Programas de premios de Tarjetas de Crédito: Comprendiendo tu modelo de riesgo | PwC Venezuela

8/7/2019 Programas de premios de Tarjetas de Crdito: Comprendiendo tu modelo de riesgo | PwC Venezuela

1/9

Espieira, Sheldon y Asociados

No. 16 - 2009

Boletn de Asesora Gerencial*Programas de premios de Tarjetas de Crdito:Comprendiendo tu modelo de riesgo

*connectedthinking

PginasiguienteCerrar Imprimir

PginaanteriorContenido
http://close/http://print/http://print/http://close/


2/9

Boletn Digital // No. 16 - 2009

ContenidoHaga click en los enlaces para navegar

a travs del documento

4 Introduccin

4 Necesidad de pronosticar

4Modelo de reembolso

4Evaluacin del modelo de reembolso

4Consideracionesnales

4 Crditos / Suscribirse

Haga click en los enlaces para llegar directamente a cada seccin


http://close/http://print/http://prevpage/http://prevpage/http://prevpage/http://print/http://close/


3/9

Introduccin

As como la competencia en la industria de las

tarjetas de crdito ha ido en aumento, el nmero

de programas asociados a la entrega de premios

por el nivel de consumo y la participacin delcliente en ellos sigue creciendo. Las tarjetas de

crdito y sus bancos patrocinadores, ofrecen una

gran variedad de premios que van desde viajesy descuentos hasta la acumulacin de crditos ypuntos canjeables por mercancas y tarjetas de

regalos.

Un elemento comn de estos programas, sonlos crditos o puntos recibidos por cierto monto

consumido o cargado a la tarjeta; sin embargo, los

beneciosqueseotorganporelcanjedeestos

crditos pueden ser adquiridos de diferentesformas, por medio de descuentos en locales

comerciales, abonos en efectivo al saldo deudorde la tarjeta, entre otros. Por una serie de razones,


las compaas que ofrecen estos incentivos debencomprender por anticipado el impacto y riesgo

nancieroquetienenlasfuturasactividadesy

costos de reembolso.

La mayora de las organizaciones han desarrollado

modelosnancierosparaayudarlesaestimarlos reembolsos futuros de esta actividad para

propsitosdereportesnancieros,ascomoparala medicin y monitoreo de la economa de sus

programas de premios. La economa de estos

programas incluye los costos de adquisicin de los

premios, la responsabilidad existente una vez queel tarjetahabiente gana el premio, el reconocimiento

de ingresos una vez que los premios han sido

canjeados y las indemnizaciones por premios

que no sean entregados. Este boletn describe las

consideraciones de riesgo clave para estos tiposde modelos de negocios y ofrece ideas para la

gestin de los riesgos.

Necesidad de pronosticar

Para estimar los reembolsos futuros en esta

actividadconnesderealizarreportesnancieros

y llevar a cabo una efectiva medicin y monitoreo

de la economa de los programas de premios, sepuede adoptar un modelo tpico de pronstico.

Pero antes de saber en que consiste este tipo demodelo, es importante tener conocimiento histricoacerca de su razn de ser.

Todas las organizaciones operan en una atmsfera

de incertidumbre, para muchas de ellas no essucientetomardecisionesqueafectenelfuturo

de la organizacin slo a partir de una proyeccin

dada por la experiencia o por los datos histricos

acerca del comportamiento futuro de un productoo de los clientes.

Boletn de Asesora GerencialProgramas de premios de Tarjetas de Crdito:

Comprendiendo tu modelo de riesgo




4/9

Necesidad de pronosticar (cont.)

Considerando el caso de las industrias de las

tarjetas de crdito, las tcnicas de pronstico que

pueden emplearse para complementar el sentido

y la capacidad administrativa de los que tomanlas decisiones son elementos de juicio en el

proceso de la generacin de un pronstico.

En los ltimos aos han ocurrido diferentes avancesenelreanancieraenestesentido,lamayorade

las tcnicas de pronstico usadas en la actualidad

fueron desarrolladas en ese periodo. A medida que

pasaba el tiempo, estas tcnicas fueron mejorandoy con la creacin de las computadoras y la

evolucin que han tenido en las ltimas dcadas, las

tcnicas de pronstico han recibido mayor atencin.

Es raro que los pronsticos coincidan al pie de laletra con el futuro, por ello, quienes pronostican solo

pueden intentar que los inevitables errores sean tan

pequeos como sea posible. No obstante, en los

ltimosaos,sehaincrementadolaconanzaen las tcnicas que abarcan una compleja

manipulacin de datos.

Modelo de reembolso

Ahora bien, las organizaciones que ofrecen

incentivos, como es el caso de las tarjetas de

crdito y sus bancos patrocinadores, deben

desarrollar modelos de pronstico para estudiarel comportamiento de la actividad de reembolso.

Seguidamente se describir un modelo tpico de

pronstico, tomando en cuenta los elementos enlos que se debe hacer mayor nfasis para medir laintegridad del modelo. En concreto, este modelo

consiste en el diagrama que se puede observar en

la Figura N 1.






Figura No. 1 Modelo t pico de pronstico de la actividad

de reembolso

Para visualizar la Figura No. 1

haga click en el icono.


5/9

Modelo de reembolso (continuacin

En este sentido, es necesario extraer, procesar

y cargar en el modelo de reembolso los datos

histricos de clientes sobre programas de puntos

ganados y canjeados, que pudieran provenir dedistintos sistemas de informacin del banco.

Durante la etapa de procesamiento de datos, se

recomienda que estos puedan ser agrupadosen grupos de clientes o segmentos basados enel comportamiento histrico de reembolso. El

modelo lgico, transforma los datos segmentados

y gestiona las hiptesis de manera de anticipar

las futuras tasas de reembolsos. Posteriormente,se emiten los reportes resumen de las tasas de

reembolso para la toma de decisiones.

Evaluacin del modelo de reembolso

Un componente de un modelo de reembolso es

que la entrada y procesamiento de los datos debe

ser evaluada desde la perspectiva de gestin de

riesgo. El objetivo de las actividades de gestin deriesgo en este mbito, es analizar la exactitud y

totalidad de los datos fuente. Es posible realizar

varias acciones para mitigar el riesgo de utilizardatos inexactos o incompletos.

Si existen diversos sistemas fuente de datos de

clientes con informacin sobre puntos ganados y

canjeados, se pudiese realizar una conciliacin depuntos por medio de cada sistema de datos fuente.

Automatizar las reglas de seguimiento de

excepcionestambinayudaaidenticarelementos

inusuales de los datos fuentes cargados en elmodelo de reembolso. Estas reglas, combinadas

con un mecanismo de retroalimentacin que






investiga y corrige la inexactitud y falta de datos,puede ayudar a asegurar que los datos utilizados

en el modelo de reembolso sean lo mas ntegro

posible. Debido a que la fuente de los datos puede

originarse de millones de registros, es posible quealgunos elementos de los datos se pierdan o estn

incompletos. Las reglas de negocio para lasustitucin de elementos faltantes (o inusuales) en

los datos, puede ayudar a mitigar los erroresocasionados por falta o escasez de informacin.

Lastcnicasdesegmentacinparaestraticarlos

datos de los clientes en grupos (o segmentos),ayudan a que el modelo de pronstico de

reembolso sea ms manejable, generalmente sin

sacricarlaprecisindelpronstico.Estoes

particularmente cierto cuando la estrategia de

segmentacin se apoya en anlisis histricos de laactividad de reembolso sobre una base continua.


6/9


(continuacin)

Por ello, mtodos estadsticos que cumplen con

estos criterios y que tienen capacidad para una

gran cantidad de datos, son las opciones quepueden tomarse en cuenta para llevar a cabo la

segmentacin de los datos histricos.

Un ejemplo de estos mtodos estadsticos son losAnlisis Discriminantes que se utilizan para separar

los datos acorde a las caractersticas provenientes

delasvariablesdenidasenelmodelo.Otros

mtodosqueseempleansonlaClasicacinporConglomeradosdondegrcamentese

puede observar la agrupacin por grupos o el

mtodo K-medias que realiza el mismo papel de

clasicadoryfuncionaparasegmentarlosdatos.

El desarrollo de software o programas de cmputo

diseadosespeccamenteparatratarenforma

directa diferentes mtodos de pronstico ha tenidoel mayor impacto en los modelos de pronstico.

Hay dos tipos de paquetes de cmputo de inters

para los pronosticadores:

1) Paquetes estadsticos que incluyen anlisis de

regresin y tcnicas, como las nombradas en la

parte anterior, que se utilizan con frecuencia en lospronsticos; y

2) Paquetes de pronstico diseadosespeccamenteparaaplicacionesdeestetipo.

Otrareaaconsiderarcuandoserealizala

evaluacin de riesgo, es el pronstico lgicopara el futuro de la actividad de reembolso. Una

metodologa bien documentada, incluyendo laidenticacinyjusticacindelashiptesisclave

y el uso de los datos histricos, puede servir para

reconocer y mitigar los riesgos potenciales. Porsupuesto, estas hiptesis dependen del estudio

que se est realizando, de las variables que se

estn tomando en cuenta y de lo que se espera

obtener, de acuerdo a la experiencia del grupoencargado de hacer la toma de decisiones. Por

otro lado, realizar el pronstico de las tasa de

reembolso depende tambin de los resultados

obtenidos. Se hace entonces la comparacin y lamedicin acorde a la experiencia que se tiene.

Considerar mtodos de pronsticos alternativos

puedeserbeneciosoparaidenticaryentenderposibles debilidades en la metodologa actual.

Aunque la metodologa siga siendo consistente

coneltiempo,laexibilidadenelmodeloayudara adaptar cambios futuros en las actividades ypreferencias de los clientes.







7/9


(continuacin)

Adicionalmente, pueden considerarse otras

medidas para revisar la integridad del modelo

incluyendo pruebas peridicas de tasas dereembolso pronosticadas versus tasas actuales,

as como anlisis de sensibilidad de las tasasde los pronsticos de reembolsos, cambios en

las hiptesis y en el modelo lgico. Revisionesindependientes del modelo y de la metodologa,

realizadas a cargo de terceros tambin puede

ayudar a las instituciones a mitigar los posibles

riesgos del modelo.

La salida del modelo de reembolso es otro mbito

que puede ser evaluado por el modelo de riesgo.

Un paso que puede realizarse, es una revisinsobre la razonabilidad del pronstico la cual puede

hacerse a travs de un anlisis de tendencias,

comparando las tasas de reembolso proyectadas

y las tasas de reembolso actuales. Informes degestin que contengan copia de los resultados de

las pruebas, descripcin de cambios en el modelo

y sus impactos, anlisis de sensibilidad; y un

estudio sobre las posibles debilidades del modelo,pueden ayudar a la Gerencia a entender mejor las

salidas y riesgos potenciales del modelo.

Consideracionesnales






As como aumenta la popularidad de losprogramas de premios, as tambin aumenta su

posible impacto sobre los reportes y ejecucin

nancieradelosbancos.Actividadesde

reembolsos anticipadas de los miembros delprograma y costos de reembolso esperados por

puntos, son estimaciones claves necesarias para

medir el desempeo de un programa de premios

ysuimpactoenlosestadosnancieros.Hemosofrecido ideas sobre como evaluar y mitigar los

posibles riesgos del modelo asociados con la

actividad de pronstico de reembolso, as como

tambin se han expuesto herramientas que ayudandurante cada etapa del desarrollo del modelo. La

adopcin de estas ideas y conceptos en el marco

de su gestin de riesgo y controles internos, puedeayudarle a obtener un mayor provecho con estasestimaciones.


8/9



2009. Espieira, Sheldon y Asociados. Todos los derechos reservados. PricewaterhouseCoopers se

reerealarmavenezolanaEspieira,SheldonyAsociados,osegnelcontexto,alareddermasmiembro de PricewaterhouseCoopers International Limited, cada una de las cuales es una entidad legal

separada e independiente. RIF: J-00029997-3

El Boletn Asesora Gerencial es publicado por la

Lnea de Servicios de Asesora Gerencial (Advisory)

de Espieira, Sheldon y Asociados, Firma miembro

de PricewaterhouseCoopers.

El presente boletn es de carcter informativo y no

expresa opinin de la Firma. Si bien se han tomado

todas las precauciones del caso en la preparacin

de este material, Espieira, Sheldon y Asociados noasume ninguna responsabilidad por errores u

omisiones; tampoco asume ninguna responsabilidad

por daos y perjuicios resultantes del uso de la

informacin contenida en el presente documento.

*connectedthinking es una marca registrada de

PricewaterhouseCoopers. Todas las otras marcas

mencionadas son propiedad de sus respectivos

dueos. PricewaterhouseCoopers niega cualquier

derecho sobre estas marcas

Editado por Espieira, Sheldon y AsociadosDepsito Legal pp 1999-03CS141

Telfono master: (58-212) 700 6666

Si desea suscribirse haga click en la barra





http://close/http://print/http://prevpage/http://prevpage/mailto:[email protected]://close/http://print/http://prevpage/http://prevpage/mailto:[email protected]://prevpage/http://print/http://close/


9/9


Figura No. 1 Modelo tpico de pronsticode la actividad de reembolso

Aumentar ImprimirRegresaral boletn

Extraccin de la

fuente de datos

Bs. F Cargado

Premios ganados

Valor de reembolso

Otros datos

Limpieza y

procesamiento

de datos

Datos

procesadosDatos

segmentados

Pronstico de tasas

de reembolso &

hiptesis sensitivas

Segmentacin

de datos

Pronstico

de reembolsoReporte

Segmento1

Segmento2

SegmentoN

Procesamiento

de los datos

Informes

de

gestin

Gestin dehiptesis

Modelo

lgico
http://print/http://print/

Documents

Programas de premios de Tarjetas de Crédito: Comprendiendo tu modelo de riesgo | PwC Venezuela