A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

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

Apresentações semelhantes


Apresentação em tema: "1 MODELOS DE PREVISÃO DE INSOLVÊNCIA Análise discriminante uni e multivariada, regressão linear e logística, score, rating e redes neurais Exemplos de."— Transcrição da apresentação:

1 1 MODELOS DE PREVISÃO DE INSOLVÊNCIA Análise discriminante uni e multivariada, regressão linear e logística, score, rating e redes neurais Exemplos de aplicação dos modelos: setor bancário e empresarial (pequena, média e grande empresa) Análise incorporando tipologias estratégicas, variáveis setoriais e informações restritivas e positivas

2 2 Agenda 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 3 Objetivos da Apresentação 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 4 Adequação à Política de Crédito 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 5 Política de Crédito 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 6 Identificação de Necessidades 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 7 Fluxo de informações AvaliaçãodeCréditoDadosEconômicofinanceiros InformaçõesComerciais Histórico do cliente na empresa Resultado da Análise

8 8 Informações necessárias para análise 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 9 Nível ótimo de inadimplência O 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 10 Risco 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 11 Modelo de Austin

12 12 Modelo de Austin - exemplo Setor Farmaceútico

13 13 Cadastro 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 14 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 15 Informações 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 16 Fontes 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 17 Dados 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 18 Avaliação Com base nas informações necessárias para análise de crédito e nas necessidades da empresa, cabe ao gestor de crédito avaliar a melhor 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 19 Vantagens de um sistema informatizado Agilidade no processo de decisão de crédito Padronização dos critérios de avaliação comercial e financeira Rápida adaptação dos critérios às mudanças no mercado / alterações na política de crédito / promoções de vendas Auditoria e Controle Níveis de delegação para aprovação Histórico de análises de crédito do cliente Base de dados centralizada

20 20 Ferramentas de Tecnologia Modelos de gestão de crédito (software) Modelos de gestão de crédito (software) Limite de Crédito Credit Rating Credit Scoring Sistemas Especialistas Hardware / Soluções de acesso Hardware / Soluções de acesso Acesso local Acesso via Web Acesso via celular (WAP, Palmtop ou Notebook)

21 21 Definições 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 22 Modelos de Previsão de Insolvência Análise univariada: Trabalhos centrados na previsão de índices financeiros tomados individualmente Análise multivariada: Trabalhos que fazem uso da análise discriminante múltipla, em que toma-se vários índices em conjunto.

23 23 Análise univariada – Evolução 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 24 Análise multivariada – Evolução Histórica (Marques, 1980) Índices baseados em dados de balanços: Altman, % 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, pequenas e médias empresas

25 25 Análise discriminante X Regressão 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 26 Tipologia Estratégica de Porter (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 27 Tipologia Estratégica de Porter (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 28 Modelo Limite de Crédito Definição Definição - 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.Aplicabilidade 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 29 Modelo Limite de Crédito Vantagens Controle de todas as operações de venda e da utilização dos limites de crédito aprovados Maior interação entre crédito e vendasDesvantagens Não adequado para empresas com grande número de clientes / características de varejo Requer revisão periódica dos limites de crédito Requer uma área de controle de crédito maior

30 30 Modelo Limite de Crédito Cadastrodeclientes AnálisedeCréditoDadosEconômicofinanceirosFaturamento Adm de Contratos Contas a receber InformaçõesComerciais Provedor de InformaçõesComerciais Pagamentos de faturas Aumenta o limite + Faturamento Diminui o limite disponível limite disponível - Histórico do cliente Valor do Limite de Crédito

31 31 Credit Scoring Definição Definição: 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.Aplicabilidade Empresas com grande número de clientes (bancos, cartões de crédito, telefonia, etc.)

32 32 Teste dos critérios de um Sistema de Credit Scoring Decisão corretaErro tipo I (α)Rejeitar Ho Erro tipo II (β)Decisão corretaNão rejeitar Ho Ha verdadeiroHo verdadeiro Erro Tipo I Erro 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 II Erro 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 33 Teste dos critérios de um Sistema de Credit Scoring Aprovado Reprovado Em análise voltar

34 34 Credit Scoring Determinístico Definição Definição - modelo baseado em regras de negócios elaboradas por especialistas em crédito, baseados em experiências de crédito anteriores.Aplicabilidade 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 35 Credit Scoring Determinístico Vantagens 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)Desvantagens 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 36 Credit Scoring Estatístico Definição Definição - 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.Aplicabilidade 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 37 Credit Scoring Estatístico Vantagens 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 clienteDesvantagens Requer informações internas sobre o comportamento comercial do cliente Dificuldades em refletir alterações no ambiente econômico e problemas setoriais Implantação lenta (solução customizada)

38 38 Modelo Credit Scoring Sistema de Crédito Credit Scoring Provedor de InformaçõesComerciais Aprovado Aprovado Reprovado Reprovado Em análise Em análise Histórico do Cliente na Empresa CPF ou Nome CNPJ ou Razão Social Valor da operação DadosEconômicofinanceiros InformaçõesComerciais Credit Scoring Estatístico

39 39Rating Definição Definição: 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 Empresas que operam com clientes corporativos de porte médio/grande (especialmente multinacionais)

40 40RatingVantagens Fácil interpretação das decisões de crédito por pessoas não familiarizadas com a avaliação de riscos e créditosDesvantagens Baixa confiabilidade das demonstrações financeiras devido à possibilidade de escolha de critérios contábeis e ao uso de práticas ilegais (Caixa 2)

41 41 Modelo Rating Sistema de Crédito Credit Rating 1- Reclassificação de Dem Financeiras 2- Nota para os índices financeiros 3- Nota para os índices comerciais 4- Somatório das notas Provedor de InformaçõesComerciais Rating de crédito Histórico do Cliente na Empresa CNPJ ou Razão Social Valor da operação DadosEconômicofinanceiros InformaçõesComerciais

42 42 Aplicabilidade dos modelos

43 43 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 44 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 45 Indicadores de Desempenho, 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 46 Indicadores de Desempenho e Qualidade do Sistema Desempenho Tempo de aprovação de cada análiseQualidade Inadimplência Atrasos nos pagamentos Necessidade de revisão manual do parecer Taxa de aprovações versus volumes analisados Perdas versus lucratividade

47 47 Controle e auditoria Controle 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 negócioAuditoria Vendas fora dos parâmetros (quantidade, valor e área da empresa que as originou) Revisão da análise dos créditos classificados como inadimplentes e incobráveis

48 48 Conclusão Não 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 49 Bibliografia Indicações para consulta / referências: CABRERA, Gustavo A. S. Um Modelo para Previsão de Insolvência no Sistema Financeiro, PUC-RJ, Rio de Janeiro, FICHMAN, Luis H. Construção de um Modelo de Predição de Insolvência Bancária baseado na Tipologia de Porter, PUC-RJ, Rio de Janeiro, 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, 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 50 Bibliografia Indicações para consulta / referências: STICKLEY, Clyde P. & WEIL, Roman. Contabilidade Financeira - São Paulo: Atlas, STICSU, Abraham Laredo. Desenvolvimento de um Sistema de Credit Scoring, Revista Tecnologias de Crédito SERASA.

51 51 Contato Luciano Quinto Lanz Profissional Tel. (21) Av. Presidente Vargas, 1012 – 4o andar – Centro Rio de Janeiro – RJ Pessoal


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

Apresentações semelhantes


Anúncios Google