil determinar el efecto combinado de dos análisis de escenarios separados. Dos más uno podría ser igual a tres, si los cambios son totalmente independientes entre sí. En cambio, la combinación podría ascender a menos de tres puntos porcentuales, dependiendo de las superposiciones. Sin embargo, no es posible que el resultado sea mayor que tres.
Conclusión El análisis del escenario es una poderosa herramienta, pero debe utilizarse con cuidado. Particularmente cuando se ejecutan simultáneamente múltiples modificaciones, es probable que se produzcan superposiciones en los impactos, que pueden reducir el impacto general a menos del monto “previsto”. Cualquier número de eventos externos puede alterar el entorno general de la cartera y es posible que los cambios se implementen lentamente. Además del tiempo práctico que lleva implementar un cambio, dichos cambios tardan en tener un impacto en los resultados de la cartera. Los nuevos préstamos a un sector determinado se pueden detener instantáneamente, pero los préstamos existentes a dicho sector tardarán meses en desaparecer de la cartera. El análisis del escenario puede ayudar a la IMF a sopesar la probable magnitud final de ciertas modificaciones y ubicarlas por orden de prioridad, en consecuencia. En el ejemplo anterior relativo a un cambio en la división de urbano/rural, en paralelo con un cambio en la división de mujeres/hombres, cuando la IMF evalúa el tiempo y el costo que conllevan y el impacto probable de los cambios propuestos, puede decidir que uno es claramente mejor que el otro. En esta medida, el análisis del escenario es una herramienta útil. Ejercicio 8.1: Considerando las aplicaciones del análisis de escenarios Considere los tres ejemplos de decisiones de IMFs en este capítulo. ¿Cómo podría utilizarse el análisis del escenario para ajustar cada una de las decisiones, y cómo podría afectar esto a las decisiones finales tomadas por las IMFs?
117
CAPÍTULO 9: PRESENTACIÓN DE SUGERENCIAS A través del proceso de análisis, la IMF ha descubierto multitud de relaciones en sus datos, que apuntarán a varias sugerencias para mejorar las operaciones de la IMF a fin de alcanzar sus metas. Sin embargo, la IMF puede hallar que existe un número abrumador de sugerencias posibles y que, de hecho, algunas de las sugerencias pueden parecer más lógicas que otras. Como preparación para la presentación de las sugerencias al equipo gerencial del nivel superior, el equipo debe: 1. Resumir las sugerencias y resolver las contradicciones; 2. Considerar cómo el contexto de la IMF puede afectar a las sugerencias, mirando fuera de la cartera ; 3. Establecer prioridades y preseleccionar las sugerencias cuidadosamente, considerando factores distintos de la cartera, y 4. Presentar las sugerencias y los datos de apoyo de manera clara y concisa.
Paso 1: Resumir las sugerencias y resolver las contradicciones Antes de trabajar con las sugerencias generadas por el proceso de análisis, el equipo debe aclarar y acordar el contenido de las sugerencias. Para cada una de ellas, escriba un breve párrafo explicando el cambio sugerido en la IMF, junto con los datos que lo apoyan. Puede parecer que algunas sugerencias se contradicen entre sí, por lo que es importante definir con precisión la repercusión operativa y el subconjunto específico de clientes que se van a designar como meta. Por ejemplo, considere una IMF que realiza este análisis y elabora las siguientes sugerencias: • Incrementar los préstamos a los clientes hombres en las manufacturas y a las clientes mujeres en la agricultura • Disminuir el porcentaje general de la cartera prestado a los clientes hombres Estos objetivos pueden parecen contradictorios inicialmente, o confusos en el mejor de los casos. Es importante establecer claramente los objetivos específicos, idealmente con una métrica. En el ejemplo anterior, el equipo de implementación puede proponer la siguiente tabla como guía para la acción:
118
Cliente
% actual de la cartera
% sugerido de la cartera
Total de hombres/mujeres
40% / 60%
30% / 70%
Manufacturas por parte de hombres/otros
20% / 20%
25% / 5%
Agricultura por parte de mujeres/otros
20% / 40%
30% / 40%
Esta tabla debe ir acompañada de alguna explicación básica para aclarar la aparente contradicción allí contenida. Es más fácil para todas las personas involucradas, si los resultados y las sugerencias están clarísimos, para mantener la credibilidad con la gerencia y asegurar que aquellos que no están directamente involucrados en el proceso de cálculo conocen la lógica que se halla detrás de cada sugerencia.
Paso 2: Considerar el contexto de la IMF Aunque el equipo examinó de cerca su misión, entorno operativo y otros factores al comienzo del proceso de análisis, merece la pena volver a ver estas cuestiones a medida que el equipo de análisis de la cartera prepara sus recomendaciones. Aunque el equipo profundizó en los detalles durante el proceso de análisis, a estas alturas es hora de mirar fuera de la cartera y considerar la IMF en conjunto y a sus competidores – ¿cómo se implementarán estos cambios en la práctica? Los planes futuros de la IMF
El equipo debe considerar de qué manera las sugerencias pueden influir en los futuros planes de las IMF, o verse influidas por éstos. Consideren las situaciones de tres IMF: • La IMF A está planeando cerrar sus sucursales rurales en un año, porque ha hallado que estas sucursales tienen un desempeño inferior, de manera consistente, en comparación con las sucursales urbanas. Sin embargo, el proceso de análisis de la cartera revela que los problemas de pago de la IMF proceden de un grupo específico de clientes rurales, no de todos los clientes rurales en conjunto. El equipo de Análisis de la Cartera de la IMF A decide presentar estos hallazgos al equipo gerencial del nivel superior y recomendar que la IMF tenga como meta a los clientes en áreas rurales, en lugar de cerrar todas sus sucursales rurales. • La IMF B está proyectando apartar su enfoque de los clientes de clase media porque se ha desviado de su misión fundamental de prestar servicio a los clientes muy pobres. Su equipo de análisis de la cartera ha hallado algunos indicadores en los datos de la cartera que podrían ayudar a la IMF B a mejorar su servicio a los clientes de clase media, pero decide no hacer recomendaciones en esta área, debido a la eliminación gradual proyectada de este grupo de clientes.
119
• La IMF C está cambiando su línea de productos, en función de la retroalimentación recibida del campo antes de que comenzara su análisis. Su proceso ha revelado problemas con ciertas combinaciones de producto de crédito y sector comercial del cliente, que apuntan a una posible falta de idoneidad de los productos para esos sectores. El equipo de Análisis de la Cartera de la IMF C decide compartir sus hallazgos con el equipo de la gerencia superior e introducirlos en el continuo proceso de desarrollo de productos de la IMF. En todos estos casos existe una relación entre las sugerencias y los futuros planes de la IMF. Antes ya sea de descartar sugerencias o bien de realizar cambios en planes futuros, previamente establecidos, el equipo debe considerar su mercado y misión más amplios y asegurarse que las sugerencias se alinean con éstos. Otros factores que la IMF puede planear y que podrían tener repercusiones pueden incluir: • Una transformación propuesta: Es sensato evitar cambios importantes en la cartera durante el proceso de la transformación en un banco formal y también asegurarse que los cambios sugeridos en la cartera son compatibles con la IMF después de la transformación. Por ejemplo, si uno de los propósitos de la transformación es facilitar que la IMF capte ahorros, sería sensato asegurarse que los cambios en la combinación de la cartera sesgan ésta a favor de clientes que probablemente precisen servicios de ahorro. • Una próxima calificación: Normalmente las agencias de calificación agradecen un enfoque proactivo respecto a la administración de la cartera y un profundo conocimiento de la cartera. Es posible que la IMF desee compartir los hallazgos fundamentales del análisis y resumir las acciones proyectadas para la agencia de calificación, puesto que esto no solo ahorrará a la agencia de calificación algún tiempo en su propio análisis de la cartera, sino que también conducirá a una calificación más positiva, si la agencia observa esta actividad clara. La IMF quizá desee preparar un breve documento para la agencia de calificación, con algunos análisis del escenario del probable impacto sobre la cartera en riesgo a lo largo de un periodo de tiempo definido. • Un nuevo inversor: Si la IMF está realizando deliberaciones con un nuevo inversor o bien considerando dirigirse a éste, es importante asegurarse que los cambios sugeridos son compatibles con las prioridades establecidas por el inversor. Por ejemplo, si el inversor tiene un gran enfoque hacia la prestación de servicios a los clientes extremadamente pobres y las sugerencias del análisis son que la IMF debe brindar servicio a menos clientes en la categoría de extremadamente pobres, esto puede poner en peligro la capacidad de la IMF para atraer la nueva inversión. Sin embargo, armada con evidencia de apoyo, la IMF quizá pueda analizar las repercusiones en la cartera en riesgo/costos operativos de los servicios a los 120
extremadamente pobres, y utilizar esto como medio para lograr éxito en la negociación con el inversor. Factores del mercado
Algunas sugerencias generadas por este proceso pueden ser útiles para mejorar la posición competitiva de la IMF, mientras que otras pueden parecer beneficiosas para la IMF internamente, pero corren el riesgo de ponerla en una desventaja competitiva. Por ejemplo, una IMF puede tener un cierto producto porque es útil para la captación de clientes, a pesar del hecho de que el producto tenga un pobre desempeño. Las sugerencias del proceso de análisis de la cartera pueden incluir la eliminación gradual de este producto pero, de hecho, el hacerlo ocasionaría una pérdida de clientes que se irían a la competencia. En ese caso, la IMF debe enfocar el análisis de su cartera en hallar maneras de mejorar su implementación del producto problemático, sin hacer peligrar su proceso de captación de clientes ni ponerse a sí misma en una posición que permita a la competencia “robarle” sus clientes. La IMF puede utilizar también el proceso para comprender las acciones de sus competidores, en áreas donde los productos, la geografía y la demografía de los clientes se solapan con los de la competencia. Por ejemplo, ¿en qué medida ha cambiado la competencia su enfoque de productos o enfoque geográfico durante el año pasado? ¿Apoyan los resultados de los análisis pertinentes de la propia cartera de la IMF estas decisiones? Además en las áreas de coincidencia, ¿qué acciones considera la IMF que su competidor podría llevar a cabo a lo largo del siguiente año? ¿Cómo podría la IMF alterar su propia estrategia para contrarrestar tales movimientos posibles por parte de la competencia? La IMF quizá pueda utilizar este tipo de pensamiento para mantenerse un paso por delante de la competencia, especialmente en los casos donde la competencia no ha adoptado procesos de análisis de la cartera. Aunque la IMF idealmente sólo se solapa con sus competidores en términos de tipos de clientes a los que están prestando servicio, en mercados de microfinanzas más saturados suele ocurrir que las IMFs y sus competidores estén prestando servicio a los mismos clientes exactamente. En mercados donde no hay burós de crédito disponibles, dichas situaciones de múltiples créditos pueden descontrolarse y conducir al sobre endeudamiento. Antes de atribuir hallazgos del proceso de Análisis de la Cartera a factores internos, la IMF debe examinar la distribución geográfica de los clientes problemáticos para ver si los créditos por parte de la competencia pueden ser un factor y ajustar las sugerencias conforme a esto. Junto con la consideración de las acciones de los competidores, las sugerencias que se saquen del proceso de análisis de la cartera deben tener en cuenta cómo está posicionada la IMF en el mercado en términos de precios, rapidez y calidad del servicio. Por ejemplo, los cambios costosos que mejoran la calidad del servicio posiblemente no sean la respuesta correcta, si la IMF se está posicionando como un rápido proveedor de servicios, de bajo costo, para sus clientes. Por último, el entorno regulatorio de la IMF puede ser un factor al decidir qué sugerencias son viables. Aunque el entorno regulatorio de cada IMF es distinto, algunos ejemplos pueden incluir:
121
• ¿Están pendientes nuevas regulaciones? De ser así, ¿cómo influyen éstas en la estrategia actual y prevista de la IMF? • ¿Existen regulaciones acerca de los tamaños de los préstamos, por ejemplo, o límites para las tasas de interés que podrían alterar los grupos de clientes meta o los productos crediticios? • Si la IMF está considerando alterar sus prácticas de cobro de la deuda, ¿están éstas de acuerdo con el entorno regulatorio? Misión y visión
La misión y visión de la IMF deben desempeñar un rol clave en ayudar a la IMF a decidir qué sugerencias del proceso de análisis serán las más beneficiosas. Anteriormente en la herramienta, la IMF desglosó su misión y visión en términos operativos; en este momento del proceso, merece la pena revisar dicho desglose de la misión y la visión. Para cada posible sugerencia, la IMF debe preguntar si la sugerencia está de acuerdo con la misión de la IMF. A estas alturas la IMF debe recurrir a su misión y visión para orientarse acerca de qué datos debe comenzar a captar en el SIG, para su uso en un futuro análisis. Por ejemplo, los indicadores adicionales de pobreza pueden permitir a la IMF mejorar su enfoque hacia los datos demográficos, al tiempo que los datos geográficos mejorados pueden ayudar a la IMF a optimizar su alcance geográfico. Algunas IMF incluso llegan a realizar un seguimiento de las coordinadas exactas de GPS de la vivienda de cada cliente, que luego pueden combinarse con otros puntos de referencia para descubrir las correlaciones entre la ubicación y otros temas en los datos de la cartera. Ejemplo del Caso de Estudio
122
Incluso cuando se hayan completado las deliberaciones acerca de planes futuros, factores del mercado, y la misión y visión de la IMF, probablemente los miembros del equipo debatirán en cierta medida cómo ordenar las sugerencias según su prioridad. Una buena solución consiste en asignar una calificación a cada sugerencia, basada en un sistema de calificación acordado. Por ejemplo, la IMF puede decidir darle prioridad a las sugerencias basadas en el costo (en términos de recursos financieros, humanos y de tiempo), el beneficio financiero y el logro de la misión.
El equipo de Banco de la Mujer calificó las sugerencias de cambios a partir de esta estructura: Costo
Beneficio
Paso 3: Establecer prioridades y preseleccionar las sugerencias
Baj
Med
Alto
Bajo
3
2
1
Med
4
3
2
Alto
5
4
3
Luego ajustaron la calificación un punto hacia arriba o hacia abajo, en función del impacto positivo o negativo que tendría el cambio sobre el logro de la misión. Por último, el equipo clasificó las sugerencias en función de las calificaciones resultantes.
El logro de la misión puede ser positivo, neutro o negativo. Por ejemplo, una sugerencia que reduzca los costos pero corte los servicios a un cierto grupo de clientes, puede tener un impacto negativo sobre el logro de la misión de la IMF. Un ejemplo de un sistema de calificación de sugerencias se presenta en el Capítulo 6 del caso de estudio que acompaña a esta herramienta. Tras haber acordado el orden de prioridades, el equipo debe realizar una lista preliminar cortando la lista en una determinada calificación – donde las sugerencias por debajo de la calificación no sean urgentes, pero puedan ser supervisadas en futuros ciclos de análisis. (Si de hecho algunas soluciones con una calificación más baja parecen urgentes, es aún necesario ordenar las prioridades y preseleccionar – una IMF no puede realizar una docena de cambios al mismo tiempo, sin hacer mal muchos de ellos, por lo que es necesario un enfoque por etapas). La lista preliminar reducirá el campo a una lista manejable de quizá cinco a diez sugerencias, para permitir al equipo de la gerencia superior tomar decisiones de la manera más eficiente posible. Sin embargo, el equipo debe aspirar a presentar un número de sugerencias ligeramente superior a las que es probable que la IMF implemente (basándose en los recursos actuales), para brindar al equipo gerencial la oportunidad de realizar cambios en función de su propia información y la dirección estratégica de la IMF.
Paso 4: Presentar las sugerencias de manera clara y concisa Aunque el proceso haya generado una enorme cantidad de información, sólo una parte de ésta es relevante para las sugerencias que se presentarán al equipo de la gerencia superior. Quizá sólo un 5 por ciento de las tablas y los gráficos que se produzcan durante el análisis lleguen al informe final—esto es normal. De este grupo, un segmento incluso más pequeño es necesario para apoyar las sugerencias que se están realizando. La gerencia del nivel superior probablemente no tenga mucho tiempo para evaluar todos los datos detallados que se hallan detrás de las sugerencias, así que en ese caso, menos es más. Una efectiva presentación de una sugerencia se enfocará en: • Valores numéricos clave que respaldan el hallazgo; si es necesario, esto debe incluir un gráfico claro e intuitivo que exprese la cuestión fundamental; • La relación de causa y efecto que demuestran estos datos, generalmente un problema o una oportunidad; • La sugerencia de cómo la IMF puede resolver el problema o aprovechar la oportunidad; y • Una estimación aproximada de los recursos necesarios para ejecutar la sugerencia, junto con una estimación de los beneficios previstos. El equipo de análisis debe guardar más información de referencia, por si acaso hay más preguntas por parte del equipo de la gerencia superior (o incluirse como apéndice), pero no es necesaria 123
para la presentación. Es probable que la gerencia cuestione ciertos aspectos, y es importante que el equipo tenga datos a mano para responder rápidamente a una pregunta con datos rigurosos. Los gráficos pueden ser útiles para presentar sugerencias, pero sólo cuando los datos sean demasiado complejos para ser presentados en una tabla sencilla o explicados de manera verbal. Por ejemplo, un gráfico es útil para mostrar distintos niveles de pobreza a lo largo de las sucursales, pero para decir simplemente: “50 por ciento de nuestros clientes son pobres”- un gráfico no agrega valor. En el capítulo anterior se hallan algunos ejemplos de gráficos útiles y la siguiente sección de este capítulo agrega mayores detalles acerca de cómo presentar las sugerencias de la mejor manera posible.
Ejemplos en la práctica Una IMF grande de Sudamérica con una elevada cartera en riesgo y deserción de clientes
Esta IMF sabía que estaba sufriendo un problema de cartera en riesgo y trató de determinar cómo abordarlo. El gráfico a la derecha demostró sin ninguna duda que el primer ciclo de préstamos era la fuente del 60 por ciento de la cartera en riesgo de la IMF. (El eje horizontal hace referencia al número de ciclo, mientras que el “porcentaje de cartera en riesgo mayor a 30 días” no se refiere a la cifra de la cartera en riesgo mayor a 30 días en sí, sino a la proporción de la cartera en riesgo total, representada por cada ciclo). Esta observación relativamente simple, combinada con otro análisis, se convirtió en sugerencias acerca de cómo mejorar el desempeño de la IMF. La primera etapa del proceso fue crear una presentación en PowerPoint, que describía el análisis ejecutado y las relaciones clave descubiertas. La IMF hizo esto utilizando gráficos y tablas, y para cada caso describió la relación con detalle, apoyado por comentarios acerca de por qué dicha relación puede existir. Era sensato, intuitivamente, esperar que los clientes en el primer ciclo, quienes eran anteriormente desconocidos para la IMF, sufrirían unas tasas de la cartera en riesgo más elevadas, pero quizá no se comprendía tan bien la magnitud – el ejemplo gráfico del equipo de análisis (presentado en el Capítulo 8) dejó esto muy claro. A continuación los analistas procedieron a presentar una serie de sugerencias de modificaciones en los procedimientos existentes, que podría esperarse de manera razonable que ayudaran a la IMF a reducir los problemas observados. A esas alturas, se instó a los gerentes del nivel superior 124
a que agregaran comentarios adicionales y tuvo lugar un debate interactivo. Algunas sugerencias se consideraron poco prácticas o era probable que causaran más problemas, mientras que la gerencia agregó también algunas sugerencias que el equipo no había considerado anteriormente. Los resultados fueron una serie de pasos a tomar, autorizados por el nivel de la gerencia superior, y adoptados sobre la base de una evidencia firme y tangible. A continuación figura un resumen de estos pasos: Procedimientos de solicitud para clientes • Ampliar los procedimientos para captar más datos y ejecutar un análisis más avanzado del flujo de caja. • Incorporar estos datos en el SIG, utilizando campos adicionales. Recopilar los datos de sobreendeudamiento anteriores, que fueron suministrados por el buró de crédito. • Instar a los comités de crédito a realizar un mayor número de preguntas más profundas acerca de los nuevos clientes, y sugerir que rechacen aproximadamente 1 de cada 3 préstamos, en lugar de 1 de cada 5, como en el pasado. • En la oficina central, capacitar a un miembro del nivel superior del comité de crédito de cada sucursal, quien luego hará un lanzamiento gradual de los cambios e instruirá a los agentes de préstamos de la sucursal. Datos del buró de crédito • Rechazar a los clientes con dos o más préstamos sobre los que haya informado el buró de crédito (reduciéndolo desde tres). • Incrementar la calificación mínima aceptable por el buró de crédito hasta 4,0 (en una escala de cinco puntos). • Informar a los comités de crédito de esta modificación. Frecuencias de pago • Requerir a todos los nuevos clientes el pago semanal. (La IMF había hallado que las frecuencias largas tenían un impacto marginal sobre las tasas de pago para los clientes más maduros, pero los nuevos clientes indudablemente pagaban mejor con el escrutinio de los pagos semanales). • Permitir a los clientes que pasen a pagos de reembolso más prolongados en el tercer ciclo y posteriores, si así lo desean. • Endurecer los requisitos de colateral (que anteriormente habían sido gestos simbólicos). 125
Plan de incentivos para agentes de crédito • Volver a redactar el plan de incentivos con un modesto incremento salarial general, pero con una mayor parte de la remuneración vinculada al desempeño. • Adecuar mejor los intereses de los agentes de crédito y la IMF, a través de una estructura más sofisticada. Otras acciones • Cambiar los ciclos de progresión de los préstamos para permitir que los clientes con unas tasas de reembolso puntual del 100 por cien, obtengan montos de préstamos mayores a una tasa de interés ligeramente reducida. • Actualizar los materiales de mercadeo para reflejar estos cambios, incluyendo el plan de retención de clientes, en un esfuerzo para reducir la deserción por parte de éstos. Equilibrio de la cartera en riesgo, la misión, las tasas de interés y las necesidades del inversor
Otra interesante aplicación del proceso de Análisis de la Cartera es el grado hasta el cual los datos de la cartera en riesgo/castigos pueden influir en importantes decisiones operativas respecto a la cartera en riesgo, la desviación de la misión, los costos operativos y las estrategias de obtención de fondos. Esto se basa en los conceptos presentados en el cuadro del “Análisis del escenario para el logro de la misión”, en el Capítulo 8, convirtiendo dichas observaciones en sugerencias para la acción. En este ejemplo simplificado, una IMF presentó los resultados del análisis a los inversores de una manera que los persuadió para cambiar los términos de la inversión. La IMF prestaba servicio a una amplia gama de clientes, desde los muy pobres hasta la clase media. Deseaba obtener capital externo para ampliar su cobertura. Su cartera estaba estructurada de la siguiente manera: Muy pobres
Pobres
Ingresos Medios
Núm. de Clientes
2.000
3.000
1.000
Cartera Vigente
$150
$300
$800
Total Vigente
$300.000
$900.000
$800,000
Ratio de Castigo
3%
2%
1%
Gastos de Castigo
$9.000
$18.000
$8.000
Costos Operativos Dir.
$100.000
$150.000
$50.000
Costo Total
$109.000
$168.000
$58.000
El total de los costos operativos directos, excluyendo el interés pagado por la IMF, se calculó simplemente en $300.000 al año y se asignó por cliente (ej. $50/cliente/año). Esta no es una 126
suposición poco razonable, puesto que el costo del servicio a un cliente no está muy relacionado con el tamaño del préstamo. La IMF intentaba conseguir un préstamo de $720.000 e identificó a dos posibles inversores. El inversor A era un inversor social y deseaba prestar a tasas subsidiadas de sólo un 6 por ciento al año (costo total de $43.200 por año), con la condición de que todos los fondos se prestaran a personas extremadamente pobres y que se mantuvieran los préstamos existentes a los pobres extremos. El inversor B era un inversor comercial y cobraría el doble de tasa de interés, un 12 por ciento (costo total de $86.400 por año), pero no ponía condiciones respecto al grupo meta de clientes. Por lo tanto, la IMF dividiría el capital por igual a lo largo de los tres niveles de pobreza, con $240.000 en cada uno: Inversor A
Inversor B
Muy Pobres
$720.000
$240.000
Pobres
-
$240.000
Ingresos Medios
-
$240.000
Núm. de Clientes
4.800
2.700
Costos Operativos
$240.000
$135.000
Castigo
$21.600
$14.400
Total
$261.600
$149.400
La IMF calculó los gastos operativos probables (a una tasa fija por cliente) y los gastos de castigo de los dos diferentes escenarios ofrecidos por los inversores. Debido principalmente al incremento en los costos operativos directos, pero también debido al incremento en los gastos de castigo, el costo total de que la IMF se enfocara hacia los clientes muy pobres como meta (inversor A) era significativamente superior al de distribuir la cartera por igual. Después la IMF estimó los costos totales, incluyendo el interés pagado a los inversores, y calculó la tasa de interés necesaria que tendrían que cobrar a los pobres para alcanzar el punto de equilibrio (por ej. lograr cero beneficios ): Inversor A
Inversor B
Costo Total para la IMF
$304.800
$235.800
Tasa de Interés al punto de equilibrio para Cliente
42%
33%
Las tasas de interés predominantes en las regiones rurales, menos competitivas, donde operaba la IMF eran de aproximadamente un 40 por ciento, mientras que las regiones más competitivas tenían un promedio aproximado del 30 por ciento. La IMF no se sentía cómoda cobrando tasas de interés superiores al 40 por ciento y temía que esto pudiera hacer peligrar su imagen 127
en el mercado. La IMF pensó que dividir la cartera por igual entre los niveles de pobreza era consistente con su misión fundamental. Por lo tanto, prefirió pagar un interés adicional al inversor B, para no tener que cumplir con las limitaciones adicionales impuestas por el inversor A. Asimismo, la provisión de dicho análisis a los inversores ayudó a la IMF en la negociación. Al final, el inversor A estuvo dispuesto a prestar a la IMF en términos más favorables, pero con un compromiso tal, en cuanto a las proporciones del grupo de clientes meta, que la IMF podría cobrar tasas razonables de interés a todos sus clientes. Aunque este caso está simplificado, ilustra un punto clave. Si una IMF comprende perfectamente las diferentes características de los componentes individuales de su cartera, tiene mayor capacidad para tomar decisiones que puede parecer, a primera vista, que no están relacionadas.
128
CAPÍTULO 10: TOMA DE DECISIONES, IMPLEMENTACIÓN Y PUESTA A PRUEBA DE LOS RESULTADOS Con una recopilación de las sugerencias del proceso de análisis en mano, la gerencia superior de la IMF afrontará la delicada tarea de decidir cómo ejecutar las sugerencias – ¿cuenta la IMF con los recursos para llevar a cabo todas o sólo algunas de ellas? Al mismo tiempo, existe un reto en cuanto a decidir cómo ordenar el proceso y la IMF debe elegir entre implementar tan solo una decisión a la vez o una serie de decisiones en paralelo. Mientras tanto, la IMF debe considerar cómo diferentes partes de la organización participarán en el cambio. Este capítulo ofrece alguna orientación general acerca de cómo tomar estas decisiones e implementar cambios a lo largo de la organización. En general, las acciones sugeridas suponen alterar uno o más de los siguientes puntos: • Enfoque hacia el cliente (género, sector, geografía) • Criterios de solicitud de préstamos • Procedimientos de debida diligencia • Especificaciones de los productos crediticios (concordancia con necesidades de clientes) • Combinación de productos crediticios • Prácticas de cobro de la deuda • Estructuras de incentivos para el personal No es posible resumir todas las consideraciones prácticas posibles de la implementación de esta amplia gama de cambios a lo largo de todas las IMF, a escala global. Sin embargo, existe normalmente una serie de mecanismos comunes por medio de los cuales una IMF implementa dichos cambios. Considerar estas repercusiones prácticas es fundamental para el éxito del lanzamiento gradual de la herramienta completa de Análisis de la Cartera – el impacto final del proyecto depende de la implementación en la práctica, no de las teorías desarrolladas por el equipo de la herramienta.
129
Aunque todo proceso de cambio organizacional será distinto, las IMF pueden utilizar la estructura general que figura a continuación para suavizar el proceso de pasar de las sugerencias a las decisiones, convertir estas decisiones en planes concretos y comunicar e implementar estos planes a lo largo de la organización.
Mes 0
Toolkit de studio
Proceso de Análisis de Cartera
Fecha Límite de Datos
Mes 6
Mes 9
Final del Año
Revision de 3 Meses (Etapa 4)
Revision de 6 Meses (Etapa 5)
Repetir Análisis (Etapa 6)
Mes 3
Tomar Decisiones, Presentar Diseñar Resultados Plan (Etapa 1-2)
Lanzar la Implementación (Etapa 3)
Comparar instantánea de 3 meses con resultados originales
Comparar instantánea de 6 meses con resultados originales
REPETIR ANÁLISIS
Un proceso normal en una IMF puede asemejarse a éste: 1. Análisis completo realizado el 1 de enero, con los cambios correspondientes ejecutados en febrero pero no completados hasta marzo. 2. Revisión al final del segundo trimestre de las variables clave en cuestión; se realizan ajustes en consecuencia. 3. Revisión final realizada a finales del tercer trimestre o principios del cuarto. Resumen del informe de los resultados preparado para la gerencia, con referencia a las amplias tendencias del mercado y las partes de la cartera que no se vieron afectadas por los cambios (el sustituto para el grupo de control).
130
4. 1 de enero del segundo año: repetición del análisis completo. Esto puede comenzar con un resumen de los cambios que han tenido lugar en la cartera a lo largo del último año, pero se vuelve a analizar la cartera sin hacer referencia a las conclusiones previas, evitando así el sesgo. Los factores que impulsaron la cartera hace un año pueden ser idénticos ahora. Pueden ser completamente distintos. Algunos pueden haber cambiado. Pero es fundamental que el análisis se prepare completamente desde el principio.
Aunque las secuencias cronológicas exactas pueden variar, lo ideal sería que las IMF siguieran las amplias etapas esbozadas en este capítulo.
Etapa 1: Tornar las sugerencias del análisis en decisiones de la gerencia El proceso de análisis habrá producido una serie de sugerencias acerca de cómo mejorar el desempeño de la IMF. Ahora depende de la gerencia superior el decidir qué sugerencias tienen el mayor valor y convertirlas en decisiones acerca de la futura trayectoria de la IMF. Revisión conjunta con la gerencia superior
Para comenzar el proceso, la gerencia del nivel superior debe sentarse con el equipo de Análisis de la Cartera y revisar la lista de sugerencias. Algunas de éstas pueden resultar una sorpresa para la gerencia e incluso puede parecer que están basadas en información errónea acerca de la gerencia de la IMF. Esto se puede deber a un error por parte del equipo de análisis, pero podría igualmente deberse a un punto ciego de la gerencia superior. A través de las deliberaciones, los dos grupos pueden resolver dichas inconsistencias, ya sea llenando los vacíos en el conocimiento detallado de la cartera por parte de la gerencia superior o bien corrigiendo los errores en el análisis. Para facilitar este proceso, el equipo del análisis debe tener a mano datos completos que apoyen cada decisión – aunque la mayor parte de la información no se utilice en la reunión, será necesaria inmediatamente si el equipo gerencial tiene alguna pregunta. Evaluación de las sugerencias por parte de la gerencia del nivel superior
El proceso de evaluación por parte de la gerencia del nivel superior incorporará los aspectos de la IMF que el equipo de Análisis de la Cartera probablemente habría perdido, debido al enfoque en las operaciones de los miembros del equipo. Aspectos de la evaluación por parte de la gerencia superior pueden incluir relaciones con los inversores, atención de los medios de comunicación, próximas calificaciones y la estrategia amplia de la IMF. El equipo de la gerencia superior puede asimismo no estar de acuerdo con algunas de las estimaciones de los costos, por parte del equipo de análisis y hacer ajustes en consecuencia. Esto probablemente cambiará la prioridad y la viabilidad de algunas de las sugerencias, conduciendo al equipo de la gerencia superior a tomar decisiones finales que varíen respecto a lo que el equipo de análisis habría previsto originalmente. Selección de decisiones y alcance del cambio para cada una
Tras haber completado el análisis y las deliberaciones, el equipo de la gerencia superior está listo para realizar la selección final de las decisiones que van a ejecutarse. No es necesario implementar todas las sugerencias seleccionadas al mismo tiempo. El equipo gerencial probablemente seleccionará aquellas que son más compatibles intuitivamente, para revisarlas en conjunto (por ej. aquellas con aspectos complementarios, tales como un paquete de cambios en los productos crediticios y los procedimientos) y dejará otras para más adelante, según los recursos con los que cuente la organización. Esto generalmente significa seleccionar de cinco a diez sugerencias, cada una de las cuales puede tener pasos más específicos para su ejecución. 131
El equipo gerencial también deberá seleccionar la intensidad de cada cambio, basándose en parte en cualquier análisis del escenario que el equipo de análisis haya completado. Para los cambios donde el equipo gerencial tenga dudas acerca de los efectos imprevistos (por ejemplo, un cambio en una combinación de productos de crédito que es probable que reduzca la cartera en riesgo, pero también es probable que desagrade a algunos clientes, y posiblemente también al personal de campo), es posible que seleccione una menor intensidad y marque este cambio para una nueva revisión al llegar al plazo de los seis meses. En la práctica esto podría significar, por ejemplo, la reducción de la parte de la cartera destinada a los préstamos de consumo, del 15 al 10 por ciento, en lugar de pasar del 15 al 5 por ciento, tal como el equipo de análisis había sugerido. Dichos cambios pueden siempre ampliarse en una fecha posterior, si los resultados iniciales parecen apoyar la premisa fundamental de la mejora. Además, el equipo gerencial debe considerar la amplitud del cambio, lo que influirá en su nivel de dificultad, así como qué partes interesadas se verán afectadas, tanto internamente (por ej. personal de campo), como externamente (por ej. las autoridades reguladoras). Algunas decisiones pueden afectar únicamente a un pequeño aspecto del negocio de la IMF – por ejemplo, cambios en los procedimientos de pago de los clientes. Otras pueden tener una amplitud de alcance mucho mayor – por ejemplo, un cambio en los productos crediticios y en los procesos de filtro de clientes para conseguir que la IMF se vuelva a orientar “hacia su misión”, si se ha desviado de la misma.
Etapa 2: Elaborar un plan de implementación de las decisiones Una vez que la gerencia del nivel superior ha seleccionado las decisiones que implementará la IMF, se debe desarrollar un plan de implementación. El primer paso consiste en considerar la amplia estructura del plan – ¿se realizarán cambios a lo largo de la organización o a través de un proyecto piloto en una cierta sucursal o en una región determinada? ¿Se pueden realizar cambios complementarios como grupo, por ejemplo la capacitación de agentes de crédito y/o comités de crédito acerca de un grupo de cambios en los productos? ¿Cómo se asegurará la gerencia de que todos los miembros del personal relevantes participarán en el cambio – tanto en términos de saber lo que deben hacer como de sentirse cómodos con el cambio? A continuación la IMF debe trabajar en un plan para ejecutar los cambios que sean más urgentes y más compatibles con los recursos que la organización tiene disponibles. Esta sección examinará las repercusiones para cada grupo en la IMF, así como otros aspectos de las operaciones de ésta, tales como sus materiales de mercadeo y el SIG. Elementos clave del plan
Estos elementos son útiles para crear un sólido plan de implementación:
132
• Enunciado del objetivo y el resultado del proyecto: El objetivo describe la meta asociada con el cambio, mientras que el resultado revela por qué el proyecto es importante para la IMF. A modo de ejemplo simple, el objetivo del proyecto podría ser “lanzar un nuevo producto de crédito”, mientras que el resultado sería “mejorar la retención de clientes alineando mejor la línea de productos con las necesidades de los clientes”. Esto ayudará a la IMF a seleccionar qué métrica debe monitorear en etapas posteriores.
• Estructura de desglose del trabajo: Comenzar con el proyecto principal (“lanzar un nuevo producto crediticio”), y crear un “árbol” que lo divida en elementos amplios. Por ejemplo, diseño de las características fundamentales del producto crediticio, repercusiones para el SIG, necesidades de mercadeo, etc. Dentro de cada elemento, agregar ramas adicionales al árbol. Algunos elementos de los requisitos de mercadeo podrían ser la capacitación de los agentes de crédito en la promoción del nuevo producto crediticio, el desarrollo de nuevos materiales de promoción, alteraciones en el sitio web, etc. La IMF debe involucrar al personal clave del departamento pertinente en el desarrollo de cada rama de la estructura de desglose del trabajo. Esta estructura ayudará a la IMF a desarrollar el presupuesto y el plazo de su proyecto. • Presupuesto: Este debe englobar los recursos financieros y humanos requeridos a lo largo de la duración del proyecto. Es mejor identificar y resolver la escasez de recursos antes de que comience el proyecto, en lugar de hacerlo una vez que sea demasiado tarde, ya sea para ajustar el plan del proyecto o bien los recursos disponibles. • Secuencia temporal (diagrama de Gantt): Determinar el tiempo previsto, requerido para cada tarea y fase del proyecto. La secuencia temporal debe considerar las asignaciones de personal y de recursos asociadas con cada etapa, así como qué tareas no se pueden iniciar hasta que se hayan finalizado otras. • Gerencia de cambio y plan de comunicación: Al llevar a cabo amplios cambios en toda la organización, la IMF debe implementar una gerencia de cambio y una estrategia de comunicación, para asegurar que el cambio tenga éxito a través de la organización. Para cambios pequeños que afecten sólo a un grupo (por ejemplo, el comité de crédito), es apropiado un plan de comunicación mucho más sencillo. En el Apéndice 3 se incluyen enlaces para obtener información adicional acerca de cómo desarrollar estos elementos. Al elaborar este plan, la IMF debe considerar las necesidades de sus diferentes miembros del personal — cómo cambiarán sus trabajos y cómo participarán en el proceso. Además deben observarse consideraciones adicionales. Estas consideraciones pueden captarse en una cuadrícula que resuma las áreas operacionales afectadas, así como el personal responsable – aquí figura un ejemplo simplificado:
133
Areas operativas Puntos para la acción
Solicitud + aprobación préstamo
Materiales de mercadeo
Reducir préstamos de consumo y gen. Reducir prést. a clientes clase media
√
Ampliar la frecuencia promedio de pago
Personal responsable Estrategia y metas
Personal de oficina central
Comités de crédito
Personal de campo (AC, CC, GS)
√
√
√
√
√
√
√
Restringir préstamos grandes para clientes jóvenes
√
Reducir plazos promedio de préstamos
√
Modificar la división rural/urbano
√ √
√
√
√
√
√
√
√
√
√
Nota: AC= Agentes de crédito CC=Comité de crédito GS=Gerente de Sucursal
Dentro de las inquietudes operativas y de dotación de personal, la IMF debe contemplar varias cuestiones a medida que estructura su plan. Consideraciones en cuanto al personal
Obtención de un apoyo de amplia base: Aceptar algunas acciones puede resultar doloroso y delicado para el personal. En particular, la moral del personal de campo puede verse influida y la gerencia debe abordar esto específicamente. Aunque el proceso de Análisis de la Cartera incluye al personal de campo desde el principio (el agente de crédito y el asesor de campo que suministran sus propios aportes acerca del equipo de implementación), en la etapa de implementación la IMF puede beneficiarse de la organización de grupos focales del personal de campo, antes y durante el cambio, para obtener retroalimentación acerca de los cambios, a medida que éstos son propuestos e implementados. La constante implementación por parte del personal, y el ajuste del plan en caso necesario, es crítica para el éxito de cualquier cambio. Agentes de crédito: La mayoría de los cambios conllevan algún tipo de nueva capacitación de los agentes de crédito, puesto que están en primera línea de la relación entre el cliente y la IMF. La instrucción y obtención del apoyo de los agentes de crédito puede tener lugar de varias maneras:
134
1. Capacitación colectiva de todos los agentes de crédito, a través de capacitaciones en grupo o comunicaciones. Si los cambios son profundos, alterando de manera fundamental los procedimientos operativos, esto puede lograrse mejor reuniendo a todos los agentes de crédito en una sola ubicación y capacitándolos de manera colectiva.
2. En el caso de modificaciones menores, tales como la eliminación gradual de un producto de crédito particular, quizá sea posible enviar un mensaje de correo electrónico o un aviso a todos los agentes de crédito. Sin embargo, un paso intermedio sería que una persona de cada sucursal recibiera capacitación más detallada y que luego se la transmitiera a los agentes de crédito de cada sucursal. Gerentes de sucursal: Generalmente, no es ni suficiente ni deseable el hecho de instruir sencillamente al gerente de sucursal para “reducir la exposición al sector X”, puesto que esta orientación es demasiado vaga y está abierta a la interpretación. Es más sensato, generalmente, cuantificar tanto el objetivo como el plazo para cumplirlo. En este ejemplo, diferentes gerentes de sucursal pueden interpretar la instrucción de diferentes maneras: • Cesar todos los nuevos préstamos al sector X inmediatamente • Cesar gradualmente los nuevos préstamos al sector X, hasta que se hayan eliminado completamente • Cesar gradualmente los nuevos préstamos al sector X, hasta que se haya llegado a un cierto nivel • Continuar con los nuevos préstamos a los clientes en el sector X como de costumbre, pero restringir los préstamos a los nuevos clientes en el sector X Es por lo tanto más sensato definir con mayor precisión el método para lograr el objetivo por sucursal. Un ejemplo puede ser el siguiente: “Desearíamos reducir la exposición al sector X, puesto que lo hemos identificado como una fuente de significativo riesgo para la IMF y dichos clientes no suelen beneficiarse de nuestros préstamos en la misma medida que los clientes en otros sectores. Usted tiene actualmente un 10 por ciento de su cartera de préstamos con este sector, registrando una cartera en riesgo del 9 por ciento. Desearíamos reducir el porcentaje de la cartera al 5 por ciento, en un período de 6 meses. Esto supondrá ralentizar los préstamos a nuevos clientes en este sector y endurecer los criterios de debida diligencia y solicitud. Mientras tanto, se puede continuar con los préstamos sucesivos a clientes existentes en este sector, pero sólo mediante el cumplimiento absoluto de los términos del préstamo. Los fondos liberados por esta política se deben prestar a otros sectores que usted considere apropiados. Este tipo de comunicación suministra un objetivo tangible para el(la) gerente de sucursal y uno por el que se le puede hacer responsable. Comités de crédito: Dependiendo de la metodología operativa de la IMF, generalmente también será necesario educar y obtener el apoyo de los comités de crédito para los cambios. Algunos comités de crédito incluyen a agentes de crédito, por lo que existe cierta superposición con este método y los anteriormente mencionados. Independientemente del método preciso utilizado, los comités de crédito deben conocer los cambios y los objetivos de la IMF para asegurar que sus aprobaciones y rechazos son consistentes con éstos. 135
En el caso de un sector, o de un producto de crédito particular, que se está eliminando gradualmente de manera parcial o total, el comité de crédito deberá implementar esto. A menudo esto se realizará a través del endurecimiento de ciertos criterios. Por lo tanto, quizá no sea tan esencial en algunos casos comunicarse directamente con los agentes de crédito, sino que los comités de crédito comienzan a aplicar un mayor escrutinio y criterios de debida diligencia para los clientes considerados como de “mayor riesgo” y los agentes de crédito se enteran de los criterios revisados a través del comité de crédito. Sin embargo, si esto se lleva a cabo sin dar ninguna explicación a los agentes de crédito, puede conducir a la frustración y a retrasos en la implementación de los cambios. El punto importante que debe considerarse aquí es que ambos deben realizarse de manera colectiva. Consideraciones operativas
Materiales de mercadeo: No es suficiente simplemente instruir a los agentes de crédito y a los comités de crédito; en numerosos casos, los propios clientes deben conocer las políticas revisadas de la IMF. Si una IMF va a eliminar un determinado producto crediticio gradualmente, por ejemplo, se debe informar a los clientes que tienen este producto crediticio lo antes posible y probablemente ofrecerles un producto de crédito alternativo. Asimismo deben cambiarse los materiales de mercadeo como corresponda, a menudo con un considerable gasto para la IMF. Estas son por lo tanto economías de escala válidas para implementar los cambios colectivamente, en lugar de revisar continuamente todos los materiales de mercadeo en serie. No todos los cambios requieren cambiar los materiales de mercadeo:
136
Ejemplos de cambios que generalmente requieren alteraciones en los materiales de mercadeo
Ejemplos de cambios que generalmente no requieren alteraciones en los materiales de mercadeo
Cierre/apertura de una sucursal
Un cambio gradual en el sector o tipo de negocio del cliente
Eliminación gradual de un producto por completo
Un incremento/disminución gradual en el predominio de un producto crediticio
Cambios significativos en los criterios de solicitud de crédito o en el proceso de debida diligencia
Pequeños cambios en los criterios de solicitud de préstamos o en el proceso de debida diligencia
Alteraciones de los plazos y los montos de los préstamos ofrecidos en varios ciclos
Pequeñas modificaciones en los montos o plazos de los préstamos
Alteraciones en las frecuencias de pago
Cambios en los planes de incentivos para agentes de crédito
Además de los materiales de mercadeo, posiblemente sea necesario alterar documentos internos tales como los formularios de solicitud de préstamos, como parte de una estrategia de comunicación interna más amplia. Ejemplos de esto tienen lugar cuando el análisis sugiere que deben captarse nuevos datos sobre el terreno (a menudo datos socioeconómicos adicionales o información relativa al sobreendeudamiento, por ejemplo) o cuando se requiere un análisis adicional para calcular la capacidad de pago. Aunque dichos documentos no son para distribución externa, requieren un nuevo diseño e impresión. Cambios en el SIG: Como está claro a lo largo de la herramienta, el departamento del SIG tiene una importancia fundamental en todas las etapas y es poco probable que el equipo del SIG proponga cambios que no pueda incorporar en dicho sistema. Sin embargo, puede haber casos donde una modificación no se pueda implementar internamente, de manera directa, en este sistema y conlleva ponerse en contacto con el proveedor del mismo. Los posibles cambios incluyen: 1. Si se deben captar nuevos datos sobre el terreno, ¿permite el SIG la fácil entrada de dichos datos? La mayoría de los paquetes del SIG tienen campos flexibles para la captación de datos, particularmente para los datos socioeconómicos. Esto requerirá definir dichos campos y asegurarse que todos aquellos que están involucrados en la entrada de datos saben cómo captar estos datos. La validación de datos es útil (asegurando que un campo estadístico de fechas sólo puede recibir una fecha, o forzando una respuesta de “sí/no”, por ejemplo). Si se van a agregar nuevos campos de datos y posteriormente se utilizarán para estudios del impacto social, es importante que éstos sean campos dinámicos, (por ej. el SIG recuerda valores anteriores cuando cambia un valor numérico), en lugar de campos puramente estáticos. En los campos estáticos, cuando se reemplaza un valor numérico, el antiguo se elimina permanentemente, tal como los número de teléfono de los clientes. 2. ¿Van a modificarse los tamaños de los préstamos o los plazos de éstos? Según el SIG, éstos pueden quedar fijos generalmente en las definiciones de los productos crediticios (parte de la configuración), y deben modificarse como corresponda. 3. ¿Van a modificarse las progresiones de los tamaños de los préstamos a través de los ciclos? Algunas IMF desear restringir la velocidad a la que los clientes pueden progresar hasta tamaños mayores de préstamos; otras quizá deseen acelerar la velocidad. Algunos paquetes del SIG permiten que se incluyan límites de ciclos en las características de los productos de crédito, en función del ciclo. 4. ¿Van a modificarse los procesos de aprobación? Algunos paquetes del SIG permiten que entren en dicho sistema préstamos excepcionales (por ejemplo, que exceden un cierto tamaño de préstamo), pero no pueden desembolsarse sin la autorización del supervisor. Dependiendo del SIG específico, a menudo los flujos del proceso y los procedimientos de aprobación se pueden adecuar bastante específicamente a los requisitos de las IMF, mientras que otros ponen menos restricciones y suponen que el comité de crédito ha puesto en vigor las políticas de la IMF. 137
5. ¿Suministra el SIG algún informe adicional requerido para el personal de la sucursal? Quizá le hayan indicado al gerente de sucursal cambiar la cartera en una cierta dirección, pero él tiene dificultades para obtener datos actualizados en el desglose de la cartera, por lo que no es capaz de supervisar su progreso fácilmente.
Etapa 3: Lanzar la implementación Al lanzar la implementación, la IMF debe asegurarse que existen las bases para una adecuada comunicación y supervisión del cambio. Comunicaciones con las sucursales: Para la mayor parte de los cambios, será necesario un mayor nivel de comunicaciones con la sucursal. Es posible que la IMF desee establecer un plan de comunicación y designar al personal clave de la sucursal para que sirva como enlace para el cambio, tanto comunicando los cambios necesarios como enviando retroalimentación a la oficina central. Seguimiento del SIG: El equipo de análisis posiblemente haya concluido que son necesarios campos adicionales para realizar un seguimiento del cambio deseado – asegúrese que éstos estén en funcionamiento. Además, puede ser necesario algún cambio en los procedimientos de campo para asegurarse que los datos necesarios llegan al SIG. Estos cambios de procedimiento deben tener una prioridad principal y realizarse antes de que la IMF lleve a cabo el cambio más general. Retroalimentación del campo: Si existe algún “problema” con el cambio (por ejemplo, crea dificultades de procedimiento o insatisfacción del cliente), éste sería el primer indicador del problema.
Etapa 4: Administrar y supervisar los resultados – la revisión a tres meses Un programa de supervisión ayudará a la IMF a determinar si los cambios que ha realizado están produciendo los resultados deseados. La supervisión debe ser una práctica regular, recopilándose los datos, analizándose las tendencias e informando de los resultados a la gerencia del nivel superior por lo menos mensualmente, dependiendo de la extensión y el impacto de los cambios que se están realizando. El programa de supervisión debe estar impulsado por los datos del SIG y la retroalimentación del personal y los clientes, teniendo en cuenta el entorno más amplio que afecta al proceso de cambio. El punto de decisión clave en el proceso de supervisión probablemente estará en torno al plazo de los tres meses en el transcurso del proyecto. A estas alturas el equipo probablemente habrá recopilado suficientes datos (tantos cuantitativos como cualitativos) como para saber lo efectivo que ha sido el cambio. Esto ayudará al equipo gerencial a decidir si continuar con el cambio y cómo hacerlo (quizá cambiando la intensidad del cambio, por ejemplo). Además, el plazo de los tres meses es el punto ideal para utilizar la métrica disponible para decidir si lanzar gradualmente un proyecto piloto a lo largo de la organización o descartarlo para buscar otros cambios. Si la IMF continúa un proyecto piloto después de tres meses, se arriesga 138
a perder la oportunidad de lograr un impacto en toda la organización, antes de que cambien las condiciones originales del análisis. (En ciertos casos, los cambios pueden demorarse más en lograr un efecto, por lo que la IMF deberá decidir cuánto tiempo está dispuesta a asumir el riesgo de esperar – por ejemplo, un cambio diseñado para reducir los castigos posiblemente no tenga un impacto significativo hasta el plazo de los seis meses, puesto que la IMF típica castiga préstamos después de 180 días). Métrica a supervisar: Datos del SIG
Al combinar las metas que estableció antes de la implementación con los datos actuales del SIG, la IMF puede determinar si el cambio está produciendo el resultado deseado. La IMF debe aspirar a responder a las siguientes preguntas clave: ¿Está la métrica asociada con el cambio yendo en la dirección prevista? Los análisis del escenario realizados anteriormente sirven como punto de referencia para el proceso de supervisión. Al utilizar los resultados del análisis del escenario como referencia, la IMF puede determinar si el cambio está generando los resultados deseados. ¿Hay algún cambio imprevisto en la métrica de desempeño, que pueda estar relacionado con el cambio que se está realizando? En ese caso, la IMF debe considerar cualquier consecuencia imprevista posible y realizar análisis adicionales para descubrir la posible causa de estos cambios. Métrica a supervisar: Retroalimentación del personal y los clientes
¿Están satisfechos con el cambio; consideran que les está conduciendo a los resultados deseados; y qué ajustes podrían ellos sugerir para mejorar la efectividad del cambio? Esta evidencia anecdótica puede preceder o complementar los hallazgos generados a partir de los datos del SIG, así como suministrar conocimientos acerca de las posibles relaciones de causa y efecto asociadas con el cambio. Por ejemplo, una IMF que está haciendo modificaciones en los productos crediticios debe también obtener retroalimentación de los clientes y los agentes de crédito acerca de sus experiencias con los nuevos productos. (La alternativa orientada puramente a los datos sería supervisar las tasas de deserción de la institución por parte de los clientes, en el SIG, pero cuando se informa acerca de las deserciones, es ya demasiado tarde para realizar una acción correctiva). Interpretación de la métrica
Para comprender la métrica, la IMF no solo debe examinar al grupo meta por un cambio dado, sino por cómo el cambio en ese grupo meta se relaciona tanto con la cartera más amplia como con el mercado en el que opera la IMF. Por ejemplo, si una IMF realiza un cambio en una área que parece no tener ningún efecto sobre la cartera en riesgo, pero al mismo tiempo la cartera en riesgo más amplia de la cartera ha ascendido del 4 al 6 por ciento debido a las condiciones del mercado, entonces la IMF ha tenido de hecho algún impacto sobre esa parte de la cartera. Mientras tanto, si la cartera en riesgo total de la IMF continúa en un 5 por ciento, después de los cambios, pero la cartera en riesgo promedio nacional pasa del 4 al 8 por ciento, probablemente éste es también un buen resultado para la IMF – ha logrado evitar el impacto negativo de los cambios en las condiciones del país. 139
En cada caso la IMF debe preguntar qué cantidad del cambio en el desempeño de la cartera procedía del propio cambio, versus cuánto procedía de cambios más amplios en la cartera, debidos a otros cambios o a las condiciones fluctuantes del mercado. Esta es una ciencia inexacta, pero no es sensato ignorar completamente el contexto más general. Manejo de las expectativas
Es también importante establecer plazos realistas para que el cambio tenga el efecto deseado; por ejemplo, una IMF que esté tratando de reducir los castigos es improbable que experimente un resultado significativo por lo menos en seis meses, puesto que los castigos están directamente vinculados a la morosidad y en la mayoría de las IMF, los préstamos están en mora durante seis meses antes de pasarlos a pérdidas.
Etapa 5: Ajustar y extender el plan – la revisión a los seis meses El plazo de los seis meses es un momento oportuno para que la IMF revise el progreso y ajuste el curso del proyecto para reflejar sus éxitos y fracasos hasta la fecha. A los tres meses es generalmente prematuro, puesto que los resultados no suelen surgir de manera tan rápida y convincente durante un horizonte de tiempo de ese tipo. Un año puede ser demasiado tarde y requerir una repetición del análisis, puesto que el entorno operativo habrá cambiado. Por cada cambio emprendido, debe realizarse un mini análisis enfocado en esa variable específica, prestando una cuidadosa atención al desempeño de la cartera fuera del segmento en cuestión (un sustituto para un grupo de control), y con referencia al desempeño general del sector microfinanciero nacional. Esto producirá una de tres conclusiones: 1. El cambio empeoró la situación, en cuyo caso dé marcha atrás inmediatamente (o analice las posibles explicaciones antes de dar marcha atrás, pero no lo amplíe) 2. El efecto ha sido mínimo/indetectable, en cuyo caso la explicación más probable es que seis meses no ha sido tiempo suficiente para que se obtengan resultados. El procedimiento más sensato es no hacer ningún ajuste en el proceso de cambio por un periodo adicional, probablemente otros seis meses. 3. Los efectos han sido positivos. En este caso la IMF debe considerar si merece la pena intensificar el cambio o dejarlo en su nivel actual. Por ejemplo, si el cambio era reducir la exposición al Producto X, del 15 al 10 por ciento, la IMF podría considerar si es deseable una reducción adicional hasta el 5 por ciento. Algunas sugerencias del informe inicial presentado ante la gerencia pueden haberse ignorado o pospuesto debido a limitaciones de tiempo, presupuestos o simplemente precaución al implementar los resultados de una herramienta anteriormente desconocida. En este momento, quizá merezca la pena revisar la lista inicial de sugerencias e implementar algunas de las sugerencias ignoradas anteriormente. La gerencia puede sentir más confianza respecto a la herramienta y puede haberse sentido gratamente sorprendida por la magnitud de las mejoras o los costos reales. O quizá se ignoraron sugerencias previas por razones válidas, pero entretanto ha surgido nueva evidencia que apoya dichas sugerencias. 140
Etapa 6: Repetir el proceso anualmente Después de un año, la IMF debe tener una impresión firme de la efectividad de la herramienta. Idealmente la comunicación interna en la IMF habrá mejorado notablemente en este periodo, la cartera en riesgo habrá disminuido, se habrá consultado con frecuencia con el departamento del SIG acerca de cuestiones operativas y el logro de la misión habrá mejorado de manera perceptible. Otras ventajas se agregarán en consecuencia. Sin embargo, en esta etapa la IMF ya no está en la misma situación en la que estaba hace un año. Por lo tanto, es sensato que la IMF repita todo el proceso anualmente. Afortunadamente, el segundo análisis y los posteriores son mucho más fáciles y requieren menos tiempo que el primer esfuerzo, a menos que se hayan producido cambios significativos en la composición del personal. ¿Por qué proponemos una revisión anual, cuando seguramente una frecuencia más corta sería mejor? En realidad, al promover una mayor integración del departamento del SIG con la gerencia en la toma de decisiones, estamos promoviendo el uso de la herramienta en tiempo casi real. No es necesaria una completa revisión de la cartera en dichos intervalos, pero consideren las siguientes preguntas realizadas por la gerencia al jefe del departamento del SIG: • “Necesitamos ver el desglose de las tasas de pago por sucursal y comparar éstas con los resultados obtenidos en el análisis inicial”. • “Un competidor ha lanzado un nuevo producto crediticio con las características X, Y y Z. Sírvase suministrar un rápido análisis de cuál sería el desempeño previsto para productos comparables en nuestra IMF”. • “Un competidor ha abierto una nueva sucursal en la región X, incrementando drásticamente la presión competitiva en esa región. ¿Es ésta región importante para nosotros, justificando recursos adicionales, o debemos recortar las operaciones en este región y dirigirlas hacia otra, y prestar servicio tan solo a clientes existentes, a largo plazo?” • “Se ha puesto en contacto con nosotros un inversor potencial que desea invertir exclusivamente en préstamos para educación. ¿Cuáles son las características detalladas de estos préstamos, cuánto capital podríamos absorber con dichos préstamos y hacia qué regiones sería mejor enfocar éstos?” En general, a través de una integración más estrecha del departamento del SIG con la gerencia del nivel superior y el análisis regular, una IMF puede obtener una mejor comprensión de su negocio y mejorar significativamente el desempeño de la cartera. La IMF puede de hecho tratar de incorporar informes generados a través del uso de esta herramienta en sus informes gerenciales estándar, producidos periódicamente, y presentar dichos datos a los inversores.
141
CAPÍTULO 11: CONCLUSIÓN Esta herramienta es precisamente eso – una herramienta. Además de ser una herramienta técnica, es también un método o actitud hacia la gestión proactiva de la cartera. Esperamos que la IMF se haya percatado de que los datos contenidos en su base de datos, que reflejan la realidad de las operaciones diarias de la IMF, son extraordinariamente valiosos para la toma de decisiones. La relación entre el departamento del SIG y la gerencia del nivel superior debe ser cercana. Es siempre mejor tomar decisiones con fundamento, que depender de intuiciones o sólo el instinto, al igual que conducir de noche con los faros encendidos es siempre mejor que conducir en la más absoluta oscuridad. El impacto de este análisis no será inmediatamente visible. Se tarda un tiempo en implementar cambios y también en que se reflejen en la base de datos final. Los cambios que ocurren el primer día posiblemente no tengan un impacto visible hasta muchos meses después. Al comienzo de la implementación del plan de acción, la amplia mayoría de los clientes son aún consecuencia del entorno operativo del momento y si los plazos de los préstamos son generalmente de un año, por ejemplo, la mitad de los clientes no se verán afectados por estos nuevos cambios hasta seis meses después. No esperen milagros, especialmente aquellos que ocurren de la noche a la mañana. Los beneficios de comprender las relaciones entre las variables en la base de datos y, en última instancia, de “conocer a su cliente” mejor, se extienden bastante más allá de la cartera en riesgo. La IMF podrá estimar con mayor exactitud en qué medida está teniendo éxito en su misión y dónde se producen los problemas. Aunque la cartera en riesgo quizá no desaparezca, será mejor comprendida y más rápidamente identificada. El fundamento detrás de las acciones de los competidores tendrá más sentido para la IMF cuando comprenda la dinámica del mercado en mayor detalle. El análisis puede mejorar las relaciones con los inversores y posiblemente atraer a nuevos inversores. Los inversores se sienten, en general, más cómodos cuando observan que la IMF está manejando, de manera proactiva y diligente, el principal activo de la institución – la cartera. Las agencias de calificación se sentirán (eso esperamos) impresionadas con el análisis, lo que dará lugar a su comprensión de la cartera rápidamente. Los problemas en el proceso de extracción de datos (pobre calidad de los datos, problemas del SIG, etc.) se habrán resaltado y resuelto, llevando a una actividad administrativa más segura. El análisis tiene evidentes aplicaciones para el desarrollo o la mejora de los modelos de calificación del crédito y para la realización de estudios formales del impacto. Asimismo puede ayudar a identificar errores en las especificaciones de los productos de crédito fundamentales, que posiblemente no correspondan a los requisitos de los clientes y pueden conducir al desarrollo de un nuevo producto. Mediante la comprensión de las interrelaciones de las variables causales y los resultados probables, el análisis de la cartera puede preparar mejor a la IMF para afrontar las conmociones externas sobre su mercado. Por ejemplo, la IMF posiblemente prevea qué partes de su cartera podrían verse afectadas por la llegada de un nuevo competidor, o cómo un cambio macroeconómico influirá en los negocios de diferentes clientes en distintas formas.
142
Quizá lo más importante, la comunicación interna en la IMF habrá mejorado. El Análisis de la Cartera es una tarea continua, a medio plazo, que reúne al personal de campo, de los mandos medios, de la gerencia del nivel superior y del departamento del SIG. En el proceso de implementación el personal de otros departamentos, tales como mercadeo, operaciones o quienquiera que redacte los manuales de operaciones, también estará involucrado. El análisis de la cartera es un esfuerzo conjunto que fortalece los lazos entre el personal clave. Nadie podría hacer este análisis solo – depende de un trabajo en equipo constructivo. Después del primer “ciclo” de esta herramienta, el proceso se tornará automático rápidamente. El departamento del SIG será probablemente consultado con regularidad acerca de las decisiones, una vez que la gerencia del nivel superior se dé cuenta del valor de los datos a los que dicho sistema tiene acceso y lo útiles que éstos pueden ser para ayudarles en la toma de decisiones. Aunque al principio puede parecer complicado, el uso de esta herramienta llega a ser intuitivo una vez que el equipo se ha familiarizado con él. La herramienta arroja luz sobre lo que posiblemente esté yendo mal y da pistas para arreglarlo, pero la gerencia y el personal son los últimos responsables en tomar las medidas. Esta herramienta no es una panacea para problemas en general. La provisión de faros a un automóvil no garantiza la seguridad al conducir de noche – el conductor es aún el último responsable de conducir con prudencia.
Más allá de la herramienta El uso de esta herramienta puede dar lugar a dos extensiones de las actividades de la IMF: una técnica y la otra organizacional. Extensiones técnicas
Esta herramienta se ha elaborado de manera que sea posible implementarla sin utilizar programas informáticos especializados. Les sugerimos que Excel es un lugar útil para iniciar este análisis, puesto que es una herramienta extraordinariamente potente, si se utiliza de manera adecuada. Sin embargo, una vez que una IMF se acostumbra al proceso y a las cuestiones metodológicas (tal como se resumen en el capítulo 5), posiblemente el departamento del SIG desee considerar el uso de una herramienta informática más potente, en particular una herramienta para la elaboración de informes tal como Crystal Reports. Esta permite que se ejecuten unas preguntas y pruebas más rápidas acerca de la base de datos y no es tan pesado como utilizar Excel. Las IMF con más de 50.000 clientes, por ejemplo, pueden hallar que Excel es lento y que Crystal Reports o un paquete comparable puede ser significativamente más rápido. Básicamente, dichos programas permiten una construcción más directa de la tablas de productos, sin tener que producir primero una tabla dinámica y luego analizarla. Sin embargo, incluso al usar dichos paquetes, continúa siendo vital que el usuario tome todas las precauciones sugeridas en esta herramienta (verificar los subtotales, considerar los posibles obstáculos, consideraciones econométricas, etc.). Es posible que programas más “avanzados” puedan instar a los usuarios a tomar atajos y saltarse algunos pasos. Sin embargo, en tanto que tal programa se utilice bien, puede ofrecer herramientas más avanzadas de cálculo y análisis. 143
Los autores de esta herramienta utilizan Excel para las IMF de menor tamaño. En los tamaños de muestras pequeñas la complejidad del análisis es limitada. Los resultados en Excel son más fáciles de presentar a la IMF. Y la IMF puede “jugar” directamente con los datos, si están en un formato .xls. Para las IMF de mayor tamaño utilizamos Crystal Reports.
Resumen Los gerentes de una IMF son gestores de fondos. Reciben fondos de terceras partes y los invierten en un grupo diversificado de activos para lograr una combinación de rendimientos sociales y financieros. El conocimiento de la cartera de las IMFs es crítico para determinar en qué manera se pueden optimizar los rendimientos y el logro de la misión, colectivamente. Esta herramienta es un recurso clave para la obtención de ese conocimiento.
144
APÉNDICE 1: GLOSARIO Binarios: Datos o variables que no son solamente discretos, sino que además pueden tener uno de sólo dos valores posibles. Los datos que responden a una pregunta de “sí o no” son binarios (por ejemplo – ¿posee el cliente una televisión?); el género (femenino o masculino) es otro ejemplo. Causalidad: Véase Correlación vs. Causalidad, que se halla al final del Apéndice 1. Características: Los clientes con ciertas características tienen una serie de valores de variables en común – por ejemplo, las clientas que tienen dos hijos y viven en casas de color azul comparten esta característica, que se detectará filtrando las variables correspondientes. La IMF hallará que algunas características son relevantes para el proceso de Análisis de la Cartera, mientras que otras (tales como el color de la casa) no lo son. Continuos: Los datos o variables que pueden tener cualquier valor numérico dentro de una cierta gama son continuos. Por ejemplo, el tamaño del préstamo es una variable continua, puesto que su valor puede ser cualquier cifra superior a cero. (Una variable tal como el tamaño del préstamo no es puramente continua, puesto que se redondea al centavo más próximo; sin embargo, para fines prácticos, la consideramos continua). Mientras tanto una variable discreta puede tomar un número significativamente reducido de valores. Como regla práctica, si los valores posibles de una variable pueden enumerarse, es discreta; si no, es continua. Datos esenciales: Las variables que son obligatorias para ejecutar un análisis, incluso rudimentario, se denominan esenciales. Estas incluyen el monto del préstamo desembolsado, saldo vigente, plazo del préstamo, frecuencia de pago del préstamo, días de mora, número de sucursales, de agentes de crédito y de ciclo. Si dichos datos no están disponibles en el SIG, la IMF no podrá proceder con la herramienta del Análisis de la Cartera y asimismo afrontará problemas operativos diarios. La falta de disponibilidad de datos esenciales indica que una IMF tiene un SIG muy pobre y esta situación debe resolverse rápidamente. Correlación: Véase Correlación vs. Causalidad, que se halla al final del Apéndice 1. Datos: Información, ya sea continua o discreta, acerca de los clientes y del negocio de la IMF. Ejemplos de datos: $200; mujeres; Chiapas; 31/12/2009. Véase “Datos vs. variables”, a continuación. Discretos: Datos o variables que encajan en uno de los conjuntos de categorías definidas. Por ejemplo, la región del cliente es una variable discreta, puesto que una IMF prestará servicio a un determinado conjunto de regiones y cada cliente estará asociado con una de esas regiones. Una variable binaria es un tipo especial de variable discreta en donde el número de categorías es dos. Véase también: continuos. Factor: Un elemente que contribuye a un resultado o situación particular que es difícil de cuantificar. Los factores que pueden afectar al negocio de la IMF incluyen la estructura regulatoria, los procesos organizacionales, los planes de incentivos, etc. Estos a menudo no pueden captarse en una variable, por ej. no se puede hacer ninguna categorización numérica lógica acerca de ellos o de cómo influirán sobre una IMF y sus clientes. En la herramienta consideramos que los factores difieren de los fenómenos en que los factores se refieren a condiciones generales en la IMF o en su entorno operativo, mientras que los fenómenos son a menudo un cambio o evento que tiene lugar. Véase también: fenómeno. 145
Datos no esenciales: Estos se refieren a variables que son útiles para el análisis, pero no son necesarias para realizar el análisis. La profundidad del análisis aumenta con un mayor número de datos no esenciales. Estos datos incluyen las variables socioeconómicas, tales como la calidad de la vivienda y los índices de pobreza: el análisis fundamental puede realizarse sin dichas variables, pero no revelará ningún conocimiento socioeconómico. Véase datos esenciales. Población: La población se refiere a la totalidad del conjunto de datos que se está analizando. Los datos extraídos inicialmente del SIG incluyen a cada cliente. Algunos de estos clientes son eliminados debido a los datos sucios o a que son clientes inadecuados para el análisis (préstamos al personal y préstamos reestructurados). Todos los restantes clientes se denominan la población. Esto es distinto de cualquier subconjunto de la población, que se denomina una muestra. Fenómeno / fenómenos: Un hecho, acontecimiento o circunstancia que se observa o es perceptible. Para una IMF, los fenómenos relevantes pueden incluir causas, tales como desastres naturales o cambios políticos nacionales, o efectos tales como cambios en los niveles de la cartera en riesgo. En la herramienta, generalmente utilizamos la palabra “fenómeno” para referirnos a cierto cambio o evento que tiene lugar, mientras que factor se refiere a una condición general. Véase también: factor. Muestra: Un subconjunto del conjunto de datos total (véase población) se denomina una muestra. Una muestra puede referirse a cualquier subconjunto: los clientes hombres en una cartera unisex pueden representar un 30, 50 ó 90 por ciento de la población. El número de clientes hombres que operan en el sector agrícola con un préstamo grande del producto Y, con una morosidad superior a 150 días, pueden constituir una muestra de un 0,01 por ciento de toda la población (conjunto de datos). Variable: Un conjunto de datos que la IMF ha decidido captar – incluye una definición de a qué se refieren los datos, qué requisitos deben seguir los datos y, en el caso de las variables discretas, cuáles son los valores posibles. Entre los ejemplos de variables se hallan el tamaño del préstamo, el género y la región. Véase “Datos vs. variables”, a continuación.
Datos vs. variables Es importante que el lector entienda la distinción entre datos y variables, puesto que éstos son los elementos fundamentales del proceso de análisis de la cartera. Los datos son una recopilación de información. Los ejemplos de datos incluyen: “4.200”, “Chiapas” o “mujer”. Por sí mismos los datos no tienen un significado útil – deben estar unidos a una variable. Una variable es un conjunto de datos que la IMF ha decidido captar – esto incluye una definición de a qué se refieren los datos y qué requisitos deben reunir los datos. Para explicarlo de una manera sencilla, si usted tiene una hoja de Excel sobre los préstamos de su cartera, los títulos de las columnas son los nombres de las variables y los valores que figuran debajo de los títulos de las columnas son los datos. En este ejemplo combinamos datos con variables para crear una imagen de un determinado cliente de una IMF: 146
Variable
Tipo de Dato
Dato
Resultado
Tamaño del préstamo
Continuo
4.200 pesos
Región
Discreto
Chiapas
Una cliente mujer que vive en Chiapas y tiene un préstamo de 4.200 pesos.
Género
Binario
Mujer
Advierta que las variables tienen diferentes tipos de datos – continuos, discretos y binarios. Los datos continuos pueden tener cualquier valor numérico dentro de un rango, mientras que los datos discretos deben tener uno de un conjunto definido de valores y los datos binarios sólo pueden tener uno de dos posibles valores (generalmente “sí o no”, o en este caso hombre/mujer).
Correlación vs. causalidad La correlación es un término estadístico que describe el movimiento conjunto de variables. Es importante distinguir la correlación de la causalidad. Si A causa B, A y B estarán correlacionadas. Sin embargo, si A y B están correlacionadas, puede haber o no una relación causal. La correlación es una condición necesaria pero insuficiente para la causalidad. Suponer que la correlación implica la causalidad es peligroso. Existen tres tipos de correlación: negativa, positiva o cero; y la correlación puede oscilar en magnitud desde baja hasta alta, describiendo el nivel hasta el que las variables se mueven juntas. La mayoría de las variables muestra una correlación mínima o ninguna correlación entre sí. El punto importante que debe considerarse es que la causalidad implica correlación, pero la correlación no implica causalidad. Por lo tanto la correlación es más abundante que la causalidad pero, para los propósitos de esta herramienta, es la causalidad la que tiene mayor interés para el usuario; de ahí el peligro de suponer la causalidad en casos donde la correlación puede ocurrir, pero la causalidad no. Un ejemplo clásico en microfinanzas es el del incremento de los tamaños de los préstamos y el incremento de los niveles del personal: a medida que una IMF crece, es probable que emplee a más personal. A lo largo del tiempo, los efectos de la inflación en el país probablemente empujen hacia arriba los tamaños de los préstamos y el progreso de los clientes hacia ciclos mayores de préstamos. Existe probablemente una correlación positiva entre el tamaño del préstamo y el número de miembros del personal, pero no causalidad. La causalidad se refiere a un evento o variable que conduce directa o indirectamente a un impacto mensurable sobre otra variable. Las dos variables se moverán juntas, ya sea positiva o negativamente, y quizá con un retraso. En consecuencia, estarán necesariamente correlacionadas. Se puede llevar a cabo el paso adicional para determinar la causalidad utilizando la prueba estadística formal, pero esto es algo avanzado y va más allá del ámbito de este documento. En su lugar, el sentido común, la lógica, la experiencia y la teoría económica son las guías predominantes en cuanto a si la correlación sugiere causalidad. En la inmensa mayoría de los casos dentro de una IMF, el sentido común actúa como la guía definitiva. La correlación describe cómo las variables se mueven juntas, mientras que la causalidad describe por qué se mueven juntas. Si A causa B, no es suficiente describir simplemente cómo los movimientos de cada variable ocurren juntos; debe haber una explicación de por qué. Si los tamaños crecientes de los préstamos dan como resultado una cartera en riesgo más elevada, esto puede observarse en una correlación positiva, y puede explicarse por los clientes que van quedando sobrecargados de deuda más allá de sus propias capacidades de pago. Sin embargo, es importante para el analista cuestionar cualquier relación causal sugerida. Si algunos tipos de clientes pueden soportar tamaños de préstamos mayores sin sufrir elevadas tasas de morosidad, esto cuestiona el supuesto de que el tamaño del préstamo es la causa de la mora – quizá el tipo de cliente es la principal causa de la mora. Si todos los tipos de clientes pueden, en términos generales, pagar los pequeños préstamos sin problema, pero sólo algunos pueden pagar préstamos mayores, es cierto que el tamaño mayor del préstamo estará correlacionado con una morosidad más elevada, pero esto no puede determinarse como el factor causal. Ciertos tipos de clientes pueden soportar montos de préstamos mayores, así que éste puede ser el principal factor causal. La causalidad no es discreta. Hay niveles de causalidad y los extremos absolutos (causalidad cero y causalidad perfecta) son raros. Además, una variable puede tener de hecho relaciones causales con otras. El usuario de la herramienta probablemente descubrirá estos niveles de causalidad en la cartera de préstamos de la IMF, combinando cierto grado de sentido común con los niveles de correlación hallados. 147
APÉNDICE 2: CÓMO CREAR Y UTILIZAR TABLAS DINÁMICAS Las tablas dinámicas toman grandes cantidades de datos y los combinan automáticamente en resúmenes, tales como totales, porcentajes, cómputos o promedios, en función de criterios establecidos por el usuario. Esta funcionalidad es ideal para el proceso de Análisis de la Cartera, donde la IMF está analizando los datos de muchos miles de clientes. Las cifras que se muestran en las tablas dinámicas se basan en segmentos definidos por el usuario – por ejemplo, una tabla dinámica muy sencilla puede mostrar la cartera vigente total de la IMF y los saldos de ahorros segmentados por género, permitiendo a la IMF observar cómo esto está distribuyendo su cartera. Una tabla dinámica tiene tres posibles componentes: un campo de filas, un campo de columnas y un campo de valores. En el caso del ejemplo de género, éstos serán: • Campo de filas: Género • Campo de columnas: Ninguno • Campos de valores: Saldo vigente de préstamo y saldo vigente de ahorro Esta tabla se elabora utilizando los siguientes pasos. Las instrucciones se basan en el programa Excel 2010 y el ejemplo utiliza el conjunto de datos del Caso de Estudio, que acompaña a esta herramienta: 1. Cree una nueva pestaña, separada del conjunto de datos, para elaborar tablas dinámicas. 2. En la nueva pestaña, seleccione “Insertar” y luego “Tabla Dinámica” de la barra del menú. 3. Aparecerá la ventana de “Crear TablaDinámica”. Para seleccionar el rango de datos, vaya a la pestaña de Excel que contiene el conjunto de datos y seleccione el conjunto de datos completo. Esto puede lograrse generalmente pulsando sobre la casilla A1, y presionando luego Ctrl+Shift+[flecha derecha] seguido de Ctrl+Shift+[flecha hacia abajo]. El resultado será algo similar a esto:
148
4. Pulse OK y una tabla dinámica se insertará en la nueva pestaña. La lista de campos a la derecha de la ventana contendrá una lista de todos los campos disponibles (columnas) del conjunto de datos fuente:
149
5. Para construir la tabla, pulse sobre “Género” en la lista de campos, luego “Vigente” y por último “Ahorros”:
6. Excel ve que la columna de “Género” contiene categorías, así que la convierte en el campo de filas de la tabla dinámica. “Vigente” y “Ahorros” contienen valores, por lo que Excel ha convertido éstos en los campos de valores de la tabla dinámica. (Para análisis más avanzados, el diseño de la tabla puede cambiarse arrastrando los campos entre las cuatro áreas que se muestran debajo de la lista de campos de la tabla dinámica). 7. Junto con los totales, Excel puede hacer varios cálculos en los campos de la tabla dinámica, tales como cómputos o porcentajes, los cuales pueden ser útiles en este caso. Pulse sobre “Edad” en la lista de campos de la tabla dinámica y Excel agrega una columna que contiene el total de todas las edades de los clientes. Esto por supuesto no tiene sentido estadístico. Así que pulse sobre “Suma de Edad” en el área de “Valores” y seleccione “Configuración de campos de valores”. Desde esta ventana, el resumen de edad puede cambiarse a un cómputo, en lugar de una suma. (Esto dará el número total de clientes en la base de datos – se podría contar cualquier columna para hacer esto):
150
8. Vaya a la pantalla de “Configuración de campos de valores” para “Vigente” y seleccione la pestaña “Mostrar Valores como” y después cambie este campo a porcentaje de la columna total:
151
9. Haga lo mismo con el campo “Ahorros”. La tabla dinámica muestra ahora un desglose del porcentaje de las carteras de préstamos y ahorro a través de los clientes hombres y mujeres, así como un cómputo de cuántos clientes son hombres y cuántos son mujeres:
Esta tabla es bastante sencilla y examina los valores basándose sólo en la segmentación por género. Dicha segmentación puede ser útil para los análisis básicos, pero para la parte más avanzada del proceso de análisis, será necesario estudiar los datos en múltiples dimensiones – esto requerirá tanto campos de filas como campos de columnas. Por ejemplo, es posible que una IMF desee examinar la distribución de su cartera a lo largo del género y sector:
152
• Campo de filas: Género • Campo de columnas: Sector • Campo de valores: Vigente Los pasos para hacer esto serán similares a aquellos de la tabla dinámica previa, con algunas diferencias clave: 1. Cuando se seleccionan los campos de “Género”, “Sector” y “Vigente”, Excel los pone automáticamente en esta configuración, que contiene los valores correctos pero se muestra de una manera que no permite una fácil comparación:
153
2. Para arreglar esto, arrastre “Género” desde el área de Etiquetas de Fila hasta el área de Etiquetas de Columna:
3. La IMF puede ahora ver su monto de la cartera total para cada género (en la fila de gran total) y el monto total de la cartera para cada combinación de género y sector. 4. El valor en la casilla final de gran total (en el lado inferior derecho de esta tabla dinámica) representa el valor total de la cartera – si no es así, se ha cometido un error en algún punto del proceso. En casi todas las tablas dinámicas, uno o más de los grandes totales (tales como el número total de clientes o la cartera total vigente) se corresponderán con la estadística básica de la IMF. Estos totales deben siempre comprobarse frente a la cifra real. 5. Puede ser más fácil comparar los valores en esta tabla dinámica, como un porcentaje de la cartera total, en lugar de como cantidades de capital. Para hacer esto, abra la ventana de Configuración de Campos de Valores para el valor de la Suma de Vigente. Pulse sobre la pestaña de “Mostrar Valores como” y seleccione “porcentaje del Gran Total”. La tabla dinámica muestra ahora las cifras como porcentajes de la cartera total: Esto completa un panorama general de cómo funcionan las tablas dinámicas. Su aplicación en la práctica es más complicada y se cubre en el Capítulo 6. 154
APÉNDICE 3: ENLACES PARA INFORMACIÓN ADICIONAL Teoría y términos econométricos Para una serie de definiciones de términos econométricos explicados en un lenguaje comprensible, Wikipedia es un recurso excelente. Por ejemplo: • http://en.wikipedia.org/wiki/Correlation_and_dependence • http://en.wikipedia.org/wiki/Causality • http://en.wikipedia.org/wiki/Stationary_process • http://en.wikipedia.org/wiki/Selection_bias • http://en.wikipedia.org/wiki/Multicollinearity • http://en.wikipedia.org/wiki/Linear_regression • http://en.wikipedia.org/wiki/Ordinary_least_squares Como alternativa, para una comprensión más profunda de estos términos, el Dictionary of Econometrics (Diccionario de Econometría), de Adrian Darnell, es un texto de mayor autoridad: http://www.amazon.com/dp/1858983282/ Para textos de introducción a la econometría, dos textos universitarios clásicos son: • Basic Econometrics (Econometría básica) de Damodar N. Gujarati: http://www.amazon.com/dp/0071276254/ • A Guide to Econometrics (Guía para la Econometría) de Peter Kennedy: http://www.amazon.com/dp/1405182571/ Para un estudio más detallado acerca de la evolución del proceso científico, aplicado a la economía estadística, no repetible, el libro de Karl Popper, The Logic of Scientific Discovery (La Lógica del Descubrimiento Científico) es más amplio, pero constituye la guía clave para el pensamiento metodológico del siglo XX: www.amazon.com/dp/0415278449/ Para una comprensión más amplia de la metodología económica, The Methodology of Economics (Metodología de la Economía) de Blaug, constituye una buena introducción: http:// www.amazon.com/dp/0521436788/
155
Herramienta de software: Crystal Reports Crystal Reports es un excelente estándar de la industria para la elaboración de informes y va mucho más allá que las herramientas disponibles en Excel, pero dedicándole algún tiempo una persona puede fácilmente estudiarlo por sí misma y también se ofrecen cursos en numerosas grandes ciudades de todo el mundo. Un periodo de prueba gratuito, de 30 días, está disponible en el sitio web: • Sitio principal: http://crystalreports.com/ • Prueba gratuita: http://www.sap.com/campaign/2010_CURR_SAP_ Crystal_Reports_2008/ • Libro Crystal Reports for Dummies (Crystal Reports para principiantes): http://www.amazon.com/dp/0470290773/
Gestión de proyectos Project Management: The Managerial Project (Gestión de Proyectos: El Proceso Gerencial), de Clifford Gray y Erik Larson, es un libro de texto estándar sobre la gestión de proyectos. Los usuarios de la herramienta que deseen ahorrar dinero pueden adquirir la versión más antigua de este libro, puesto que el contenido es similar: http://www.amazon.com/dp/0073126993/ El sitio web de Project Management Hut incluye información acerca de cómo estructurar un proyecto, la gerencia de cambio, etc.: http://www.pmhut.com/
156
APÉNDICE 4: CLAVE DE SOLUCIONES PARA EJERCICIOS Respuesta del Ejercicio 2.1:
-
+
Edad
Ciclo de Préstamos
PAR
-
Para realizar este ejercicio debemos hacer algunas suposiciones acerca de las operaciones de una IMF típica. En la práctica, una IMF elaboraría las hipótesis dibujadas en el diagrama y luego utilizaría el proceso de análisis de la cartera para probarlas. Los clientes de mayor edad tienen mayores probabilidades de pagar (descenso de la cartera en riesgo), en tanto que los clientes en ciclos de préstamos más altos tienen también mayores probabilidades de pagar, puesto que los clientes morosos fueron eliminados en ciclos anteriores. Mientras tanto, los clientes necesariamente envejecen, al avanzar hacia ciclos de préstamos más altos, por lo tanto estos fenómenos se refuerzan entre sí. (Sin embargo, la relación no funciona al revés – todos los clientes comienzan en el ciclo de préstamos número uno, sin importar la edad que tengan cuando entran en la IMF). Pusimos a prueba además, las relaciones entre la edad y la cartera en riesgo, manteniendo constante el ciclo del préstamo. Hallamos que no existe una causalidad falsa entre la edad y una cartera en riesgo más baja porque los clientes de mayor edad en el mismo ciclo de préstamos que los clientes más jóvenes eran todavía mejores, en general, en cuanto al pago.
157
APÉNDICE 5 – TEMAS AVANZADOS5 Esta sección de temas avanzados describe dos métodos estadísticos y un tipo de sistema de análisis de la cartera que pueden utilizarse como metodologías y aplicaciones adicionales de enfoques más complejos para el análisis de la cartera.
Serie de Tiempo Metodología
Una serie de tiempo es un conjunto de resultados o valores para una variable a lo largo de diferentes periodos de tiempo. Algunos ejemplos de series de tiempo incluyen las ventas trimestrales de una compañía particular durante los últimos cinco años o el valor diario al cierre del índice Dow Jones.
Gráfico 1: Serie de tiempo: datos aleatorios más tendencia, con línea con mejor ajuste y diferente alisado
Los dos usos principales de los modelos de series de tiempo son (a) explicar el pasado y (b) predecir el futuro. Los modelos de series de tiempo estiman una tendencia en los valores para una variable a lo largo del tiempo y utilizan dicha tendencia para predecir valores futuros de la variable. Los modelos de series de tiempo se utilizan para analizar varios tipos de tendencias. Los tipos más comunes de tendencias analizadas por los modelos de series de tiempo son:
Tendencias Lineales Tendencias Lineales Logarítmicas
El tipo más sencillo de tendencia es una tendencia lineal -- una en la cual la variable dependiente cambia a una tasa constante en el tiempo. Si una serie de tiempo tiene una tendencia lineal, entonces la inclinación de la línea que representa la tendencia es constante y es un producto del tiempo y la tasa de cambio representada por la variable independiente. A veces una tendencia lineal no modela correctamente el crecimiento de una serie de tiempo. 5 WWB desea agradecer su apoyo a Moody’s Analytics y a Laura Levenstein, quienes suministraron una significativa asistencia para el desarrollo de esta sección.
158
Las tendencias lineales logarítmicas funcionan bien para adecuar series de tiempo que tienen un crecimiento exponencial. El crecimiento exponencial tiene lugar cuando la tasa de crecimiento del valor de una función matemática es proporcional al valor actual de la función. Una característica clave de todas las series de tiempo es que los valores del periodo corriente están relacionados con los valores del periodo previo.
Análisis de Regresión Metodología
Visión General El análisis de regresión es un enfoque o herramienta estadística utilizada para investigar las relaciones entre las variables. La utilización del sistema de regresión permite a los analistas determinar el efecto causal de una variable sobre otra. La variable que se trata de entender se denomina la variable “dependiente” y la variable que influye en la variable dependiente se denomina variable “independiente”. El análisis de regresión tiene tres propósitos básicos: Predecir el valor de la variable dependiente (predicción) Tratar de establecer una relación entre la variable dependiente y la independiente (elaboración de modelo) Determinar si cualquier relación aparente es aleatoria o si refleja una relación auténtica (prueba) Análisis de Regresión Lineal El análisis de regresión lineal explora relaciones que se pueden describir por medio de líneas rectas o su generalización a numerosas dimensiones. Muchos problemas se pueden explicar y comprender realizando un análisis de regresión lineal. La regresión simple es el término utilizado para un análisis de regresión con una sola variable explicativa o independiente. El primer paso para determinar si existe una relación entre dos variables, consiste en examinar el gráfico de los datos observados. El gráfico se denomina diagrama de dispersión. Si existe una relación entre las variables (X) e (Y), los puntos del diagrama de dispersión estarían más o menos concentrados en torno a una curva, que puede denominarse la curva de regresión. En el caso particular en el que la curva sea una línea recta, se denomina la recta de regresión y se dice que la regresión es lineal. Además de la propiedad de la linealidad, el diagrama de dispersión es también útil para observar si existe algún valor atípico en los datos y si hay dos o más nubes de puntos.
159
El modelo de regresión simple es el siguiente: Y = a + βX + e Donde: Y = la variable dependiente X = la variable independiente a = el corte de la línea de regresión de la población b = es la inclinación de la línea de regresión de la población e = el término de “ruido” que refleja otros factores que influyen en las variables El segundo paso del análisis de regresión es realizar una estimación de los parámetros (X) e (Y), basada en la información contenida en los datos. La suposición de que el término de ruido (e) es generalmente cero sugiere una estimación de la línea que se halla en medio de los datos, algunas observaciones por debajo y algunas observaciones por encima. El tercer paso consiste en seleccionar entre todas las posibles líneas que bisecan los diferentes puntos de datos.
CONCLUSIÓN El análisis de regresión es una de las metodologías de análisis estadístico más importantes y la más utilizada generalmente para predecir las relaciones entre las variables. La capacidad del modelo para investigar y establecer una relación entre las variables es la principal ventaja del mismo. Sin embargo, hay un número de supuestos que deben tenerse en cuenta y comprenderse en detalle antes de suponer cualquier conclusión. Adicionalmente, el análisis de regresión puede llevar a falsas conclusiones, por lo que debe utilizarse con gran cautela.
Análisis de Cartera por Cosechas Metodología
El análisis de cartera por cosechas es el proceso de aislar un tipo específico de préstamo emitido en un periodo específico de tiempo y evaluar el desempeño de dichos préstamos a lo largo del tiempo. El objetivo del análisis de cartera por cosechas es aislar préstamos similares en una cartera de préstamos, los cuales se originaron alrededor de la misma época, y analizar el desempeño de dichos préstamos de manera que no se vea distorsionada por la entrada de nuevos préstamos en la cosecha. Las cosechas de préstamos se totalizan según las fechas de apertura del préstamo o “antigüedad”, en lugar de según el total de la cartera de préstamos. La antigüedad puede ser de un año, un trimestre o un mes. Se realiza un seguimiento de las cosechas de préstamos a lo largo de toda la vida de los mismos, esto es, desde la originación del primer crédito hasta la liquidación del último préstamo.
160
Un ejemplo del valor agregado a través del análisis de la cartera por cosechas se describe a continuación: Una cosecha de préstamos con tasas de préstamos del 18 por ciento no produce necesariamente una rentabilidad del 18 por ciento. Varios factores pueden reducir el rendimiento por debajo de la tasa promedio del préstamo. Varios factores influyen en el rendimiento de una cosecha de préstamos y deben incorporarse en cualquier análisis de la cartera por cosechas. Los prestatarios pueden no pagar de manera oportuna o no realizar pagos completos. Los prestatarios morosos pueden no realizar los pagos de interés. O un prestamista puede reestructurar los términos de los préstamos, reduciendo la tasa de éstos para facilitar la resolución de la deuda conflictiva. Los atributos del desempeño incluyen incumplimientos, actividad de prepago e información sobre cancelaciones. Los datos utilizados en el análisis de cartera por cosechas también incluyen cualquier reducción del capital debida a castigos de la mora o a reducciones de la quiebra que no impliquen flujo de caja.
El análisis de cartera por cosechas es una herramienta útil que permite a los gerentes tomar decisiones informadas respecto a los programas crediticios, basadas en el desempeño real y previsto de los préstamos. Su valor se extiende a las actividades más amplias de la administración de una institución de crédito. Es decir, el análisis de cartera por cosechas suministra a los gerentes la información necesaria para definir y controlar los objetivos de producción de préstamos. Datos para los Análisis de Cartera por Cosechas: Todos los datos sobre préstamos individuales, utilizados para el análisis de la cartera por cosechas, se clasifican o agrupan utilizando un cierto número de variables tales como el monto del préstamo, la tasa de interés, el plazo, el tipo de producto, el propósito del préstamo, las ubicaciones geográficas, el ciclo del préstamo del prestatario, etc. Dentro de cada agrupación, se calculan la tasa de interés y el plazo del préstamo utilizando promedios ponderados. Cálculos del Análisis de Cartera por Cosechas: Los futuros pagos y recuperaciones para la cosecha se proyectan en función del desempeño histórico/las tendencias, utilizando la teoría de la probabilidad y metodologías actuariales. El desempeño histórico incluye los pagos reales, la morosidad, el incumplimiento y las recuperaciones. Los supuestos acerca del desempeño en el futuro se basan en el desempeño en el pasado. El análisis de cartera por cosechas se basa en los flujos reales de efectivo de una cosecha de préstamos. Se registran todos los flujos de salida y entrada de efectivo asociados con la cosecha de préstamos. En función de los flujos de efectivo, el análisis de cartera por cosechas proporciona el rendimiento general de la cartera, una medida clave para evaluar el la cosecha. 161
Fondos totalmente vencidos En el caso de las cosechas de préstamos que ya han vencido totalmente, el análisis de cartera por cosechas es fácil debido a que se conocen todos los flujos de caja asociados con una cosecha particular. El rendimiento hasta el vencimiento, neto de cancelaciones, se halla después de calcular la tasa interna de rentabilidad sobre todos los flujos de caja. Las salidas de efectivo incluirán el monto del préstamo y cualquier cargo asociado con la financiación del préstamo, mientras que las entradas de efectivo incluirán todos los pagos de capital e interés sobre los préstamos. Fondos no vencidos totalmente Para los fondos comunes de préstamos que aún no han vencido totalmente, el desempeño del rendimiento puede estimarse realizando suposiciones calculadas para los flujos futuros de efectivo. La variación de los supuestos ayudará también al usuario a valorar la susceptibilidad del desempeño del préstamo respecto al cambio de los supuestos.
Conclusión El análisis de cartera por cosechas es una metodología ampliamente utilizada en el sector bancario comercial para el análisis de la cartera de un banco. Tiene varias ventajas e inconvenientes, pero algunos de los principales retos son que el análisis de cartera por cosechas requiere una buena cantidad de datos históricos para asegurar unas conclusiones consistentes. Además, los préstamos que se estén analizando deben ser muy estandarizados y uniformes6.
6 Para información adicional acerca de la realización de un Análisis Estático de un Fondo Común en el contexto de las IMF, véase Capital Markets Style – Risk Assessment: Testing Static Pool Analysis on Microfinance, Center for the Development of Social Finance.
162
APÉNDICE 6: CASO DE ESTUDIO DEL ANÁLISIS DE LA CARTERA: BANCO DE LA MUJER Capítulo 1: Introducción Mientras que la Herramienta para el Análisis de la Cartera lleva al lector a través de los pasos para ejecutar un proyecto de análisis de la cartera, el caso de estudio pretende demostrar cómo es ese proyecto en la práctica, utilizando datos representativos de Banco de la Mujer, una IMF ficticia. El caso de estudio consta de dos componentes principales: • Este documento, que resume el proceso que sigue Banco de la Mujer para preparar el conjunto de datos de Excel, llevar a cabo una serie de análisis iniciales y avanzados, presentar los resultados y adoptar medidas en función de las conclusiones. • Un archivo de Excel llamado “Caso de estudio Banco de la Mujer” que incluye todas las respuestas y gráficos utilizados para el caso de estudio. Para lograr una comprensión más profunda del proceso de análisis de la cartera, le instamos a elaborar el análisis de la cartera en Excel, usted solo, comenzando con la pestaña “1.Base de datos” y ampliar esto, tal y como se describe en este documento. Esta oportunidad de aprendizaje interactivo comienza en la sección de “organización de datos” del Capítulo 2. Al ejecutar las operaciones necesarias con los datos de Excel y verificar que está obteniendo los mismos resultados que Banco de la Mujer, usted mismo puede prepararse para implementar el proceso de análisis de la cartera utilizando los datos de su propia IMF. Banco de la Mujer: una IMF de éxito en un punto decisivo
La gerente de operaciones de Banco de la Mujer, Jasmina Porteño, tenía un problema. Cinco años antes había cofundado Banco de la Mujer, y desde entonces se había convertido en la IMF líder de Costaguana, un pequeño país de América Latina. La IMF creció rápidamente y los 100 miembros de su personal prestaban ahora servicio a más de 22.000 clientes, la mayoría de ellos mujeres. Banco de la Mujer atendía a clientes que oscilaban desde aquellos extremadamente pobres hasta PYMES de pequeño tamaño, tanto en áreas rurales como urbanas de Costaguana. La IMF ofrecía cinco productos de crédito, cuentas de ahorro y microseguros, lo que apoyaba el enunciado de su misión: Banco de la Mujer suministra préstamos asequibles y otros servicios financieros básicos a las personas emprendedoras, no bancarizadas, de Costaguana, con un énfasis en las clientes mujeres y aquellos que viven en áreas rurales. Sin embargo, Banco de la Mujer afrontaba una intensa competencia debido a un crecimiento de la oferta de servicios microfinancieros recientemente. Mientras tanto, la cartera en riesgo de la IMF había aumentado a lo largo de los dos años anteriores y había alcanzado recientemente un máximo de 6,3 por ciento. Al mismo tiempo, Banco de la Mujer se enfrentaba a preguntas por 163
parte de los inversores sociales acerca de de qué manera estaba la IMF logrando su misión, si estaba enfocándose hacia los pobres como meta y específicamente, hacia las mujeres. Por último, los costos operativos habían ido aumentando gradualmente, a medida que Banco de la Mujer crecía. Jasmina estaba segura de que tenía que haber soluciones para los problemas de la IMF y respuestas para las solicitudes de información de los inversores, pero no tenía claro hacia dónde dirigirse. En su calidad de gerente de operaciones, Jasmina consideraba como una responsabilidad personal resolver los problemas operativos de Banco de la Mujer. Por ello, a última hora de una tarde de noviembre, con un pase en mano para la Conferencia Internacional de Microfinanzas, tomó el vuelo nocturno desde Costaguana a Addis Ababa en busca de respuestas. En el transcurso de la conferencia, Jasmina conversó con varios expertos en microfinanzas que le dieron abundantes consejos. “El crédito urbano es más económico que el rural!”… “Las mujeres pagan mejor que los hombres”… “Los préstamos a grupos son menos arriesgados que los créditos individuales”… En verdad Jasmina recibió muchos consejos. Sin embargo, no estaba segura de cómo ponerlos en práctica – aunque algunas de las observaciones eran potencialmente útiles, Jasmina quería averiguar qué problema tenía su MFI y encontrar la manera de arreglarlo. Un día después de las sesiones matutinas de la conferencia, Jasmina había salido a tomar un poco de aire fresco cuando observó algo extraño. Un niño pequeño estaba sentado en una esquina junto a una torre de libros, con una señal que decía: “Herramienta para el Análisis de la Cartera en las Microfinanzas: $50”. Jasmina le preguntó al niño sobre la herramienta y se enteró de que esta le ayudaría a obtener conocimientos acerca de la cartera de préstamos y de ahorros de su IMF, en función de los datos del SIG. A Jasmina le encantó cómo sonaba aquello, así que compró cinco copias para compartirlas con sus colegas a su regreso a Costaguana. En el vuelo de regreso Jasmina tuvo la suerte de que CostaguanAir la cambiara a una clase superior, de manera gratuita, y pasó gran parte de las diez horas de vuelo recostada, leyendo su nuevo libro y saboreando con calma un buen vaso de vino de Costaguana. A medida que lo iba leyendo, Jasmina se entusiasmaba cada vez más — consideraba que la Herramienta podría ayudarla a responder a algunas de sus preguntas sobre Banco de la Mujer. Basándose en las sugerencias de la Herramienta acerca de cómo estructurar los equipos de liderazgo e implementación, Jasmina sabía exactamente cuáles eran los colegas que podrían ayudarla en el primer proyecto de análisis de la cartera de Banco de la Mujer. Kurtz, el jefe del sistema de información gerencial (SIG) de Banco de la Mujer, se integraría con Jasmina en el equipo de liderazgo del proyecto. El equipo de implementación estaría liderado por Kurtz, con el apoyo de Carlos, el asistente del SIG, y dos de los miembros del personal de campo con mayor experiencia de Banco de la Mujer. Esta es su historia.
164
Capítulo 2: Preparación del conjunto de datos de Excel Extracción de datos
Banco de la Mujer utiliza un SIG denominado Mambu. Este sistema fue seleccionado principalmente porque tenía un precio razonable, ofrecía todas las funciones esenciales requeridas por Banco de la Mujer y permitía el acceso remoto a través de un navegador de Internet. Llevaban usando el programa informático durante un par de años y habían tenido pocos problemas con él, una vez que se instaló y se capacitó al personal. Afortunadamente, era relativamente fácil descargar la base de datos completa, directamente a Excel. Se tardaba un par de horas, pero no era difícil desde el punto de vista técnico. A medida que los dos equipos fueron leyendo la Herramienta, lo primero que consideraron fue la cuestión de cuándo iniciar el análisis real. Aunque todos estaban muy entusiasmados con la idea de empezar lo antes posible, había algunos problemas: • Las Navidades estaban cerca, seguidas rápidamente del fin del año - una época particularmente ajetreada del año para el departamento del SIG. Además, éste era un período inusual de fluctuaciones estacionales en la cartera, por lo que no era necesariamente representativo del desempeño de la cartera de Banco de la Mujer durante el resto del año. • Kurtz se iba a marchar de vacaciones en enero, para evitar el punto álgido de la estación lluviosa de Costaguana. • A principios de febrero Costaguana celebra el día de su independencia nacional, con un largo fin de semana de festejos y fiestas nacionales, por lo que utilizar los datos de finales del mes de enero tampoco parecía lo más ideal – el equipo no dispondría de mucho tiempo para realizar el análisis y la conducta de pago de los clientes podría verse afectada por la proximidad del festivo. Por estas razones, Banco de la Mujer decidió extraer los datos inmediatamente después de que se realizaran en febrero los procesos de fin de mes del SIG y de contabilidad. Esto otorgó al equipo de implementación varios meses para prepararse y estudiar la Herramienta. El 1 de marzo del siguiente año, se extrajeron los datos de Mambu. Hubo algunos problemas menores para obtener los datos en un formato que pudiera importarse fácilmente a Excel, pero un par de llamadas al equipo de Mambu resolvió esto y aquella tarde Banco de la Mujer tenía una hoja enorme de Excel con 22.565 líneas de datos (una para cada cliente) y varias columnas de datos de préstamos, ahorros y clientes. Las columnas de los datos disponibles, que figuran a continuación, pueden observarse en la hoja de Excel adjunta:
165
ID del cliente
Género
Edad del cliente
Saldo de ahorros
Agente de crédito
Agencia
Producto de crédito
Monto Desembolsado
Urbano/rural
Sector
Días en mora
Capital vigente
Nivel de pobreza
Núm. de ciclo
Plazo (meses)
Frecuencia de pago
A primera vista todo parecía estar bien. Sin embargo, antes de iniciar el análisis, Kurtz le pidió a Carlos, su asistente, que revisara la hoja de Excel y comprobara si había errores o resultados extraños que pudieran contaminar los hallazgos. Limpieza de datos
Y resultó que Kurtz había tomado una decisión acertada al pedirle a Carlos que revisara el conjunto de datos de Excel. Carlos empezó a eliminar los datos redundantes o innecesarios y luego a limpiar datos “sucios” que quedaban en la hoja de Excel. El conjunto de datos suministrado en el archivo de Excel “Caso de estudio Banco de la Mujer” que acompaña al caso de estudio son los datos, tal cual se mostraban una vez que Carlos finalizó este proceso, es decir son los datos “limpios”. Eliminación de los datos redundantes: Carlos observó que había algunas columnas de datos que no serían útiles para el análisis. Estas incluían el tiempo y registro de fecha de cuando se habían ingresado los datos en el SIG y también una columna que especificaba si el préstamo era individual o grupal. Dado que todos los préstamos en Banco de la Mujer eran individuales, éste no era un campo necesario. Puesto que el número de identificación (ID) de los clientes era suficiente para identificar a un cliente específico, en caso necesario, se eliminaron también todos los nombres y números de teléfono de éstos. Llevó segundos realizar esta operación en Excel – Carlos sencillamente seleccionó las columnas pertinentes y las borró. A continuación, Carlos eliminó otro tipo de datos redundantes – préstamos al personal y préstamos reestructurados. Estos no eran los “típicos” préstamos de Banco de la Mujer, representaban menos de un uno por ciento de la cartera total y no podrían compararse fácilmente con los préstamos a los clientes regulares. Afortunadamente, éstos eran fácilmente identificables en el SIG, puesto que las etiquetas de productos crediticios eran “personal” y “reestruc”, respectivamente. Carlos seleccionó toda la pestaña y la clasificó por tipo de producto crediticio. Seguidamente identificó los préstamos al personal y los reestructurados, y borró las filas en las que aparecían éstos. Por último, Carlos se preguntaba si había préstamos con saldos vigentes, extremadamente pequeños, causados generalmente por errores de redondeo. Banco de la Mujer tenía como norma redondear a la cifra inferior los montos de pago, a favor del cliente. Por ejemplo, en el caso de un préstamo a seis meses que conllevara seis pagos mensuales iguales de un monto de $233⅓ (por un total de interés y capital de $1.400), el cliente se beneficiaría ligeramente de 166
que el pago se redondeara a la baja, a $233,33. Sin embargo, el pago total sería de 6 x $233,33 = $1.399,98, por lo que el préstamo pagado en su totalidad parecería tener una mora de $0,02, como resultado del error de redondeo. Utilizando nuevamente la función de clasificar de Excel, Carlos clasificó el conjunto de datos en su totalidad, según el saldo vigente y en orden ascendente (es decir, los saldos más pequeños primero). Cualquier saldo que parecía ser un error de redondeo en los préstamos pagados en su totalidad era totalmente visible en la parte superior de la columna, así que Carlos borró dichas filas. Aunque este proceso de eliminación tuvo un impacto muy pequeño sobre el capital vigente total, quizá sólo $1, sí que suprimió aproximadamente 50 antiguos clientes que habrían dado una falsa impresión del número real de clientes en Banco de la Mujer. Limpieza de datos sucios: Aunque la hoja de Excel sólo contenía ahora préstamos a clientes no miembros del personal, los cuales no se habían reestructurado, aún quedaban algunas observaciones erróneas en el conjunto de datos. Estas estaban causadas, generalmente, por errores de entrada de datos, del momento en el que los préstamos o los pagos se habían introducido en la base de datos. Carlos seleccionó el conjunto de datos en su totalidad, incluyendo los títulos de las columnas, y pulsó Datos > Filtrar. Esto le permitió seleccionar observaciones específicas en el conjunto de datos, de acuerdo con valores específicos. Luego dividió los errores potenciales de los datos sucios en cinco categorías y abordó cada una de ellas de acuerdo con el método descrito en la siguiente tabla:
167
Tipo de datos sucios
Método para resolverlo
Datos que faltan
Para cada columna de datos, Carlos utilizó la herramienta de filtro para mostrar sólo datos en blanco. Cuando hallaba que faltaban datos, Carlos buscaba en los registros manuales de Banco de la Mujer para ver si podía encontrar los datos en otro lugar, insertarlos en la hoja de Excel y actualizar el SIG conforme a esto. Si no, borraba toda la fila.
Datos duplicados
La única columna que sería útil para detectar entradas duplicadas era la columna de ID de los clientes. Carlos ejecutó los siguientes pasos:
Datos falsos
•
Junto a la columna de ID de clientes (A), insertar una nueva columna y denominarla “prueba para duplicados”. Esta será la columna B en el conjunto de datos.
•
Clasificar la columna de ID de clientes en orden ascendente.
•
En el segundo cliente en el conjunto de datos (línea 3), en la columna B (es decir, la casilla B3), escribir la siguiente fórmula: IF(A3=A2,”DUPLICATE,”””)
•
Utilizar “llenar hacia abajo” para copiar esta casilla hasta la última línea en la columna.
•
Puesto que los clientes están clasificados por orden de ID de clientes, los registros duplicados de clientes aparecerán uno al lado de otro. Esta fórmula en la columna B comprueba si la ID de clientes, para cada cliente, es la misma que la ID de clientes para el cliente en la línea anterior. Si halla un duplicado, la fórmula escribe la palabra DUPLICADO en la columna B, en el caso de repetición de la ID de ese cliente; si no, deja la casilla en la columna en blanco.
•
Utilizar el Autofiltro en la columna B para detectar cualquier cliente duplicado. Comparar los registros para asegurarse que son duplicados, seleccionar el registro con los datos correctos y borrar la otra fila.
•
Una vez que esto se complete, borrar la columna de “prueba para duplicados”.
Los datos falsos se refieren a aquellos datos que son incompatibles con la variable en cuestión. Un ejemplo de esto sería un valor de dato en la columna de saldo vigente o un nombre de producto crediticio en la columna de fecha de desembolso. Debido al número casi infinito de tipos posibles de datos falsos, no fue posible automatizar esta búsqueda, pero no se tardó mucho en verificar. Carlos utilizó la opción de autofiltro para cada columna, para ver qué tipos de datos contenía. Por ejemplo, en la columna de producto de crédito el autofiltro enumeró cinco productos crediticios ofrecidos por Banco de la Mujer, así como una opción extraña denominada “$1.894,22”– esto parecía claramente fuera de lugar. Carlos filtró la tabla por el valor “$1.894,22” y observó una falsa entrada, así que borró toda esta fila. Tardó alrededor de 20 minutos en revisar la totalidad de los distintos títulos de las columnas, de esta manera.
168
Tipo de datos sucios
Método para resolverlo
Datos absurdos
Los datos absurdos están estrechamente relacionados con los falsos, pero son del mismo tipo de datos generales (número, texto, etc.), previstos en la columna. Por ejemplo, en una columna denominada “número de hijos” se espera un valor numérico. Sin embargo, no todas las cifras son aceptables. Los números superiores a 10, los números negativos y las fracciones serían ejemplos de esto. Carlos utilizó dos métodos para detectar estos problemas y borrar o corregir las filas de malos datos: •
Clasificar cada columna en orden ascendente (esto es, los valores más pequeños primero) y luego en orden descendente (es decir, los valores mayores primero), para destacar los valores que eran evidentemente demasiado grandes, demasiado pequeños o negativos.
•
Examinar rápidamente las opciones presentadas en el autofiltro para ver cualquier elemento inusual. En el ejemplo citado, si las opciones para número de hijos son 0, 1, 2, 3, 4, 4.7 , 5, 6, está claro cuál requiere un mayor análisis (4.7).
Después de pasar una hora o dos examinando los datos, Carlos se sentía satisfecho de haber limpiado el conjunto de datos con éxito. En algunas ocasiones, cuando faltaban datos, él pudo mirar estos datos en los registros de los clientes. Cuando no estaba disponible una información esencial, tal como el monto o plazo del préstamo y ésta no podía hallarse en los registros, Carlos se vio obligado a borrar toda la fila. El resumió sus hallazgos en una tabla muy clara: Problema con el dato
Núm. de observaciones
Acción realizada
Préstamos reestructurados
28
Eliminación de los 28
Préstamos al personal
9
Eliminación de los 9
Saldos irrelevantes
55
Eliminación de los 55
Datos que faltan
20
5 completados mirando en los registros manuales, SIG actualizado en consecuencia, 15 eliminados
Clientes duplicados
3 pares
Se eliminaron los 3 clientes duplicados, se actualizó el SIG en consecuencia
Datos falsos
8
2 corregidos mirando en los registros manuales, SIG actualizado en consecuencia, 6 eliminados
Datos absurdos
12
5 corregidos mirando en los registros manuales, SIG actualizado en consecuencia, 7 eliminados
169
Total de clientes eliminados: 123 de 22.565 clientes iniciales o aproximadamente un 0,5 por ciento del conjunto de datos. Esta parecía una cantidad “tolerable” de datos sucios y Carlos se sentía, en general, contento con la calidad de la entrada de datos que el personal de Banco de la Mujer había logrado. Organización de datos
Carlos se dio cuenta de que si daba un par de pasos más para organizar los datos, podría acelerar el análisis posterior. Por ejemplo, aunque Banco de la Mujer se enfocaba en la cartera en riesgo mayor a 30 días, como el barómetro clave de la salud financiera de la cartera, la medición de la cartera en riesgo a intervalos adicionales ayudaría a Banco de la Mujer a ver cómo la cartera en riesgo había disminuido a lo largo del tiempo, arrojando luz sobre las prácticas de cobro de la deuda de la IMF. Pero, ¿cómo podría Carlos lograr esto? El conjunto de datos de Excel contenía el capital vigente y el número de días de mora. Debido a los retrasos en la entrada de los datos que se tomaban sobre el terreno, Carlos decidió que el cálculo de la cartera en riesgo mayor a 1 día o la cartera en riesgo mayor a 5 días podría no mostrar una representación justa de Banco de la Mujer. Algunos clientes vivían en regiones remotas y los agentes de crédito se aventuraban en las áreas rurales de Costaguana durante varios días seguidos, realizando cobros, haciendo desembolsos y recopilando los datos correspondientes. Cuando regresaban a la agencia unos días más tarde, era posible que hubiera retrasos en la entrada de datos en Mambu, y un fin de semana o una fiesta nacional podía a veces ocasionar un retraso total de cuatro o cinco días desde la realización de la transacción real hasta la entrada de datos en Mambu. Por lo tanto, Carlos decidió examinar la cartera en riesgo a intervalos de 30, 60, 90, 120 y 150 días. Banco de la Mujer castiga todos los préstamos en mora durante 180 días, de acuerdo con las regulaciones del país. Para calcular cada uno de los valores de la cartera en riesgo para estos intervalos, Carlos consideró utilizar una fórmula de Excel: SUMIF (días en mora,”<30,”Cap. Vigente) SUMIF (días en mora,”>=30,”Cap. Vigente) SUMIF (días en mora,”>=60,”Cap. Vigente), etc. Dichas fórmulas examinarían los días en mora y, si éstos excedían los respectivos intervalos para el cálculo de la cartera en riesgo, sumarían los saldos vigentes de los préstamos afectados. Para elaborar los valores de la cartera en riesgo como porcentajes, Carlos dividió la cartera vigente en cada categoría por el capital vigente total en Banco de la Mujer ($17.935.395). La cartera corriente se definiría simplemente como todo el capital que estaba vigente durante menos de 30 días.
170
Esto dio lugar a la siguiente tabla: Cartera en riesgo
Valor
% de la cartera
Días en mora
Cartera corriente
$16.883.763
94,1%
0 a 29, inclusive
Cartera en riesgo >
$1.051.632
5,9%
30 ó más
$738.615
4,1%
60 ó más
$517.945
2,9%
90 ó más
$308.889
1,7%
120 ó más
$136.375
0,8%
150 ó más
30 días Cartera en riesgo > 60 días Cartera en riesgo > 90 días Cartera en riesgo > 120 días Cartera en riesgo > 150 días
Aunque esta tabla era exacta, Carlos se percató de que una sencilla manipulación adicional de la tabla daría resultados útiles. En lugar de mirar sólo los préstamos en mora durante más de 30, 60, 90 días, etc., podía usar una resta básica para calcular el capital en mora en las categorías individuales. Carlos lo presentó en la siguiente tabla: Cartera en riesgo
Valor
% de la cartera
Días en mora
Cartera corriente
$16.883.763
94,1%
0 a 29, inclusive
Cartera en riesgo de 30 a 59 días
$313.017
1,7%
30 a 59, inclusive
Cartera en riesgo de 60 a 89 días
$220.670
1,2%
60 a 89, inclusive
Cartera en riesgo de 90 a 119 días
$209.056
1,2%
90 a 119, inclusive
Cartera en riesgo de 120 a 149 días
$172.514
1%
120 a 149, inclusive
Cartera en riesgo de 150 o más
$136.375
0,8%
150 hasta el castigo (180)
171
Para comprobar que estas cifras eran correctas, Carlos sumó las cifras individuales de la cartera en riesgo en esta segunda tabla, para las cinco categorías, y el total ascendía a $1.051.632— idéntico a la categoría de la cartera en riesgo mayor a 30 días en la primera tabla. Sin embargo, esta tabla mostraba el capital vigente en las categorías individuales e, intuitivamente, parecía tener sentido: las categorías sucesivas tenían generalmente una cartera en riesgo más baja, a medida que algunos clientes morosos pagaban. Este método le permitió observar cuál era la efectividad de las prácticas de cobro de la deuda por parte de Banco de la Mujer. Aunque el 94,1 por ciento de los clientes había pagado sus préstamos en fecha, un 5,9 por ciento no lo había hecho. Un 1,7 por ciento de la base de la cartera estaba en mora durante 30 a 59 días, pero la categoría que constituía un mayor riesgo – clientes próximos al castigo (en la categoría de cartera en riesgo mayor a 150 días o más) – aún representaba la mitad de esta cantidad. ¿Había quizá posibilidades de mejorar la eficiencia de las prácticas de cobro de la deuda de Banco de la Mujer? Por otro lado, Carlos advirtió que podía utilizar la función de Autofiltro de Excel para calcular las categorías de la cartera en riesgo. Al seleccionar el Autofiltro para días en mora, elegir un Filtro de Número, seleccionar “Mayor que o igual a”, e introducir el número respectivo de días (30, 60, 90, etc.), obtuvo los mismos resultados que anteriormente. Sin embargo Carlos se dio cuenta de que, aunque este desglose de la cartera en riesgo sería muy útil en los análisis posteriores, también supondría el uso reiterado de fórmulas condicionales a lo largo del análisis y podría llegar a ser complicado. Para la cartera total era fácil verificar que los resultados eran razonables, pero para los subcomponentes de la cartera, tales como “clientes mujeres en la región X”, llegaría a ser difícil decidir si los resultados eran razonables o no, así como laboriosa la utilización de unas fórmulas tan complicadas reiteradamente. A Carlos se le ocurrió una idea: ¿por qué no desglosar la cartera en riesgo directamente en el Libro de Excel? Así que, en lugar de calcular la cartera en riesgo a partir del capital vigente y los días en mora cada vez, él simplemente agregó cinco nuevas columnas a la hoja de Excel de datos de la cartera y asignó la cartera en riesgo a cada una de las columnas respectivamente. Esto permitió un rápido filtro y suma de las categorías de la cartera en riesgo, sin necesidad de utilizar fórmulas complejas. Carlos utilizó la siguiente estructura: Columnas existentes
Nuevas columnas (a agregar)
Cap. Vigente
Días en mora
Cartera en riesgo > 30 días
Cartera en riesgo > 60 días
Cartera en riesgo > 90 días
Cartera en riesgo > 120 días
Cartera en riesgo > 150 días
$114
51
=IF($o2>=30,$o2,0)
=IF($o2>=60,$o2,0)
=IF($o2>=90,$o2,0)
=IF($o2>=120,$o2,0)
=IF($o2>=150,$o2,0)
Este método asignaba cada categoría de cartera en riesgo mayor a 30 días a una respectiva columna para un rápido análisis.
172
Mientras tanto, Carlos había revisado la Herramienta y se había enterado del problema estadístico denominado multicolinealidad. La solución requería un proceso similar al utilizado en los cálculos de la cartera en riesgo. Conllevaba dividir variables continuas o casi continuas, tales como el tamaño del préstamo y la edad, en categorías, de forma similar al desglose de la cartera en riesgo en sus componentes. Esto suponía la categorización de las edades de los clientes en grupos. Carlos pensó que cinco sería un número sensato de categorías: clientes muy jóvenes, jóvenes, de edad media,viejos y muy viejos. Para poder hacer comparaciones entre las diferentes categorías, éstas tendrían que representar unos montos de capital aproximadamente iguales en la cartera. ¿Cómo lograría él este resultado? Carlos consultó la Herramienta e ideó los siguientes pasos aproximados para lograr esta categorización de los clientes por edad: 1. El capital vigente total de Banco de la Mujer asciende a $17.935.395, por lo que cada una de las cinco subcategorías debe contener aproximadamente un 20 por ciento de este monto: $3.587.079. 2. Clasificar todo el conjunto de datos por ID de clientes, a fin de ‘aleatorizar’ el orden de los clientes dentro de cada categoría en el siguiente paso. 3. A continuación, clasificar la totalidad del conjunto de datos por la edad del cliente, desde el más joven al más viejo. 4. Agregar una columna temporal, adicional, denominada “capital acumulado”. 5. En la primera línea de esta nueva columna, introducir el capital vigente del cliente más joven. En la segunda línea, sumar la línea anterior al capital vigente del segundo cliente. Llenar esta fórmula hasta el final de la columna. 6. La última casilla en esta columna debe ser igual al capital vigente total en Banco de la Mujer, puesto que incluye a todos los clientes. 7. Desplazarse hacia abajo por la columna de vigente acumulado hasta llegar a un monto igual, aproximadamente, al 20 por ciento del capital total de Banco de la Mujer. 8. Buscar la división más próxima entre edades que corresponda a este monto– es decir, subir o bajar por el conjunto de datos hasta la división de edad más próxima. En el caso de la categoría de muy jóvenes, la marca del 20 por ciento del capital se registró en la línea 7.249 en el conjunto de datos, que se correspondía con una edad de cliente de 31 años. Carlos buscó la división más cercana y clara entre dos edades, que se correspondiera con este monto. Básicamente, esto supuso decidir si esta categoría de edad debía ser “por debajo de 31 años” o “hasta e incluyendo 31 años”. Parecía que la división más cercana entre estos dos rangos de edad se producía algunas líneas más abajo, de hecho en la línea 7.475, mientras que la anterior división (donde comenzaba la categoría de edad de 31 años) estaba bastante más arriba, en la 173
línea 6.674. Así que ésta era la primera categoría. Carlos agregó una nueva columna denominada “Categoría de edad”, y a este grupo de clientes lo denominó “1. Muy joven”. Carlos no trató de completar este proceso en un día, sino que lo hizo en una fecha posterior. Estos son los resultados que obtuvo): Categoría de edad
Rango de edad
Capital vigente
% de capital total
% cartera en riesgo > 30 días
1. Muy joven
Hasta e incluyendo 31
$3.777.929
21,1%
8,8%
2. Joven
32 a 36, inclusive
$3.381.971
18,9%
8,8%
3. Mediana
37 a 41, inclusive
$3.384.810
18,9%
6,7%
4. Mayor
42 a 48, inclusive
$3.974.729
22,2%
2,0%
5. Muy avanzada
49 y mayores
$3.415.956
19,0%
3,5%
$17.935.395
100,0%
5,9%
Carlos también proyectó agregar más tarde a esta tabla algunas nuevas columnas. ¿Cuál fue el tamaño promedio del préstamo para cada una de las categorías de edad? ¿Cuáles fueron sus ahorros promedio? Aunque cada categoría contenía aproximadamente 20 por ciento del capital vigente, ¿a cuántos clientes se refería esto? Además él deseaba repetir este análisis para los tamaños de los préstamos. Esto supondría: • Clasificar la cartera por tamaños de préstamos desembolsados (advertencia: no por capital vigente) • Acumular el capital vigente (advertencia: no el capital desembolsado) • Buscar la columna de capital vigente acumulado para las divisiones de las categorías, como antes. • Dividir los préstamos en cinco categorías: muy pequeño, pequeño, mediano, grande y muy grande.
174
Ejercicio: Siguiendo el proceso utilizado por Carlos para categorizar las edades de los clientes, complete la categorización de los tamaños de los préstamos: Categoría de tamaño del préstamo
Rango de tamaño del préstamo
Capital vigente
% de capital total
% de cartera en riesgo > 30 días
1. Muy pequeño
$50 hasta …
2. Pequeño 3. Mediano 4. Grande 5. Muy grande
… hasta $35.000 $17.935.395
100,0%
5,9%
Tras haber completado este paso, los datos estaban listos para la primera serie de análisis.
175
Capítulo 3: Cálculos preliminares Con el conjunto de datos limpios y listos para el análisis, Carlos utilizó las fórmulas de Excel para obtener estadísticas básicas del conjunto de datos. Se utilizan las siguientes funciones para crear las fórmulas necesarias: Fórmula
Descripción
SUM (rango)
Calcula el valor total de los valores numéricos en el rango
AVERAGE (rango)
Calcula el valor promedio de los valores numéricos en el rango
COUNTA (rango)
Cuenta el número de valores de texto en el rango
COUNTIF (rango, condición)
Cuenta el número de valores numéricos en un rango que cumplen cierto criterio
SUMIF
Evalúa las casillas en el rango A que cumplen los criterios y suma las casillas correspondientes en el rango B
(rango A, condición, rango B) SUMPRODUCT
Calcula la suma de la multiplicación de pares de valores en los dos rangos
(rango A, rango B)
En la siguiente página se enumeran las estadísticas básicas, junto con los resultados de Banco de la Mujer y las fórmulas utilizadas para calcularlos. La tabla original se halla en la pestaña “3.Datos Básicos” del archivo de Excel “Caso de estudio Banco de la Mujer” del caso de estudio. Estadística/concepto
Valor
Total de capital vigente
$ 17.935.395
%
Fórmula =SUM(O$2:O$22443)
suma simple de columna Cap. Vigente Cartera corriente
$ 16.883.763
=B3-B5
cartera vigente total menos cartera en mora Total cartera riesgo >30 d
$ 1.051.632
5.9%
=SUM(Q$2:Q$22443)
4.1%
=SUM(R$2:R$22443)
2.9%
=SUM(S$2:S$22443)
1.7%
=SUM(T$2:T$22443)
0.8%
=SUM(U$2:U$22443)
suma simple columna cart. riesgo > 30 días Total cartera riesgo >60 d
$
738.615
suma simple columna cart. riesgo > 60 días Total cartera riesgo 90 d
$
517.945
suma simple columna cart. riesgo > 90 días Total cartera riesgo >120
$
308.889
suma simple columna cart. riesgo > 120 días Total cartera riesgo >150
$
136.375
suma simple columna cart. riesgo > 150 días Cartera en riesgo 30 a 59
176
$
313.017
=B5-B6
Estadística/concepto
Valor
%
Fórmula
cartera riesgo > 30 menos cartera riesgo > 60 días Cartera en riesgo 60 a 89
$
220.670
=B6-B7
cartera riesgo > 60 menos cartera riesgo > 90 días Cartera en riesgo 90 a 119
$
209.056
=B7-B8
cartera riesgo > 90 menos cartera riesgo > 120 días Cartera riesgo 120 a 149
$
172.514
=B8-B9
cartera riesgo > 120 menos cartera riesgo > 150 días Cartera riesgo 150 a 179
$
136.375
=B9
cartera en riesgo de 150 a 179 días es igual a cartera riesgo > 150 (castigo ocurre a los 180 días) Desembolso promedio
$
1.444
=AVERAGE(J2:J22443)
promedio simple de la columna de capital desembolsado Promedio vigente
$
799
=B3/B18
total vigente dividido por núm. clientes Valor total de desembolso de préstamos vigentes
$32.406.008
=SUM(J2:J22443)
suma simple de columna de desembolso 22.442
Núm. total de clientes
=COUNTA(A2:A22443)
cómputo simple de ID de clientes Clientes hombres
8.350
37%
=COUNTIF(B$2:B$22443,”=M”)
cómputo condicional de ID de clientes, si son hombres (género = M) Clientes hombres (cartera)
$ 6.768.054
63%
=SUMIF(B2:B$22443,”=M,”O2 :O$22443)
suma condicional de capital vigente, si son hombres (género = M) 14.092
Clientes mujeres
38%
=COUNTIF(B$2:B$22443,”=F”)
cómputo condicional de ID de clientes, si son mujeres (género = F) Clientes mujeres (cartera)
$ 11.167.341
62%
=SUMIF(B2:B$22443,”=f,”O2 :O$22443)
suma condicional de capital vigente, si son mujeres (género = F) Edad promedio
36,0
=AVERAGE(C2:C22443)
177
Estadística/concepto
Valor
%
Fórmula
promedio simple de columna de edad Edad promedio ponderada
39,5
=SUMPRODUCT(C2:C22443,O2 :O22443)/B3
promedio ponderado de columna de edad (ponderado según el capital vigente) Plazo del préstamo promedio ponderado
9,1
=SUMPRODUCT(J2:J22443,K2 :K22443)/B17
promedio ponderado de la columna de plazo (ponderado según el capital desembolsado)
Varias estadísticas básicas, particularmente las del total vigente, el número total de clientes y la cartera en riesgo mayor a 30 días total, se mostrarán más tarde, ampliamente , en los análisis que dividen la cartera en subconjuntos. Es vital verificar siempre que los subconjuntos sumen estos valores totales. Por ejemplo, la suma del número de clientes hombres y el número de clientes mujeres debe dar el número total de clientes, y el capital vigente de los hombres clientes sumado al de las mujeres clientes debe ser la cartera total de la IMF. Carlos advirtió que, aunque la edad promedio de los clientes era 36, la edad promedio ponderada de los clientes era 39,5. Se rascó la cabeza un momento y luego se dio cuenta de que la diferencia se debía a variaciones en el monto de capital vigente por cliente – los clientes de mayor edad suelen tener mayores saldos de préstamos. La edad promedio ponderada puede considerarse la edad promedio de los clientes por dólar prestado. Estas estadísticas básicas suministraron un panorama de Banco de la Mujer, que Carlos consultó con Kurtz y luego le presentó a Jasmina para su confirmación. Aunque Jasmina ya conocía la mayor parte de las estadísticas resumidas, este paso sirvió para verificar que se correspondían con las estadísticas generalmente aceptadas de Banco de la Mujer. Por lo tanto, el equipo podía estar bastante seguro que no había habido problemas con el proceso de extracción y limpieza de datos, y regresar más adelante a estas estadísticas básicas para comparar. Con la limpieza de datos finalizada y el conjunto de datos verificado, Banco de la Mujer estaba listo para proceder con los análisis iniciales de los datos de su cartera.
178
Capítulo 4: Análisis inicial Con los datos esenciales en un Libro de Excel limpio, los cuales podían someterse a más análisis rigurosos, Kurtz y Carlos se pusieron a hacer los análisis iniciales. Estos utilizaban principalmente métodos de cálculo directo y tablas dinámicas. El equipo estableció una estructura estándar, examinando cada una de las variables clave en la cartera en términos de: 1. Número de clientes 2. Cartera en riesgo mayor a 30 días 3. Tamaño promedio del préstamo 4. Ahorros promedio El resultado de este análisis suministraría respuestas, por ejemplo, a: “para cada producto de crédito, ¿cuántos clientes tiene, cuál es su cartera en riesgo mayor a 30 días, y así sucesivamente?” Se seleccionaron estos cuatro indicadores porque serían relevantes para la mayor parte de las segmentaciones de la cartera y porque Banco de la Mujer consideraba que proporcionarían al equipo una buena apreciación de la importancia de cada segmento en la cartera, así como sus relativos éxitos o retos (por ejemplo, ahorros promedio más elevados o cartera en riesgo más alta).
En la etapa del análisis inicial, es importante hacer una pausa y revisar los hallazgos de una manera integral, antes de embarcarse en un análisis adicional. Las pistas acerca de cuál es la mejor manera de proceder, a menudo se pueden descubrir a través de una sesión de preguntas y respuestas de “helicóptero”, donde dos o más miembros del personal de una IMF se reúnen para echar un vistazo rápido y deliberar acerca de todos los análisis iniciales y obtener una visión intuitiva, de alto nivel, acerca de la interrelación de los datos. A través de este proceso, una IMF puede descubrir aspectos de sus operaciones que anteriormente no se entendían bien.
El equipo proyectó utilizar el resumen de los resultados para cada variable, para determinar qué vías eran pertinentes para una investigación adicional, más profunda. Cuando Kurtz y Carlos se reunieron para su visión inicial de “helicóptero” de los análisis iniciales, estaban entusiasmados con la idea de comenzar a obtener conocimientos acerca de la cartera de Banco de la Mujer. Para cada análisis, generaron inicialmente hallazgos clave y se reunieron con Jasmina para formular las preguntas que realizarían en las siguientes fases del proceso de análisis de la cartera. *** En esta sección se revisarán los hallazgos clave de Banco de la Mujer y se plantearán una serie de preguntas que determinan los siguientes pasos que la IMF debe seguir para obtener una comprensión más integral de las relaciones de causa y efecto en su cartera. Aunque las variables se presentan una por una, de hecho están conectadas entre sí – en su sesión de visión de 179
“helicóptero” el equipo de Banco de la Mujer saltó de una variable a otra, a medida que surgían nuevas observaciones y se realizaban nuevas preguntas. Las tablas dinámicas utilizadas por el equipo para generar estos resultados del análisis inicial se encuentran en el archivo de Excel “Caso de estudio Banco de la Mujer” adjunto. El procedimiento para generar estas tablas se esboza en el Capítulo 6 de la Herramienta para el Análisis de la Cartera. Puesto que el proceso para generar estas tablas es repetitivo, este capítulo se enfoca en la revisión, por parte de Banco de la Mujer, de los resultados de su análisis inicial y su preparación de las preguntas para la siguiente fase de puesta a prueba de las hipótesis. Para cada variable, este documento examina: 1. Hallazgos clave: Los valores numéricos sobre los que el equipo halló que merecía la pena deliberar para cada variable – éstos son generalmente un subconjunto de la tabla dinámica generada en un análisis inicial dado. 2. Observaciones iniciales: Las reflexiones iniciales del equipo tras echar un vistazo a los datos – ¿qué cuestiones resaltaban? Además, el equipo generó gráficos de apoyo en los casos en los que esto facilitaría la comprensión de la información. 3. Preguntas para un análisis adicional: Basándose en sus impresiones iniciales de los datos, el equipo generó una serie de preguntas para su posterior examen durante el proceso de la puesta a prueba de hipótesis. Ejercicio: A medida que vaya leyendo cada sección para cada una de las variables (“Los hallazgos clave del equipo”, “Observaciones iniciales” y “Preguntas de Banco de la Mujer para un análisis adicional”), tape la siguiente sección con una hoja de papel. Después de leer cada sección acerca de “Los hallazgos clave del equipo”, deténgase un momento para reflexionar acerca de qué observaciones sacaría usted de los datos presentados (usted también puede decidir referirse a la hoja correspondiente en el Libro de Excel). ¿Cómo se pueden comparar sus observaciones con las de Banco de la Mujer? A continuación, tras leer cada sección acerca de las “Observaciones iniciales”, piense en qué preguntas analizaría usted para obtener más conocimientos acerca de los hallazgos iniciales. ¿Qué otros factores en la cartera podrían estar causando el efecto observado en la primera variable? ¿Qué otras variables podría usted poner a prueba, como consecuencia de esto?
180
Género (ver pestaña 4.P-Género, tabla 4.1) Los hallazgos clave del equipo Género
% de cartera en riesgo > 30 días
% de la cartera
Mujeres
5,1%
62%
Hombres
7,0%
38%
• Los préstamos/ahorros promedio de las mujeres son ligeramente inferiores a los de los hombres, pero la diferencia no es significativa. Observaciones iniciales
Carlos y Kurtz hallaron que las tasas de pago de las mujeres eran superiores de manera consistente a las de los hombres y que, aunque las mujeres representaban la mayoría de la cartera, los préstamos a los hombres no eran insignificantes, con un 38%. Cuando Carlos le mostró a Jasmina estos resultados, ella se preguntó si Banco de la Mujer podría posiblemente reducir el riesgo total de su cartera designando mejor a sus clientes meta por género. Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Son las tasas de morosidad por género consistentes a lo largo del tipo de producto, sector, tipo de préstamo, tamaño del préstamo, etc. o están ciertas subcategorías por encima o por debajo de los promedios hallados anteriormente? B. ¿Están los clientes hombres y mujeres distribuidos por igual a lo largo de regiones y agencias, o atienden ciertas regiones o agencias (que posiblemente tengan una cartera en riesgo más elevada o más baja) a un género en particular? C. ¿Cómo modifica la edad, los descubrimientos anteriores? ¿Tienen los clientes muy jóvenes/los muy viejos mejores o peores tasas de pago, y brindamos servicio a más clientes hombres o mujeres en cada grupo de edad? Edad (ver pestaña 5.P-Edad) Los hallazgos clave del equipo
• El tamaño del préstamo parece ser proporcional a la edad. Los préstamos promedio oscilan desde $891, para clientes muy jóvenes, hasta $3.169 para los clientes muy viejos. • La cartera en riesgo mayor a 30 días disminuye desde el 8,8 por ciento para clientes en la categoría de “muy jóvenes” (18 a 31 años), hasta el 3,5 por ciento para clientes en la categoría de “muy viejos” (49 a 61 años).
181
PAR30 por categoría de Edad 10.0% 9.0% 8.0% 7.0% 6.0% 5.0% 4.0% 3.0% 2.0% 1.0% 0.0%
1 - muy joven
2 - joven
3 - mediana edad
4 - viejo
5 - muy viejo
Observaciones iniciales
Estos resultados no eran imprevistos, pero el equipo se dio cuenta rápidamente de que un análisis más detallado posiblemente permitiría a Banco de la Mujer modificar los criterios de los préstamos, a fin de mejorar el desempeño de la cartera. Jasmina reaccionó ante los datos señalando al personal del SIG: “En las áreas donde prestamos servicio a lo largo de Costaguana, los clientes muy jóvenes posiblemente tengan menos obligaciones familiares y puedan dedicar más tiempo a su empresa. Los clientes de una edad bastante más avanzada es probable que tengan negocios más establecidos, cuenten con mayor experiencia y dispongan de mejores conexiones en sus respectivos mercados. También es posible que tengan menos gastos no relacionados con el negocio, tales como la educación de los hijos, lo que les permite beneficiarse de un mayor flujo de caja disponible de su empresa”. Además, el equipo concluyó que posiblemente había intervenido un fenómeno de ‘autoselección’: a medida que los clientes progresaban a lo largo de ciclos de préstamos sucesivos, era probable que los clientes con menor éxito abandonaran la IMF. Así, los clientes de mayor edad constituirían generalmente un menor riesgo para Banco de la Mujer, puesto que de lo contrario se habrían ido o se les habría denegado un préstamo adicional. Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Reciben generalmente los clientes de mayor edad, unos préstamos de mayor tamaño o préstamos con diferentes características que aquellos que se otorgan a los clientes más jóvenes? B. Cada categoría de edad incluye en realidad una gama de edades – la de los “muy jóvenes”, que muestra la cartera en riesgo más elevada, es una preocupación, pero ¿a qué edad cambia la tendencia? (En la siguiente fase, el equipo puede utilizar el análisis acumulativo para examinar esta cuestión). C. Los clientes de mayor edad parecen tener tanto tasas de pago más elevadas como tamaños mayores de préstamos. Sin embargo, los hallazgos iniciales del análisis inicial del tamaño del préstamo (presentados más adelante en esta sección) sugieren que los préstamos de mayor tamaño suelen sufrir una morosidad más elevada. La causalidad 182
no puede inferirse de estos hallazgos aparentemente contradictorios, que requieren un análisis adicional. Agencia y agente de crédito (ver pestaña 7.PAgencia+AC, tablas 7.1 y 7.2) Los hallazgos clave del equipo
• El tamaño promedio del préstamo varía ampliamente de un agente de crédito a otro (desde $1.074 a $1.844), mientras que el tamaño promedio del préstamo por agencia no varía mucho. • El saldo promedio de ahorros también varía en gran medida de un agente de crédito a otro (de $158 a $276), mientras que la variación por agencia es mucho menor. • La cartera en riesgo mayor a 30 días a nivel de agencia oscila del 1 al 9,7 por ciento. • Las tasas de la cartera en riesgo mayor a 30 días de los agentes de crédito individuales oscilan desde cero hasta 23,5 por ciento. • El número de clientes por agente de crédito varía desde un mínimo de 109 (agente de crédito 23) hasta un máximo de 449 (agente de crédito 13). • La escala de las tasas de la cartera en riesgo por agente de crédito varía entre las agencias. Algunas agencias experimentan un nivel de cartera en riesgo relativamente constante en la totalidad de los agentes de crédito, mientras que otras presentan una combinación de agentes de crédito con una baja cartera en riesgo y otros con una elevada cartera en riesgo. Observaciones iniciales
Los resultados iniciales sugirieron que en efecto había “buenas” agencias y “malas” agencias en Banco de la Mujer, así como agentes de crédito que en general se desempeñaban “bien” y otros que se desempeñaban “mal”. El equipo se preguntó si esto podría deberse al número de clientes que estaba manejando cada agente de crédito – es posible que un agente de crédito con una sobrecarga particular de trabajo, con demasiados clientes, no cuente con tiempo suficiente para realizar la debida diligencia y la supervisión. Kurtz sentía también curiosidad por saber si el rango de las tasas de pago experimentado por ciertas agencias estaba causado por los característicos sectores o regiones geográficas a los que prestaban servicio dichas agencias. Por último, ¿qué era lo que estaba causando la variación en los montos de los préstamos y ahorros, para cada agente de crédito? Quizá el equipo podría hallar variaciones en los sectores o las características demográficas de los clientes, que les darían la respuesta. Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Se enfocan los agentes de crédito con un pobre desempeño, en agencias por lo demás con un buen desempeño, hacia un tipo de cliente meta particular al que no se dirigen 183
otros agentes de crédito, o son los perfiles de sus clientes similares a los de los agentes de crédito que son sus compañeros en dicha agencia? B. ¿Existe una relación entre la cartera en riesgo mayor a 30 días del agente de crédito y el número de clientes que administra el agente de crédito? C. ¿Tienen como meta las agencias con un buen desempeño, distintos sectores de clientes que las agencias con un pobre desempeño? D. ¿Se hallan ubicadas las agencias con un buen desempeño, en áreas urbanas o rurales? E. ¿Existe una relación entre el número de clientes por agente de crédito y el desempeño de la agencia? Frecuencia de pago (ver pestaña 8.P-Frec+Plazo, tabla 8.2) Los hallazgos clave del equipo Frecuencia de pago
% de cartera en riesgo > 30 días
% de clientes
% de cartera
Tamaño promedio del préstamo
1 semana
1,7%
43%
24%
$799
2 semanas
5,3%
43%
45%
$1.473
1 mes
10,0%
14%
31%
$3.300
Observaciones iniciales
Aunque Banco de la Mujer sintió la tentación al principio de concluir que “las frecuencias más cortas de pago son más seguras”, ésta era una conclusión peligrosa. Es probable que haya otros factores que determinen la frecuencia de pago del préstamo y, por lo tanto, dicho hallazgo puede ser una consecuencia indirecta. Por ejemplo, los préstamos con una frecuencia más larga son generalmente préstamos de mayor tamaño. Es posible que el tamaño y la naturaleza de estos préstamos puedan contribuir aún más al riesgo, que la frecuencia de pago per se. Jasmina consideraba que: “Nuestros préstamos de pago semanal requieren cuatro veces más trabajo a lo largo del plazo del préstamo que un préstamo de pago mensual, creando costos adicionales para Banco de la Mujer y limitando el número de clientes que puede administrar un solo agente de crédito. De manera que yo supongo que podríamos aceptar un incremento mínimo en la cartera en riesgo para los préstamos mensuales, comparados con los semanales. Sin embargo, veo que nuestros préstamos con reembolso mensual sufren una cartera en riesgo mayor a 30 días, que es cinco veces superior a aquellos que se pagan semanalmente. Debemos investigar esto más a fondo de manera urgente”.
184
Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Qué otras variables están estrechamente relacionadas con la frecuencia de pago de los préstamos? En particular, ¿cuál es la relación que existe entre el plazo del préstamo, el tamaño del préstamo y el número de ciclo del cliente? B. ¿Cuáles son los plazos promedio de los préstamos para las tres frecuencias de pago distintas? C. Para hallar pistas en cuanto a las relaciones subyacentes entre estas variables, debemos generar la información para completar esta tabla:
Tamaño del préstamo: Plazo del préstamo:
Pequeño Corto
Medio
Mediano Largo
Corto
Medio
Grande Largo
Corto
Medio
Largo
Reembolso Semanal Cada dos semanas Mensual
Plazo del préstamo (ver pestaña 8.P-Frec+Plazo, tabla 8.1) Los hallazgos clave del equipo Plazo del préstamo
% de clientes
% de cartera
% de cartera en riesgo > 30 días
Tamaño promedio del préstamo
3 meses
28%
12%
1,4%
$599
6 meses
37%
27%
2,7%
$1.002
9 meses
20%
29%
7,4%
$2.229
12 meses
10%
22%
9,4%
$3.164
18 meses
5%
10%
7,4%
$2.737
185
Cartera en riesgo mayor a 30 dias por plazo de préstamo 15%
10%
5%
0% 3 meses
6 meses
9 meses
12 meses 18 meses
Observaciones iniciales
Banco de la Mujer observó que un plazo de préstamo más largo, un tamaño promedio del préstamo y una cartera en riesgo más elevados parecían estar todos correlacionados positivamente, aunque había un ligero descenso tanto en la cartera en riesgo como en el tamaño promedio del préstamo para créditos con un plazo de 18 meses. Los préstamos con una duración de hasta 6 meses presentaban una cartera en riesgo significativamente por debajo del promedio de la cartera, mientras que los préstamos de nueve meses o más experimentaban una cartera en riesgo significativamente más alta que el promedio de la cartera y representaban aproximadamente un 60 por ciento de la cartera total. Esto constituía una buena evidencia de apoyo de que el plazo del préstamo contribuía a la calidad de la cartera. Aunque el equipo estaba indeciso en cuanto a concluir que un plazo de préstamo más largo causaba una cartera en riesgo más alta, era evidente que la morosidad, sin importar cuál fuera su explicación, solía en gran medida acompañar a los préstamos de plazos más largos. Preguntas de Banco de la Mujer para un análisis adicional
A. Parece que ocurre un cambio de paradigma en el desempeño cuando el plazo del préstamo excede los 6 meses – ¿qué sucede? Trabajaremos para determinar esto comparando las características generales de los préstamos a más corto y largo plazo, tales como las características demográficas y el sector del cliente. B. Aunque no otorgamos tantos préstamos a 18 meses como préstamos a 12 meses, los préstamos a 18 meses son en general de menor tamaño y tienen un mejor desempeño. Analizaremos otros factores que pueden estar causando esto, tales como los sectores en los que trabajan los receptores de los préstamos a 18 meses.
186
Rural versus urbano (ver pestaña 9.P-UrbRur) Los hallazgos clave del equipo
• La cartera está distribuida aproximadamente por igual entre clientes rurales y urbanos (54 por ciento y 46 por ciento de la cartera, respectivamente). • Los préstamos urbanos experimentan una cartera en riesgo mayor a 30 días del 7,7 por ciento, mientras que los préstamos rurales experimentan una cartera en riesgo mayor a 30 días del 4,3 por ciento. Esta es una diferencia significativa. • Los tamaños promedio de los préstamos y los saldos de ahorros son muy similares para los clientes rurales y urbanos. Observaciones iniciales
Aunque Banco de la Mujer inmediatamente observó el problema con la cartera en riesgo de los préstamos urbanos, no estaban seguros de si era posible generalizar acerca de las tasas típicas de la cartera en riesgo rural y urbana. Las áreas urbanas suelen ser más competitivas, tanto para los negocios de los clientes como en cuanto a la disponibilidad de crédito. Las áreas rurales pueden experimentar un volumen más bajo de actividad económica y a menudo son más activas en el sector agrícola, el cual es propenso a oscilaciones volátiles en los precios de la producción, sequías, inundaciones, etc. A la inversa, algunos precios de insumos son más económicos en las áreas rurales (materias primas), pero los precios del transporte pueden ser más elevados: no se pueden sacar conclusiones firmes. El nivel de la competencia y los diferentes productos crediticios o propósitos de los clientes rurales versus urbanos pueden a veces dar una pista. Al ver que las relaciones eran complejas, Banco de la Mujer concluyó que el divergente desempeño de los clientes rurales y urbanos justificaba un análisis adicional. Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Qué productos de crédito predominan en cada área geográfica? B. ¿Son algunos sectores predominantemente rurales o urbanos? C. ¿Tenemos agencias que son predominantemente urbanas pero registran buenas tasas de pago, o viceversa?
187
Producto de crédito (ver pestaña 10.P-Prod+Sect, tabla 10.2) Los hallazgos clave del equipo
• Los tamaños de los préstamos son bastante constantes a lo largo de los productos de crédito. Los préstamos para capital de trabajo y activos fijos son ligeramente más pequeños que el promedio, mientras que los préstamos de consumo y los generales son ligeramente mayores que el promedio. Producto de crédito
% de la cartera
% de cartera en riesgo > 30 días
Consumo
13%
12,8%
Educación
19%
5,0%
Activo fijo
23%
4,5%
General
17%
8,8%
Capital de trabajo
27%
2,4%
Observaciones generales
La combinación de productos de crédito dentro de una IMF es un determinante crítico del desempeño. Banco de la Mujer se consideraba a sí misma afortunada de que su mayor categoría de préstamo se beneficiara de la cartera en riesgo mayor a 30 días más baja, mientras que su tipo de préstamo con un peor desempeño representaba la parte más pequeña en la cartera de cualquier producto crediticio. La divergencia entre las tasas de la cartera en riesgo por producto era espectacular. Esto preocupaba a Jasmina, quien se preguntaba si los clientes que solicitaban diferentes productos crediticios poseían características particulares que influían en las tasas de pago o, igualmente, si los productos de crédito de Banco de la Mujer no estaban debidamente diseñados para adecuarse a los propósitos de los clientes al tomar los préstamos. Preguntas de Banco de la Mujer para un análisis adicional
A. Sabemos que el plazo del préstamo y el tamaño del préstamo también influyen en la cartera en riesgo, pero ¿cómo se combinan esos factores con el producto crediticio para influir en la cartera en riesgo? B. Ciertos productos crediticios pueden ser particularmente adecuados para los clientes que trabajan en determinados sectores. En nuestro análisis adicional, debemos completar la siguiente tabla:
188
Prod. de crédito Consumo
Educación
Activo fijo
General
Capital de trabajo
Sector
Agricultura Artesanos Ganadería
Tasas de % de cartera en riesgo > 30 días
Turismo Comercio
Sector (ver pestaña 10.P-Prod+Sect, tabla 10.1) Los hallazgos clave del equipo
• Los tamaños promedio de los préstamos para cada sector son comparables Sector
% de cartera
% de cartera en riesgo > 30 días
Agricultura
13%
5,1%
Ganadería
20%
6,8%
Turismo
14%
7,1%
Comercio
40%
6,0%
Artesanos
13%
3,5%
Observaciones iniciales
Banco de la Mujer no preveía que sus préstamos a artesanos y clientes en el sector del turismo presentarían tasas de cartera en riesgo tan diferentes, puesto que cada grupo de clientes presta servicio a muchos de los mismos clientes. Aunque la diferencia entre los sectores no era tan espectacular como en otras categorizaciones, el equipo se preguntaba si Banco de la Mujer podría utilizar esta información para dar un nuevo enfoque a su cartera. Preguntas de Banco de la Mujer para un análisis adicional A. Dentro de cada sector, ¿qué otros factores pueden estar influyendo en la cartera en riesgo? – ¿se realizan préstamos a clientes más ricos o más pobres? B. ¿Tienen ciertos sectores más clientes de un género que de otro?
189
Nivel de Pobreza (ver pestaña 11.P-Pobreza, tabla 11.1) Los hallazgos clave del equipo % de clientes
% de cartera
% de cartera Tamaño en riesgo > 30 promedio del días préstamo
Extremadamente pobres
10%
6%
0,9%
$818
Muy pobres
35%
27%
2,7%
$1.116
Pobres
29%
26%
3,5%
$1.288
No pobres
21%
22%
5,9%
$1.538
Clase media
5%
20%
14,9%
$5.204
Cartera en riesgo mayor a 30 días por nivel de pobreza 20% 15% 10% 5% 0% Ext. pobres
Muy pobres
Pobres
No Pobres
Clase media
(el tamaño de la burbuja representa la proporción de la cartera total)
190
Observaciones iniciales
Considerando la presión que estaba sufriendo Banco de la Mujer por parte de los inversores sociales para evaluar mejor su logro de la misión, Jasmina pensó que este análisis era vital para comprender el éxito de Banco de la Mujer en la búsqueda de su misión fundamental. Carlos advirtió que los clientes menos pobres de Banco de la Mujer sufrían las tasas de cartera en riesgo más elevadas. Estos clientes normalmente tomaban préstamos de mayor tamaño, que en general eran más económicos de administrar. Jasmina observó un problema: “Debemos considerar tanto el impacto social de estos préstamos como su costo total (incluyendo el cobro de la deuda y los castigos)”. El equipo observó que la relación entre la cartera en riesgo mayor a 30 días y el índice de pobreza eran consistentes a lo largo de la cartera – por lo que prestando servicio a clientes menos pobres o de clase media, ¿estaba Banco de la Mujer de hecho, desviándose de su misión y tornándose menos rentable?
“Calificación de la pobreza” de Banco de la Mujer En este caso de estudio simplificado, los datos sociales se recopilan en un solo indicador: el nivel de pobreza. En realidad, una IMF debe tener una serie de indicadores sociales para un análisis más profundo. Estos indicadores pueden incluir factores tales como la construcción de la vivienda, bienes y alimentación, y variarán en cada IMF en función de su contexto operativo. El nivel de pobreza se deriva de una calificación de la pobreza, que luego se categoriza en función de niveles predeterminados, no se segmenta basándose en porcentajes de la cartera. Para simplificar, sólo el nivel final se presenta en los datos del caso de estudio. Para evitar el problema de la multicolinealidad, mencionado en el Capítulo 5 de la Herramienta, sólo deben hacerse comparaciones entre categorías no adyacentes (por ejemplo, muy pobres y no pobres, pero no entre extremadamente pobres y muy pobres).
Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Cómo varía nuestra combinación de productos crediticios a través de las categorías de pobreza? B. ¿Están operando los clientes más pobres o los menos pobres un cierto tipo de negocio o solicitando un determinado producto crediticio en particular? ¿Son dichos clientes predominantemente de un género? C. ¿Están los clientes más pobres o los menos pobres distribuidos por igual a lo largo de las agencias o se concentran en ciertas agencias?
191
Tamaño del préstamo (ver pestaña 12.P-TamañoPrest) Los hallazgos clave del equipo
• El tamaño del préstamo parece estar directamente correlacionado con la cartera en riesgo, oscilando desde 0,9 por ciento para la categoría más pequeña de préstamos hasta 14,4 por ciento para la más grande. • La cartera en riesgo se torna problemática en particular en las categorías de préstamos grandes y muy grandes, que en conjunto representan más del 80 por ciento de la cartera en riesgo de Banco de la Mujer. • El promedio de ahorros también parece estar directamente correlacionado con el tamaño del préstamo, oscilando desde $75 para los préstamos muy pequeños hasta $1.694 para los muy grandes.
PAR30 por categoría tamaño de préstamo 16.0% 14.0% 12.0% 10.0% 8.0% 6.0% 4.0% 2.0% 0.0%
1 - muy pequeño
2 - pequeño
3 - mediano
4 - grande
5 - muy grande
Observaciones iniciales
Kurtz identificó una necesidad urgente de obtener más conocimientos acerca de sus préstamos grandes y muy grandes – sin estos préstamos en su cartera, la cartera en riesgo mayor a 30 días total de Banco de la Mujer estaría próxima al 2 por ciento, bajando desde el 5,9 por ciento. Al mismo tiempo, Carlos se preguntaba si las estadísticas generales de las categorías podrían ser menos importantes que los datos específicos acerca de las cualidades de los préstamos en cada categoría. La correlación entre el tamaño del préstamo y los ahorros era ciertamente una buena noticia – el equipo supuso que a medida que los clientes avanzaban hacia préstamos de mayor tamaño, de hecho estaban ahorrando más. Sin embargo, debían tener en cuenta el efecto del ciclo del préstamo antes de sacar esta conclusión. Preguntas de Banco de la Mujer para un análisis adicional
A. Ya sabemos que el tamaño del préstamo no varía en gran medida a través de los sectores, y sólo ligeramente a lo largo de los productos de crédito, por lo que el producto o el sector no son la clave de las razones por la que la cartera en riesgo está variando. Sin embargo existe una gran diferencia en el tamaño del préstamo a lo largo de las frecuencias de pago. ¿En qué manera difieren los préstamos en las categorías 192
grande y muy grande de aquellos en las categorías más pequeñas, en términos de frecuencias de pago? B. ¿En qué medida están relacionados el tamaño del préstamo y el plazo del préstamo? – ¿afecta esto a las tasas de pago? Ciclo de préstamos (ver pestaña 13.P-Ciclo) Los hallazgos clave del equipo
• La cartera en riesgo se incrementa de manera consistente con ciclos más elevados de préstamos, oscilando desde un 1,2 por ciento, en el primer ciclo, hasta un 12,3 por ciento en el séptimo. • Un 49 por ciento de los clientes de Banco de la Mujer están en su primer o segundo préstamo; el número de clientes se reduce con cada ciclo, de tal manera que sólo un 2,2 por ciento de los clientes están en su séptimo ciclo. (Sin embargo, los préstamos aumentan de tamaño con cada ciclo, así que de hecho el quinto y sexto ciclo son los mayores en la cartera por volumen de capital vigente). • El tamaño promedio del préstamo se incrementa con cada ciclo de préstamos, comenzando por $534 en el primer ciclo y oscilando hasta $4.263 en el séptimo ciclo. Los ahorros siguen un patrón similar.
Cartera en Riesgo mayor a 30 días por ciclo de préstamos 16% 14% 12% 10% 8% 6% 4% 2% 0%
1o
2o
3o
4o
5o
6o
7o
(El tamaño de la burbuja representa la proporción de la cartera total)
Observaciones iniciales
Los datos sugirieron un grave problema de aumento de la mora en los ciclos posteriores. Kurtz le preguntó a Jasmina: “Se supone que los clientes que progresan a ciclos posteriores han gestionado con éxito un préstamo anterior y, sin embargo, la morosidad se incrementa con cada ciclo – ¿qué está sucediendo?”
193
Jasmina se sentía claramente incómoda con este hallazgo, puesto que apuntaba a un grave problema operativo y no sabía si era una cuestión interna o externa. “Bueno, si esto no se puede explicar a través de nuestros otros análisis, hay una serie de cuestiones que debemos observar. Los problemas operativos internos pueden incluir una falta de revisión de los negocios de los clientes, a medida que progresan a través del ciclo de préstamos, o unas prácticas crediticias relajadas que incrementan los tamaños de los préstamos con demasiada rapidez. Las cuestiones externas pueden incluir los elevados niveles de competencia afrontados por los negocios más grandes de los clientes o competidores que nos roban a nuestros clientes que tienen probados historiales crediticios”. El equipo acordó que debían examinar todos los factores para determinar si el problema era el resultado de otro factor de la cartera (tal como el tamaño del préstamo), o de una de las cuestiones externas o internas descritas más arriba. Así que, la mayoría de las preguntas que generaron eran operativas y, aunque el análisis estaría fuera del ámbito del actual proceso de análisis de la cartera, los resultados son evidentemente importantes para los objetivos del estudio. Preguntas de Banco de la Mujer para un análisis adicional
A. ¿Cómo revisa el personal de campo los negocios de los clientes en ciclos sucesivos? B. ¿Se realiza la debida diligencia del cliente en cada ciclo de préstamos o sólo en el primer ciclo? C. ¿Existe un elevado nivel de competencia en las regiones con las tasas más elevadas de cartera en riesgo, quizá con otras IMF robando los buenos clientes a Banco de la Mujer sobre la base de su probado historial de crédito? D. ¿Obligamos a todos nuestros clientes a permanecer con el mismo producto de crédito, a través de préstamos sucesivos, o cambian el producto crediticio y los términos, de acuerdo con la necesidad del cliente? E. ¿Se ofrece a los clientes de ciclos posteriores unas frecuencias de pago más relajadas, unos préstamos de mayor tamaño o unos plazos más largos sin que los soliciten?
194
Capítulo 5: Puesta a prueba de hipótesis, ciclo núm. 1 – cartera en riesgo A estas alturas Banco de la Mujer estaba listo para llevar el análisis un paso más allá. Al comienzo del proyecto, el equipo estaba preocupado de que el análisis pareciera bastante sencillo. Había resultado bastante fácil desde el punto de vista técnico – cierta limpieza de datos, unas pocas fórmulas de Excel y algunas tablas dinámicas – pero ya habían obtenido algunos nuevos conocimientos acerca de la cartera de Banco de la Mujer. Ya habían sospechado algunos antes: sabían que las clientes mujeres solían pagar mejor y que ciertos productos de crédito no eran tan buenos como otros, pero al equipo le parecía interesante ver dónde se registraban con mayor frecuencia estas incidencias. Como Carlos había generado la primera serie de tablas, el equipo se había empezado a sentir más cómodo con los datos y había completado su visión de “helicóptero” del banco. Ahora era el momento de descender, acercándose un poco más a la realidad, y utilizar el proceso de la puesta a prueba de hipótesis para comenzar a contestar a las preguntas suscitadas en la etapa del análisis inicial. Kurtz y Carlos decidieron trabajar juntos a lo largo de esta etapa, para intercambiar ideas en tiempo real, a medida que progresaba el análisis. Al comienzo del proyecto, Jasmina había identificado tres factores clave para el enfoque del análisis de Banco de la Mujer, concretamente una elevada cartera en riesgo, el desempeño social (especialmente el enfoque hacia los clientes pobres como meta) y unos elevados costos operativos. Kurtz y Carlos aplicaron el ciclo de la puesta a prueba de hipótesis a cada una de estas cuestiones, una por una, comenzando por la cartera en riesgo. El equipo se debatía acerca de por dónde comenzar a examinar la cuestión de la cartera en riesgo – con una abundancia de datos sobre sus 22.000 clientes, había demasiadas posibilidades. Concluyeron que de hecho podían empezar en cualquier punto, así que decidieron examinar el género en primer lugar – una variable que ya todos conocían bien, sobre la que a menudo se deliberaba en los círculos de las microfinanzas. Además, ésta era un área de interés para los inversores sociales de la IMF. Este enfoque ayudaría al equipo a asegurarse que no pasaban por alto ningún posible hallazgo relacionado con el género y luego podrían diversificarse, según procediera. Cartera según la edad del cliente, por género
Hipótesis: El género ejerce una influencia sobre la cartera en riesgo a lo largo de todos los periodos, llevando a la variación en las tasas de castigos. Prueba: Herramienta de análisis de la cartera por edad, comparando la cartera en riesgo para clientes mujeres y hombres con la cartera en riesgo total promedio. (Tablas 4.1,4.2 y 4.3 en la pestaña 4.P-Género del Archivo de Excel “Caso de estudio Banco de la Mujer”)
195
Género
% de cartera en riesgo > 30 días
% de cartera en riesgo > 150 días
% de cartera
Mujeres
5,1%
0,6%
62%
Hombres
7,0%
1,1%
38%
Categorías de cartera en riesgo por genero 3.0% 2.5% 2.0%
F
1.5%
M
1.0%
Gran Total
0.5%
79 PA
R1
50
-1 PA
R1
20
0R9 PA
-1
49
9 11
89 0R6 PA
PA
R3
0-
59
0.0%
Análisis: El equipo halló que la diferencia en la cartera en riesgo era notable, tanto en los niveles de la cartera en riesgo mayor a 30 días como en los de la cartera en riesgo mayor a 150 días. Las tasas de la cartera en riesgo mayor a 150 días de los hombres eran aproximadamente el doble que las tasas para las clientes mujeres – especialmente preocupantes, puesto que la mora de la cartera en riesgo mayor a 150 días tiene un elevado riesgo de castigo (en el umbral de los 180 días). Esto agregó un incentivo financiero adicional para Banco de la Mujer para llegar a la raíz del problema de la cartera en riesgo por género. Kurtz y Carlos construyeron a continuación una serie de tablas dinámicas, para obtener información adicional para el desglose de la cartera en riesgo – todas las tablas relacionadas con el género están disponibles en la pestaña “4.P-Género” del Archivo de Excel “Caso de estudio Banco de la Mujer”. Se realizaron algunos interesantes, y a veces sorprendentes, descubrimientos. Comenzaron observando la cartera en riesgo por género y por edad. Cartera en riesgo por edad y género
Hipótesis: La edad influye en la cartera en riesgo más que el género. Prueba: Prueba de las variables dobles discretas que examina todas las combinaciones de categoría de edad y género vs. cartera en riesgo (Tabla 4.4 en la pestaña “4.P-Género” )
196
Análisis: La categoría con un mejor desempeño era realmente la de hombres mayores, pero era una categoría muy pequeña. Las mujeres mayores y de edad muy avanzada eran las siguientes mejores categorías y constituían unas proporciones de la cartera significativamente mayores. Las categorías con el peor desempeño eran los hombres jóvenes y muy jóvenes, pero en realidad las clientes mujeres en este rango de edad no se desempeñaban mucho mejor que sus homólogos masculinos. Conclusión: Parecía que la edad tenía una gran influencia sobre la cartera en riesgo y que se mantenía la distinción general en cuanto al género (que las mujeres pagaban mejor que los hombres), aunque con algunas pequeñas excepciones. Esto suscitó un dilema para el equipo. Consideraron que debía existir una relación causal entre la edad y la cartera en riesgo, y también entre el género y la cartera en riesgo. Inicialmente el equipo esperaba que la Herramienta les daría resultados claros, tales como: “el factor X causa el fenómeno Y”, y que luego las decisiones operativas para resolver el problema estarían claras. Pero éste no era el caso. Tanto la edad como el género parecían causar o influir en la cartera en riesgo—estaban seguros de esto—pero estos factores no actuaban solos, ni tenían el mismo impacto. En efecto parecía que cuando se consideraba la edad, la diferencia de la cartera en riesgo total entre los sexos no era tan espectacular, sugiriendo al equipo que, aunque ambos factores eran importantes, de hecho era la EDAD el que tenía una mayor influencia. El equipo se preguntaba si las diferencias de edad podrían explicar también la diferencia en la cartera en riesgo por género. Edad versus género
Hipótesis: La edad y el género están relacionados – esto es, los clientes hombres presentan una cartera en riesgo más elevada porque son más jóvenes. Prueba: Carlos generó tablas comparando las edades de los clientes hombres y mujeres – si los clientes hombres eran significativamente más jóvenes que las clientes mujeres, y los clientes más
197
jóvenes presentaban una cartera en riesgo más alta, esto explicaría la diferencia en la cartera en riesgo principalmente en función de la edad. (Tablas 4.5 y 4.6 en la pestaña “4.P-Género” del archivo de Excel “Caso de estudio Banco de la Mujer”) 4.5 Distribución de clientes por género y edad Recuento de Edad
Género
Categoría de edad
M
H
Gran Total
1 - muy joven
33,43%
33,09%
33,30%
2 - joven
19,13%
19,87%
19,41%
3 - mediana edad
18,73%
19,38%
18,97%
4 - viejo
19,88%
18,99%
19,55%
5 - muy viejo
8,83%
8,67%
8,77%
Gran Total
100,00%
100,00%
100,00%
Análisis: El equipo halló que los géneros estaban divididos a lo largo de categorías de edad prácticamente idénticas y que, de hecho, la edad promedio de los clientes hombres era tan solo un mes menos que la de las clientes mujeres. Conclusión: La edad y el género NO estaban relacionados en la cartera. Pero, para complicar aún más las cosas, Kurtz recordó además que los tamaños de los préstamos también solían incrementarse con la edad de los clientes. ¿Podría esto sugerir que el tamaño mayor del préstamo era el factor relevante en la reducción de la cartera en riesgo? Esto parecía contradecir hallazgos previos – que los préstamos de mayor tamaño constituían un mayor riesgo para Banco de la Mujer. El equipo quedó desconcertado ante este descubrimiento, así que decidieron estudiar a continuación el género por tamaño del préstamo. Cartera en riesgo por género y tamaño del préstamo Hipótesis: Los hombres registran una cartera en riesgo más elevada porque tienen problemas con los préstamos de mayor tamaño. Prueba: Prueba de las variables dobles discretas que examina todas las combinaciones de género y préstamo vs. cartera en riesgo. (Tabla 4.7 en la pestaña “4.P-Género”)
198
Análisis: Los préstamos de tamaño grande y muy grande eran las categorías con un peor desempeño en general pero, como muestra la tabla de “Género por categoría de tamaño del préstamo”, esto es cierto en particular para los clientes hombres. Sin embargo, en las categorías de tamaño de préstamo pequeño y muy pequeño, los hombres de hecho se desempeñaban mejor que las mujeres. Parecía que el tamaño del préstamo era en realidad importante y tenía una influencia mayor que el género solo. La cartera en riesgo mayor a 30 días total para los clientes hombres, en la cartera total, era del 7,0 por ciento versus el 5,1 por ciento para las clientes mujeres. Y sin embargo, como muestra la tabla de Excel, cuando las carteras en riesgo se subdividían por el tamaño del préstamo, oscilaban desde un mero 0,8 por ciento para los hombres clientes con préstamos muy pequeños hasta el 17,4 por ciento para los clientes hombres con préstamos muy grandes – las mujeres estaban entre medias, de 0,9 por ciento a 12,5 por ciento. Conclusión: El tamaño del préstamo era en realidad un factor significativo. Carlos tomó nota de lo siguiente: “Reducir los tamaños máximos de los préstamos, en particular a los hombres” “Se debe hacer una mayor debida diligencia en los tamaños de préstamos mayores” Asimismo echó un vistazo rápido al género a través de las agencias, para ver si había agencias que tuvieran un pronunciado sesgo hacia un género en particular. ¿Podía quizá una agencia estar desempeñándose bien, simplemente porque estaba realizando préstamos predominantemente a clientes mujeres? De hecho, tal y como se mostró en la tabla de “Distribución de género en cada agencia”, éste no era el caso: el porcentaje de mujeres clientes en una agencia oscilaba desde 61,5 por ciento hasta el 64,2 por ciento, así que esto no parecía ser un factor importante. Cartera en riesgo por sector y género
Kurtz sentía curiosidad puesto que el equipo parecía haber descubierto una serie de influencias, todas las cuales estaban relacionadas entre sí. Deseaba hallar los elementos impulsores primarios y secundarios de la cartera en riesgo, en lugar de la única causa – se estaba empezando a dar cuenta de que no había una única causa, sino una compleja red de factores. Decidieron investigar los diferentes sectores de acuerdo con el género de los clientes.
199
Hipótesis: Los hombres y las mujeres se desempeñan mejor con préstamos para negocios en ciertos sectores. Prueba: Análisis de variables dobles discretas que examina la cartera en riesgo para todas las combinaciones de género y sector. (Tabla 4.8 en la pestaña “4.P-Género”)
Análisis: El equipo halló que: • Los clientes con un mejor desempeño eran las mujeres artesanas (cartera en riesgo mayor a 30 días = 2,5 por ciento), mientras que los hombres artesanos eran los clientes con un peor desempeño (cartera en riesgo mayor a 30 días = 8,6 por ciento). Afortunadamente, los hombres artesanos eran una pequeña minoría de la cartera – había cinco veces más mujeres artesanas que hombres – por lo que los hombres sólo arrastraban hacia abajo la cartera en riesgo total del sector en un punto porcentual, hasta el 3,5 por ciento. Carlos se preguntaba si este sector era adecuado para los hombres – por alguna razón no le sorprendía ver que las mujeres artesanas tuvieran un mejor desempeño que sus homólogos masculinos. • Los sectores dominados por los clientes hombres eran la ganadería y el turismo, mientras que las mujeres predominaban en el comercio – de hecho, las mujeres comerciantes representaban cerca de un tercio de toda la cartera. Desafortunadamente, aunque las clientes mujeres en el sector del comercio eran la subdivisión más importante en este análisis, su cartera en riesgo era ligeramente más alta que el promedio de la cartera – 6,1 por ciento versus 5,9 por ciento. • El sector en el que los clientes hombres parecían tener un mejor desempeño era la agricultura, aunque Banco de la Mujer sólo contaba con 753 clientes en esta categoría (3,3 por ciento de la cartera total).
200
• El turismo y la ganadería se habían identificado anteriormente como los sectores con un peor desempeño y estaban dominados por los clientes hombres. La cartera en riesgo de las mujeres en el sector del turismo presentaba en realidad un mejor desempeño que la cartera en riesgo promedio de las mujeres, mientras que las mujeres en el sector de la ganadería presentaban una cartera en riesgo más alta que la de las mujeres en general, pero aún quedaba ligeramente por debajo del promedio de la cartera del 5,9 por ciento. Conclusión: Carlos apuntó las siguientes sugerencias: “Las mujeres artesanas, buenas clientes; los hombres, malos – ¿quizá eliminar gradualmente a los hombres artesanos?” “Los hombres en la agricultura, buenos – ¿podemos enfocarnos mejor hacia esta categoría como meta?” “Debemos investigar el turismo y la ganadería con mayor detalle”. Cartera en riesgo por género y producto de crédito
A continuación el equipo procedió a analizar el género, de acuerdo con el producto de crédito. Hipótesis: Los hombres y las mujeres se desempeñan mejor con ciertos productos de crédito. Prueba: Análisis de variables dobles discretas, que examina la cartera en riesgo para todas las combinaciones de género y producto de crédito. (Tabla 4.9 en la pestaña “4.P-Género”)
Análisis: Los resultados fueron los más espectaculares descubiertos hasta el momento: • Los préstamos de consumo para clientes hombres sufrían una cartera en riesgo del 15,6 por ciento. Esta parecía particularmente elevada. Afortunadamente sólo había 1.050 clientes de este tipo. Kurtz se había preguntado por los préstamos de consumo anteriormente. Era el producto 201
crediticio que presentaba el peor desempeño en general (cartera en riesgo mayor a 30 días del 12,8 por ciento, como se halló anteriormente), y los clientes hombres en particular, parecían no tener voluntad o capacidad para pagar estos préstamos. Le preguntaron a Jasmina acerca de esto – ella les dijo que Banco de la Mujer había introducido los préstamos de consumo cuando su principal competidor los comenzó a ofrecer, pero estaba de acuerdo, basándose en los datos, que quizá esto no había sido una idea tan acertada. • En directo contraste con este descubrimiento, el equipo se sintió aliviado al ver que el mayor subsector en este análisis, con 3,940 clientes, era también el subsector que tenía un mejor desempeño con una cartera en riesgo mayor a 30 días del 1,9 por ciento: préstamos para capital de trabajo para mujeres. El equipo había hallado anteriormente que los préstamos para capital de trabajo eran de hecho el mejor producto crediticio de Banco de la Mujer, en términos de la cartera en riesgo, y que incluso en el caso de los clientes hombres la cartera en riesgo era sólo del 3,2 por ciento. • El equipo también observó que los hombres parecían manejar los préstamos para activos fijos mejor que las mujeres, con unos porcentajes de cartera en riesgo mayor a 30 días del 2,9 y 5,5, respectivamente. Conclusión: La escala general de las carteras en riesgo por producto oscilaba desde un 2,8 por ciento para préstamos para capital de trabajo hasta un 12,8 por ciento para préstamos de consumo, por lo que Carlos estaba empezando a sospechar que esto podría en realidad ser una explicación más amplia de la cartera en riesgo que el propio género. (Cuando la cartera se dividía en sectores, el rango de las carteras en riesgo oscilaba desde el 3,5 por ciento hasta el 7,1 por ciento así que, aunque el sector era importante, el producto de crédito parecía ser el principal elemento impulsor). Carlos anotó los siguientes comentarios: “Revisar si es acertado ofrecer préstamos de consumo, especialmente a los hombres”. “Dirigir el enfoque en mayor medida hacia los préstamos para capital de trabajo”. “¿Por qué funcionan mejor los préstamos para activos fijos otorgados a los hombres? – posiblemente cambiar el enfoque de género de este producto”. Tras haber agotado las posibilidades de comparar el género con otras variables, el equipo decidió diversificarse hacia otras combinaciones de variables, que su puesta a prueba de las hipótesis hasta el momento había sugerido que eran combinaciones útiles. Cartera en riesgo por edad y tamaño del préstamo
El equipo tenía claro que había un problema con los tamaños de préstamos más grandes y, aunque este efecto era más pronunciado en los clientes hombres, también las clientes mujeres sufrían unas tasas de pago notablemente peores, especialmente en el grupo de muy jóvenes y jóvenes. La cuestión era si Banco de la Mujer debería considerar detener todos esos préstamos más allá de un cierto tamaño de préstamo; o más bien, ofrecerlos sólo en casos excepcionales. 202
¿Había ciertos tipos de clientes que parecía que podían soportar préstamos de mayores montos? Hipótesis: Existe una relación entre la edad del cliente y la capacidad para pagar préstamos grandes. Prueba: Prueba de las variables dobles discretas, que examina la cartera en riesgo para todas las combinaciones de categoría de edad y categoría de tamaño del préstamo. (Tabla 5.2 en la pestaña “5.P-Edad” del archivo de Excel “Caso de estudio Banco de la Mujer”)
Análisis: La cartera en riesgo mayor a 30 días para préstamos grandes a clientes muy jóvenes alcanzaba un asombroso 48,2 por ciento, y para los préstamos muy grandes a clientes muy jóvenes era del 45 por ciento, con una cartera en riesgo combinada del 46,6 por ciento a lo largo de estos 146 clientes. Este era un resultado muy claro. Aunque las tasas de la cartera en riesgo mejoran a través de estas categorías de préstamos grandes, para los clientes cada vez más mayores, la cartera en riesgo mayor a 30 días para los préstamos muy grandes nunca cayó por debajo del 6,7 por ciento, incluso para los clientes más viejos. Los tamaños grandes de los préstamos eran claramente inadecuados para los clientes más jóvenes, pero parecían ser ligeramente más aceptables para los clientes de mayor edad.
203
Conclusión: No se deben ofrecer préstamos grandes a los clientes muy jóvenes – dada la enorme cartera en riesgo para la categoría, había pocas dudas acerca de esto. Sin embargo, los préstamos grandes en general no parecían constituir un riesgo muy bueno para Banco de la Mujer, sin importar la edad del cliente. Análisis acumulativo de la cartera en riesgo por edad
Al advertir que los clientes más jóvenes parecían tener menor capacidad para pagar los préstamos, el equipo se preguntaba si merecería la pena considerar el aumento de la edad mínima para obtener un préstamo de Banco de la Mujer. Hipótesis: Los clientes menores de una cierta edad tienen una capacidad significativamente inferior para pagar los préstamos. (Si esto es cierto, es posible que Banco de la Mujer desee elevar la edad mínima para los préstamos). Prueba: Haciendo referencia a otra página de la Herramienta, Carlos preparó un análisis acumulativo de la cartera en riesgo por edad del cliente. (Tabla/gráfico 6.1 en la pestaña “6.Acum-Edad” del archivo de Excel “Caso de estudio Banco de la Mujer”) % de Cartera en Riesgo Acumulada por Edad 10% 9% 8% 7% 6% 5% 4% 3% 2% 1% 0% 18
22
24
26
28
30
31
33
34
35
37
38
39
41
42
44
46
48
52
Análisis: El análisis acumulativo mostraba que, de hecho, la cartera en riesgo para las personas jóvenes comenzaba a un nivel bastante bajo (después del “ruido” inicial al comienzo del gráfico de análisis acumulativo, que es causado por el tamaño de una pequeña muestra, véase el capítulo 5 de la Herramienta para más información). Sin embargo, había algunos repuntes claros. En torno a los 27 años, se producía un cambio ascendente en la tendencia de la cartera en riesgo de los clientes y la cartera en riesgo parecía nuevamente tirar hacia arriba en torno a los 31 años. Después de esto la cartera en riesgo descendía de forma gradual, cayendo más rápidamente tras cumplir los clientes cuarenta años. En función del análisis acumulativo, parecía que el problema podría no estar en los clientes más jóvenes. Carlos preparó rápidamente una nueva tabla que examinaba la cartera en riesgo de cada edad individual (ver tabla 6.2 en pestaña 6.Acum-Edad)). Si eran los clientes más jóvenes dentro de la categoría “muy joven”, quienes no podían pagar los préstamos, por ejemplo los de 18 a 20 años, entonces esto podría ser una prueba convincente para apoyar esta hipótesis. Sin embargo,
204
aunque la categoría en general no tenía un desempeño tan bueno como las categorías de edades más avanzadas, no existía un patrón claro dentro de la categoría. Conclusión: El equipo concluyó que elevar la edad mínima no sería ni una solución al problema ni un servicio para los clientes de Banco de la Mujer. Resumen de los resultados de la cartera en riesgo
El equipo revisó las notas de los análisis y elaboró el siguiente resumen, que captaba las conclusiones clave del proceso de puesta a prueba de las hipótesis: • Aunque el género influye en la cartera en riesgo, no es tan sencillo como que “las mujeres pagan mejor que los hombres”. La relación es más compleja. • Los clientes más jóvenes no parecen beneficiarse de los préstamos tanto como los clientes más viejos y quizá éste sea un signo de que se realiza una inadecuada debida diligencia a los nuevos clientes jóvenes. • Los clientes más jóvenes también parecen no tener capacidad para manejar préstamos de mayor tamaño; debemos suspender los préstamos grandes a los clientes jóvenes lo antes posible. • El sector es también importante, y existen importantes divergencias en la cartera, dependiendo del sector del cliente. Banco de la Mujer debe enfocarse hacia tipos de clientes específicos de manera más activa. Las mujeres artesanas y los hombres agricultores parecen ser las primeras opciones obvias. • El tipo de producto crediticio parece ser un elemento impulsor del desempeño, incluso más importante que el sector o el género solos. Existe una evidencia significativa para revisar los préstamos de consumo en general. Representan el 13,1 por ciento de la cartera general, pero casi un 30 por ciento del capital en mora en Banco de la Mujer. Quizá reducir los préstamos de consumo a favor de los préstamos para capital de trabajo y para activos fijos beneficiaría no solo a Banco de la Mujer, sino también a los clientes. Además los préstamos para educación sufren una cartera en riesgo ligeramente más elevada, en general, pero constituyen un claro beneficio para los clientes – es posible que merezca la pena ampliar éstos, especialmente para las mujeres, puesto que la cartera en riesgo de sus préstamos para educación es tan solo del 3,6 por ciento. • Parece que el experimento de Banco de la Mujer con los tamaños más grandes de préstamos ha causado problemas. En el futuro, en lugar de otorgar un préstamo grande a un cliente, puede ser mejor dividir dichos fondos entre numerosos clientes adicionales que estén buscando préstamos de menor tamaño. Esto podría ayudar a más personas pobres en Costaguana, y mejorar el negocio de Banco de la Mujer. ¿Quizá se deberían realizar los préstamos de mayor tamaño “como excepción” (cuando un cliente tienen un negocio particularmente bueno, que 205
puede desarrollarse para crear empleo), en lugar de como un hábito? Además, sería sensato investigar lo riguroso que es el proceso de debida diligencia en el caso de dichos préstamos. El problema exacto probablemente no se revelará en el conjunto de datos de Excel, sino que requerirá hablar con los agentes de crédito y los gerentes de agencias, y revisar los criterios de solicitud de préstamos para dichos créditos.
Capítulo 6: Puesta a prueba de hipótesis, ciclo núm. 2 – Desempeño social A continuación el equipo dirigió su atención hacia el desempeño social de la cartera. ¿De qué manera estaba Banco de la Mujer prestando servicio a los clientes más pobres? ¿Cuál era el desempeño relativo de los clientes urbanos y rurales? ¿En qué medida estaban las diferentes agencias prestando un buen servicio a las personas pobres? Y en general, ¿qué aspectos del servicio de Banco de la Mujer a los pobres constituían un “buen negocio” y cuáles podrían mejorarse? Sectores por clientes urbanos/rurales
Tal como el personal había observado en el análisis inicial, los clientes rurales solían presentar unas tasas de pago más elevadas que los clientes urbanos (4,3 por ciento vs. 7,7 por ciento para la cartera en riesgo mayor a 30 días, como se había hallado anteriormente). Sin embargo, Jasmina señaló que, puesto que Banco de la Mujer tenía como objetivo prestar servicio a todas las personas de bajos ingresos de Costaguana, y éstas se estaban trasladando de manera creciente hacia las áreas urbanas, cambiar su enfoque simplemente hacia los clientes rurales no sería una opción. Kurtz sugirió que quizá podrían hallar divergencias dentro de las categorías de urbano y rural: en particular, ¿parecía que a algunos clientes urbanos les iba mejor que a otros? En ese caso, Banco de la Mujer podría posiblemente mejorar el desempeño de su cartera urbana, al tiempo que seguía prestando servicio a los pobres a escala nacional. Una posible manera de hacer esto sería modificar la combinación de sectores de los negocios de los clientes en la cartera, dependiendo de si los clientes estaban en áreas urbanas o rurales. Hipótesis: Es posible que a los clientes urbanos versus rurales les vaya mejor en algunos sectores de negocios que en otros, como se evidencia a través de sus tasas relativas de la cartera en riesgo. (Si esto fuera cierto, Banco de la Mujer puede alterar su enfoque en consecuencia). Prueba: Análisis de las variables dobles discretas, que examina la cartera en riesgo para todas las combinaciones de sector de cliente y ubicación rural/urbana. (Tabla 9.2 en la pestaña “9.P-UrbRur” del archivo de Excel “Caso de estudio Banco de la Mujer”)
206
Análisis: Los préstamos para ganadería y turismo a clientes urbanos presentaban un desempeño inusualmente malo, con un 9,8 por ciento y un 9,0 por ciento, respectivamente. Carlos se preguntaba dónde podían los clientes urbanos estar criando el ganado en las ciudades. Algunos clientes sí disponían de pequeños jardines donde podían criar animales, pero además Banco de la Mujer no tenía una categoría “peri-urbana”, para realizar el seguimiento de clientes que estaban en el límite entre áreas rurales y urbanas, por lo que es posible que se hubieran producido algunos errores en la recopilación original de los datos. Los préstamos para turismo a clientes urbanos constituían una parte relativamente pequeña de la cartera (6,2 por ciento), lo que quizá era una suerte. Costaguana es un país precioso, pero los turistas suelen preferir la costa espectacular, las montañas y la vida silvestre ; o los pueblos tradicionales, de menor tamaño, en lugar de las grandes poblaciones y ciudades, que generalmente tienen contaminación, son poco seguras, caras y rebosan de tráfico. El sector artesano registraba un desempeño muy bueno de manera consistente. Este constituía una parte importante de la cultura de Costaguana, con cientos de años de tradición de artesanía y habilidades artísticas, transmitidas de generación en generación – algunos de los clientes de Banco de la Mujer en este sector habían incluso exportado sus artículos a países extranjeros y estaba claro que los agentes de crédito de Banco de la Mujer tenían éxito en cuanto a dirigirse hacia este sector como meta. Los artesanos se desempeñaban ligeramente mejor en las áreas rurales, pero la diferencia no era notable. Los sectores de la agricultura y el comercio también presentaban un desempeño notablemente mejor en las áreas rurales, aunque el efecto no era tan pronunciado en el comercio. Sin embargo, ¿por qué los comerciantes rurales se desempeñaban mucho mejor que sus homólogos urbanos? – ¿era un factor la creciente competencia? Esta era otra pregunta para el personal de campo.
207
Conclusión: Carlos y Kurtz estaban de acuerdo con respecto a las siguientes ideas: “Reducir la ganadería, la agricultura y el turismo en las áreas urbanas a menos del 5 por ciento de la cartera cada uno”. “Sesgar la cartera hacia los artesanos, si existe una adecuada demanda de préstamos”. Agencias– urbanas vs. rurales
Banco de la Mujer continuó con la pregunta de urbano/rural al examinar el desempeño de las agencias. Como siempre, el equipo estaba hallando que enfocar el análisis hacia un factor específico cualquiera no era práctico ni útil – de hecho, sus análisis avanzados constituían una red cada vez mayor de percepciones acerca de la IMF. Hipótesis: El desempeño de la agencia depende de la combinación de rural/urbano. (En este caso, el equipo podía estar seguro por adelantado que su hipótesis sería cierta – si la cartera en riesgo urbana es más alta que la cartera en riesgo rural, entonces en general las agencias con más clientes urbanos deben tener una cartera en riesgo más elevada. Sin embargo, el objetivo de la prueba era determinar las agencias específicas que estaban en riesgo, para poder llevar a cabo una mayor investigación a fin de hallar una solución). Prueba: Utilizar una tabla dinámica para desglosar el porcentaje de la cartera urbana y rural para cada agencia y luego compararlo con la cartera en riesgo de la agencia (Tabla 9.3 en la pestaña “9.P-UrbRur” del archivo de Excel “Caso de estudio Banco de la Mujer”)
Análisis: El equipo halló que la agencia con un mejor desempeño, Rosario (cartera en riesgo de un 1,0 por ciento), estaba prestando servicio exclusivamente a clientes rurales. La siguiente agencia con un mejor desempeño era San Miguel, con una cartera en riesgo del 2,1 por ciento y un 90 por ciento de clientes rurales. La agencia con un peor desempeño era la de Santa Rosa, con una cartera en riesgo del 9,7 por ciento y un 89 por ciento de clientes urbanos, seguida de Santa Marta, con un 8,4 por ciento de cartera en riesgo y clientes exclusivamente urbanos. Esto parecía ser una evidencia bastante convincente de que el crédito urbano era la fuente de numerosos problemas en Costaguana. Al equipo no le sorprendieron del todo estos resultados y, naturalmente, la mayoría del personal estaba al tanto del desempeño relativo de las diferentes agencias y su respectiva división urbana/rural, por lo que esto no fue un “nuevo descubrimiento”. 208
Sin embargo, al igual que en análisis previos, la conclusión no estaba tan clara como esto. En dos agencias (Córdoba y San Miguel), las tasas urbanas de la cartera en riesgo eran más bajas que las tasas rurales, aunque ambas agencias se enfocaban principalmente hacia los clientes rurales. Cuando Kurtz y Carlos señalaron esta anomalía a Jasmina, ella especuló: “Puesto que dichas agencias no prestan servicio a numerosos clientes urbanos, ¿son quizá más cuidadosas con el proceso de selección? o ¿quizá la competencia es menos agresiva en dichas ciudades? Tendré que recopilar más información”. La mejor agencia predominantemente urbana era Montegrande, con una cartera en riesgo del 6,2 por ciento y dos tercios de sus clientes en áreas urbanas. La peor agencia predominantemente rural era Córdoba, con una cartera en riesgo del 6,5 por ciento. Mientras Carlos trataba de comprender el impacto de la división rural/urbana, se preguntó si un gráfico lo haría un poco más fácil de digerir, así que clasificó las agencias de acuerdo con su porcentaje de préstamos urbanos y trazó la cartera en riesgo – un gráfico muy sencillo, pero a veces los gráficos pueden destacar una tendencia más fácilmente – observando que, en realidad, rural/urbano parecía ser un elemento impulsor clave:
PAR30% - Agencias ordenadas Urbano a Rural 12.0%
100%
10.0%
80%
8.0%
60%
6.0%
40%
Total PAR
2.0%
20%
Rural %
0.0%
0% ig
rio
l Ro
M
Sa
n
sa
ue
o dr
a
Pe n
io
ov
Sa
rd Co
nc
an
su A
gr te on
n
de
za do en M
Cd
.M
a nt Sa
Sa
nt
a
M
ar
Ro
th
a
sa
4.0%
Conclusión: El equipo necesitaba información adicional antes de poder sacar de aquí una conclusión, con seguridad. Parecía que Banco de la Mujer destacaba en los créditos rurales sobre los créditos urbanos, y éstas eran en general las regiones de Costaguana donde no había una amplia disponibilidad de fuentes de crédito y donde vivían los clientes más pobres. Dado el enfoque de Banco de la Mujer hacia la pobreza, y los elevados niveles de competencia en las áreas urbanas, Banco de la Mujer ciertamente debía examinar el enfoque de su misión y su competencia fundamental. Sin embargo, había notables excepciones y se podían aprender valiosas lecciones de ellas. El equipo decidió solicitar a los departamentos de mercadeo y contabilidad que recopilaran la información adecuada para responder a las siguientes preguntas: 1. ¿Cómo es la competencia en las regiones donde operamos, por ejemplo, sus líneas de productos, tasas de interés y participación de mercado? 2. En las regiones urbanas donde hay una intensa competencia, ¿presta servicio Banco de la Mujer a segmentos de la sociedad que son ampliamente ignorados por otras IMF?
209
3. ¿Está operando con pérdidas alguna de las agencias urbanas? Si esto sucede en un área particularmente competitiva, podría merecer la pena proponerle a la gerencia superior que se revise el futuro de la agencia. 4. Dada la información recopilada acerca de la cartera total, ¿sería acertado utilizar otros conocimientos (por ejemplo, acerca del género y del sector) para enfocar las prácticas de cobro de la deuda, de manera inmediata, hacia las agencias con problemas? Producto de crédito y sector por índice de pobreza
A medida que procedía el análisis, muchas de las relaciones entre las variables se iban tornando más claras. El equipo decidió ver luego cómo sus clientes más pobres preferían ciertos tipos de préstamos o trabajaban más en ciertos sectores. Esto podría ayudar en el futuro enfoque hacia los pobres como meta. Hipótesis: Es más probable que los clientes más pobres utilicen ciertos tipos de productos crediticios u operen sus negocios en ciertos sectores. Prueba: Pruebas de variable dobles discretas que examinan la distribución del porcentaje de la cartera a lo largo de productos crediticios y a lo largo de sectores, para cada nivel de pobreza. (Tablas 11.3 y 11.4 en la pestaña “11.P-Pobreza” del archivo de Excel “Caso de estudio Banco de la Mujer”)
Análisis: Las tablas de análisis avanzado demuestran el desempeño de los diferentes niveles del índice de pobreza, por producto de crédito y sector. El equipo coincidió en destacar que no existía una relación obvia entre el nivel de pobreza y el producto crediticio o el sector. Conclusión: Carlos no tenía comentarios al respecto, más que una profunda observación que estaba comenzando a comprender de manera intuitiva: “Ninguna conclusión para este análisis, así que no es necesario investigar más”.
210
A veces descubrir que no existía ninguna relación era tan interesante como hallar una relación. A estas alturas, el equipo se estaba dando cuenta de dos cosas importantes, que se aplicaban igualmente a esta prueba y a cualquier otra donde no hubiera una relación aparente: 1. No parecía que hubiera casos de “pura” causalidad. Las relaciones eran a menudo “parciales” – había niveles de inferencia, en lugar de sacarse conclusiones rotundas. 2. A menudo hallar variables que NO tenían ninguna relación era tan interesante como hallar estrechas relaciones. Por ejemplo, descubrir que los clientes más pobres generalmente se beneficiaban más de los préstamos a lo largo de todos los sectores, podría expresarse de una manera negativa: “no existe ninguna relación”, pero igualmente podría expresarse de manera positiva: “Banco de la Mujer presta servicio a clientes más pobres de manera más efectiva que a los más ricos, sin importar el sector en el que estén”. Esto no sugería que el sector careciera de importancia – tal como el equipo había descubierto anteriormente, existían notables diferencias en el desempeño de los sectores, pero era interesante el hecho de que esto no estuviera relacionado con el índice de pobreza. Sin embargo, a medida que continuaran con el análisis avanzado, el equipo hallaría algunas conexiones interesantes con el nivel de pobreza de los clientes. Indice de pobreza por agencia
A continuación, el equipo dirigió su atención hacia el desglose por agencia: Hipótesis: Las diferentes agencias presentan diferentes combinaciones de pobreza, que pueden explicar otros fenómenos en la cartera. Prueba: Prueba de variables dobles discretas que examina el porcentaje de clientes en cada grupo de pobreza, para cada agencia – luego se comparan los resultados con la cartera en riesgo y se clasifican conforme a esto. (Tablas 11.5 y 11.6 en la pestaña “11.P-Pobreza”)
Distribución de pobreza por agencia, ordenada de menor a mayor PAR
sa Ro
5 - clase media 4 - no pobre 3 - pobre 2 - muy pobre 1 - extremadamente pobre
nt Sa
M a nt Sa
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%
a
ar
do en M
rd
th a
za
a
n Co
nc io su A
ov Cd .
M
on
te
gr an
dr o n
Pe
ue ig M n
Sa
Sa
io ar Ro s
de
1.0% 2.1% 5.8% 6.2% 6.4% 6.5% 6.5% 8.4% 9.7%
l
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%
Análisis: El equipo observó amplias diferencias entre las agencias. Resultó que las agencias con una cartera en riesgo más elevada también tenían un porcentaje más alto de clientes menos pobres o de clase media – y éstas también resultaron ser las agencias más urbanas de Banco de la Mujer. 211
Por lo tanto, quizá el problema no era tanto que Banco de la Mujer estuviera prestando servicio en áreas urbanas, sino que lo estaba haciendo a clientes menos pobres (o incluso de clase media) en dichas áreas, quienes solían tomar préstamos de mayor tamaño, los cuales tenían menor probabilidad de ser reembolsados. Una vez más, no estaba claro del todo si el nivel de pobreza o el tamaño del préstamo eran el elemento impulsor clave, pero lo que sí estaba claro era que estos factores eran más importantes que la simple división de urbano/rural. Carlos agregó lo siguiente a sus notas: “La combinación de nivel de pobreza de los clientes y de tamaño de los préstamos puede ser más importante que la ubicación, para determinar si una agencia tiene éxito. Banco de la Mujer debe considerar estos factores en la forma en que se administran las agencias urbanas”. Resumen de los resultados del desempeño social
El equipo revisó las notas de los análisis y elaboró el siguiente resumen: • Los préstamos grandes han resultado contraproducentes a todos los niveles. La reducción en el tamaño del préstamo nos ayudaría tanto a disminuir la cartera en riesgo, como a llegar mejor a un número creciente de clientes pobres. • El nivel de pobreza es más importante que la ubicación, para determinar el éxito de la agencia. Hemos hallado que los clientes más pobres pagan mejor, aunque este fenómeno puede deberse en parte a los tamaños de préstamos más pequeños. • Los clientes más pobres NO tienen una preferencia por un producto crediticio o un sector en particular; sin embargo, debemos recordar que ciertos productos y sectores se desempeñan mejor en general, y ajustar la cartera en consecuencia. • Está claro que las agencias rurales presentan un mejor desempeño que las urbanas, pero debemos realizar una investigación sobre el terreno para aprender más al respecto. Al cambiar los productos crediticios que ofrecemos a los clientes urbanos y rurales, y al enfocarnos hacia diferentes sectores como meta, podemos brindar un mejor servicio a ambos grupos de clientes.
212
Capítulo 7: Puesta a prueba de hipótesis, ciclo núm. 3 – Costos operativos Desde el verano anterior, Banco de la Mujer había estado intentando reducir los costos. Incluso en la oficina central, el tradicional té cargado de Costaguana ya no se ofrecía de manera gratuita al personal. Sin embargo, Jasmina, como gerente de operaciones privada de cafeína de la IMF, consideró que debía haber maneras más efectivas y agradables de reducir costos. Solicitó a Kurtz y a Carlos que buscaran pistas en la cartera. El equipo se dio cuenta de que tendría que confiar tan solo en los datos de la cartera – no sería posible incorporar los datos contables más generales de la IMF, sin complicar el análisis drásticamente. Sin embargo, había dos áreas donde los datos de la cartera y los costos operativos estaban estrechamente relacionados: frecuencias de pago y conteo de clientes de los agentes de crédito. La manera más obvia de reducir el costo por préstamo sería incrementar el número de clientes a los que cada agente de crédito prestaba servicio. Sin embargo, por lo que había escuchado sobre el terreno, Jasmina sabía que había varios agentes de crédito a los que ya les estaba costando mantener la calidad de sus carteras. Por lo tanto, podía haber un cierto límite respecto a cuántos clientes podía prestar servicio cada agente de crédito, dados los procedimientos vigentes de Banco de la Mujer. Además, Banco de la Mujer posiblemente podía pasar a frecuencias de pago más largas. Esto supondría menos trabajo para agente de crédito y así cada agente podría tener más clientes. Además, la calidad del servicio y la cantidad de tiempo dedicado a supervisar a los clientes estaban limitadas físicamente por el número de horas de trabajo en una semana. Jasmina estimó que un agente de crédito normal pasaría aproximadamente 25 horas a la semana trabajando sobre el terreno, en contacto directo con los clientes. Algunas horas se dedicaban a los desplazamientos, otras a estar en la oficina central realizando tareas administrativas. Si un agente de crédito contaba con 400 clientes que pagaban todos semanalmente, esto suponía que el agente de crédito dedicaba, en promedio, aproximadamente 4 minutos por semana a cada cliente. Por otro lado, si un agente de crédito tenía 400 clientes que pagaban todos mensualmente, esto le permitiría dedicarles 15 minutos al mes – tiempo suficiente para charlar, preguntarles cómo les iba el negocio y establecer algún tipo de relación. Esto permitiría también a los agentes de crédito ser más rigurosos en la debida diligencia inicial para los préstamos y muy probablemente encargarse de más de 400 clientes. Por otro lado, “la sabiduría tradicional” mantenía que unas frecuencias de pago más largas podrían dar lugar a una cartera en riesgo más elevada, un costo de por sí. Así que éste era un complejo acto de equilibrio entre múltiples variables. Pero, ¿qué tenían que decir los datos a propósito de esto? Las opiniones sobre estas cuestiones podrían debatirse durante meses sin llegar a una conclusión firme, pero los datos eran fríos e imparciales.
213
Número de clientes por agente de crédito
Carlos reflexionó acerca de qué pruebas podría realizar en la cartera para hallar respuestas a la pregunta sobre el número de clientes manejado por agente de crédito y se dio cuenta de que, de hecho, los métodos de análisis avanzado no serían necesarios. Aquí serían más útiles las herramientas de las partes anteriores de la Herramienta. Comenzó con la cuestión del número de clientes por agente de crédito: Hipótesis: Los agentes de crédito con un número más alto de clientes tendrán una cartera en riesgo más elevada en sus respectivas carteras. Prueba: Reclasificar el análisis inicial de los agentes de crédito de acuerdo con el número de clientes que manejan y examinar la cartera en riesgo de cada agente de crédito respectivo. (Tabla 7.2 en la pestaña “7.PAgencia+AC”) Análisis: Carlos realizó la clasificación, pero luego se dio cuenta de que examinar a cada agente de crédito, individualmente, no sería suficiente para descubrir tendencias – por ejemplo, si cinco agentes de crédito sucesivos en la lista de clasificación presentaban cifras de cartera en riesgo de 8,1 por ciento, 23,5 por ciento, 7,3 por ciento, 0,1 por ciento y 5,8 por ciento, ¿qué conclusión significativa se podría obtener? Para examinar los resultados de manera más efectiva, Carlos utilizó la herramienta de categorización del Capítulo 4 de la Herramienta. Dividió a los agentes de crédito en cinco categorías con un monto de capital aproximadamente igual en cada categoría, para evitar el problema de la multicolinealidad sobre el que había leído en la Herramienta anteriormente. Carlos recopiló después los resultados por categoría en la Tabla 7.3 de la pestaña 7.PAgencia+AC del archivo de Excel.
La relación entre el número de clientes por agente de crédito y la cartera en riesgo no era en realidad tan espectacular como Carlos había previsto. Sólo cuando el número de clientes por agente de crédito excedía aproximadamente de 350 a 380, empezaba la cartera en riesgo a incrementarse notablemente. Los agentes de crédito en la categoría de “muchísimos clientes” tenían una cartera en riesgo total del 8,0 por ciento, comparado con un porcentaje combinado del 5,4 por ciento para los agentes de crédito en las tres categorías de menor número de clientes manejado. Mientras tanto, los agentes de crédito 12 y 14 tenían cada uno más de 400 clientes y disfrutaban aún de unas tasas de morosidad de sólo el 2 por ciento y el 1,8 por ciento, respectivamente: éstos parecían ser agentes de crédito excepcionales.
214
Conclusión: Parece que Banco de la Mujer podría reducir la cartera en riesgo limitando en primer lugar, el número de clientes por agente de crédito, basándose en el techo de 350-380 clientes sugerido por los datos y, en segundo lugar, entrevistando a los agentes de crédito 12 y 14 y preguntándoles si trabajaban de una manera especial que les permitía manejar, de manera efectiva, un elevado número de clientes a cada uno, o si simplemente habían tenido la suerte de obtener “mejores” clientes que los otros agentes de crédito. Frecuencia de pago de los préstamos
Seguidamente Carlos dirigió su atención hacia la cuestión de la frecuencia de pago de los préstamos. El sabía que ya existían relaciones entre la frecuencia de pago, el tamaño del préstamo y el plazo del préstamo. Por ejemplo, los clientes con préstamos de mayor tamaño también tendrían las frecuencias de pago más prolongadas y los plazos de préstamos más largos, puesto que solían estar en ciclos posteriores. De modo que debería examinar los tres factores combinados, para evitar generar falsas conclusiones al observar tan solo uno de ellos. Hipótesis: La frecuencia de pago del préstamo no influye en la cartera en riesgo. (Si se prueba que esto es cierto, Banco de la Mujer puede cambiar más préstamos a las frecuencias de 2 semanas o de 1 mes, reduciendo así los costos operativos). Prueba: Análisis de variables triples discretas, que examina la cartera en riesgo para todas las combinaciones de tamaño del préstamo, plazos de pago y frecuencias de pago. (Tablas 8.4 a la 8.7 de la pestaña “8.P-Frec+Plazo”) Análisis: Carlos creó una tabla dinámica examinando el capital total vigente y la cartera en riesgo para cada combinación de tamaño de préstamo y plazo de pago, y luego la filtró por cada una de las frecuencias de pago para generar otras tres tablas más, cada una de las cuales contenía la cartera en riesgo para todas las combinaciones de plazo del préstamo y tamaño del préstamo dentro de dicha categoría. Con las categorías de tamaño del préstamo, los cinco plazos de préstamos y las tres frecuencias de pago, esto representaba 75 combinaciones posibles. Aunque la prueba de las variables triples discretas es a menudo demasiado compleja para ser útil, a estas alturas del análisis Carlos se sintió lo bastante seguro con las herramientas como para intentarlo – sin embargo, tendría que tener cuidado con los resultados que mostraran un sesgo de la pequeña muestra por tener menos de 30 clientes en un segmento dado. El halló que: • La cartera de Banco de la Mujer presentaba un sesgo hacia los préstamos más pequeños, de plazos más cortos, en la frecuencia de pago de una semana, y hacia los préstamos más grandes, de plazos más largos, en la frecuencia de pago de un mes. Los préstamos con una frecuencia de dos semanas tenían una amplia gama de tamaños y plazos. • Aunque el análisis inicial había mostrado que los plazos de préstamos más largos y las frecuencias de pago más prolongadas estaban correlacionados con una cartera en riesgo más elevada, el análisis avanzado mostró que, de hecho, ni el plazo del préstamo ni la frecuencia de pago eran unos elementos 215
impulsores significativos de la cartera en riesgo. En su lugar, resultó que los préstamos de mayor tamaño eran los culpables y, puesto que los préstamos mayores suelen tener plazos y frecuencias de pago más largos, esto creaba la falsa impresión de que estos factores causaban la cartera en riesgo. • Allí pareció al principio que había algunas excepciones a la regla de “el tamaño del préstamo causa la cartera en riesgo”, pero cuando Carlos volvió a comprobar los tamaños de las muestras (cambiando temporalmente un campo en la tabla dinámica de “suma” a “conteo”), halló que estas excepciones fueron causadas por tamaños de muestra pequeña, en lugar de cualquier anomalía en la conducta del cliente. Conclusión: Los datos de la cartera sugerían que Banco de la Mujer podía pasar a frecuencias de pago más largas, sin sufrir un incremento en la cartera en riesgo. Sin embargo, esto debía hacerse con cuidado, puesto que podía haber otros factores, no reflejados en los datos de la cartera, que hicieran que las frecuencias de pago más largas no fueran adecuadas para ciertos clientes. Resumen de los resultados de los costos operativos
Esta constituyó una parte difícil del análisis para Carlos y Kurtz, puesto que había numerosas influencias más allá del ámbito de los datos que tenían disponibles. Necesitaban conocer mucha más información acerca de los agentes de préstamos individuales. ¿Quiénes eran los nuevos? ¿Cómo se habían organizado las estructuras de incentivos? No era justo, ni preciso, comparar directamente las tasas de la cartera en riesgo de los agentes de crédito. Un agente de crédito excelente en una región geográfica por lo demás desafiante, puede tener éxito en obtener una cartera en riesgo de sólo un 6 por ciento, mientras que un mal agente de crédito en una región con un buen desempeño, puede presentar una cartera en riesgo de un 4 por ciento y en realidad estar fracasando. Además, ¿en qué medida pueden los agentes de crédito elegir a sus propios clientes? Carlos sabía que los clientes se reasignaban con frecuencia a diferentes agentes de crédito, si un agente abandonaba Banco de la Mujer. ¿Debía hacerse responsables, a estos nuevos agentes de crédito, de las tasas de pago de dichos clientes? Era un tema complejo y el equipo tenía dudas en cuanto a sacar alguna conclusión firme sobre la base del análisis posible con su nueva Herramienta. Al mismo tiempo, la revelación de que el plazo del préstamo y la frecuencia de pago no afectaban a la cartera en riesgo era muy interesante. Así que Banco de la Mujer podría, potencialmente, pasar a frecuencias de pago más prolongadas, reduciendo así los costos. Sin embargo, ¿se seleccionaban las actuales frecuencias de pago en función de las características de los clientes, observadas por los agentes de crédito? ¿Serían capaces los clientes más recientes de manejar préstamos con frecuencias de pago más largas? Estas eran preguntas para el personal de campo. Kurtz y Carlos se dieron cuenta de que las preguntas más allá del ámbito del proceso de análisis de la cartera eran útiles para que Banco de la Mujer se preguntara a sí misma, a medida que trabajaba para mejorar sus operaciones. Ellos mencionaron los resultados sobre la frecuencia y el plazo del préstamo mientras tomaban un vaso de agua con Jasmina, quien prometió investigar la cuestión más a fondo – ella se sentía bastante entusiasmada de que Banco de la Mujer 216
posiblemente podría mantener los costos controlados y aún ofrecerle a su personal una taza de té de vez en cuando. Carlos anotó los siguientes resúmenes: “Limitar el número de clientes por agente de crédito, quizá hasta 380”. “Considerar la proporción de clientes con pagos semanales, quincenales y mensuales por agente de crédito”. “La frecuencia y el plazo del préstamo no parecen afectar significativamente a la cartera en riesgo; el tamaño del préstamo es el principal problema”.
217
Capítulo 8: Análisis de escenarios Carlos estaba entusiasmado de tener tantas buenas ideas, potencialmente, para mejorar la calidad de la cartera y el servicio a los clientes de Banco de la Mujer, pero sentía que su entusiasmo era demasiado vago – no podía poner una cifra a las probables mejoras. ¿Reducirían estos cambios la cartera en riesgo, en dos puntos porcentuales o en dos décimas de un punto porcentual? Esta era claramente una gran diferencia. Carlos revisó la Herramienta y decidió que la mejor manera de proceder era realizar algunos análisis del escenario. Creó una nueva pestaña en el archivo de Excel “Caso de estudio Banco de la Mujer” denominada “14.AnálisisEscenarios” y realizó cuatro análisis inicialmente. Le explicó dos a Kurtz, detalladamente, quien también sentía curiosidad al respecto. El primer análisis examinó cómo los cambios en la combinación de rural/urbano en la cartera podrían influir sobre la cartera en riesgo mayor a 30 días. Utilizando datos del análisis anterior, Carlos estaba al tanto de la amplia división de la cartera en riesgo mayor a 30 días y el capital vigente, en los componentes rurales y urbanos de la cartera. Quería probar cuál sería el porcentaje probable de la cartera en riesgo mayor a 30 días con diferentes combinaciones de clientes urbanos y rurales, por lo que recopiló la siguiente tabla:
% de cartera
% de cartera en riesgo mayor a 30 días
Rurales
53,7%
4,3%
10%
cambio en combinación rural/ urbano
Urbanos
46,3%
7,7%
0,35%
cambio en % de cartera en riesgo mayor a 30 días
5,9%
Promedio ponderado (verificar que coincide con total de cartera):
Rurales (% de cartera)
80%
70%
60%
50%
40%
30%
Urbanos (% de cartera)
20%
30%
40%
50%
60%
70%
% de la cartera en riesgo mayor a 30 días implícita
5,0%
5,3%
5,6%
6,0%
6,3%
6,7%
El comando clave en Excel era SUMPRODUCT, como se describió anteriormente. El análisis era relativamente sencillo – los valores previstos de los porcentajes para la cartera en riesgo mayor a 30 días eran básicamente los promedios ponderados de los porcentajes existentes de la cartera en riesgo mayor a 30 días, dependiendo de sus proporciones, tal y como se describían 218
en la tabla. Carlos descubrió que, en general, para cada cambio de 10 puntos porcentuales en la proporción de clientes urbanos, había un cambio de 0,35 puntos porcentuales en el porcentaje previsto de la cartera en riesgo mayor a 30 días. Por lo tanto, para reducir el porcentaje de la cartera en riesgo mayor a 30 días en un punto porcentual entero, sería necesario un cambio de aproximadamente un 30 por ciento de la cartera, de los clientes urbanos a los rurales. Carlos se preguntaba si dicho cambio era factible o incluso deseable. Sin embargo, esto le brindó cierta idea de la magnitud del impacto que Banco de la Mujer podría esperar de un cambio de ese tipo. Seguidamente procedió a realizar un análisis más avanzado. Carlos deseaba explorar tres escenarios que predijeran el impacto probable sobre el porcentaje de la cartera en riesgo mayor a 30 días, de los cambios en la combinación de productos crediticios en la cartera. Conocía, a través de los análisis anteriores, el porcentaje de la cartera y el porcentaje de la cartera en riesgo mayor a 30 días para cada sector. Su investigación específica estaba relacionada con los descubrimientos acerca del relativamente pobre desempeño de los préstamos generales y de consumo. El equipo estaba considerando sugerir que éstos se redujeran, pero ¿cuál sería el impacto probable de esto sobre la cartera total? La primera etapa consistió en simplificar los datos. En el análisis, Carlos retuvo los datos específicos para los productos de crédito en cuestión (consumo y general), pero combinó el resto en una categoría de “otros”, puesto que no iba a alterar éstos. Esto suponía calcular el porcentaje ponderado de la cartera en riesgo mayor a 30 días promedio de estas categorías, lo que hizo utilizando el comando de SUMPRODUCT, como había hecho antes. Esta categoría de “otros” englobaba préstamos para activos fijos, préstamos para educación y préstamos para capital de trabajo, representaba un 69,6 por ciento de la cartera y presentaba una cartera en riesgo mayor a 30 días combinada del 3,8 por ciento.
219
La siguiente tabla resume los resultados:
% de cartera en riesgo mayor a 30 días
% de cartera
Consumo
12,8%
13,1%
Educación
5,0%
19,3%
Activos fijos
4,5%
23,3%
General
8,8%
17,3%
Capital de trabajo
2,4%
27,0%
Consumo
12,8%
13,1%
General
8,8%
17,3%
Otros
3,8%
69,6%
(los tres productos de crédito que quedan combinados)
Cambiar a combinación:
leve
media
grande
Consumo
10%
6%
2%
(alterar estos valores para variar la combinación)
General
14%
10%
6%
Otros
76%
84%
92%
% de cartera en riesgo mayor a 30 días implícita
5,4%
4,9%
4,3%
Las proporciones de consumo/general eran en ese momento del 13 por ciento y 17 por ciento, respectivamente, y Carlos pensó que sería interesante reducir éstas de acuerdo con tres escenarios: una reducción leve, una reducción mediana y una reducción grande. Tal y como se esperaba, en cada caso el porcentaje de la cartera en riesgo mayor a 30 días total de la cartera mejoró de acuerdo con la magnitud del cambio. Para calcular estos valores porcentuales simulados de la cartera en riesgo mayor a 30 días, Carlos utilizó el comando SUMPRODUCT, con el que ahora se sentía muy familiarizado. La fórmula era básicamente: =SUMPRODUCT (% cartera en riesgo>30días_valores, cartera_proporciones) La reducción “leve” condujo a una mejora en el porcentaje de la cartera en riesgo mayor a 30 días para la cartera total, de 0,5 puntos porcentuales. Esto parecía muy interesante. Los préstamos de consumo no eran totalmente consistentes con la misión de Banco de la Mujer, por lo que dicho cambio no sería difícil de implementar y Carlos no pensaba que la gerencia pondría objeciones. La reducción “grande” tuvo el mayor impacto sobre el porcentaje de la cartera en riesgo mayor a 30 días, reduciéndolo en 1,6 puntos porcentuales completos. Sin embargo, esto conllevaba una importante reducción en estos productos crediticios, y estos productos probablemente tenían aún un uso limitado para Banco de la Mujer, aunque sólo fuera para la retención de clientes y el mercadeo. Este cambio propuesto cambiaría también una cantidad desproporcionada de la 220
cartera a los tres productos crediticios que quedaban, lo que reduciría la diversificación de la cartera total – tampoco potencialmente deseable. Asimismo merecía la pena considerar la opción “media”, con una reducción total de la cartera en riesgo de un punto porcentual. Carlos tenía lista la herramienta en Excel, para que la gerencia del nivel superior pudiera deliberar acerca de esto y seleccionar el valor que quisiera, y él podría estimar rápidamente el probable impacto. Mantuvo dichas casillas sin sombreado para recordarse a sí mismo que podría ajustarlas sin alterar los cálculos. Carlos preveía que la gerencia probablemente preferiría algo próximo al cambio “leve” y quizá, después de seis meses, podrían revisar los resultados y considerar ampliar esto hacia la sugerencia “media”, si los datos instaban a ello. Sintiendo que había tenido éxito con estos análisis del escenario, Carlos completó dos más de dichos análisis. En el primero halló que cada cambio de un 5 por ciento en la combinación de hombre-mujer en Banco de la Mujer, resultaría en teoría en un cambio de un 0,1 por ciento en la cartera en riesgo mayor a 30 días. También examinó el impacto de eliminar los préstamos para la ganadería y el turismo, en áreas urbanas, y pasar el capital a préstamos para la agricultura y los artesanos, en áreas urbanas; el análisis de Carlos proyectó que este cambio daría como resultado una reducción de un punto porcentual en la cartera en riesgo mayor a 30 días. Estos análisis están incluidos en el Libro de Excel para consulta. Aunque el análisis parecía útil, Carlos advirtió con precaución que los escenarios no eran pronósticos. Asumiendo que todas las demás variables permanecen constantes, ellos indican lo que es probable que ocurra, pero los efectos de un cambio tardarían meses en filtrarse a través de la cartera, y durante ese tiempo otros factores podrían atenuar o reducir el impacto del cambio. Sin embargo, éste fue un ejercicio útil para evaluar la magnitud de los posibles cambios y ayudar con las opciones de clasificación. Ejercicio: Utilizando el proceso de análisis del escenario de la Herramienta, realice su propio análisis del escenario de estos cambios en la cartera de préstamos de Banco de la Mujer: 1. Incrementar la exposición a los hombres artesanos y las mujeres agricultoras. Estudie incrementos del 10 por ciento, 20 por ciento y 30 por ciento en el monto de capital vigente en cada categoría. Suponga que las partes correspondientes de otras combinaciones de género/sector en la cartera de Banco de la Mujer disminuyen en proporción directa a su actual distribución en la cartera. 2. Reducir los préstamos a los clientes de clase media: Considere disminuciones de 20 por ciento, 40 por ciento y 60 por ciento en el monto de capital prestado a la clase media. Mueva el capital a otros niveles de pobreza en proporción directa a su actual distribución en la cartera.
221
Capítulo 9: Preparación del informe Seguimiento de preguntas persistentes
Tras haber completado el ciclo de la puesta a prueba de hipótesis y el análisis de escenarios, el equipo estaba casi listo para preparar su presentación para la gerencia del nivel superior. Sin embargo, aún quedaban algunas preguntas por contestar. Jasmina convocó una reunión de todos los miembros del equipo, incluyendo al gerente de agencia de San Miguel y a un agente de crédito de Ciudad Mendoza, quienes habían estado en Banco de la Mujer desde sus inicios. La primera pregunta que debían resolver era cómo se habían seleccionado realmente las frecuencias de pago de los clientes. ¿Tuvo esto algo que ver con las características de los clientes observadas por los agentes de crédito? Asimismo, ¿consideraba el personal de campo que los clientes podrían posiblemente manejar préstamos con frecuencias de pago más largas? El gerente de agencia respondió: “Normalmente ofrecemos préstamos a una semana a los clientes que están comenzando y lentamente prolongamos la frecuencia de pago para préstamos posteriores. Sin embargo, no veo ninguna razón por la que no podríamos alargar inmediatamente la frecuencia en el segundo ciclo de préstamos”. El agente de crédito agregó: “Con los pagos semanales, muchas veces no tengo mucho tiempo para conversar con mis clientes, puesto que tardo un tiempo considerable en desplazarme de un grupo de clientes al siguiente. Las áreas rurales fuera de Ciudad Mendoza son muy montañosas, así que esto constituye un gran problema. Creo que si yo visitara a cada cliente la mitad de veces y pasara el doble de tiempo conversando con ellos, tendría una mejor idea de cómo van sus negocios y podría intervenir y ayudarles antes de que se vieran incapaces de reembolsar sus préstamos”. El gerente de agencia tuvo una idea: “Debemos dar la opción a nuestros clientes. Algunos de ellos tienen negocios semanales, particularmente en el sector del comercio, que constituye una gran parte de nuestra cartera. Así que si alargamos las frecuencias de pago, debemos dar a los clientes la opción de elegir una frecuencia más corta, en el caso de que consideren que les ayudaría. Nuestros préstamos deben ajustarse a las necesidades de nuestros clientes, no viceversa”. Por lo tanto, el equipo concluyó que alargar las frecuencias de pago para ciertos clientes y permitir a los clientes que seleccionaran la frecuencia que mejor se adaptara a sus necesidades, era una sugerencia que debían presentar al equipo de la gerencia del nivel superior. Estaban entusiasmados con la idea de que podrían simultáneamente reducir costos e incrementar la calidad del servicio. Con la cuestión de la frecuencia de pago resuelta, el equipo dirigió su atención a la pregunta de por qué a los comerciantes de áreas rurales les estaba yendo mejor que a sus homólogos urbanos. Después de todo, ambos grupos estaban vendiendo muchos de los mismos productos, con frecuencia adquiridos en los mismos proveedores. ¿Era la competencia un problema? ¿Había otros factores que diferían entre los mercados urbanos y rurales? 222
El agente de crédito contestó: “En Ciudad Mendoza, nosotros tenemos desde luego muchos problemas con las tasas de pago de los comerciantes urbanos. Sí, hay competencia, pero un problema mayor para los comerciantes en las ciudades es el robo de sus productos. Incluso ha habido algunos que perdieron la mitad de sus existencias en un día”. El gerente de agencia agregó: “Aunque nos enfocamos principalmente hacia los clientes rurales en San Miguel, la realidad es que también tuvimos algunos problemas prestando servicio a los comerciantes urbanos en el pasado. La cuestión de los robos era un gran problema. Hablamos con la policía de San Miguel acerca de ellos y acordaron asignar agentes para patrullar el mercado central de manera más regular. Además educamos a nuestros clientes acerca de cómo denunciar los robos a la policía. Como resultado de ello, la policía pudo atrapar a algunos ladrones”. El equipo decidió que el robo era desde luego una cuestión importante, tanto para los clientes como para Banco de la Mujer. Resolvieron sugerir a la gerencia del nivel superior que las agencias que prestaban servicio a los clientes de áreas urbanas debían seguir el ejemplo de la agencia de San Miguel y trabajar, tanto con la policía local como con los clientes, para solucionar el problema de los robos en los mercados. En general, Jasmina se sentía satisfecha con el proceso de análisis de la cartera hasta el momento. No solo había hallado el equipo relaciones imprevistas dentro de la cartera y desarrollado soluciones para problemas relacionados, sino que habían observado cómo los indicadores en la cartera podían llevarles a descubrir problemas externos (tales como el robo en los mercados), que de otro modo no hubieran salido a la luz al nivel de la gerencia superior. El equipo de la gerencia superior iba a celebrar su reunión de planificación anual en tan solo una semana, y el equipo estaba impaciente por presentar sus sugerencias al gerente general y a otros gerentes superiores de Banco de la Mujer. Sin embargo, debían determinar cuál era la mejor manera de presentar los datos y las ideas que los acompañaban. Se estaba haciendo tarde, así que el equipo decidió disfrutar, todos juntos, de una cena del guiso tradicional de pescado de Costaguana y regresar al día siguiente bien descansados y listos para preparar su informe. Preparándose
Carlos estaba particularmente entusiasmado por tener listo el informe, así que después de cenar regresó a la oficina para preparar algunos gráficos, que pueden verse en las diferentes pestañas del análisis del archivo de Excel “Caso de estudio Banco de la Mujer”. Por ejemplo, Carlos pensaba que el gráfico comparando la cartera en riesgo de las mujeres y los hombres a lo largo del tiempo (en la pestaña “4.P-Género”) era particularmente interesante – mostraba que aunque Banco de la Mujer trabajó mucho para manejar la cartera en riesgo de los hombres clientes, aún terminó con un porcentaje más elevado de castigos de hombres. El gráfico acumulativo de la cartera en riesgo por edad (que Carlos había preparado antes en la pestaña “6.Acum-Edad”) era también bastante interesante – pero ¿sería fácil de entender para el equipo de la gerencia superior? Luego Carlos dirigió su atención a dibujar en un gráfico las relaciones entre producto y sector (en la pestaña “10.P-Prod+Sect”). Halló que junto con los gráficos, la función de formateo condicional de Excel podría desempeñar un rol útil. Por ejemplo, formateó el gráfico de 223
la “Cartera en riesgo por producto y sector” para destacar las casillas donde la cartera en riesgo excedía el promedio de Banco de la Mujer del 5,9 por ciento, permitiendo al lector ver rápidamente dónde se hallaban los puntos conflictivos en la cartera. Junto con éste, elaboró un gráfico en 3 dimensiones de la misma información. Sin embargo, a Carlos le pareció que en este caso la tabla era en realidad más útil para el lector, puesto que eliminaba visualmente la información que era menos importante. Por otro lado, el gráfico quedó un poco recargado y se tardaba mucho más tiempo en comprender. Carlos pensó para sí mismo: “Supongo que sólo debemos utilizar un gráfico si expresa algo con claridad. En este caso utilizaremos una tabla para mostrar el desglose de los datos de productos y sectores”. Cartera en riesgo por pdoructo y sector
Los gráficos mostrando la relación entre el tamaño del préstamo, el plazo, la frecuencia de pago y la cartera en riesgo eran particularmente interesantes – Carlos pensó que podría presentar éstos utilizando gráficos de superficie en tres dimensiones (se muestran en la pestaña “8.P-Frec+Plazo”). En primer lugar, preparó los gráficos que mostraban cómo la cartera de préstamos estaba distribuida a lo largo del tamaño del préstamo y el plazo del préstamo, para cada una de las tres frecuencias de pago de Banco de la Mujer (una semana, dos semanas y un mes). Luego Carlos pensó que con unos pocos cálculos más, podría mostrar cómo estaba distribuida la cartera en riesgo, de la misma manera. Estos gráficos serían intuitivamente fáciles de comprender para el personal de Banco de la Mujer y podrían ayudar al equipo a presentar sus resultados a la gerencia del nivel superior, de manera más efectiva.
224
Cuando el equipo regresó a la mañana siguiente, se sentaron con varias copias impresas de las tablas, gráficos, notas manuscritas y el computador más poderoso que tenían disponible para revisar los resultados en pantalla. Carlos estaba bastante ilusionado con todos los hallazgos que podrían presentar a la gerencia del nivel superior. Junto con los grandes resultados, habían numerosas pequeñas informaciones interesantes. Por ejemplo, ¿quién habría previsto que el agente de crédito 14 podría lograr una cartera en riesgo tan baja, a pesar de prestar servicio a 445 clientes? Sin embargo, cuando Carlos presentó sus gráficos y tablas al resto del equipo, Jasmina señaló que en realidad el equipo de la gerencia superior no tendría tiempo para examinar tanta información. “Nuestra labor consiste en aconsejar al equipo de la gerencia del nivel superior, no únicamente enviarles un montón de información para escudriñar. ¿Qué les parece si nos enfocamos en ciertos hallazgos? Podemos brindar a la gerencia resúmenes rápidos de por qué consideramos importantes estos hallazgos y utilizarlos para apoyar sugerencias acerca de cambios que pensamos que deben llevarse a cabo en Banco de la Mujer”. Por lo tanto, el equipo decidió enfocar sus deliberaciones un poco más. El entusiasmo de Carlos por avanzar era esperanzador, pero antes de que el equipo pudiera proceder, debían abordar tres temas importantes: 1. Con qué detalle presentar a la gerencia el proceso técnico: Por un lado se daban cuenta de que debían explicar a la gerencia ciertos detalles del proceso, puesto que estaban proponiendo algunas modificaciones fundamentales en las operaciones de Banco de la Mujer, que la gerencia desearía verificar antes de actuar. Por otro lado, no deseaban aburrir a la gerencia con innumerables detalles técnicos; los gerentes de Banco de la Mujer ya estaban bastante ocupados. 2. Cómo tratar los resultados delicados de una manera objetiva y diplomática: Algunas sugerencias probablemente contradirían o cuestionarían las opiniones de la gerencia y podrían conducir a algunos debates acalorados, que debían manejarse de manera constructiva. 3. Cuáles de las diferentes conclusiones presentar: El equipo tenía cientos de resultados, tablas y gráficos – debían depurarse en un número manejable de sugerencias. El equipo acordó que utilizarían fórmulas y tablas de Excel sencillas para lograr un informe más eficiente; no describirían las fórmulas detalladas y el uso preciso de herramientas tales como las tablas dinámicas y los análisis acumulativos, a menos que se les solicitara específicamente su aclaración.
225
Etapa 1: Descripción del proceso
Después de algún debate, el equipo decidió limitar esta parte del informe y mantener la conversación correspondiente en meramente cinco minutos. Esta etapa cubriría los siguientes temas: • El objetivo del análisis – resumen de las cuestiones que Banco de la Mujer debía resolver mediante el análisis de la cartera y la adopción de medidas, tales como la cartera en riesgo, preguntas de los inversores sociales, etc. • Cómo obtuvieron la herramienta – el viaje de Jasmina a la Conferencia Internacional de Microfinanzas en búsqueda de respuestas. • Quién estuvo involucrado en el proceso – para demostrar que éste era un análisis integral y amplio y había recibido insumos de la gerencia a nivel de campo, los mandos medios y la gerencia del nivel superior. Esto aseguraría a la gerencia superior que éstos eran resultados válidos, confirmados por el personal de Banco de la Mujer. • Preparación de los datos – para destacar que éstos eran datos directos, recientes, tomados sobre el terreno con sólo pequeñas modificaciones para limpiar ciertos problemas. • El resumen de las estadísticas que coincidían con las estadísticas conocidas de Banco de la Mujer (número de clientes, cartera en riesgo, etc.), y la garantía de que éstas se habían verificado constantemente a lo largo del análisis. Dudaban de que la gerencia tuviera aquí demasiadas preguntas, pero el equipo acordó que era importante explicar claramente que éste era un proyecto multidepartamental, que consideraba todos los aspectos de las operaciones de Banco de la Mujer. Tendrían disponibles las hojas de cálculo originales de Excel, por si se requerían para demostrar ejemplos específicos. Etapa 2: Presentación de temas delicados
En este momento el gerente de agencia hizo un comentario que desencadenó un debate: “¿Piensan ustedes que debemos dar tantos detalles acerca de las agencias que no se están desempeñando bien, y también acerca de los préstamos de mayor tamaño y los préstamos a los clientes de clase media? Esto podría sugerir a la gerencia que Banco de la Mujer no está cumpliendo con el enunciado de nuestra misión con tanta frecuencia como solemos afirmar”. Hubo un tenso silencio. Todo el mundo sabía que había un par de hallazgos que podrían arquear una o dos cejas en el equipo gerencial. A menudo presumían acerca del enfoque de Banco de la Mujer hacia los “más pobres de los pobres” y de cómo los préstamos de Banco de la Mujer se utilizaban “para ayudar a los empresarios a iniciar sus propias microempresas”. Aunque esto era parcialmente cierto, la relativa abundancia de préstamos para la clase media y los clientes 226
no pobres, y los préstamos de consumo contradecían en cierta medida estos comentarios excesivamente simplificados que los gerentes hacían a veces, cuando estaban presentando Banco de la Mujer a inversores externos y en sus materiales de mercadeo. Jasmina reflexionó durante unos segundos y contestó: “Los datos son los datos. No podemos cambiar los hechos. ¿Cómo habríamos podido adivinar todos estos resultados sin utilizar este sistema? Sería imposible. Por supuesto que hemos descubierto algunas cosas que podrían resultar molestas. Pero, ¿no era ésa la razón principal de utilizar la herramienta – descubrir nuevas cosas? Debemos presentar claramente los hechos tal y como son, de manera imparcial y objetiva. La gerencia de Banco de la Mujer es responsable de asimilar los hechos y tomar decisiones. Si empezamos a ocultar cosas o a decidir por nosotros mismos lo que debe y no debe presentarse, estamos introduciendo nuestras propias opiniones en el proceso. Este no es el propósito de este análisis”. Jasmina hizo una pausa para tomar aliento, pero solamente estaba tomando impulso. Continuó: “¿Es Banco de la Mujer perfecto? No. ¿Hay posibilidades de mejorar nuestras operaciones y el logro de la misión? Sí. Pero sólo podemos mejorar si sabemos dónde estamos fracasando. Es inevitable que posiblemente nos hayamos desviado de nuestra misión o que hayamos tomado algunas decisiones poco acertadas en el pasado. Lo mejor que se puede hacer es detenerse, pensar, buscar consejo, analizar la situación y corregir cualquier error lo antes posible. Pretender que no hubo errores no es una solución. Voto por que deliberemos acerca de todos los factores que son relevantes”. La atmósfera en la oficina cambió de manera palpable. Muchos aceptaron y parecían admirar a Jasmina por su firme postura. Carlos pidió la palabra. “Estoy de acuerdo con Jasmina. Hemos considerado que la gerencia podría temer que esto iba a dar una mala impresión de Costaguana y Banco de la Mujer a nuestros inversores o a la agencia de calificación. Comprendo esto – la gerencia tiene que manejar muchos elementos políticos que no son tan sencillos como el análisis que hemos hecho. Por lo tanto, pienso que debemos enfocar las deliberaciones no hacia los problemas sino hacia soluciones. A veces se puede decir lo mismo de dos maneras distintas. Podemos decir que: ‘Banco de la Mujer no está logrando su misión de prestar servicio a los más pobres de entre los pobres, al prestar servicio a los clientes de la clase media, que son menos fiables en cuanto al pago de los préstamos’, o podemos decir que: ‘Banco de la Mujer podría lograr mejor su misión cambiando gradualmente parte de su capital de los clientes de clase media a los pobres, y lograr una mejora en las tasas de pago en el proceso”. El equipo aceptó: la diplomacia sería crítica. Aunque no debía ocultarse nada, sólo debían presentarse los descubrimientos significativos y, si necesitaban deliberar acerca de temas delicados, el equipo presentaría amplia evidencia de apoyo y tendría más disponible, si era necesario. Esto llevó naturalmente a la tercera deliberación.
227
Etapa 3: Decidiendo qué conclusiones presentar
El equipo observó la mesa que tenía delante. Había numerosos gráficos, tablas y sus hojas de análisis en Excel, que contenían cientos de datos. El equipo tenía tres objetivos importantes por los que esforzarse: 1. No abrumar a la gerencia del nivel superior con datos. 2. Considerar las limitaciones prácticas de la implementación. 3. Presentar descubrimientos significativos e importantes, evitando los sesgos personales al determinar lo que se incluía o excluía. Sabían que tenían que preparar un informe conciso y que la presentación que lo acompañara no podía durar más de una hora en total, incluyendo la posterior sesión de preguntas y respuestas. El equipo también sabía que implementar estos cambios podría llevar significativamente más tiempo que el propio análisis. Si presentaban 10 hallazgos, por convincente que fuera el resultado, quizá sólo sería práctico implementar siete. El agente de crédito hizo un comentario mordaz: “Realmente no puede haber cincuenta cambios importantes que implementar. Si lo fueran, a estas alturas todos los problemas hubieran llevado a Banco de la Mujer a la quiebra. Aunque una cartera en riesgo mayor a 30 días del 5,89 por ciento no es estupenda, tampoco constituye un desastre. Por muchas sugerencias que tengamos, algunas deben ser más importantes que otras. Debemos encontrar las diez o quince principales y luego la gerencia puede decidir por cuales optar”. Kurtz agregó: “Además, ¿qué pasa con los costos? Aunque al final la decisión dependa de la gerencia del nivel superior, ya sabemos que Banco de la Mujer no puede permitirse hacer todo lo que sugerimos. Simplemente no hay suficiente personal o dinero en la organización”. Además, implementar más de cinco a diez cambios podría ser difícil desde el punto de vista práctico, puesto que cada uno requeriría tiempo y gastos para su implementación. Si se realizaran docenas de cambios, sería difícil medir el impacto de cada cambio en seis meses. Jasmina pensó en todo esto por un momento y sugirió que el equipo debía suministrar sus sugerencias junto con una clasificación de cuáles parecían ser las más importantes y beneficiosas para Banco de la Mujer. El equipo de la gerencia superior podría luego tomar su decisión en función del informe bien elaborado del equipo y de las propias estrategias de la gerencia para hacer avanzar a la organización. El equipo decidió proceder siguiendo dos pasos: 1. En primer lugar, examinarían cada uno de los resultados que habían descubierto y votarían rápidamente para decidir si el resultado era o no importante, y verían con cuántos resultados terminaban.
228
2. Luego aplicarían un análisis más riguroso para asignar una estimación probable del costo, beneficio e impacto sobre la misión, a cada punto de su lista breve. Su objetivo sería obtener un máximo de 10 a 15 sugerencias, previendo que la mitad serían o bien poco viables o de poco interés para la gerencia. Hubo algunos casos obvios de acuerdo unánime. Todos acordaron que los préstamos grandes a clientes muy jóvenes no eran una buena idea. Nadie cuestionó que los préstamos de consumo, en general, debían revisarse, particularmente aquellos que se otorgaban a los hombres. Algunas de las otras sugerencias fueron más discutibles. Un tema polémico fue la cartera en riesgo relativamente más elevada de los préstamos para educación, a clientes en el sector agrícola. Carlos sugirió que el resultado no era tan espectacular y que quizá no merecía la pena mencionarlo. En ese momento Kurtz interrumpió el debate: “Yo creo que debemos incluir dicha información a pesar de las repercusiones. Si eliminamos resultados que parecen contradecir la misión social de Banco de la Mujer, entonces esto sugiere que la misión social es el factor más importante. Pero a veces debemos tomar una decisión difícil. Debemos sopesar nuestra misión social con las realidades prácticas de operar en Costaguana. Todo es un equilibrio. Podríamos prestar la totalidad de nuestra cartera a los extremadamente pobres en términos muy favorables, pero todos sabemos que esto dispararía nuestros costos operativos por las nubes y reduciría nuestros ingresos. Me encantaría poder hacer esto, pero si no podemos obtener suficientes beneficios netos como para pagar un dividendo razonable a nuestros inversores y disponer de capital adicional para crecer, entonces en realidad quizá no podamos llegar a la sociedad de Costaguana en general”. “Así que creo que es importante que incluyamos una o dos sugerencias que específicamente logren esa solución de compromiso. Nada es gratis en las microfinanzas; todo tiene consecuencias. Algunas veces éstas son buenas, pero otras no lo son. Yo voto por que mantengamos esta sugerencia en nuestro informe, aunque sé que será rechazada. Demuestra que estamos siendo objetivos que es, al fin y al cabo, lo que reivindicamos”. Así que, el equipo terminó con 13 sugerencias, todas las cuales podrían defender con pruebas rigurosas y podrían tener un impacto manifiestamente positivo sobre Banco de la Mujer y sus clientes. Cuando elaboraron su informe formal, asignaron diferente peso a estas sugerencias de acuerdo con el costo, el beneficio y el logro de la misión. Cuando finalizaron todas las deliberaciones, el equipo del proyecto presentó su informe en la siguiente reunión de la gerencia del nivel superior, utilizando algunos de los gráficos y las tablas de la hoja de Excel para explicar sus ideas al equipo gerencial. A continuación se halla una versión ligeramente resumida del informe. El informe del equipo del proyecto para la gerencia del nivel superior de Banco de la Mujer
A lo largo del último mes, con la orientación de la Herramienta para el Análisis de la Cartera, hemos emprendido un riguroso análisis de los datos de la cartera contenidos en nuestro SIG. El 229
objetivo de la Herramienta consiste en ayudar a las IMF a hallar relaciones dentro de los datos de su cartera y tomar decisiones en función de estos descubrimientos. El resultado final que esperamos lograr es una gestión activa de nuestra cartera de préstamos, que produzca mejores resultados para Banco de la Mujer y nuestros clientes por igual. Nuestros descubrimientos encajan en 3 categorías: 1. Pruebas que apoyan opiniones mantenidas en general por la gerencia de Banco de la Mujer 2. Pruebas que rebaten opiniones mantenidas en general por la gerencia de Banco de la Mujer, y 3. Pruebas de nuevos fenómenos, o relaciones, que no habíamos descubierto o considerado anteriormente. Creemos que el proyecto fue efectivo en cuanto a hallar los tres tipos de descubrimientos. Sin embargo, una de las lecciones que hemos aprendido es que no existe la pura causalidad, y que sí existe de hecho un número infinito de preguntas que podemos hacer acerca de la cartera. El proceso de extracción de las relaciones clave es en parte técnico, pero también supone trabajo de investigación e intuición. Nuestro análisis se enfocó en la cartera en riesgo, como una medida indicativa del éxito de un préstamo, debido en parte a la ausencia de otras medidas directas de “éxito” en los datos de nuestra cartera. Sin embargo, respecto al cumplimiento de la misión por parte de Banco de la Mujer, éstas fueron nuestras principales observaciones: 1. Se nos da bien prestar servicio a las personas pobres de manera efectiva, pero podríamos hacerlo mejor. El análisis mostró evidencia de un desvío de la misión, puesto que Banco de la Mujer ha realizado un número creciente de préstamos grandes, que ahora representan una parte significativa de la cartera. Estos sufren, de hecho, una mayor tasa de mora que los préstamos que se enfocan hacia los clientes más pobres como meta, y generalmente benefician a los clientes que no son pobres y a los de clase media. Además, hay más competencia a este nivel, mientras que nosotros somos uno de los únicos bancos que suministra servicios financieros a los estratos más pobres de la sociedad de Costaguana. La reducción en el número de préstamos por encima de $5.000 nos permitiría enfocarnos mejor hacia la provisión de servicio a los pobres. 2. Banco de la Mujer mantiene su misión de prestar servicio predominantemente a las clientes mujeres; sin embargo, podemos mejorar esto. En lugar de simplemente cambiar la cartera de los clientes hombres (algunos de los cuales se benefician significativamente de las microfinanzas y pagan bien) a favor de las clientes mujeres (algunas de las cuales no pagan los préstamos en fecha y puede que no se beneficien de los micropréstamos), sugerimos un enfoque más detallado. Un 62 por ciento de la cartera se presta a las clientes mujeres y proponemos que incrementar esto, de manera 230
inteligente, hasta dos tercios de la cartera, puede cumplir con nuestra misión esencial al tiempo que se reduce nuestra cartera en riesgo. Esto puede lograrse reasignando parte de la cartera destinada los hombres, a clientes mujeres claramente designadas como meta. 3. La tasa de retención de clientes, como se evidencia por la proporción de clientes que progresa hasta ciclos posteriores, parece ser saludable. Los clientes de Banco de la Mujer no están desertando el banco. Sin embargo, los clientes en ciclos posteriores están sufriendo tasas de morosidad crecientes. No pudimos determinar si esto se debe a que la naturaleza de los negocios de los clientes va cambiando a lo largo del tiempo y los agentes de crédito desconocen esto o si desempeñan un papel otros factores. Sabemos que si el objetivo de Banco de la Mujer es ser un socio a largo plazo de nuestros clientes, estamos teniendo sólo un éxito parcial: demasiados de nuestros clientes a largo plazo tienen problemas de pago. Elaboramos las siguientes sugerencias para alinear mejor las operaciones de Banco de la Mujer con su misión fundamental. Respecto a modificaciones específicas de las actuales prácticas crediticias de Banco de la Mujer, propondríamos que se adoptaran las siguientes medidas. Asignamos a cada sugerencia estimaciones de costo, beneficio e impacto en la misión, y utilizamos estas estimaciones para generar una calificación para cada sugerencia; el proceso de calificación se explica a continuación de la tabla. Hemos clasificado las sugerencias según sus calificaciones totales. Variable y sugerencia
Justificación
Método
Costo/Beneficio/ Misión/Total
Productos de crédito: reducir los tipos de préstamos de consumo y generales
Estos productos crediticios sufren una cartera en riesgo notablemente superior
•
Fijar metas a 1 año para la reducción del % de dichos préstamos en cada cartera de la agencia
B
A
+
6
•
Especialmente reducir los préstamos de consumo a los hombres
•
Instruir a los AC, gerentes de agencia y CC
•
Incrementar el peso del nivel de pobreza en los criterios de solicitud de préstamos
B
A
+
6
•
Fijar metas a 1 año
•
Asesorar a los CC
Indice de pobreza: reducir los préstamos a los clientes de clase media
Dichos clientes menos compatibles con misión, cartera en riesgo más elevada
231
232
Variable y sugerencia
Justificación
Método
Costo/Beneficio/ Misión/Total
Frecuencia de pago: ampliarla cuando sea posible
La frecuencia tiene un impacto mínimo sobre la cartera en riesgo, mientras que las frecuencias más largas ofrecen un ahorro en los costos
•
Ajustar las descripciones de los productos de crédito, el mercadeo, etc.
B
M
+
5
•
Instruir a los AC y CC; instar a una extensión gradual sin obligación para el cliente de extenderla
Edad del cliente: reducir los préstamos más grandes a clientes muy jóvenes, mientras se mantiene el criterio de edad mínima en 18 años.
En los tamaños de préstamos más grandes, los clientes muy jóvenes muestran un elevado riesgo de incumplimiento.
•
Endurecer los criterios generales para obtener préstamos más grandes
B
A
Na
5
•
Cualquier préstamo superior a $2.000 a un cliente menor de 30 años requiere la aprobación de la oficina central
•
Informar a los CC y a los AC acerca de la nueva regla
Plazo del préstamo: acortar el plazo del préstamo promedio y reducir los préstamos de 12 meses y más, en particular
Los préstamos a plazo más largo sufren tasas más elevadas de cartera en riesgo
•
Los préstamos superiores a 9 meses requieren la aprobación del GA
B
A
Na
5
Productos de crédito: incrementar el capital de trabajo para las mujeres y los préstamos para activos fijos a los hombres
Estos productos de crédito presentan una cartera en riesgo notablemente inferior
•
Enfocar el mercadeo hacia esos productos crediticios
M
A
+
5
•
Criterios de solicitud comparativamente fáciles vs. otros productos
•
Instruir a los AC y CC
•
Fijar el % designado como meta para cada agencia
Tamaño del préstamo: reducir el número de préstamos grandes y eliminar los préstamos muy grandes, salvo en casos excepcionales
Los préstamos más grandes sufren una cartera en riesgo más elevada y pueden conducir al desvío de la misión. Los clientes hombres son particularmente susceptibles
•
Prohibir cualquier préstamo superior a $15.000
B
A
Na
5
•
Requerir la aprobación por parte de la oficina central de cualquier préstamo superior a $5.000
•
Lenta progresión de los montos de los préstamos en ciclos de préstamos más altos
•
Informar a los comités de crédito y a los AC acerca de la nueva regla
Variable y sugerencia
Justificación
Método
Costo/Beneficio/ Misión/Total
División rural/ urbano: incrementar rural a expensas de urbano, particularmente en ciertos sectores
Los clientes rurales se benefician más de los préstamos y están más estrechamente alineados con la misión
•
Reducir los préstamos para la ganadería, la agricultura y el turismo en regiones urbanas
M
M
+
4
•
Enfocar el mercadeo hacia áreas rurales
•
Incrementar la cartera en agencias rurales
•
Investigar nuevas agencias rurales
•
Mejorar las relaciones con la policía local (clientes y AC) para ayudar en la prevención del crimen A
M
Na
4
M
M
Na
3
A
M
+
3
Puede requerir reubicar a los AC Sector: incrementar la exposición a las artesanas mujeres y los hombres agricultores (y viceversa)
Pronunciadas fortalezas y debilidades de género /sector en estos casos
•
Enfocar el mercadeo
•
Asesorar a AC y CC
Ciclo del préstamo: intensificar la debida diligencia periódica de los clientes en ciclos posteriores
La retención de clientes es buena, pero dichos clientes suelen verse arrastrados hacia el incumplimiento
•
Mejorar la debida diligencia para clientes establecidos
•
Revisión completa del negocio en ciclos de préstamos alternos, como parte de la solicitud de préstamos sucesivos
•
Instruir a los AC y CC
Los agentes de crédito con una sobrecarga de trabajo tienen menor capacidad para cumplir sus deberes de manera efectiva y cordial
•
En el caso de los AC con más de 400 clientes, cambiar clientes a otros AC o restringir nuevos clientes hasta que el número disminuya por debajo de los 400
•
Ajustar el plan de incentivos en consecuencia
•
Puede requerir contratar y capacitar a nuevos AC
Clientes/agente de crédito: limitar el número máximo a 400 y considerar un desglose de las frecuencias
233
Variable y sugerencia
Justificación
Método
Costo/Beneficio/ Misión/Total
Edad del cliente: incluir un análisis más detallado de los gastos de la unidad familiar en la debida diligencia de los clientes
Los clientes, próximos a cumplir los 30 y 40 años, sufren un amplio incremento de las tasas de la cartera en riesgo, probablemente debido a factores no evaluados formalmente en la actualidad
•
Modificar los criterios de solicitud de préstamos para incluir un análisis adicional de los flujos de caja que no procedan del negocio
A
M
Na
2
•
Analizar los factores de riesgo a medida que los datos adicionales estén disponibles
•
Ajustar el proceso del comité de crédito en consecuencia
•
Capacitar a AC y CC
•
Modificar el SIG para captar datos conforme a esto
Dichos préstamos sufren una cartera en préstamo más elevada
•
Instruir a los AC y CC
B
B
-
2
Productos de crédito: reducir los préstamos para educación en el sector agrícola
Nota: AC= agentes de crédito CC= comité de crédito GA= gerente de agencia
Hemos establecido prioridades en los cambios sugeridos, basándonos en esta estructura: Costo Bajo
Medio
Alto
Beneficio
Bajo
3
2
1
4
3
2
5
4
3
Medio
Alto
234
La mejor combinación es la de alto beneficio y bajo costo, y obtiene la puntuación más alta (5). El bajo beneficio y elevado costo obtiene la puntuación más baja (1). El “beneficio” es financiero y operacional y excluye la misión. A continuación utilizamos el impacto en la misión para modificar la calificación: • Mejora del logro de la misión: Agregar un punto (que es por lo que tenemos una calificación de seis) • Mínimo impacto sobre la misión: No cambia • Impacto negativo sobre el logro de la misión: Substraer un punto Las cuatro últimas columnas en la tabla anterior son nuestras estimaciones de costo y beneficio (bajo, medio o alto) y el impacto sobre el logro de la misión (positivo, neutro o negativo), seguido de la calificación total, que oscila desde un mínimo teórico de cero hasta un máximo de seis. Estimamos que el costo de dicha medida es de aproximadamente $1.000 para las sugerencias de bajo costo y de $3.000 para las sugerencias más caras. Del presupuesto original asignado para el proyecto de la Herramienta de la cartera en riesgo total, quedan $10.000. El análisis que pudimos desarrollar estaba limitado por la disponibilidad de datos. Consideramos que sería beneficioso para Banco de la Mujer captar información adicional de los clientes inmediatamente, para que el próximo año podamos perfeccionar el análisis y hallar otras maneras de mejorar nuestra cartera y la calidad del servicio al cliente. La siguiente información debe ser recopilada por el personal de campo e introducirse en el SIG: 1. Métrica más detallada para medir la pobreza 2. Razones de la deserción por parte de los clientes 3. Mejor información acerca de los negocios de los clientes – especialmente sus ciclos de generación de efectivo, para poder determinar cómo modificar las especificaciones de los productos de crédito a fin de prestar un mejor servicio al cliente, al tiempo que se reduce el riesgo para Banco de la Mujer Además, consideramos que Banco de la Mujer debe recopilar información acerca de fuentes alternativas de crédito disponibles para nuestros clientes en cada región. Sumados a nuestro propio análisis de la cartera, estos datos competitivos nos ayudarán a comprender mejor los cambios en nuestra propia cartera, así como las estrategias y las carteras de nuestros competidores. Ejercicio: Al revisar estos planes (y al descubrir tendencias adicionales en el Archivo de Excel “Caso de estudio Banco de la Mujer”), ¿en qué manera agregaría usted algo o modificaría el informe del equipo de Banco de la Mujer?
235
Capítulo 10: Paso a la acción Decidiendo qué sugerencias implementar
Después de la presentación por parte del equipo de análisis de la cartera, el equipo de la gerencia superior revisó el informe del equipo y los datos adjuntos en detalle, y decidieron aceptar las primeras siete sugerencias de la tabla unánimemente, puesto que todas éstas obtuvieron una calificación de 5 ó 6, una vez que se consideró el impacto en la misión. Seis de las sugerencias eran de bajo costo y una de un costo medio, por un total de $8.000. Hubo cierto debate acerca de cuál sería la siguiente sugerencia que se incorporaría y finalmente la gerencia aceptó la modificación de la división rural/urbana. Esta sugerencia obtuvo una calificación de un “4”, con un presupuesto de $2,000. Aunque la otra número “4” era más económica, el equipo gerencial consideró que se le debía otorgar una mayor prioridad a la modificación de la división urbana/rural, puesto que podría mejorar el impacto social de Banco de la Mujer, así como los resultados netos. Los $2.000 asignados a la modificación de la división de urbano/rural completaron el presupuesto disponible, dejando cinco sugerencias sin llevar a cabo. Banco de la Mujer se dio cuenta de que no podía “hacerlo todo”, y quizá había sugerencias que no querría implementar de todas maneras. Por ejemplo, Jasmina se negó incluso a considerar la reducción de los préstamos para educación a los clientes agricultores, sin importar el beneficio financiero para Banco de la Mujer, porque esta acción iría en contra de la misión fundamental de Banco de la Mujer y presentaría un riesgo potencial para la reputación del banco. Las otras cuatro sugerencias se supervisarían y revisarían en seis meses, dependiendo del presupuesto de Banco de la Mujer, así como de cambios en su mercado y operaciones. Estructurando la ejecución
Kurtz advirtió que todas las acciones seleccionadas podían categorizarse de acuerdo con los distintos grupos que estarían involucrados en la ejecución y elaboró la siguiente tabla para ayudar a Jasmina a estructurar su plan de acción: Areas operativas Puntos para la acción
Solicitud + aprobación de préstamo
Materiales de mercadeo
Reducir los préstamos de consumo y generales Reducir los préstamos a los clientes de clase media
√
Ampliar la frecuencia promedio de pago
236
Personal responsable Estrategia y metas
Personal de oficina central
Comités de crédito
Personal de campo (AC, CC, GS)
√
√
√
√
√
√
√
Restringir los préstamos grandes para los clientes jóvenes
√
Acortar los plazos promedio de los préstamos
√
√ √
√
√
√
√
Areas operativas
Personal responsable
Puntos para la acción
Solicitud + aprobación de préstamo
Materiales de mercadeo
Estrategia y metas
Incrementar los préstamos para capital de trabajo y activos fijos (por género)
√
√
√
Restringir los préstamos muy grandes y reducir los préstamos grandes, en general
√
Modificar la división rural/urbana
Personal de oficina central
√
√
√
√
Comités de crédito
Personal de campo (AC, CC, GS)
√
√
√
√
Resultaba bastante obvio para el equipo que una reunión general con todo el personal de campo – agentes de crédito y todos aquellos involucrados en los comités de crédito, así como los gerentes de agencias, sería apropiada. La fiesta de Navidad estaba aún demasiado lejos, así que debía convocarse una reunión especial, que sería también una buena oportunidad para fomentar el espíritu de equipo y celebrar un evento social al final de la tarde. Las modificaciones en el proceso de aprobación del préstamo y los criterios de solicitud de préstamos tendrían que actualizarse en los manuales de operaciones, el SIG y la documentación subyacente de los clientes. Esto podría llevarlo a cabo la oficina central, pero luego lanzarlo gradualmente a lo largo de las siguientes semanas cuando los miembros del equipo de análisis de la cartera visitaran las diferentes agencias. A esas alturas, todos los agentes de crédito habrían recibido la capacitación, por lo que simplemente sería cuestión de emitir la directiva real. Asimismo se debería informar a los equipos de cobro de la deuda de Banco de la Mujer, acerca de los hallazgos del análisis de la cartera y los cambios resultantes, para que supieran cómo perfeccionar sus propios procesos. Por ejemplo, perseguir la morosidad por parte de los hombres debía ser una prioridad mayor que perseguir la de las mujeres, puesto que había el doble de probabilidades de que los préstamos en mora de los hombres terminaran pasándose a pérdidas. Por último, sería necesario convocar una reunión con el equipo de mercadeo lo antes posible, para poder preparar los materiales requeridos antes del lanzamiento gradual real. El equipo de mercadeo había sido consultado anteriormente acerca de algunos aspectos del análisis, por lo que conocían los temas generales que se estaban debatiendo y habían realizado contribuciones a algunas de las sugerencias clave. Conclusión
De este modo terminaron las fases de análisis y elaboración de informes de la aplicación, por parte de Banco de la Mujer, de la Herramienta para el Análisis de la Cartera. Había sido una experiencia gratificante. Todas las personas involucradas habían obtenido significativos nuevos conocimientos acerca de las operaciones reales de la cartera de Banco de la Mujer y, en verdad, de las características de los clientes y el mercado de Costaguana en general. 237
Ahora que la curiosidad del personal se había despertado, Kurtz se imaginó el proceso de análisis de la cartera no como un proyecto excepcional, sino como un nuevo enfoque para la gestión de la cartera en Banco de la Mujer. El equipo del SIG se sentía ahora “parte del equipo gerencial”, en lugar de unos técnicos en una húmeda oficina, tecleando en computadores que nadie fuera del departamento comprendía realmente. Utilizando el calendario de 12 meses que figuraba en la Herramienta, ellos harían del proceso de análisis de la cartera un ciclo anual. Jasmina se dio cuenta ahora de que tenía una importante herramienta adicional no solo para la administración de la cartera en riesgo, sino para la toma de decisiones en general. Desde este momento incluiría al equipo del SIG en muchas de sus decisiones e invitó a Kurtz a acudir con ella a las reuniones de la gerencia superior, según fuera necesario. Quizá lo más importante era que Banco de la Mujer había desarrollado una ventaja competitiva que no tenían los otros proveedores de microfinanzas de Costaguana. Inevitablemente la competencia también adoptaría dichas técnicas, pero mientras tanto Banco de la Mujer estaba decidido a explotar por completo su ventaja competitiva. En general, mejoraría el servicio al cliente y el logro de la misión organizacional sería más plenamente comprendido y medido. Jasmina sintió más confianza en cuanto a presentar a Costaguana a los inversores externos, puesto que podría hablar con mucha mayor autoridad acerca de la cartera, así como de la gestión activa por parte de Banco de la Mujer de su cartera y de los maduros procesos de toma de decisiones. Numerosas IMF reivindican sus asombrosas carteras y su increíble logro de la misión, pero pocas tienen los datos para respaldar dichas afirmaciones. Una de las grandes agencias de calificación iba a visitar Banco de la Mujer en unos pocos meses y Jasmina estaba segura de que los avances de Banco de la Mujer la impresionarían. Además, si Banco de la Mujer pudiera reducir ligeramente su cartera en riesgo, resolver la cuestión de la calidad de los datos detectada en el SIG y demostrar cómo se tomaban las decisiones de acuerdo con la misión, basándose en datos reales, esto no haría más que ayudar a la IMF a obtener la mejor calificación posible. En resumen, era un ejercicio excelente. “¿Por qué no se nos ocurrió esto antes?”, pensó Jasmina.
238
Postdata
La cartera en riesgo mayor a 30 días de Banco de la Mujer al comienzo de este análisis era de $1,05m en una cartera de aproximadamente $18m (5,9 por ciento). La cartera en riesgo mayor a 150 días era del 0,8 por ciento y el ratio de castigos era del 0,75 por ciento (aproximadamente $135.000). En un año la cartera había crecido hasta $20m. La cartera en riesgo mayor a 30 días había caído al 4,1 por ciento ($820.000) y el ratio de castigos había descendido al 0,5 por ciento, ahorrándole a Banco de la Mujer más de $40.000 al año. Es posible que estas cifras no parezcan milagrosas – no se habían eliminado ni la cartera en riesgo mayor a 30 días ni los castigos. Sin embargo, cuando Kurtz analizó estos resultados y observó el ahorro de costos, se dio cuenta de que el último año había sido significativamente mejor que los años anteriores. Banco de la Mujer se estaba aproximando rápidamente al puesto número uno dentro del sector de las microfinanzas de Costaguana. Obtuvieron una buena calificación, un nuevo inversor y se hablaba de una posible transformación a un banco.
239
