Upload
thiago-fernandes
View
1.025
Download
44
Embed Size (px)
DESCRIPTION
Este trabalho permite analisar o papel das áreas de Inteligência de Negócio no processo de gerenciamento de risco para cobrança. Os temas abordados, através de indicadores e relatórios amplamente utilizados pelo mercado, mostram o impacto da gestão da informação na mitigação de risco e recuperação de crédito, e através da explanação, demonstrar o papel indispensável de Business Intelligence na gestão do negócio, a importância do gerenciamento do risco para as empresas e o quanto este processo é irreversível.
Citation preview
Thiago da Silva Fernandes, bacharel em Ciências Contábeis, 8 anos no mercado de risco e cobrança dos quais 5 anos com atuação em Informações Gerenciais e Business Intelligence.
A APLICAÇÃO DE BUSINESS INTELLIGENCE NO PROCESSO DE GESTÃO DE RISCO DE COBRANÇA
Thiago da Silva Fernandes
Resumo Este trabalho permite analisar o papel das áreas de Inteligência de Negócio no processo de gerenciamento de risco para cobrança. Os temas abordados, através de indicadores e relatórios amplamente utilizados pelo mercado, mostram o impacto da gestão da informação na mitigação de risco e recuperação de crédito, e através da explanação, demonstrar o papel indispensável de Business Intelligence na gestão do negócio, a importância do gerenciamento do risco para as empresas e o quanto este processo é irreversível. Palavras-chave: business intelligence, risco, cobrança.
Introdução
A partir da segunda metade do século XX, o mundo entrou na era da informação. Nunca foi
gerada tanta informação através de músicas, literatura, mídia televisiva e impressa e a
internet. Com tanta informação disponível, foi natural a evolução das empresas, que
perceberam que cada vez mais, as informações do próprio negócio geram vantagem
competitiva: Quem melhor conhece seu negócio, gera mais resultado. Conforme Lawrence
(1987, p.19), qualquer negócio pode ser gerenciado, através do acesso ordenado a grande
quantidade de informação, desde que estejam combinados em um inteligível Sistema de
Informações Gerenciais. Oliveira (2009) explica que uma ferramenta de Business Intelligence
(BI) nada mais é do que um conceito empregado a ferramentas, tecnologias e metodologias,
que tem como objetivo fornecer informações estratégicas, que apoiam na tomada de decisão.
Entenda-se que BI é a evolução do conceito de Sistema de Informações Gerenciais (SIG), ou
como comumente conhecido por sua versão em inglês, Management Information System
(MIS).
2
Popularizado no fim do século passado, o uso do BI como vantagem competitiva foi aplicado
em diversos setores da economia, e áreas estratégicas das empresas, relacionadas a força de
vendas, planejamento de produção, administração financeira e contábil, concessão e
recuperação de crédito, passaram a aplicar metas e mensurar indicadores, com o objetivo de
medição de desempenho e controle de risco. Atualmente, o BI inclusive é usado como fonte
de indicadores para avaliações de desempenho de seus colaboradores, nos modelos de gestão
de meritocracia.
O objetivo deste trabalho é demonstrar que ferramentas de Business Intelligence são efetivas e
contribuem para o gerenciamento de risco aplicado a Cobrança, e através dos indicadores,
mostrar que as áreas de BI são indispensáveis para a mitigação do risco e para a recuperação
do crédito, representando assim, grande vantagem competitiva para as empresas que adotam
estes métodos.
1. Conceito de Gestão de Risco e Cobrança, BI e MIS
1.1 Conceito de Business Intelligence
De acordo com Szafir-Goldstein e Souza, o conceito de BI está relacionado ao processo de
tomada de decisão, através de dados que suportem a busca de vantagens competitivas. Já para
Ayub (2011, p.5), as ferramentas de BI passaram a oferecer aos usuários de negócio um
acesso mais fácil as informações, num modelo de auto-serviço (self-service), sem que o
analista de negócio dependa de uma área de tecnologia.
Em síntese, podemos conceituar BI como a evolução dos Sistemas de Informações Gerenciais
(MIS).
1.2 A Evolução do MIS para BI
O atual conceito de Business Intelligence é uma evolução dos Sistemas de Informações
Gerenciais. De acordo com Oliveira (2000, p.26), BI é um conjunto de conceito e métodos de
sistemas de suporte e de informações estratégicas até ferramentas de consultas e relatórios,
usados para melhorar a tomada de decisão. Já Manfio (2007, p.50), afirma que somente pelo
3
uso das informações é possível entender, ver e avaliar a estratégia tomada, bem como as
decisões futuras, e também que as avaliações dos números de gestão de risco são parte
inerente da inteligência de negócio (BI).
1.3 Histórico e Conceitos da Aplicação de BI ao Gerenciamento de Risco e Cobrança
Nos EUA, o Individual Bank, divisão de pessoas físicas do Citigroup, foi a célula onde o
conceito de Gestão de Risco de Crédito e Cobrança foi inicialmente implantado. De acordo
com Lawrence (1987, p.17), o Individual Bank, é guiado por quatro conceitos fundamentais,
entre eles o Sistema de Informações Gerenciais, que usam dados combinados de forma
inteligível, através de segmentações e segregações de dados, para melhor tomada de decisão e
a mensuração de seus impactos.
O objetivo de qualquer empresa é o lucro, porém não existe lucro sem exposição de capital ao
Risco. O “Risco zero é impossível de ser alcançado porque sem risco não há negócio”
(MANFIO, 2007, p.37).
Jorion (2003, p.5) define risco como a volatidade de resultados inesperados, normalmente
relacionados aos valores de bens e direitos de interesse. Porém, toda exposição ao risco deve
ser controlada, para evitar surpresas futuras. Assim, “a administração do risco é o processo
pelo qual as várias exposições ao risco são identificadas, mensuradas e controladas”
(JORION, 2003, p.5). Para qualquer empresa, a concessão de crédito é uma exposição ao
risco:
Com todo o esforço realizado e por mais positiva que seja nossa
avaliação com relação ao crédito a ser concedido, só conheceremos o
resultado da operação no seu vencimento, quando recebermos ou não o
valor pactuado pela operação de crédito. Essa falta de certeza quanto
ao resultado do processo é que cria a condição de risco na operação de
crédito. Securato (2007, p.195).
Para controlar este risco que existem políticas de cobrança, que são administradas através do
Gerenciamento de Risco Massificado (GRM).
2. A Inteligência de Negócio Aplicado a Cobrança
4
2.1. Avaliação do Cenário - Métricas e Relatórios Padrões do Mercado
Atualmente, existem alguns relatórios e métricas padronizadas, para mensurar os principais
indicadores de cobrança, citados por Manfio (2007, p.196-212) que são:
I. Inadimplência (Over);
II. rolagem de atraso das dívidas (Is/Was);
III. provisão de devedores duvidosos (PDD);
IV. ticket médio da dívida;
V. recuperação total;
VI. recuperação por safras;
VII. first payment default - primeira parcela não paga (FDP).
Claro que cada negócio tem sua especificidade, mas que entra na natureza de cada segmento
de mercado, ou simplesmente no portifólio oferecido. Assim, vários outros relatórios
poderiam ser citados acima, mas de modo geral, seja uma instituição financeira, uma varejista
ou uma incorporadora do ramo de construção civil, os indicadores de Gestão de Risco de
Cobrança não mudam e são adotados por consenso no mercado. Alguns destes indicadores
são regulados pelo Banco Central do Brasil, como é o exemplo da Provisão de Devedores
Duvidosos para instituições financeiras, através da resolução 2682/99, e regulados pelo
Regulamento do Imposto de Renda (RIR), através do decreto 3.000/99, na subseção VIII, que
dispõe sobre perdas no recebimentos de créditos, aplicáveis as pessoas jurídicas.
Os indicadores citados ainda podem ser agrupados, de acordo com Lawrence (1987, p.160),
entre indicadores coincidentais (coincident indicators) – que referem a qualidade de
portifólio, como inadimplência por exemplo, e indicadores de resultados (lagging indicators),
aplicáveis a PDD e a dados de recuperação. Lawrence ainda cita os indicadores de entrada,
que são indicadores de negócio aplicáveis a qualidade e quantidade do negócio no cadastro.
Como neste momento ainda não ocorre a Cobrança, não encontraremos indicadores nessa
situação, dentre os que citamos.
2.2. Criação de Estratégias – Modelos de Scoragem de Cobrança
Através de ferramentas estatísticas, aliados a bases de Data Warehouse (DW), é possível
aplicar um modelo de cobrança, ou Collection Score. O modelo de Collection Score tem
5
como base o histórico de dados comportamentais do cliente, junto à Cobrança (de acordo com
o histórico armazenado no DW), conforme definição abaixo:
COLLECTION SCORES é a denominação dada aos modelos estatísticos; são
baseados em dados COMPORTAMENTAIS de clientes inadimplentes – em
cobrança (incluindo resultado de ações de cobrança); utilizados predominantemente
nas decisões relacionadas à priorização de estratégias na cobrança de clientes
inadimplentes. Manfio (2007, p.129).
Conforme especificado por Manfio (2007, p.131), o Collection Score prioriza determinadas
estratégias mais eficazes em detrimento de outras. Um modelo eficaz define quais contas em
atraso não serão acionadas, por efetuar pagamento em atraso constante, todos os meses
(estratégia de pagamento espontâneo, ou Self-Cure), quais clientes serão elegíveis a ações de
boletos, SMS, quais clientes serão enviados para Cobrança Externa, ou quais contratos serão
cedidos (venda de carteira / dívida para terceiros).
Outro modelo baseado no histórico de cobrança, mas aplicado a nova concessão de crédito, ou
na retenção de clientes é o Behaviour Score. O modelo de Behaviour Score também tem como
base o histórico de relacionamento do cliente – tanto na cobrança quanto no atendimento ao
cliente (de acordo com o histórico armazenado no DW), conforme definição abaixo:
BEHAVIOUR SCORES é a denominação dada aos modelos estatísticos que são
baseados em dados COMPORTAMENTAIS dos clientes (internos e externos);
utilizados predominantemente nas decisões relacionadas à manutenção ou renovação
de linhas e produtos para já clientes. Manfio (2007, p.129).
Conforme especificado por Manfio (2007, p.130), o Behaviour Score aplicado a cobrança
define quais clientes tem maior propensão a inadimplência. Também é usado na retenção de
clientes através de estratégias especificas e na previsão de demanda e geração de novas
vendas, com a definição de modelos de vendas cruzadas.
Todos os modelos de cobrança seguem um padrão: são “modelos estatísticos que permitem
descobrir padrões de comportamento, sem partir de hipotéses” (CRISTOFALI, 2008). Essa é
a definição de Data Mining.
2.3. Apuração de Resultados – Comparação dos Indicadores
6
A interpretação dos indicadores de cobrança é fundamental para agregar valor ao negócio.
Esse processo é contínuo. De acordo com Manfio (2007, p.193), além de avaliar se o
resultado é bom ou ruim (de forma absoluta), também é necessário avaliar o negócio de forma
relativa, comparando nossos resultados com as metas exigidas, com os resultados atingidos no
passado e principalmente com o mercado.
Assim, a melhor forma de se avaliar um resultado é perguntar honestamente se atingimos
quatro perspectivas básicas, através de quatro perguntas elaboradas por Manfio (2007, p.194):
I. Lucrativo ou não? (resultado absoluto)
II. Melhor ou pior que o esperado (em relação a meta)
III. Melhor ou pior que o passado (tendência)
IV. Melhor ou pior que o mercado (posicionamento/adequação)
De forma simples, avaliamos sistematicamente o resultado de forma isenta e prática. Com
base nestes dados podemos elaborar previsões de resultados, aplicar novas estratégias, ou
simplesmente corrigir o curso de uma estratégia já vigente e buscar o que todo negócio visa: o
lucro!
A interação dos analistas de negócio neste estágio é fundamental. Manfio (2007, p.167) cita
que para construir um painel de informações sobre o que acontece no universo de risco e
cobrança (que recebe o nome de BI), é necessário estruturar processos (para registro dos
dados), sistemas (para coleta e transformação dos dados) e pessoas (para analisar e interpretar
as informações para a tomada de decisão). Já Reis (2012) cita que a área de BI deverá ter
ferramentas ágeis que sejam capazes de cruzar informação com alta performance para gerar
informação em tempo ágil para superar obstáculos e a concorrência. Reis (2012) também fala
sobre a importância de alinhar objetivos corporativos e BI, ou seja, frisa a importância do
alinhamento das pessoas ao bem comum.
3. Modelo básico de BI para Cobrança
3.1. Conceitos de Data Warehouse, Fato e Dimensão
“Um DATA WAREHOUSE (ou armazém de dados, ou depósito de dados no Brasil) é um
sistema de computação utilizado para armazenar informações relativas às atividades de uma
7
organização em banco de dados, de forma consolidada. O desenho da base de dados favorece
os relatórios, a análise de grandes volumes de dados e a obtenção de informações estratégicas
que podem facilitar a tomada de decisão.” (CRISTOFOLI, 2008).
O DW serve como repositório central de dados, de onde sai as informações para a criação dos
relatórios e dados para a criação de indicadores.
Segundo Tanaka, dimensões são tabelas que qualificam os fatos, ou seja, trazem detalhes do
negócio, enquanto uma tabela fato é dominante e traz os valores, usualmente com grandes
volumes de dados.
3.2. Informações para construção de um data warehouse de Cobrança e Risco
Para construção de um data warehouse (DW) para cobrança, deve-se levar em consideração
que o negócio de cobrança demanda muitas informações que são primordiais para o sucesso
da operação. Assim além de um universo com fatos e dimensões mais sintéticas, também é
necessário outro universo com dimensões e fatos cada vez mais detalhados, para suportar
estudos estatísticos e de comportamento para a geração de estratégias de negócio.
Como nosso objetivo é demonstrar como um BI pode ser usado para o gerenciamento de
cobrança e risco, informaremos abaixo os dados considerados primordiais para um DW de
cobrança (dimensões e fatos necessárias):
Clientes: Dados cadastrais do cliente, informados no momento da venda. Importante ressaltar
que essa informação, apesar de se apresentar estática, ela é dinâmica, e muda constantemente
durante o tempo de relacionamento com o cliente. A qualidade e a quantidade dos dados
informados é muito importante, não só no processo de localização do cliente devedor, mas
também para a criação de modelos estatísticos e (já no sistema transacional, fora do DW)
para a negativação do cliente junto ao órgãos de proteção de crédito. As principais
informações para uma dimensão de clientes são:
• identificação interna dos clientes
• nome do cliente / empresa;
• data de nascimento;
8
• CPF ou CNPJ;
• RG ou inscrição estadual;
• endereço completo;
• profissão / ramo de atividade;
• sexo do cliente;
• data do inicio do relacionamento;
• renda / faturamento;
• entre outras informações relevantes do cliente.
Produto / Serviço Oferecido: Identificação do produto vendido ao cliente. Empresas e
grupos financeiros hoje, oferecem diversos produtos e serviços, e cada um deles tem a sua
particularidade semelhantes e diferentes e são agrupados em grupos e sub-grupos, que podem
ser diretoria, ramo de atuação, linha do produto, entre outros. Assim, se faz necessário a
identificação do produto ou serviço vendido:
• identificação do produto;
• produto;
• sub-grupo do produto;
• grupo do produto;
• entre outras informações relevante de produtos.
Contrato: Detalhe do produto e condições de venda ao cliente. Através destes dados
conseguimos identificar, através de safras, quais produtos tem maior ou menor inadimplência,
além de quais safras (em relação ao mês do contrato) o comportamento da inadimplência foi
diferenciado:
• identificação do contrato;
• identificação do produto;
• data da venda;
• filial da venda;
• score de crédito (SERASA);
• parecer de crédito;
• aprovador de crédito;
9
• parecer do comercial;
• aprovador do comercial (vendedor);
• venda por política ou exceção;
• entre outras informações relevante de contrato.
Recebíveis: Fotografia periódica (de acordo com a estratégia interna da companhia) de
valores a receber da companhia. Através destes dados conseguimos atribuir risco e
inadimplência aos dados da companhia, assim como também rolagem de divida, safras e
valores recebidos:
• identificação do cliente;
• identificação do contrato;
• saldo a vencer;
• saldo vencido;
• valor pago;
• dias em atraso;
• faixa de atraso;
• quantidade de parcelas em atraso;
• data da fotografia;
• entre outras informações relevantes de recebíveis.
Acionamento de Cobrança: Informações detalhada dos esforços de recuperação
empreendidos para aquele cliente. Através destes dados conseguimos medir esforço e custo
para a recuperação do contrato deste cliente:
• identificação do cliente;
• identificação do contrato;
• data da ação de cobrança;
• tipo de ação da cobrança (telefone, SMS, boleto, entre outros);
• duração da ação (tempo – se couber);
• operador que acionou o cliente (se couber)
• data de vencimento do boleto;
• data do retorno do SMS;
10
• entre outras informações relevantes de acionamentos de cobrança.
Acordos e Promessas de Pagamento: Informações detalhadas dos novos fluxos de
promessas e acordos, acertados entre o cliente e a empresa credora do débito. Através destes
dados conseguimos medir os pagamentos, a aderência e eventual quebra do acordo ou
promessa de pagamento, além da recuperação do contrato deste cliente:
• identificação do acordo;
• tipo da negociação (promessa para negociação com nenhum pagamento ainda não
efetuado, acordo para negociação com pagamento já efetuado);
• status da negociação (em dia, em atraso, quebrado – para negociação não
cumprida);
• ação da cobrança que gerou a negociação (telefone, SMS, boleto, entre outros);
• operador que gerou a negociação;
• numero da parcela;
• tipo da parcela (entrada ou demais parcelas);
• valor da parcela;
• valor pago;
• data do pagamento;
• entre outras informações relevantes de acordos e parcelas.
Conclusão
Uma área de BI é eficaz quando gera resultado, ou seja, agrega valor ao negócio. Para isso
acontecer, não bastam boas plataformas tecnológicas e profissionais com alta qualificação
técnica. Comprometimento entre o nível tático (analistas de negócio) e o nível gerencial e
executivo é fundamental para o funcionamento de uma área de informação.
Com uma área de BI estruturada, os ganhos em relação à avaliação do cenário, criação de
estratégias e apuração de resultados é enorme. Isso é um ciclo continuo, onde o aprendizado é
constante. Cada estratégia aplicada, resultado apurado, contribui para o amadurecimento do
negócio e da área de Inteligência de Negócio.
11
Para o negócio de cobrança, são inúmeras as oportunidades de análises e melhorias. Além dos
indicadores já padronizados, citados nesse artigo, são muitos os modelos e estudos que podem
ser gerados com um data warehouse e uma ferramenta de BI de mercado, porque a ferramenta
dará ao usuário final a possibilidade de gerar de forma simples é pratica os relatórios, gráficos
e apresentações necessárias para a tomada de decisão.
Recomendações
Para empresas não ligadas às instituições financeiras, a cultura do uso de BI para o
gerenciamento de risco de cobrança ainda é muito incipiente. Há muito pouco material
publicado sobre o assunto, e dentro das companhias, o direcionamento de DW’s para o
gerenciamento de risco ainda é muito pouco difundido. Manfio (2007, p.191-192) cita que
mesmo nas instituições financeiras, muito do que é gerado de informação na área de crédito,
risco e cobrança ainda é feito de forma manual, através de extração de dados dos sistemas
transacionais, e transformação dos mesmos em gráficos e planilhas. Temos, na
profissionalização da área de BI para atendimento do mercado de risco e cobrança, uma
oportunidade histórica de diminuição dos níveis de inadimplência e aumento da concessão de
crédito, de forma segura e inteligente.
Referências
AYUB, Gustavo G. Integração de dados para a inteligência empresarial em tempo real. São Paulo: Universidade de São Paulo, 2011. Disponível em: < http://www.teses.usp.br/teses/disponiveis/3/3141/tde-31052011-160352/pt-br.php>. Acessado em 12 abr. 2012. BANCO CENTRAL DO BRASIL. Resolução nº 2.682, de 22 de dezembro de 1.999. Dispõe sobre critérios de classificação das operações de crédito e regras para constituição de provisão para créditos de liquidação duvidosa. Brasília, 1999. Disponível em: < http://www.bcb.gov.br/pre/normativos/res/1999/pdf/res_2682_v1_P.pdf>. Acesso em 19 mar.2012. BRASIL. Decreto nº 3.000, de 26 de março de 1.999. Regulamenta a tributação, fiscalização, arrecadação e administração do imposto sobre a renda e proventos de qualquer natureza. Brasília, 1.999. Disponível em: < http://www.planalto.gov.br/ccivil_03/decreto/d3000.htm>. Acesso em 23 abr. 2012. CRISTOFOLI, Fluvio. Apostila de Data Warehouse: Armazenagem de dados. São Paulo: USP, 2008. Disponível em: <http://stoa.usp.br/cristofoli/files/675/1768/Slides+Data+Warehouse+-+2008.pdf>. Acesso em 03 abr. 2012.
12
INSTITUTO BRASILEIRO DE TECNOLOGIA APLICADA. Manual para normalização de trabalhos acadêmicos da Veris Faculdades. São Paulo. IBTA, 2012. Disponível em: < http://www.ibmecrj.br/sub/rj/files/Manual_Normatização_2012.PDF>. Acesso em 15 abr. 2012. JORION, Philippe. Value at Risk: a nova fonte de referência para a gestão do risco financeiro. Tradução, prefácio e notas: Thierry Barbe. 2ª ed. São Paulo: Bolsa de Mercadorias & Futuros, 2003. LAWRENCE, David B. Risco e recompensa: o negócio de crédito ao consumidor. São Paulo: Bandeirantes, 1987. MANFIO, Fernando. O risco nosso de cada dia: uma orientação objetiva aos profissionais da área. Barueri: Estação das Letras, 2007. MARTINS, Gilberto A.; THEÓPHILO, Carlos R. Metodologia da investigação científica para ciências sociais aplicadas. São Paulo: Atlas, 2007. OLIVEIRA, Adriana S. Sistemas de informações gerenciais em indústrias multinacionais: um estudo de caso da implementação global do ERP e BI. São Paulo: USP, 2011. Disponível em: <http://www.teses.usp.br/teses/disponiveis/12/12136/tde-10082011-191850/pt-br.php>. Acessado em 25 fev. 2012 OLIVEIRA, João L. Sistema de business intelligence: sistema de apoio a gestão para tomada de decisões inteligentes. Belo Horizonte: UNA, 2009. Disponível em: < http://www.slideshare.net/joaoluciooliveira/monografia-business-intelligence> . Acessado em 12 fev. 2012 REIS, Samir. Apostila de Análise de Risco. São Paulo: IBTA, 2012. SECURATO, José R. Crédito: análise e avaliação do risco. São Paulo: Saint Paul, 2007. SZAFIR-GOLDSTEIN, Claudia; SOUZA, Cesar A. Tecnologia da informação aplicada à gestão empresarial: um modelo para a empresa digital. USP – VI Semead: São Paulo, 2003. Disponível em: <http://www.ead.fea.usp.br>. Acesso em 19 abr. 2012. TANAKA, Asterio. Apostila de Banco de Dados Distribuídos e Data Warehousing. Rio de Janeiro: UNIRIO, 2012. Disponível em: <http://www.uniriotec.br/~tanaka/TIN0036/10-BDDDW-Mod-Dimens-Basicol.pdf >. Acesso em 03 abr. 2012.