Este é o terceiro artigo de uma série relacionada ao desenvolvimento de scorecards e tipos de modelos de scoring. O primeiro artigo enfocou os conceitos de scoring e os diferentes tipos de scorecards. A Análise do Masterfile, que é a preparação da base de desenvolvimento de um scorecard, foi o foco do segundo artigo.

Esse terceiro artigo aborda a Análise de Segmentação (ou Split Analysis), que tem por objetivo estabelecer os benefícios potenciais obtidos com o desenvolvimento de múltiplos scorecards.

A Análise de Segmentação é geralmente feita  normalmente feitas para segregar áreas de negócios de maneira que elas possam ser tratadas de maneira diferenciada. Podem ser feitas, por exemplo, por produto, canal de originação, característica da operação, cliente novo versus cliente existente, veículo novo versus usado etc.

As razões para se efetuar as segmentações podem ser: 

• Histórica – a segmentação sempre forneceu bons resultados;
  
  
• Prática – em função de produtos ou negócios serem tratados em sistemas diferentes; ou
  
  
• Estatística – para obter avaliação de risco mais refinada, e com isso obter decisões mais assertivas (redução de perdas, incremento de receitas, maior rentabilidade).

Ao se identificar a segmentação ótima, é importante se levar em conta o tamanho relativo de cada segmento (ou subpopulação). Em linhas gerais, se recomenda que cada subpopulação represente no mínimo 15% da carteira, a menos que esta seja de volume considerável. Isso garante que os scorecards sejam estatisticamente representativos e robustos ao longo do tempo.  Além disso, pode não ser eficaz, da perspectiva de custo, desenvolver e implementar scorecards para subpopulações pequenas.

A separação em subpopulações deve ser justificada por uma diferença significativa no nível de risco de cada segmento. Isso garante que seja adequado ter diferentes scorecards para cada subpopulação. 

Como mencionado, o objetivo da Análise de Segmentação é estabelecer se há ou não benefício significativo, traduzido em maior discriminação de scorecard e/ou melhores resultados de aplicação do modelo, ao se ter mais de um scorecard. Isso é alcançado por meio do seguinte processo: 

Uma base de dados é criada contendo todas as informações disponíveis no momento da proposta. Todas as análises conduzidas no estágio de Análise de Segmentação são anteriores à obtenção de informações de crédito externas (Bureaus de Crédito). 

Um scorecard global (“Master”) é criado com a base de dados total e as medições de desempenho de scorecard são determinadas.  São elas: 

• Discriminação – mede a separação entre “bons” e “maus” clientes ao levar em conta a diferença dos scores médios e a quantidade de sobreposição dos bons e maus. Quanto maior a diferença nos scores médios e a menor sobreposição, maior a discriminação.  Esse índice se situa geralmente entre 0 e 5000.
  
  
• Gini – O coeficiente Gini mede a proporção de maus clientes aceitos em relação à proporção de bons clientes aceitos. O Gini pode abranger de 0 a 100 (100 é a situação ideal, embora inalcançável na prática).
  
  
• Estatística KS – O índice KS (Kolmogolov–Smirnov) mede a diferença máxima entre a percentagem cumulativa de bons e maus clientes.  A estatística KS pode abranger de 0 a 100 (100 é a maior separação possível, embora inalcançável na prática).
  
  
• Taxa de Maus (Bad Rate) – A taxa de maus para os diversos pontos de corte utilizados é identificada. 

A partir da base de dados total, são então criadas as segmentações, e cada subpopulação é avaliada para garantir que a força de predição dos dados de cada subpupulação é otimizada.

Os scorecards específicos para cada subpopulação são desenvolvidos, e as estatísticas acima mencionadas são novamente calculadas. Estas são comparadas com os índices do scorecard Master, e esse será o critério para definição se a segmentação aplicada será a escolhida.

Leia os artigos dos E-news dos próximos meses para mais informações sobre o desenvolvimento e teste de um scorecard.