Upload
truongtruc
View
214
Download
0
Embed Size (px)
Citation preview
Mensurando o Risco de Micro e Pequenas EmpresasMensurando o Risco de Micro e Pequenas Empresas
Fabio Wendling M. de AndradeFabio Wendling M. de Andrade
Agenda
O perfil das MPEs
O que é importante no crédito para MPEs
Metodologia de quantificação de risco de MPEs
Gerenciamento do risco de crédito a MPEs
Importância das MPEs no Brasil
2,7 milhões de empresas
48% da produção nacional
42% dos salários pagos
68% da oferta de mão-de-obra
30% do PIB
O Perfil das MPEs
Distribuição por setor e região
Distribuição de MPEs por região
Sudeste40,0%
Nordeste19,6%
Norte3,4%
Centro Oeste9,8%
Sul27,2%
Distribuição de MPEs por Setor de atividade
Comércio56,3%
Indústria11,2%
Primário0,6%
Serviço31,9%
O Perfil das MPEs
Quantidade de sócios
Quantidade de Sócios Distribuição das MPEs%
1 43,8%
2 48,6 %
3 5,0 %
4 1,6 %
5 ou mais 1,0 %
O risco de crédito para MPEs
Distribuição de taxa de
default por porte
Evolução da mortalidade
Taxa de default por porte de empresa
0
2
4
6
8
10
12
Small Small+ Middle Middle+ Corporate
Taxa
de
defa
ult (
%)
Taxa de Default por idade da empresa
0
5
10
15
20
25
ATÉ 1 1 - 2 3 - 4 5 - 7 8 - 14 > 14
Anos desde a fundação
Taxa
de
defa
ult (
%)
Risco de Crédito de MPEs
Risco associado aos donos da empresa
Finanças da empresa e dos sócios se confundem
Grande mortalidade de empresas nos primeiros anos de
vida
Informações financeiras nem sempre estão disponíveis
Menor qualidade de demonstrativos financeiros
Disponibilidade de informações comportamentais
Que informações são importantes para mensurar o risco de MPEs?
Informações comportamentais da empresa e de seus
sócios
Histórico de performance de crédito
Busca e utilização de crédito
Informações acerca do quadro social
Composição e alterações
Cadastro
Idade e ramo de atividade
Contribuição na avaliação de risco de MPEs
Cadastro da empresa
11%
Dados dos sócios34%Comportamento
da empresa46%
Informações negativas
9%
Que informações são importantes para mensurar o risco de MPEs?
Que metodologia de análise é mais adequada para as MPEs?
Requisitos:
Baixo custo operacional
Possibilitar uma análise rápida
Possibilitar padronização de processos
Conseguir ponderar de forma assertiva informações da
empresa e de seus sócios
Facilitar a aplicação de políticas de decisão e
estabelecimento de limites e condições comerciais
Quantificar o risco com precisão
Que metodologia de análise é mais adequada para as MPEs?
Modelos estatísticos de classificação de risco
Credit Scoring – pontuação
Credit Rating – escala ordinal de risco
O que são modelos estatísticos de classificação de risco?
Fórmulas matemáticas desenvolvidas a partir da experiência
observada em dados históricos que geram uma medida
associada ao risco de crédito
Critérios estatísticos – refletem a realidade presente nos dados
Ponderam a influência de cada informação disponível para gerar
a melhor forma de classificar o risco de crédito
Regressão Linear
Cada informação (variável preditiva) é mutitiplicada pelo seu
respectivo peso para obter a influência de cada informação
Resultados para cada variável são somados e acrescentados de
uma constante
332211 XbXbXbbScore o +++=
constante
variáveis pesos
Entendendo um modelo estatístico de classificação de risco
O que são modelos estatísticos de classificação de risco?
Objetiva separar o máximo possível as empresas que se tornarão inadimplentes das que são boas pagadoras
Entendendo um modelo estatístico de classificação de risco
Tabela de Pontuação (Scorecard)
Idade da Empresa
até 2 anos de 3 a 5 anos de 6 a 10 anos mais de 10 anos
Pontos -30 -10 0 20
Referências Negativas da Empresa
0 1-2 3-5 6-10 > 10
Pontos 30 -10 -30 -40 -70
Referências Positivas da Empresa
0 1-2 3-5 6-10 > 10
Pontos -20 20 30 50 60
Risco dos sócios
Baixo Neutro Alto
Pontos 40 0 -50
Constante 200
Entendendo um modelo estatístico de classificação de risco
Tabela de Pontuação (Scorecard)
Idade da Empresa
até 2 anos de 3 a 5 anos de 6 a 10 anos mais de 10 anos
Pontos -30 -10 0 20
Referências Negativas da Empresa
0 1-2 3-5 6-10 > 10
Pontos 30 -10 -30 -40 -70
Referências Positivas da Empresa
0 1-2 3-5 6-10 > 10
Pontos -20 20 30 50 60
Risco dos sócios
Baixo Neutro Alto
Pontos 40 0 -50
Constante 200
Entendendo um modelo estatístico de classificação de risco
Idade da Empresa
até 2 anos
de 3 a 5 anos
de 6 a 10 anos
mais de 10 anos
Pontos -30 -10 0 20
Referências Negativas da Empresa
0 1-2 3-5 6-10 > 10
Pontos 30 -10 -30 -40 -70
Referências Positivas da Empresa
0 1-2 3-5 6-10 > 10
Pontos -20 20 30 50 60
Risco dos sócios
Baixo Neutro Alto
Pontos 40 0 -50
Constante 200
Score = 200 – 10 + 30 +50 + 0 = 270
Regressão logística
É usada uma função que possibilita que o resultado seja
expresso em probabilidade de inadimplência
( )( )332211 XbXbXbbexp11iaInadiplênc de Prob.
o +++−+=
Entendendo um modelo estatístico de classificação de risco
Como o modelo é desenvolvido?
O que se deseja prever?
O que é uma empresa inadimplente?
Qual é o horizonte de predição?
Extração de uma amostra de dados históricos
Construção e tratamento de variáveis
Análise das variáveis
Estimação de pesos
Validação dos resultados
Ponto de observação
Período Histórico Período de desempenho
Hoje
• Dados cadastrais
• Dados dos sócios
• Dados comportamentais
• Informações financeiras
Empresasadimplentes
Empresasadimplentes
Empresasinadimplentes
Empresasinadimplentes
Variáveis preditivas
Desenvolvimento de modelo
Conceito de default
O que consideramos um mau pagador?
Eventos negativos: protestos, restrições financeiras e ações
Insolvência: falência, recuperação judicial ou extrajudicial
Atrasos: 30, 60 ou 90 dias
Qual é o horizonte de previsão?
6 meses
1 ano
Prazo do compromisso assumido
Exemplo de conceito de default Exemplo de conceito de default
Dívida Vencida com Instituições Financeiras há mais de 90 dias
Qualquer Tipo de Concordata, Recuperação Judicial e
Recuperação Extra-Judicial
Falência Decretada e Auto-Falência
Cesta de Eventos (+ de 10 pontos)
Peso
Falência requerida 5Ação 2Protesto 1Dívida vencida com empresa 1Cheque sem fundo 3
Peso
Falência requerida 5Ação 2Protesto 1Dívida vencida com empresa 1Cheque sem fundo 3
Conceito de default
Seleção da amostraSeleção da amostra
Representatividade estatística
Extração de forma aleatória
Amostra de bons e maus
Amostra para desenvolvimento
Amostra para teste
Amostra de dados
Construção de variáveis
Variáveis cadastrais
Representar as informações de forma numérica
Variáveis comportamentais
Sumarizar registros analíticos em variáveis relevantes
para crédito
Idade da empresa/Localização
Data de entrada dos acionistas/sócios/titular
Tempo de gestão dos administradores
Informações negativas da empresa,
participantes e ligadas
Pendências financeiras - dívidas vencidas e não
pagas
Informações sobre hábitos de pagamento
Dívidas vencidas e a vencer
Indicadores econômico-financeiros
Exemplos de Variáveis
Análise das variáveis
Que influência cada variável tem no risco?
Ex. Registros de consultas
Risco x Quantidade de Registros de Consultas
0
5
10
15
20
1 a 2 3 a 6 7 a 13 14 a 29 >=30
Registros de Consultas
Taxa
de
defa
ult (
%)
Estimação do modelo
Seleção de que variáveis são mais relevantes
Geração da fórmula matemática
Técnicas:
Análise discriminante
Regressão linear
Regressão logística
Modelos de sobrevivência
Redes neurais
Validação
Aplicação do modelo em outra amostra de dados
Cálculo da medida KS
-
20
40
60
80
100
Classe de risco
%
BOM _TES M AU_TES
KS=65%
Como o modelo é utilizado?
Implementação em sistemas
Classes de risco
Interpretação do resultado do modelo
Tomando decisões baseadas no resultado do modelo
Definição de políticas em função do risco
Monitoramento de resultados
Implementação
Coleta de informações
Programação da fórmula
Homologação
Integração com softwares de gerenciamento de
risco, políticas de decisão e limites
Definição das classes de Risco
Quantidade de classes
Distribuição das faixas de probabilidade
Classes de Risco
ESCALAA
ESCALAB
1
2
3
4
5
1
2
3
4
5
6
7
8
9
10
GRANULARIDADE DA ESCALAGRANULARIDADE DA ESCALA
Classes de Risco
P robabilidade de P robabilidade M é diaInadimplê nc ia (%) de Inadimplê nc ia (%)
1 0,00 a 0,50 0,252 0,51 a 1,00 0,753 1,01 a 1,50 1,254 1,51 a 2,00 1,755 2,01 a 3,00 2,506 3,01 a 4,00 3,507 4,01 a 5,00 4,508 5,01 a 6,00 5,509 6,01 a 8,00 7,00
10 8,01 a 10,00 9,0011 10,01 a 15,00 12,5012 15,01 a 30,00 22,5013 30,01 a 50,00 40,0014 50,01 a 99,99 70,00
P R O B AB IL ID AD E D E IN AD IM P L Ê N C IA
C las s e de R is c o
Escala utilizada pela Serasa
Interpretação do resultado
Score ou Rating podem ser convertidos em probabilidades de
default
Calibração de probabilidades em função de backtest na carteira
Classe de Risco Scores Default Não default Taxa de
Default4 1,6%
3,5%
5,4%
10,4%
22,1%
7,4%
32
98
122
73
1
329
246
872
1712
1056
257
4143
2
3
4
5
Total
801 – 1000
601 – 800
401 – 600
201 – 400
1 – 200
Decisões baseadas na classificação de risco
Conceder ou não
Prazos
Limites
Condições comerciais
Processo de decisão
Análise de rentabilidade
Classe de Risco Scores Faturamento Custo de
inadimplência
R$ 2.100.000 R$ 210.000
R$170.000
R$ 130.000
R$ 285.000
R$ 300.000
R$ 3.400.000
R$ 1.400.000
R$ 1.900.000
R$ 1.500.000
Demais Custos Margem
R$ 1.890.000 R$ 189.000
R$ 170.000
R$ 100.000
( R$ 95.000)
( R$ 150.000)
R$ 3.060.000
R$ 1.170.000
R$ 1.710.000
R$ 1.350.000
1
2
3
4
5
801 – 1000
601 – 800
401 – 600
201 – 400
1 – 200
Limites em função do risco
Risco
Nenhum limiteLimite alto
Limite como percentual de uma métrica de volume de
operações
Ex: faturamento líquido
Monitoramento dos modelos
Performance
O modelo continua separando bons de maus
pagadores?
Estabilidade
O perfil dos meus clientes ainda é o mesmo de quando
o modelo foi desenvolvido?
Considerações finais
Uso de ferramentas de mensuração de risco adequadas
associado à informações comportamentais de PMEs e de
seus sócios permite uma avaliação precisa do risco
Possibilita a empresa decidir que risco deseja assumir e
avaliando as relações de risco/retorno
Possibilita otimizar a rentabilidade do negócio