1 MODELOS DE PREVISÃO DE INSOLVÊNCIA Análise discriminante uni e multivariada, regressão linear e logística, score, rating e redes neurais Exemplos de

1

MODELOS DE PREVISÃO DE MODELOS DE PREVISÃO DE INSOLVÊNCIA INSOLVÊNCIA

Análise discriminante uni e multivariada, regressão Análise discriminante uni e multivariada, regressão linear e logística, score, rating e redes neurais linear e logística, score, rating e redes neurais

Exemplos de aplicação dos modelos: setor bancário e Exemplos de aplicação dos modelos: setor bancário e empresarial (pequena, média e grande empresa) empresarial (pequena, média e grande empresa)

Análise incorporando tipologias estratégicas, variáveis Análise incorporando tipologias estratégicas, variáveis setoriais e informações restritivas e positivassetoriais e informações restritivas e positivas

2

AgendaAgenda

Informações necessárias para fixar parâmetros de análise de crédito e previsão de insolvência

Modelos de Previsão de Insolvência e de análise de crédito Análise univariada Análise multivariada Modelo tradicionais: Limite de Crédito, Credit Scoring,

Rating Redes neurais

Indicadores de controle

3

Objetivos da ApresentaçãoObjetivos da Apresentação

Fornecer subsídios para uma empresa:Fornecer subsídios para uma empresa:

Avaliar a necessidade ou não da implementação de modelos de previsão de insolvência e gestão de crédito, considerando as características de suas operações.

Escolher o modelo mais adequado ao atendimento de suas necessidades.

4

Adequação à Política de Adequação à Política de CréditoCrédito

• O objetivo de uma Política de Crédito é viabilizar ou alavancar as vendas com garantia de um nível de recebimento adequado ao grau de risco que a empresa está disposta a correr.

• A implementação de ferramentas de gestão de crédito, dentre as quais temos os modelos de previsão de insolvência deve refletir este objetivo.

• O primeiro passo para avaliar a necessidade de implementação de modelos de previsão de insolvência é entender a política de crédito da empresa.

5

Política de CréditoPolítica de CréditoUma política de crédito deve contemplar:Uma política de crédito deve contemplar: Resultados a serem alcançados Produtos e/ou serviços que a empresa

comercializa Mercado / Públicos-alvo Processo e critérios de concessão de Crédito Opções de Garantias Política de cobrança Política de vendas Níveis de delegação de aprovação

6

Identificação de Identificação de NecessidadesNecessidades

Tempo de resposta para as análises de crédito Formato do Parecer de Crédito

Aprovado/Reprovado Detalhado (com justificativa)

Controles de acesso aos pareceres Locais de acesso (somente na empresa / acesso

remoto) Relatórios/Estatísticas/Gráficos

Por solicitante (ou grupos de solicitantes) Por cliente (ou grupo/tipo de cliente) Por região geográfica Por linha de produto / segmento de negócio

7

Fluxo de informaçõesFluxo de informações

AvaliaçãoAvaliaçãodede

CréditoCrédito

Dados Dados EconômicoEconômicofinanceirosfinanceiros

InformaçõesInformaçõesComerciaisComerciais

HistóricoHistóricodo cliente do cliente

na empresana empresa

Resultado Resultado da Análiseda Análise

8

Informações necessárias para Informações necessárias para análise de créditoanálise de crédito

Nível ótimo de inadimplência Risco setorial dos clientes Caracterização do cliente Histórico de Vendas para o cliente Referências Comerciais / Bancárias Restrições Comerciais / Bancárias Dados econômico-financeiros

(Demonstrações Financeiras)

9

Nível ótimo de inadimplênciaNível ótimo de inadimplênciaO nível ótimo de inadimplência de uma empresa não é “zero”. Uma empresa com este nível de inadimplência provavelmente tem uma política de crédito “super-rigorosa”, o que leva a empresa a: perder oportunidades de vendas que aumentariam sua receita e lucro (pois parte dos clientes de risco pagaria suas contas), perder vendas para seus concorrentes.

Contanto que o caixa recebido supere o custo das mercadorias vendidas/serviços prestados e os outros custos associados a um determinado grupo de clientes é mais vantajoso para a empresa vender-lhes a prazo do que perder as vendas.

10

Risco SetorialRisco Setorial Identificar os setores de atuação dos clientes da

empresa e sua participação nas vendas Analisar o setor

Perspectivas de crescimento do setor Influência de variáveis econômicas (inflação, nível de

emprego, dólar, etc.) Estrutura de mercado (monopólio, oligopólio,

concorrência, barreiras à entrada, etc.)

Verificar a influência do risco setorial no risco de crédito

Verificar a relação Risco versus Retorno Quantificar o risco

11

Modelo de AustinModelo de Austin

RivalidaRivalidadede

Poder de Poder de barganha barganha

dos dos compradorecompradore

ss

Poder de negociação dos compra-

dores

Poder de negociação dos fornece-

dores

Ameaça de novos entrantes

Produtos substitutos

Rivalidade

Governo

12

Modelo de Austin - exemplo Modelo de Austin - exemplo Setor FarmaceúticoSetor Farmaceútico

Força Grau Comentários

Rivalidade 1Grande diferenciação,. Competências de pesquisa edesenvolvimento de cada empresa criam nichos distintos com poucaconcorrência.

Poder deNegociaçãodosFornecedores

1A matéria prima básica da indústria farmacêutica constitui-se de“commodities” químicas ofertadas por grande número de empresasfazendo com que esta ameaça seja baixa.

Poder deNegociaçãodosCompradores

2

Historicamente, o poder dos compradores é baixo na indústriafarmacêutica, mas, recentemente, pressões de companhias deseguro e planos de saúde, além de regulação de preços, temaumentado a intensidade desta força.

Ameaça deNovosEntrantes

1

Os custos de se desenvolver uma droga nova são grandes barreirasde entrada. Existem grandes economias de escala e de escopo napesquisa e desenvolvimento de novas drogas. Marcas fortes entre osconsumidores têm vantagem sobre marcas entrantes no mercado.No setor de genéricos, entretanto, a ameaça é ligeiramente superiorpois os custos de entrar no mercado não são tão altos.

ProdutosSubstitutos

1Os substitutos para os medicamentos não são uma ameaça fortepois praticamente inexistem além das chamadas terapiasalternativas.

Governo 2

Grande pressão regulatória do governo sobre o setor demedicamentos tanto em relação a preços quanto ao encorajamentoàs empresas para que produzam as chamadas drogas órfãs que sedestinam ao tratamento de doenças raras e tem baixa demanda.

Total 8

13

Cadastro de ClientesCadastro de Clientes

Dados cadastrais padrão Histórico da empresa Setor econômico Região de atuação: número de filiais /

distribuidores Tipos de produtos/serviços fornecidos Principais Clientes Grupo Empresarial (Controle acionário,

coligadas, controladas)

14

Histórico do Cliente Histórico do Cliente

Atraso Médio nos Pagamentos Maior Acúmulo Mensal Maior Fatura Média de Faturamento Mensal Percentual de Inadimplência Produtos / Serviços vendidos Sazonalidade (distribuição das vendas ao

longo do ano)

15

Informações ComerciaisInformações Comerciais Data de fundação da empresa Quantidade de filiais Hábitos de pagamento - pagamentos pontuais,

faixas de atraso de pagamentos (15, 30 ou mais dias)

Restrições: Ações de Despejo Ações Executivas (Federais, Estaduais,

Municipais) Protestos Pedido de Concordata / Falência Cheques sem fundos

16

Fontes internas de informaçãoFontes internas de informação

Sistema de Crédito Atual Cadastro de clientes Sistema de Faturamento Sistema de Contas a Receber Base de dados de marketing/vendas Administração de contratos Cadastro de fornecedores Contabilidade

17

Dados Econômico-financeirosDados Econômico-financeiros Índices de liquidez Índices de endividamento / alavancagem Ciclos Operacionais / Rotações Imobilização Rentabilidade Índices de solvência Grupo empresarial (coligadas, controladas) Informações setoriais / macro-econômicas

18

AvaliaçãoAvaliaçãoCom base nas informações necessárias paraanálise de crédito e nas necessidades daempresa, cabe ao gestor de crédito avaliar amelhor solução para atendê-las:

Análise Manual com informações internas e informações fornecidas pelo cliente

Análise Manual com informações internas, informações fornecidas pelo cliente e por provedores de informação comercial

Implantação de um sistema de gestão de crédito

19

Vantagens de um sistema Vantagens de um sistema informatizadoinformatizado

Agilidade no processo de decisão de créditoPadronização dos critérios de avaliação

comercial e financeiraRápida adaptação dos critérios às mudanças no

mercado / alterações na política de crédito / promoções de vendas

Auditoria e Controle Níveis de delegação para aprovaçãoHistórico de análises de crédito do clienteBase de dados centralizada

20

Ferramentas de TecnologiaFerramentas de Tecnologia

Modelos de gestão de crédito (software)Modelos de gestão de crédito (software)Limite de CréditoCredit RatingCredit ScoringSistemas Especialistas

Hardware / Soluções de acessoHardware / Soluções de acessoAcesso localAcesso via WebAcesso via celular (WAP, Palmtop ou Notebook)

21

DefiniçõesDefinições

Insolvência – situação em que o ativo do devedor é insuficiente para fazer face ao passivo. É um estado de fato.

Falência – situação em que o devedor “sem relevante razão de direito, não pagar no vencimento obrigação líquida, constante de título que legitime ação executiva”. É um estado de direito.

Um empresa pode estar insolvente, mas pagar sua dívidas no vencimento, outra pode estar solvente, mas sem caixa para fazer frente a uma despesa imediata e falir.

22

Modelos de Previsão de Modelos de Previsão de InsolvênciaInsolvência

Análise univariada:Análise univariada: Trabalhos centrados na previsão de

índices financeiros tomados individualmente

Análise multivariada:Análise multivariada: Trabalhos que fazem uso da análise

discriminante múltipla, em que toma-se vários índices em conjunto.

23

Análise univariada – Evolução Análise univariada – Evolução Histórica (Marques, 1980)Histórica (Marques, 1980)

Índices baseados em dados de balanços, não apresenta relações entre as variáveis relevantes: Fitzpatrick 1932 – LL/PL, PL/ET, PL/AT Wikanor e Smith, 1935 – CGL/AT Merwin, 1942 – Pequenas empresas – CGL/AT,

PL/ET, AC/PC Hickman, 1958 – títulos de empresas insolventes –

Juros pagos/LAJIR, LL/Vendas Beaver, 1966 – análise de empresas por pares –

Fluxo Caixa Gerado/ET, LL/AT, ET/AT, AGL/AT, AC/PC

Altman, 1981 – diferença entre índices da empresa e índices setoriais

24

Análise multivariada – Evolução Análise multivariada – Evolução Histórica (Marques, 1980)Histórica (Marques, 1980)

Índices baseados em dados de balanços: Altman, 1968 - 94% de acerto até 1 ano antes da

falência, 72% dois anos depois CGL/AT, Lucros retidos/AT, LAJIR/AT, Valor de Mercado da empresa/Valor Contábil do ET, Vendas/AT,

Kanitz, 1974 – Revista Exame. LL/PL, AC+ARLP/ET, AC-Estoques/PC, ET/PL, AC/PC

Marques, 1980 - pequenas e médias empresas

25

Análise discriminante X Regressão Análise discriminante X Regressão Logística (Fichman, 1999)Logística (Fichman, 1999)

Índices baseados em dados de balanços: Análise discriminante - depende de normalidade

multivariada e igualdade na matriz de variância -covariância de grupos

Regressão logística Menos pré-requisitos que a análise discriminante Melhores resultados se os resultados se

concentrarem em extremos que a análise discriminante.

Habilidade de incorporar efeitos não lineares.

26

Tipologia Estratégica de Porter Tipologia Estratégica de Porter (Fichman, 1999)(Fichman, 1999)

Estudo aplicado ao setor bancário, com críticas a estudos anteriores Insuficiência metodológica na geração dos modelos,

devido a limitações das ferramentas estatísticas. Amostras insuficientes ou ausência de amostras de

validação dos modelos. Estudos com viés pela não aleatoriedade da seleção

das amostras selecionadas. Estudos baseados em variáveis de balanço,

desconsideram fatores de marketing e estratégicos Modelos instáveis que não resistem a amostras de

validação ou longitudinais.

27

Tipologia Estratégica de Porter Tipologia Estratégica de Porter (Fichman, 1999)(Fichman, 1999)

Liderança em custo - eficiência operacional, negociação de matéria-prima.

Liderança em diferenciação - identidade da marca, inovações em técnicas de marketing e métodos, propaganda.

Enfoque (custo ou diferenciação) - capacidade de gerar produtos especializados, produtos em segmentos de alto preço, atendimento ao cliente.

Exemplos de Variáveis: Políticas de Preços, Custos, Escala, Qualidade de Oferta, Amplitude de Oferta, Controle de distribuição, Propaganda, marca, treinamento.

Enf em DiferenciaçãoEnfoque em CustoEscopo Estreito

DiferenciaçãoLiderança em custoEscopo Amplo

DiferenciaçãoCusto Baixo

28

Modelo Limite de CréditoModelo Limite de Crédito

DefiniçãoDefinição - através da análise de crédito estabelece-se o limite máximo de compras sem garantias que será concedido a um cliente, dado o grau de risco que a empresa está disposta a correr.

AplicabilidadeAplicabilidade Empresas com pequeno número de

clientes (empresas de mídia, TV, Rádio, Jornais, B2B, etc.)

Empresas com bases de dados / sistemas de controle de vendas por cliente

29


VantagensVantagensControle de todas as operações de venda e da

utilização dos limites de crédito aprovadosMaior interação entre crédito e vendas

DesvantagensDesvantagens Não adequado para empresas com grande

número de clientes / características de varejoRequer revisão periódica dos limites de créditoRequer uma área de controle de crédito maior

30


CadastroCadastrodede

clientesclientes

AnáliseAnálisedede

CréditoCrédito


FaturamentoFaturamentoAdm de Adm de ContratosContratos

Contas a Contas a receberreceber

Informações Informações ComerciaisComerciais

Provedor de Provedor de InformaçõesInformaçõesComerciaisComerciais

Pagamentos de faturasPagamentos de faturas

Aumenta o limiteAumenta o limite

+

FaturamentoFaturamentoDiminui o Diminui o limite disponívellimite disponível

-Histórico do clienteHistórico do cliente

Valor do Valor do Limite de Limite de CréditoCrédito

31

Credit ScoringCredit Scoring

DefiniçãoDefinição: metodologia de análise quantitativa que atribui pontuação a diversos itens (valor do crédito, dados financeiros, histórico comercial, restrições cadastrais, etc.), e com base na pontuação final divide os clientes em duas categorias: com potencial e sem potencial de crédito.

AplicabilidadeAplicabilidade Empresas com grande número de clientes

(bancos, cartões de crédito, telefonia, etc.)

32

Teste dos critérios de um Teste dos critérios de um Sistema de Credit ScoringSistema de Credit Scoring

Decisão corretaErro tipo I (α)Rejeitar Ho

Erro tipo II (β)Decisão corretaNão rejeitar Ho

Ha verdadeiroHo verdadeiro

Erro Tipo IErro Tipo I – Rejeição da hipótese nula (Ho) quando esta é verdadeira. Recusar uma operação que seria um bom negócio para empresa (% de propostas corretas recusadas).

Erro Tipo IIErro Tipo II – Falha em rejeição da hipótese nula quando esta é falsa. Aprovar uma operação que se tornará problemática para a empresa (% de inadimplência).

É necessário testar o score de aprovação (Ho), para que a probabilidade de classificar erroneamente uma análise de crédito seja minimizada.

33

Maus

Bons

Teste dos critérios de um Teste dos critérios de um Sistema de Credit ScoringSistema de Credit Scoring

AprovadoReprovado

Em análisevoltar

34

Credit Scoring DeterminísticoCredit Scoring Determinístico

DefiniçãoDefinição - modelo baseado em regras de negócios elaboradas por especialistas em crédito, baseados em experiências de crédito anteriores.

AplicabilidadeAplicabilidade

Empresas novas, que não tenham bases de dados próprias sobre o comportamento de clientes

Negócios com venda únicas ou esporádicas que não justifiquem a incorporação de dados relativos ao comportamento do cliente

35

Credit Scoring DeterminísticoCredit Scoring DeterminísticoVantagensVantagens Não requer informações internas sobre o

comportamento comercial do cliente

Os critérios de análise (regras de negócio) podem ser modificados rapidamente

Implantação rápida (“pacotes prontos”)

DesvantagensDesvantagens Não reflete o histórico dos clientes na empresa

Não reflete as características únicas do negócio da empresa

Existe a necessidade de atualização constante das regras de negócio para refletir mudanças nas condições econômicas e nos critérios de crédito

36

Credit Scoring EstatísticoCredit Scoring Estatístico

DefiniçãoDefinição - modelo baseado em técnicas estatísticas como regressão linear e redes neurais, que são técnicas computacionais baseadas em modelos matemáticos que simulam o processo de aprendizado.

AplicabilidadeAplicabilidade

Empresas com bases de dados próprias sobre o comportamento de clientes (bancos, cartões de crédito, telefonia, etc.)

Empresas com vendas freqüentes e/ou prestação de serviços contínuos

37

Credit Scoring EstatísticoCredit Scoring EstatísticoVantagensVantagens Adapta-se às características únicas do negócio, pois

utiliza o histórico real dos clientes

O modelo reflete as alterações nas operações da empresa e no comportamento do cliente

DesvantagensDesvantagens Requer informações internas sobre o comportamento

comercial do cliente

Dificuldades em refletir alterações no ambiente econômico e problemas setoriais

Implantação lenta (solução customizada)

38

Modelo Credit ScoringModelo Credit Scoring

Sistema de CréditoSistema de CréditoCredit ScoringCredit Scoring


Aprovado Aprovado ReprovadoReprovado Em análiseEm análise

Histórico do Histórico do Cliente na Cliente na EmpresaEmpresa

CPF ou NomeCPF ou NomeCNPJ ou Razão SocialCNPJ ou Razão SocialValor da operaçãoValor da operação



Credit Credit Scoring Scoring

EstatísticoEstatístico

39

RatingRatingDefiniçãoDefinição: é uma metodologia de análise

qualitativa, que avalia uma série de fatores em relação a uma escala pré-definida de atributos e qualificações, atribuindo uma nota a cada fator e uma nota final ao conjunto de fatores analisados. Com base na nota final (rating) pode ser determinado o risco de crédito e definido o valor que será concedido à empresa.

Aplicabilidade Aplicabilidade Empresas que operam com clientes

corporativos de porte médio/grande (especialmente multinacionais)

40

RatingRating

VantagensVantagens Fácil interpretação das decisões de crédito

por pessoas não familiarizadas com a avaliação de riscos e créditos

DesvantagensDesvantagens Baixa confiabilidade das demonstrações

financeiras devido à possibilidade de escolha de critérios contábeis e ao uso de práticas ilegais (Caixa 2)

41

Modelo RatingModelo Rating

Sistema de CréditoSistema de CréditoCredit RatingCredit Rating

1- Reclassificação de Dem Financeiras2- Nota para os índices financeiros 3- Nota para os índices comerciais 4- Somatório das notas


Rating de Rating de créditocrédito

Histórico do Histórico do Cliente na Cliente na EmpresaEmpresa

CNPJ ou Razão SocialCNPJ ou Razão SocialValor da operaçãoValor da operação



42

Aplicabilidade dos modelosAplicabilidade dos modelosLimite Scoring Rating

Grande número de Clientes XPequeno número de Clientes X XAlto Valor médio das transações X XBaixo valor médio das transações XClientes Pessoa física X XPequena/Micro Empresa X XMédias Empresas X XGrandes Empresas X XVenda única X XVenda esporádica X XServiço/fornecimento continuo X XCliente novo X X XCliente antigo XNível de Controle Alto Médio BaixoNecessidade de "Back-office" Alta Média Baixa

43

Redes Neurais (Cabrera, 1998)Redes Neurais (Cabrera, 1998) São Redes Neurais Artificiais são técnicas

computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência.

São modelos dinâmicos, evitam pesos pré-fixados Agrupa as empresas analisadas e verifica indicadores

relevantes

44

Redes Neurais (Cabrera, 1998)Redes Neurais (Cabrera, 1998) Características

Aprendizado – adquire conhecimento por experiência Não linearidade – vantagem sobre sistemas estatísticos

lineares Busca paralela da informação – reduz o tempo de

processamento Endereçamento pelo conteúdo – não possuem

endereçamento de memória Generalização – responde a doados novos por

similaridade Abstração – abstrai a essência dos dados Robustez e degradação gradual – perda de parte da

rede não afeta gravemente o desempenho Associação – entre padrões distintos.

45

Indicadores de Desempenho, Indicadores de Desempenho, Qualidade, Auditoria e Controle Qualidade, Auditoria e Controle

Com base nos indicadores extraídos do sistema é possível definir produtos, setores econômicos, regiões geográficas e tipos de clientes para os quais a recomendação de crédito do sistema escolhido não está sendo efetiva.

Os indicadores podem ser desde uma planilha de controle, com análises simples de proporção (como seria de se esperar no modelo de limite de Crédito) , até o resultado de complexos modelos estatísticos de ‘behavior’ que realimentam o sistema automaticamente.

46

Indicadores de Desempenho Indicadores de Desempenho e Qualidade do Sistemae Qualidade do Sistema

DesempenhoDesempenho Tempo de aprovação de cada análise

QualidadeQualidade Inadimplência Atrasos nos pagamentos Necessidade de revisão manual do parecer Taxa de aprovações versus volumes analisados Perdas versus lucratividade

47

Controle e auditoriaControle e auditoria

ControleControle Relatórios de uso

Por Solicitante (ou grupos de solicitantes) Por cliente (ou grupo/tipo de cliente) Por região geográfica Por linha de produto / segmento de negócio

AuditoriaAuditoria Vendas fora dos parâmetros (quantidade,

valor e área da empresa que as originou) Revisão da análise dos créditos classificados

como inadimplentes e incobráveis

48

ConclusãoConclusãoNão existe um modelo de análise de crédito ‘melhor’ ou ‘pior’, o que existe é um modelo mais adequado ao perfil e às necessidades de cada empresa.É importante considerar todas as variáveis possíveis na escolha do modelo, fazer os ajustes necessários em sua fase de implementação e monitorar seu desempenho para corrigir eventuais distorções.

49

Bibliografia Bibliografia

Indicações para consulta / referências:Indicações para consulta / referências:

CABRERA, Gustavo A. S. Um Modelo para Previsão de Insolvência no Sistema Financeiro, PUC-RJ, Rio de Janeiro, 1998.

FICHMAN, Luis H. Construção de um Modelo de Predição de Insolvência Bancária baseado na Tipologia de Porter, PUC-RJ, Rio de Janeiro, 1999.

MARQUES, Jadir N. Previsão de Insolvência de Pequenas e Médias Empresas – Uma aplicação da análise estatística multivariada, PUC-RJ, Rio de Janeiro, 1980

LEONARD, Kevin J. Information systems and benchmarking in the credit scoring industry, Benchmarking for Quality Management & Technology Vol 3 Num 1, Ontário, Canadá, 1996.

HUNTER, Maura Quinn. Como Identificar e Avaliar o Risco Setorial de uma Carteira de Crédito, Revista Tecnologias de Crédito SERASA.

SINCICH, Terry. Business Estatistics by Example – New Jersey, EUA, Prentice Hall, 1996.

50

Bibliografia Bibliografia

Indicações para consulta / referências:Indicações para consulta / referências:

STICKLEY, Clyde P. & WEIL, Roman. Contabilidade Financeira - São Paulo: Atlas, 2001.

STICSU, Abraham Laredo. Desenvolvimento de um Sistema de Credit Scoring, Revista Tecnologias de Crédito SERASA.

www.din.uem.br/ia/neuraiswww.creditoerisco.com.brwww.siacorp.com.br/scoring1.htmwww.serasa.com.brwww.equifax.com.br

51

Contato Contato

Luciano Quinto Lanz Luciano Quinto Lanz ProfissionalEmail: [email protected]

Tel. (21) 2121-7333

Av. Presidente Vargas, 1012 – 4o andar – Centro

Rio de Janeiro – RJ

Pessoal

Email: [email protected]

Documents

1 MODELOS DE PREVISÃO DE INSOLVÊNCIA Análise discriminante uni e multivariada, regressão linear e logística, score, rating e redes neurais Exemplos de