ADVANCED ANALYTICS P-CHAIN OPCHAIN-BANK

OPCHAIN-BANK

ADVANCED ANALYTICS &

FINANCIAL ENTERPRISES MODELING

OPCHAIN-BANK

ADVANCED ANALYTICS

&

FINANCIAL ENTERPRISES MODELING

Bogotá, April 2019

P-CHAINOPTIMIZING THE VALUE CHAIN

OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING

2

ÍNDICE

1. ADVANCED ANALYTICS 1.1. ADVANCED ANALYTICS FRAMEWORK

1.2. STOCHASTIC ADVANCED ANALYTICS MODELLING

1.3. OPCHAIN-SAAM – A COGNITIVE ROBOT

1.4. OPTIMIZACIÓN FINANCIERA

2. GESTIÓN DEL RIESGO CORPORATIVO

2.1. OPTIMIZACIÓN ESTOCÁSTICA Y GESTION DEL RIESGO

2.2. ERM: ENTERPRISE RISK MANAGEMENT 2.3. ALM: ASSETS LIABILITIES MANAGEMENT

2.4. CONCENTRACIÓN DE ACTIVIDADES Y RIESGO FINANCIERO 2.5. BIO-RISK OPTIMIZATION

3. MODELAMIENTO FINANCIERO EN EMPRESAS INDUSTRIALES

4. COMMODITIES TRADING & RISK MANAGEMENT

5. LIQUIDACIÓN Y COMPENSACIÓN DE ACTIVOS Y PASIVOS 5.1. GLOBAL LIQUIDITY MANAGEMENT

5.2. CASH MANAGEMENT OPTIMIZATION

6. GESTIÓN DE RECURSOS HUMANOS

7. OPTIMIZACIÓN DEL PROCESO DE COBRANZA

7.1. PREVENCIÓN DEL PROCESO DE COBRANZA 7.2. MODELAMIENTO DEL CLIENTE

7.3. OPTIMIZACIÓN DEL PROCESO DE COBRANZA

8. LOCALIZACIÓN Y SELECCIÓN DE RECURSOS

8.1. BANK NETWORK OPTIMIZATION

8.2. EFICIENCIA OPERACIONAL

9. TRANSPORTE DEL EFECTIVO


3

OPCHAIN-BANK

ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING

1. ADVANCED ANALYTICS

1.1. ADVANCED ANALYTICS FRAMEWORK

Desde la publicación del libro "Compitiendo en Analytics", escrito por Tomas Davenport, las aplicaciones relacionadas con la Investigación de Operaciones, Minería de Datos, Inteligencia Artificial y el Modelaje

Probabilístico se han integrado bajo un nuevo nombre: Advanced Analytics (AA), que considera tres tipos de análisis: descriptivos, predictivos y prescriptivos. En la siguiente imagen presenta el concepto

dado por IBM para los tipos de aplicaciones de AA, en ella se puede notar que todas las aplicaciones relacionadas con la analítica avanzada están relacionadas con lo que anteriormente se denominaba

Investigacion de Operaciones (Operations Research).

1.2. STOCHASTIC ADVANCED ANALYTICS MODELLING

OPCHAIN-SAAM (Stochastic Advanced Analytics Modelling) es un conjunto de modelos (“suite”)

desarrollados DW para soportar aplicaciones de “Predictive Advanced Analytics” en: i) Empresas de consultoría y de producción de software científico,

ii) Departamentos de Analítica y Big Data en las grandes empresas iii) Aplicaciones de Analítica Avanzada Predictiva en PYMEs en la nube.


4

OPCHAIN-SAAM complementa los servicios ofrecidos por OPTEX Expert Optimization System

(OPTEX) para desarrollar modelos de Analítica Avanzada Prescriptiva integrándolos con modelos genéricos de Analítica Avanzada Predictiva.

1.3. OPCHAIN-SAAM – A COGNITIVE ROBOT

Como robot cognitivo OPCHAIN-SAAM: ▪ Tiene una base de datos de modelos de análisis prescriptivo avanzado

▪ Facilita al profesional de Advanced Analytics para incluir nuevos modelos ▪ Carga la base de datos de nuevos modelo de las plantillas de MS Word, MS-Excel y/o CSV archivos

▪ Integra los nuevos modelos con los viejos modelos por medio de una base de datos ▪ Escribe los algoritmos en múltiples lenguajes de computación

▪ Escribe algoritmos utilizando múltiples metodologías matemáticas

▪ Integra modelos en un nuevo algoritmo en un programa de computadora ▪ Genera el modelo de metadatos del sistema de información

▪ Genera automáticamente la interfaz de usuario para consultar los datos del usuario final ▪ Integra múltiples algoritmos para un proceso de análisis avanzado

▪ Genera la conectividad SQL automática a las bases de datos del usuario

Adicionalmente permite generar modelos de optimización matemáticas específicos para el cliente

usuario de SAAM.

1.4. OPTIMIZACIÓN FINANCIERA

Las posibilidades de optimización son muchas, algunas de ellas se presentan en el presente documento.

ADMINISTRACIÓN DEL RIESGO SERVICIO AL CLIENTEEFICIENCIA OPERACIONAL

OPTIMIZACIÓN EN EL SECTOR FINANCIERO

Trade Netting

Reduce el ciclo de liquidación y participantesReduce capital/colateral requerido para los participantes del mercado

Simplifica el proceso de liquidación

Collateral Optimization

Limita el financiamiento sin garantía/tesorería

Reduce los costos de financiamientoPermite a los clientes ejecutar más operaciones con las mismas garantías

Portfolio Optimization

Reduce el riesgo global/corporativoAsegura que el portfolio está en la frontera eficiente de riesgo vs. rendimiento

Proporciona los mejores rendimientos después de impuestos por su riesgo

Trade Crossing

Reduce riesgo a través de la reducción de las interacciones fuera de la organización

Reduce las tasas de cambioProporciona un mejor precio para las órdenes al ofrecer precios iguales o mejores que el spread

Portfolio Rebalancing

Reduce el riesgo del portafolio moviéndolo a la asignación deseada

Reduce costo de “rebalancing” y mejora velocidad de ajuste

Asegura que el cliente está en el sitio requerido

ALM: Assets and Liabilities

Management

Optimización del riesgo corporativo Reduce NPV de los pasivos

Reduce decisiones ciegas que conducen a necesidades de tesorería costosas

Asignación óptima de activos para atender el presupuesto del cliente

ATM Cash Management

Reduce el riesgo de quedarse sin dinero en efectivo

Reduce los costos de las entregas y de los costos de interés

Permite un mejor nivel de servicio a un menor costo

International Liquidity

Reduce el riesgo de sobregiros.Asegura que el dinero está donde se maximiza su valor

Servicio más barato para los clientes

Balance Sheet Optimization

Mejor cumplimiento de los requerimientos regulatorios

Maximiza el ROI a través de la composición del balance

ROI se divide entre los accionistas, la autofinanciación y los clientes

Derivatives Pricing

Proporciona mejores coberturas para un contrato de derivados y determina la porción no cubierta

Determina costos basado en los costes de fondeo y el riesgo inherente

Permite una mejor fijación de precios y cobertura de los contratos de derivados

Targeted Marketing

Reduce el riesgo de crédito (default) al distribuir el riesgo sobre las regiones

Maximiza el ROI para los contactos con los clientes

Mejora la satisfacción del cliente

Tax Planning

Reduce el riesgo de los activos “outliving”Navega tramos impositivos de manera eficiente

Incrementa la riqueza personal “wealth” y la seguridad de los ingresos

CVaROptimization

Incorpora el efecto de “cisnes negros” y a los eventos extremos en las decisiones de inversión

Determinar las coberturas más eficientes, aun en condiciones adversas.

Minimizar las pérdidas en situaciones extremas.

OPCHAIN-BANK corresponde a un conjunto de modelos matemáticos orientados a soportar las

decisiones de los diferentes agentes que participan en la cadena de abastecimiento de servicios

financieros.

2. GESTIÓN DEL RIESGO CORPORATIVO

La gestión del riesgo financiero está en el corazón de las aplicaciones de la ingeniería financiera moderna.


5

“La revolucionaria idea que define la frontera

entre los tiempos modernos y el pasado es la

maestría en el manejo del riesgo: la noción

que el futuro es más que un capricho de los

dioses y que los hombres y las mujeres no son

pasivos ante la naturaleza.

La esencia de la gerencia del riesgo yace en

maximizar las áreas donde tenemos algún

control sobre el resultado, mientras

minimizamos las áreas sobre las cuales no

tenemos absolutamente ningún control y el

vínculo entre causa y efecto es desconocido.”

Peter L. Bernstein

Against the Gods: The Remarkable Story of

Risk

2.1. OPTIMIZACIÓN ESTOCÁSTICA Y GESTION DEL RIESGO

Al lector interesado en este tema se le sugiere que lea:

▪ Stochastic Programming & Risk Management: Fundamentals

https://www.linkedin.com/pulse/stochastic-programming-fundamentals-jesus-velasquez/

STOCHASTIC OPTIMIZATION ENVIRONMENT

DETERMINISTIC MODEL

CORE

Scenario H

Scenario 1

Scenario 2

ARBOL DE DECISIONES DE MULTIPLES ETAPAS

t = 1 t = 2 t = 3 t = 4

..

..

.

DECISION PROCESSSTOCHASTIC PROCESS

RISK MANAGEMENTSOLUTION STRATEGY

STOCHASTIC MODEL

2.2. ERM: ENTERPRISE RISK MANAGEMENT

Enterprise Risk Management (ERM) es un enfoque riguroso para cuantificar y administrar los riegos,

de todas las fuentes, que amenazan el logro de los objetivos estratégicos de una organización; ERM identifica aquellos riesgos que corresponden a oportunidades que permiten explotar ventajas

competitivas” (Enterprise Risk Management, Tillinghast - Towers Perrins).

Existen varios tipos de riesgos que deben enfrentar las organizaciones; a continuación, la clasificación dada por Green and Figlewski (1999): i) Market Risk, ii) Credit Risk, iii) Liquidity Risk, iv) Operational

Risk, v) Legal Risk and vi) Regulatory Risk

Las razones para considerar ERM:

https://www.linkedin.com/pulse/stochastic-programming-fundamentals-jesus-velasquez/


6

▪ Externas: Aspectos regulatorios y/o reglamentarios orientados a proteger a los inversionistas y en

general a la sociedad ▪ Internas: Competitividad (es un buen negocio)

El ambiente en que se da ERM implica: regulaciones cambiantes, globalización de los mercados, incremento de la competencia, volatilidad de precios y nuevos instrumentos financieros.

2.3. ALM: ASSETS LIABILITIES MANAGEMENT

2.3.1. MARCO DE REFERENCIA

La Gestión de Activos y Pasivos (GAP), en inglés, Asset Liability Management (ALM), ha evolucionado desde poco antes de los inicios de la década de los ochenta y es en 1984, con el trabajo de Rene Stulz

(1984), que la literatura financiera recibe la primera teoría acerca de ALM y la amplia área que cubre.

ALM ha recibido tantas definiciones como significados tiene para diferentes personas. Para un

administrador, ALM es simplemente un protocolo de negocios; es un sistema donde las inversiones y los pasivos se manejan de forma tal, que ayuden a la organización a cumplir con sus objetivos de

solvencia. Para un estadístico, ALM significa técnicas estocásticas complejas que incluyen variables aleatorias y simulaciones computacionales convirtiéndose en un área altamente interesante de

investigación. Sin embargo, aunque existan diferentes definiciones de ALM hay un aspecto que

prevalece en todas y es la noción de analizar simultáneamente los activos y los pasivos, y la relación que existe entre ellos, de forma tal que los riesgos asociados no se traten de manera separada

(independiente).

Ahora bien, ALM se puede definir como el conjunto de técnicas utilizadas para analizar la relación

existente entre los activos y los pasivos de la compañía, en aras de ayudarlas a mitigar los riesgos del negocio. Por otro lado, ALM se define como la administración de activos y de pasivos soportada en

técnicas de optimización estocástica con la finalidad de obtener un retorno adecuado mientras se logra mantener un adecuado “surplus” de los activos más allá de los pasivos. ALM permite alinear los riesgos

del ambiente que se reflejan en el balance y el estado de pérdidas y ganancias, tanto del lado de los activos, como de los pasivos. En ALM, todos los riesgos de una organización se correlacionan entre sí,

de manera tal que la exposición total al riesgo que enfrenta la organización no se ve reducida, como

ocurre cuando se ignora las estructuras de correlación de los riesgos. Esto se logra al estructurar procesos de generación sintética de escenarios probabilísticos que son tenidos en cuenta en los

procedimientos algorítmicos propios de la optimización estocástica multi-etapa.

Para representar los procesos en los modelos ALM se tienen dos tipos de variables: inventarios y flujos

financieros. Las variables de inventario, o de balance, son análogas a las cuentas de balance contable, y representan el estado de la cuenta después de las transacciones en un período, por su parte las

variables de flujo son análogas a las cuentas de ingresos y egresos, y representan flujos netos ocurridos entre dos fechas, el comienzo y el fin de un período del horizonte de planificación. Se consideran tres

tipos de ecuaciones básicas para el modelaje de planificación de cuentas financieras: i) balance de

activos, ii) balance de pasivos, y iii) flujo de caja.

A las anteriores restricciones se adicionan ecuaciones para modelar diferentes aspectos del proceso de toma de decisiones como:

▪ Reglamentación ▪ Límites en inversión

▪ Formas de negociación

▪ Formas de los instrumentos financieros ▪ Benchmarks

▪ Valor en libros versus valor en mercado

Las metas del sistema se dirigen a desempeñar tareas tales como: simulación de balances y estados

de pérdidas y ganancias, análisis de sensibilidad, evaluación actual y futura, y modelaje dinámico de los estados financieros. Éstas funciones proveen los datos necesarios para que la administración pueda


7

alinear el lado de activos del balance con la distribución de pasivos y de capital; dicha alineación se

alcanza una vez la posición de riesgo se ha controlado.

ALMAssets & Liabilities

Management

ESTADO RESULTADOS BALANCE ACTIVOS Y PASIVOS FLUJO DE EFECTIVO

JUNTA DIRECTIVA

DECISIONES FINANCIERAS

Zenios (2002) afirma que “la administración de los estados financieros de las empresas está en el

corazón de Enterprise Risk Management (ERM) para lo que ALM proporciona instrumentos fundamentales en la administración y la medición de riesgos, los cuales son aplicables a ERM”. Es claro

que, para las instituciones financieras, la administración de los balances de una organización es parte

fundamental de ERM ya que ellos reflejan el riesgo del ambiente, por el lado de los activos, y la mayoría de los riesgos del negocio, por el lado de los pasivos. Alinear estos riesgos es la meta fundamental de

un sistema ALM, así que, éste absorbe parte de los problemas de ERM. En la actualidad, las herramientas para ALM están mejor desarrolladas que para ERM y además ALM tiene una visión más

enfocada de los riesgos que ERM. ALM se centra, en el lado de los activos, en los riesgos de mercado,

de crédito y de liquidez, y por el lado de los pasivos, en las volatilidades de los márgenes y de los costos”. En resumen:

▪ ALM alinea los riesgos del ambiente que se reflejan en el balance y el estado de pérdidas y ganancias, tanto del lado de los activos, como de los pasivos.

▪ ALM correlaciona todos los riesgos de una organización de manera tal que la exposición total al

riesgo que enfrenta la organización no se ve reducida, o aumentada, como ocurre cuando se ignora las estructuras de correlación de los riesgos

▪ ALM se define como la administración de activos y de pasivos soportada en técnicas de optimización estocástica con la finalidad de obtener un retorno adecuado. Esto se logra al

estructurar procesos de generación sintética de escenarios probabilísticos que son tenidos en cuenta en los procedimientos algorítmicos propios de la Optimización Estocástica Multi-Etapa

2.3.2. CASOS DE ÉXITO

La metodología matemática “estándar” para ALM es la programación estocástica con base en escenarios. Ejemplos de empresas usuarias, desde hace varias décadas, de ALM son:

▪ Tillinghast - Towers Perrins (14 países)

▪ American Re-Insurance ▪ Frank Rusell Co.

▪ Falcon Asset Management ▪ Yasuda Fire and Marine Insurance Co.

▪ USF&G ▪ Vancouver City Savings Credit Unión

▪ Pacific Financial Asset Management Company

▪ Tel Aviv´s Bank Hapolim ▪ Unilever


8

El caso de Yasuda Fire and Marine Insurance Co. es quizás el más conocido en la comunidad

financiera que utiliza modelos de programación matemática para gestionar los riesgos corporativos. Yasuda Fire and Marine Insurance Co. es una compañía de seguros japonesa creada en 1888. En

1991 contaba con 685 oficinas en Japón y 22 oficinas en el resto del mundo, y manejaba un total de

activos de 26.2 billones de dólares americanos. En 1991 era la segunda compañía japonesa de seguros y la quinta a nivel mundial. En 1988 contrató a la compañía australiana Frank Rusell Co. para que le

diseñará e implementará un modelo de planificación financiera que entró en operación en abril de 1991.

El objetivo del modelo fue Maximizar utilidades financieras esperadas en un horizonte de cinco años.

Las restricciones incorporadas son: ▪ Limitaciones en Asignación de Activos

▪ Políticas Internas de Manejo de Deuda ▪ Regulaciones Tributarias

▪ Políticas de Manejo de Riesgo

▪ Regulación Externa ▪ Otras Restricciones

En los dos primeros años el modelo matemático produjo ganancias del orden de USD 79’000.000.

INTERFACES 24:1 (1994). Por ejemplo, el modelo sugirió una mayor inversión en bonos y otros activos de renta fija y menos en stocks en activos de renta variable durante el período 1990 a 1992 en el que

ocurrió una desaceleración de alrededor del 63% en la bolsa japonesa. Mr. Kunihiko Sasamoto. Director

and Deputy President of Yasuda Kasai en 1994 afirmó: “The Rusell-Yasuda-Kasai model is at the core of all asset-liability work for the firm because the traditional models such as Markowitz mean-variance

cannot cope with the complexities of the business ... ”

Una ejemplo académico detallado de un modelo de planificación financiera ALM, desarrollado por DW,

para una empresa del sector seguros, se presenta en el documento ▪ Control de Riesgos Financieros Corporativos mediante Asset Liability Management

(ALM). Caso: la Industria de Seguros http://www.doanalytics.net/Documents/DW-DT-035-ALM-Fundamentos-Caso-Seguros.pdf

2.4. CONCENTRACIÓN DE ACTIVIDADES Y RIESGO FINANCIERO

El riesgo financiero corporativo se deriva de la concentración de los portafolios en las diferentes líneas de negocios y no de los riesgos individuales de cada en cada línea de negocio.

La concentración de un portafolio de negocios, o inversiones, en un segmento del mercado ha sido

identificada como una fuente importante de riesgo para las organizaciones de cualquier tipo. Los

acercamientos basados en la teoría de portafolios se han enfocado principalmente a la diversificación óptima de portafolios de instrumentos de financieros, para los cuales se puede obtener información

compatible con los modelos de Markowitz (1959). Tradicionalmente, los estudios basados en la teoría clásica de portafolio tratan el problema de concentración indirectamente, ya que su principal

http://www.doanalytics.net/Documents/DW-DT-035-ALM-Fundamentos-Caso-Seguros.pdf


9

preocupación es la diversificación de los activos a través del conocido esquema “mean-variance”, pero

sin proporcionar una medida de concentración clara, ni una relación explícita con el riesgo del portafolio. En el caso de riesgo de crédito, típicamente, los agentes aplican técnicas de calificación basadas en la

opinión de expertos sobre el grado de concentración en diferentes segmentos para obtener un indicador

de la concentración de crédito. El número obtenido vale en términos cardinales y jerárquicos, pero no corresponde a una medida directa del riesgo que pueda ser traducida en pérdidas potenciales o en

"Value-at-Risk" (VaR) (Márquez Diez-Canedo J., 2002). El documento describe dos tipos de modelamiento mediante la formulación de:

1. Medidas de concentración basadas en el indicador Herfindahl-Hirschman (Tirol 1995, Shy 1995);

2. Modelos de optimización que permitan determinar la mejor distribución del portafolio en términos de la concentración de riesgos.

Cualquier portafolio, independiente del tamaño de los riesgos, pueden mostrar excesiva concentración

en cualquier dimensión, si las probabilidades de pérdidas están altamente correlacionadas, o si se

correlacionan significativamente en circunstancias técnico-socio-económicas adversas; por lo tanto, la obtención de una buena medida ex-ante de concentración es difícil por varias razones:

1. Se debe identificar los segmentos (dimensiones, clases o tipos de concentración) que son relevantes en una situación en particular (por ejemplo: sectores económicos, regiones geográficas,

sexo, edades, profesiones, divisas, acciones, productos agrícolas, líneas de negocio, … , etc.); 2. Se debe definir la correlación de los riesgos financieros entre los diferentes segmentos

3. Es necesario decidir la jerarquía entre las dimensiones: por ejemplo, qué es más importante: ¿el

nivel o la ubicación del riesgo, o ambos son igualmente importantes ?

El análisis matemático demuestra lo que ya sabe la racionalidad humana: “no se ponen todos los huevos en una sola canasta”, o sea a mayor concentración mayores riesgos corporativos. Para revisar

el análisis matemático, se sugiere revisar el paper:

▪ “Enterprise Risk Management: Suficiencia de Reservas de Capital y Concentración y Optimización del Riesgo Corporativo en Portafolios de Seguros” (Velásquez 2003),

http://www.doanalytics.net/Documents/DW-DT-006-03-VaR-Concentracion.pdf).

2.5. BIO-RISK OPTIMIZATION

Uno de los riesgos importantes en los que se involucran las empresas financieras está asociado con los

préstamos para procesos productivos del sector bio-industrial, los cuales se ven seriamente afectados por las condiciones hidro-climáticas cuya volatilidad esta aumentado como consecuencia del

calentamiento global que está ocurriendo en nuestro planeta. Esta situación conlleva que se deban evaluar y gestionar los riesgos asociados a este tipo de industrias, cuyos estados financieros dependen

en buena parte del clima.

Estados Financieros

Simulados:Balance

P Y GFlujo Caja

VaR

ENOSProyección

Variables Hidro-ClimáticasEventos Extremos

POPOptimización

de la Siembra


Management

DEM/MKTProyección

Variables FinancierasVariables de Mercado

Producción Esperada:

Plan de la Siembra

Plan de Cosecha

ÁRBOL DE DECISIONES

DE DOS ETAPAS

Decisiones

AQUÍ Y AHORA

Decisiones

Operación Simulada

PLANNING OF SOWING- RISK MANAGEMENT

La metodologías para resolver este problema ya son bien conocidas y están relacionadas con:

http://www.doanalytics.net/Documents/DW-DT-006-03-VaR-Concentracion.pdf


10

▪ Decisiones Industriales: modelos de optimización estocástica por escenarios que determinan la planificación de la siembra y de la cosecha. Es un modelo típico de producción acoplado a un

modelo ALM del productor.

▪ Decisiones Entidad Financiera: modelos para análisis de concentración de riesgo que controlen

los niveles asociados a la suma del portafolio de préstamos que realiza la entidad financiera en los diferentes segmentos: zonas, productos, ….

3. MODELAMIENTO FINANCIERO EN EMPRESAS INDUSTRIALES

Enterprise Wide Optimization (EWO) está asociada a la evolución natural de los modelos de

planificación de las industrias; los cuales con el tiempo van integrando las diferentes funciones administrativas de la organización. EWO implica modelos matemáticos dinámicos que evolucionan de

la misma manera cómo la empresa evoluciona.

Estos modelos pueden ser construidos como la unión de los modelos existentes que se asocian con una

función de planificación dentro de la organización, estos modelos son: i) Supply Chain Management (SCM), ii) Sales & Operations Planning (S&OP) and iii) Integrated Business Planning (IBP). El siguiente

diagrama, adaptado de un diagrama incluido en el paper digital “Beyond Supply Chain Optimization to Enterprise Optimization" (Shapiro J., 2006) permite para visualizar los conceptos

expresados.

SCM: Supply Chain Management

ModelS&OP: Sales & Operations Planning

Model

IBP: Integrated Business Planning Model

OPCHAIN-S&OP-ALM corresponde a un conjunto de modelos matemáticos orientados a soportar de las decisiones financieras de los empresas que participan en las cadena de abastecimiento de productos


11

industriales; es parte de lo que hoy se denomina “Enterprise Optimization” como el siguiente paso a

“Supply Optimization”


Management

ESTADO RESULTADOS BALANCE ACTIVOS Y PASIVOS FLUJO DE EFECTIVO

JUNTA DIRECTIVASISTEMA PRODUCTIVO

DECISIONES FINANCIERAS

HIPÓTESISPRODUCCIÓN & VENTAS

La integración de la planificación financiera con la planificación de ventas y de producción conlleva la gran ventaja de tener una mirada holística del negocio desde el punto de vista financiero, que es el

centro de las decisiones de la empresa. Las decisiones adicionales que se pueden manejar en estos

modelos son: ▪ Manejo fiscal (dividendos, repatriaciones de capital, pago/pre-pago de pasivos, …)

▪ Estructura de capital, activos y pasivos ▪ Estructura del capital de trabajo

▪ Optimización de la tesorería y del flujo de caja ▪ Precios de transferencia

▪ Gestión corporativa de riegos financieros

Para completar el contenido de esta sección se invita al lector a consultar el siguiente paper: ▪ Enterprise Wide Optimization – Integrated Financial & Industrial Operations Planning

https://www.linkedin.com/pulse/enterprise-wide-optimization-financial-industrial-jesus-velasquez/

4. COMMODITIES TRADING & RISK MANAGEMENT

CAPITAL DE TRABAJO

COSTOSMARKETING & VENTAS

METAS VENTAS

TESORERÍA

CUENTAS x

PAGAR

CUENTASx

COBRAR

WORKING CAPITAL & TREASURY OPTIMIZATION

https://www.linkedin.com/pulse/enterprise-wide-optimization-financial-industrial-jesus-velasquez/


12

En general los “commodities” (bienes genéricos que no tienen diferenciación entre sí; normalmente cuando se habla de commodities, se habla de materias primas o bienes primarios (trigo, petróleo,

electricidad, … ) se negocian en varios tipos de mercados: i) spot, a la “vista”, ii) derivados financieros,

iii) contratos bilaterales y iv) mercados secundarios (de segunda negociación, por ejemplo, excedentes).

Los derivados financieros son un instrumento financiero de cubrimiento de riesgo cuyo valor depende directamente del valor de otro activo denominado subyacente. Los activos subyacentes, sobre los que

se crea el derivado, pueden ser acciones, títulos de renta fija, divisas, tasas de interés, índices

bursátiles, materias primas y energía, entre otros. Los derivados financieros estandarizados son contratos en los que las características como el activo subyacente, el tamaño del contrato, la fecha de

vencimiento y el método de liquidación están predeterminadas; estos derivados pueden ser transados por medio de una bolsa de valores y su compensación y liquidación es realizada por una cámara de

compensación (clearing house).

Los instrumentos comúnmente negociados son: futuros, forwards, opciones y swaps. Los contratos

bilaterales dependen de las condiciones acordadas entre el comprador y el vendedor y también se denominan derivados OTC (Over The Counter). La función de los derivados financieros es el

cubrimiento de riesgo por parte de los agentes del mercado.

A continuación, se describe el modelamiento realizado para los sistemas de soporte de denominados

ETRM (Energy Trading and Risk Management), con una aplicación especifica al mercado de la

electricidad que se denomina OPCHAIN-ETRM, el cual corresponde a un conjunto de modelos

matemáticos orientados a apoyar las decisiones de los diferentes agentes implicados en los mercados de electricidad.

La entrada principal de un ETRM es la proyección de series sintéticas de los precios spot, dos modelos

están disponibles para ello: ▪ E&G-SPOT: modelo técnico-económico que determina los precios en un mercado de energía con

base en la simulación de la operación del sistema. Se requiere para evaluar

▪ GARCH-SPOT: Modelo estadístico de precios utilizando metodologías S-ARIMAX-GARCH tomando como referencia a serie de precios históricos del lugar. Para ser utilizado en tiempo real

o en el pronóstico a corto plazo.

ENERGY TRADING & RISK MANAGEMENT OPTIMIZATION

INFORMATIONSYSTEM

OPCHAIN-E&G

0

20

40

60

80

100

120

140

160

180

200

01/07/2014 01/07/2016 01/07/2018 01/07/2020 01/07/2022

$/KW

h

PRECIO SPOT

Plants DispatchSynthetic Series

INFORMATIONSYSTEM

OPCHAIN-ETRMEnergy Trading & Risk Managemoent

PORTFOLIO DECISIONS

INVESTMENTS DECISIONS

INFORMATIONSYSTEM

Statistical Model – S-ARIMAX-GARCHSpot Price

Spot Price Statistical Model

Spot Price Synthetic Series

El resultado de un análisis de riesgo es la definición de las curvas de Pareto de riesgo versus ingresos/coste esperado, esta información debe ser procesada por el decisor que debe asumir su

posición con respecto al riesgo.


13

Costo Esperado Vs. Rango Costo Esperado

-900000

-600000

-300000

0

300000

600000

-241107 -108007 -37911 -18412 7618 24330 29027 33527

C o sto

Esperado

($ )

R ango

($ )

EXPECTED COST vs RANGE OF COSTS

EXPECTED COST($)

RANGE($)

5. COMPENSACIÓN DE ACTIVOS Y DE PASIVOS

5.1. GLOBAL LIQUIDITY MANAGEMENT

OPCHAIN-GLM es un modelo orientado a soportar la función Global Liquidity Management (GLM)

está relacionada con la compensación integrada de los requerimientos y de la disponibilidad de los activos y de los pasivos corrientes de una empresa, financiera o no; la cual puede operar

financieramente en una sola región, haciendo uso de una sola moneda, o en múltiples regiones haciendo uso de múltiples monedas.

Los beneficios derivados de planificación integral de la liquidez son: ▪ Estrategia de cubrimiento centralizado

▪ Visibilidad de la exposición total ▪ Reducción de los costos de cubrimiento y de exposición al riesgo

▪ Reducción de los costos del procesamiento de pagos

La alternativa es la gestión individualizada por región lo que necesariamente conllevará mayores costos

financieros y posiblemente mayores costos operativos.

Managing Working Capital Globally. Trends in Today’s Markets

Robin Veariel et al., Bank of America Merrill Lynch

GLOBAL LIQUIDITY MANAGEMENT

5.2. CASH MANAGEMENT OPTIMIZATION


14

OPCHAIN-CMO es un sistema de planificación orientado a optimizar y soportar la toma de decisiones

de la administración del efectivo y de su transporte, entre sucursales, cajeros automáticos (ATMs), centrales de efectivo y clientes del Banco. Los usuarios típicos son los bancos y entidades financieras y

en menor medida los transportadores de valores.

CASH MANAGEMENT OPTIMIZATION

CLIENTES

TRANSPORTADORAS DE VALORES

SUCURSALES

CAJEROS AUTOMATICOS

COMPRA/VENTA DE EFECTIVO

TESORERIAENCAJE

FONDOS DE EFECTIVO/BOVEDAS

BANCOREPUBLICA

OTROSBANCOS

ADMINISTRACION DE EFECTIVO

Los objetivos son:

▪ Garantizar que el efectivo del Banco sea administrado de manera ágil y eficiente, obteniendo

ahorros en el transporte y en el procesamiento de este. ▪ Gestionar el aprovisionamiento y la recolección del efectivo en las sucursales, clientes y ATM’s, de

manera ágil, oportuna y eficiente. ▪ Realizar el pronóstico y/o predicción para el aprovisionamiento oportuno y eficiente de las

sucursales del banco, fondos y ATM’s del Banco. ▪ Proveer las herramientas tecnológicas y funcionales necesarias que permitan administrar el efectivo

de las sucursales, ATM´s, clientes y fondos del banco, optimizando el número de viajes realizados

por las transportadoras de valores, el uso de denominaciones, calidades de billetes y el pronóstico de aprovisionamiento.

▪ Generar y garantizar el envío de informes que permitan evidenciar al Banco la trazabilidad y el estado del proceso en cada una de sus etapas y el comportamiento de los indicadores de gestión

para asegurar el cumplimiento de los niveles de servicio.

▪ Gestionar apropiadamente las reservas para encaje den banco los diferentes sitios donde pueden estar almacenadas (Banco Central, ATMs, … )

Para enfrentar el problema se requiere la siguiente información:

▪ Proyección de demanda de efectivo localizada

▪ Localización de inventarios de efectivo ▪ Costos y contratos de transporte

6. GESTIÓN DE RECURSOS HUMANOS

El problema de gestión de recursos humanos es común en el sector financiero, una de las razones principales se debe a la volatilidad de la demanda de servicios financieros que cambia estacionalmente

con los meses, los días de la semana, los días del mes. Su solución está asociada a resolver las

siguientes preguntas: ▪ Cómo operar las sucursales y puntos de atención al público para maximizar las ganancias del

Banco? ▪ Cómo operar las sucursales para maximizar la calidad del servicio al cliente?

▪ Se debe aumentar o disminuir la planta de personal? ▪ Cómo distribuir óptimamente el personal en las sucursales?

▪ Cuáles funciones debe cumplir cada empleado?


15

▪ Cómo atender los picos de demanda?

Desde el punto de vista de OPCHAIN-BANK la gestión de recursos humanos está soportada por cinco

(5) modelos matemáticos especializados que soportan al banco en la toma de decisiones óptimas para

la estrategia, la táctica y la operación. Un modelo está orientado al conocimiento del proceso estocástico que rige el comportamiento de la demanda y cuatro modelos a la planificación de la cadena de oferta

(abastecimiento) de efectivo. Estos modelos son: ▪ DEM: Caracterización probabilística del comportamiento de la demanda de servicios que deben

atender las sucursales bancarias

▪ LAY: Diseño óptimo de una sucursal, o de un conjuntos sucursales, de acuerdo con la demanda que debe atender.

▪ PTA: Optimización de la contratación de recursos humanos para el mediano/largo plazo. ▪ POD: Programación de las asignaciones de personal (roles) a las sucursales para atender la

demanda de corto plazo.

▪ APS: Asignación de personas para atender la planificación realizada en el modelo anterior.

7. OPTIMIZACIÓN DEL PROCESO DE COBRANZA (DEBT COLLECTION OPTIMIZATION)

El proceso de cobranza (Debt Collection Optimization, DCO) en las empresas, y principalmente, en la

empresas financieras, se puede dividir en dos pasos: ▪ Actividades preventivas: previas a que se genere el default del cliente

▪ Actividades de cobranza: relacionadas con la actividad de cobranza una vez se genera el default.

Este proceso es propio de la Analítica Avanzada Predictiva, soportada en las siguientes metodologías

matemáticas: Machine Learning, Artificial Neural Nets y Advanced Probabilistic Models. Este proceso se lleva a cabo con el robot de analítica avanzada predictiva OPCHAIN-SAAM, el cual integra varios

algoritmos orientados a soportar el proceso de capitalizar la información que se encuentra en las bases de datos a las que puede acceder la organización.

El proceso no se puede reducir a un solo modelo que se ejecuta y directamente produce los resultados; por lo tanto, el proceso integra múltiples pasos, que si bien se pueden sistematicas, dependen de cada

tipo de negocio.

Para información acerca de los algoritmos que integran OPCHAIN-SAAM se invita al lector a consultar:

▪ Stochastic Advanced Analytics Modeling - OPCHAIN-SAAM https://www.linkedin.com/pulse/stochastic-advanced-analytics-modeling-opchain-saam-jesus-

velasquez/

7.1. PREVENCIÓN DEL PROCESO DE COBRANZA

El objetivo de la metodología es responder las siguientes preguntas:

▪ Cuáles son patrones de comportamiento de las personas/empresas que reflejan características que las definan como propensas a incurrir en default en el corto plazo (en 1 año, en 6 meses, … ).

▪ Cuál es la probabilidad de que una empresa entre en default de acuerdo con las variables que sean identificadas que caracterizan el contexto histórico y la situación actual de las personas/empresas.

Los actividades asociadas al proceso son:

1. Obtención y Análisis de las Bases de Datos

2. Diseño del Modelo de Metadatos

3. Carga Bases de Datos

i) Base Datos Relacional ii) Tablas de Trabajo Tipo Panel

4. Caracterización de Clientes

https://www.linkedin.com/pulse/stochastic-advanced-analytics-modeling-opchain-saam-jesus-velasquez/

https://www.linkedin.com/pulse/stochastic-advanced-analytics-modeling-opchain-saam-jesus-velasquez/


16

i) Análisis de Anomalías (Anomaly Detection)

ii) Análisis de Eficiencia Operacional (Data Envelopment Analysis, DEA) iii) Segmentación (Clustering)

iv) Identificación (Machine Learning, ML)

▪ Support Vector Regression, SVR, ▪ Advanced Probabilistic Models, APM

v) Clasificación

5. Modelamiento de clientes

i) Modelamiento Markoviano Dinámico

El diagrama presenta el flujo de datos y de modelos en los cuatro primeros pasos, cuyo resultado final es evaluar el impacto en el proceso de recuperar la cartera de préstamos que tienen la entidad

financiera.

SyndicatedDatabases

ENTERPRISEDatabase

OthersDatabases

Meta-Data Model Design

LoadingInformation System

Operational EfficiencyData Envelopment

Analysis

ClusteringSegmentation

Anomaly Detection

Market CharacterizationClients – Competitors

by Segment

Historical DataSegment

Classification

Model IdentificationSegment of New Data

New Data Base

ClassificationNew Clients

Bottom-Up ForecastingMarket Variables

Multi-Product by Segment

Segments

Clean/Work Data Base

Original Data Base

SegmentsHistorical Clients

Identification Math Model

SegmentsNew Clients

ImpactMath Model

ImpactNew Clients

ML

DEA

MP

ML: Machine LearningPM: Probabilistic Models

DEA: Data Envelopment AnalysisMP: Mathematical Programing

MLPM

MLPM

ML

7.2. MODELAMIENTO DEL CLIENTE

Si aplica, posteriormente a la caracterización de los clientes, se puede definir políticas de manejo del

cliente con la finalidad de “optimizar” la relación empresa-cliente, la cual puede enfrentarse desde dos puntos de vista:

▪ Maximizar el valor del cliente para la organización

▪ Maximizar un indicador de la experiencia del cliente con la organización. Es posible que los dos anteriores criterios no marchen en la misma dirección.

El modelamiento apropiado para este caso es basado en el modelamiento de Cadenas de Márkov y de

Procesos markovianos de decisión.


17

STATE TRANSITION DIAGRAM FOR A MARKOV CHAIN MODEL

STATE TRANSITION MATRIX

DEFAULT

CHURN

La metodología se centra en el modelamiento Markoviano del sistema, para ello se identifican los

potenciales estados en que se puede encontrar un cliente en un periodo t y las probabilidades de las transiciones que puede realizar en el periodo t+1. Por ejemplo, en el diagrama siguiente se pueden

definir dos estados de salida del sistema: 7 entra en default definitivo y 8 no entra en default y se va del banco. La definición de los estados es un proceso importante ya que está vinculado en los diferente

tipos de clientes y en su manejo.

El anterior modelo corresponde a un modelo estático en el cual la entidad financiera no puede realizar

acciones para cambiar las probabilidades, para incorporar las decisiones del banco, se puede ajustar la metodología definiendo un Markov Chain Decision Process (MCDP), hoy en día también conocidos

como Reinforcement Learning, que permite incluir la dinámica de él proceso de prevenir el default del cliente.

El siguiente diagrama describe un MCDP en el que se tienen: 1. Tres estados para un cliente: S1 (first time), S2 (repeated purchase) y S3 (loyal customer).

2. Para cada estado se definen las acciones de control del decisor, así para cada estado: ▪ S1: special offer or nothing

▪ S2: club membership or nothing

▪ S3: nothing 3. Para cada decisión se tienen probabilidades de transición y remuneraciones diferentes.

El objetivo del modelamiento es implementar un modelo que maximiza a corto/largo plazo las ganancias

del decisor.


18

MARKOV CHAIN DECISION PROCESS(REINFORCEMENT LEARNING)

7.3. OPTIMIZACIÓN DEL PROCESO DE COBRANZA

El proceso de la cobranza se soporta en la en un modelo de optimización que asigna los recursos de cobranza de forma tal de maximizar el valor de la cartera en proceso de cobranza. Cada tipo de cliente,

y de acuerdo con el tiempo que lleva en el estado de cobranza, será objeto de asignación de recursos de cobranza teniendo en cuenta una función objetivo que considera: i) el monto de la deuda, ii) la

probabilidad de recuperación teniendo de un porcentaje de la deuda.

Como se presenta en el diagrama, parte del trabajo de la analítica descriptiva está orientado a soportar

los modelos de la analítica prescriptiva.

DEBT COLLECTION OPTIMIZATION

CALIBRACIÓN

MODELOS

MARKOVIANOSOPTIMIZACIÓN

PROCESOS

MARKOVIANOSMODELO

DECLASIFICACIÓN

(SEGMENTACIÓN)

DATOS HISTÓRICOS

MODELAJE

CLASIFICACIÓN

CLIENTES

DATOS ACTUALESESTADO DEL SISTEMA

MATRICES DE

TRANSICIÓN DE ESTADO

DATOS HISTÓRICOS

ASIGNACIÓNDE

RECURSOSCOBRANZA

8. LOCALIZACIÓN Y SELECCIÓN DE RECURSOS

8.1. BANK NETWORK OPTIMIZATION

Modelo orientado a establecer la red óptima de activos fijos (instalaciones) de los bancos: oficinas y

ATMs. Su uso es importante para tomar las siguientes decisiones:


19

▪ Localización de nuevas instalaciones

▪ Relocalización de instalaciones La segunda decisión es típica de los procesos de compra/unión de bancos que ya tienen su propia

infraestructura y que al unir las dos redes bancarias pueden presentar sobredimensionamiento de la

red bancaria conformada por: oficinas, ATMs, Puntos de pago, …

i1

i5

i2

i3

i4

j1

j9

j10

j8

j6

j7

j4 j5

j3

j2

Nodos de Oferta

Sucursales, ATM, … Nodos de demanda

Población

LOCALIZACIÓN OFERTA – DEMANDA – DISEÑO DE LA RED

i1

i5

i2

i3

i4

j1

j9

j10

j8

j6

j7

j4 j5

j3

j2

Nodos de Oferta

Sucursales, ATM, … Nodos de demanda

Población

LOCALIZACIÓN OFERTA POSIBLE - DEMANDA ASIGNACIÓN ÓPTIMA - DEMANDA

El proceso de optimización implica la vinculación de la demanda de servicios financieras con los posibles sitios donde se pueden, o están ubicados, los activos (localidades) desde donde se puede atender la

demanda.

El estudio de la demanda implica la suma de dos demandas: i) local: que es propia de la zona, y ii) la foránea. Estos datos corresponden a otro modelo que se debe implementar.

8.2. EFICIENCIA OPERACIONAL

El análisis no paramétrico de eficiencia DEA (Data Envelopment Analysis) fue desarrollado por Charnes, Cooper y Rhodes en 1978 (Charnes et al., 1978) y ha sido utilizado para estimar la eficiencias de DMUs

sobre diversos campos de aplicación, como puede observarse en el trabajo publicado por Cooper et al.

en 1999. DEA es un modelo de medición de eficiencia, apoyado en técnicas de programación lineal, que tiene como objetivo evaluar la eficiencia relativa de diferentes DMUs homogéneas. La aplicación

de un modelo específico para cada DMU evaluada, obtener una medida de la eficiencia para cada una de ellas.

La idea básica de DEA es determinar la eficiencia relativa de una DMU (una sucursal, un ATM, un gerente, un punto de pago, … ) a partir del análisis de datos (muestras) de múltiples DMUs que pueden

ser comparables. Para analizar la eficiencia de una DMU en particular, ésta se considera relativamente eficiente si ninguna otra DMU es capaz de producir un nivel superior de outputs utilizando los mismos

inputs, o de producir el mismo nivel de output a partir de un menor nivel de inputs. Así, se podrá distinguir en principio aquellas unidades que se comportan de forma eficiente de aquellas que no lo

son, de forma que las unidades eficientes definen la “frontera eficiente”.

La frontera eficiente corresponde a la menor envolvente convexa (convex hull) que contiene todos los

datos de las DMUs; las DMUs que quedan sobre la envolvente son eficientes en el sentido que no existe una experiencia real (datos) que indique que para el input dado/consumo que puede producir

un mayor output/producción. En la gráfica se puede observar que las DMUs L5, L6 y L7 son

ineficientes ya que visualmente se identifican mejores posibilidades de uso de los recursos de dichas DMUs; por ejemplo, el área limitada por las líneas rojas implica posibilidades mejor uso de los recursos

(“inputs”) utilizados por la DMU L5.


20

0

1

2

3

4

5

6

7

8

9

0 1 2 3 4 5 6 7 8 9 10 11

Input

Out

put

L1

L2

L3

L4

L5

L6

L7

DEA: DATA ENVELOPMENT ANALYSIS

EFFICIENT FRONTIER

INPUT

OU

TP

UT HIGHER

CONSUMPTION THAN REQUIRED

LESS PRODUCTION THAN POTENTIAL

Las aplicaciones en el sector financiero permiten comparar sucursales, ATMs, … con inputs y outputs de forma tal de poder escoger las “mejores” y/o de complementar, si es el caso, a las “peores” para

aumentar su eficiencia relativa.

DEA también puede detectar “outlier” (anomalías) que pueden provenir de los datos, o de situaciones/eventos especiales.

Un ejemplo de la aplicación se presenta en el paper “Managing Bank Productivity using DEA” (Sherman & Ladino, 1995). En el artículo se analiza un banco con sucursales perteneciente a tres tipos:

A, B y C, la imagen describe los recursos utilizados y los servicios prestados.

A continuación, se presenta el análisis comparativo de 33 sucursales.


21

Para tomar beneficio del análisis realizado, adicional a la clasificación de sucursales, es posible analizar

dos tipos de decisiones:

i) Eliminar recursos subutilizados ii) Aumentar servicios para aprovechar los recursos subutilizados.

El análisis de disminuir recursos subutilizados se presenta en siguiente tabla.

El análisis de servicios en sucursales con recursos subutilizados se presenta en la siguiente tabla.


22

El estudio con DEA permitió identificar un gasto anual de recursos subutilizados que ascendieron a

seis millones de dólares americanos.

9. TRANSPORTE DEL EFECTIVO

Orientado a la optimización del servicio de transporte del banco/transportista. Este sistema determina las rutas y las tripulaciones para los vehículos de las transportadoras de valores o de otros activos.

Los objetivos son: ▪ Asignación de servicios de transporte a vehículos.

▪ Definir la carga que debe transportar los vehículos. ▪ Definir el programa de cargue de los vehículos en los muelles/bahías.

▪ Definir el plan de viaje de los vehículos.

Las restricciones son:

▪ Las restricciones consideran la capacidad de los vehículos en términos de peso, volumen y/o valor, disponibilidad de la flota, la demanda de productos a transportar en términos de peso y volumen,

monto, horarios de despacho, horarios de atención en los destino.


23

Programación óptima del despacho de vehículos

Asignación de destinos y de vehículos a zonas

Optimización de la ruta que debe seguir un vehículo

Asignación de tripulación

OPTIMIZACIÓN DE TRANSPORTE DE EFECTIVO

Los beneficios son:

Minimización conjuntamente de los costos de operación de los vehículos. Alternativamente se puede Minimizar el tiempo total de viaje de los vehículos o la distancia recorrida.


24

9.1. BIO-RISK OPTIMIZATION

One of the major risks that financial firms are involved is associated with loans for productive processes

of the bio-industry sector One of the major risks that financial firms are involved is associated with

loans for productive processes of the bio-industry sector, which are seriously affected by hydro-climatic conditions whose volatility is increased as a result of the global warming that is happening on our

planet. This situation implies that you need to assess and manage the risks associated with this type of industries, whose financial statements depend on weather.

Simulated Financial Statements:

BalanceResults

Cash FlowVaR

ENOSProspection

Hydroclimatic VariablesExtreme Events

POPHarvest

Optimización


Management

DEM/MKTProspection:

Financial VariablesMarket Variables

ExpectedProduction Plan:

Sow PlanHarvest Plan

DECISIONS TREE OF TWO STAGES

Decisions

HERE & NOW

Decisions

Simulated Operation

PLANNING OF SOWING &- RISK MANAGEMENT

The methodologies for solving this problem are already well known and are related with:

1. Industrial decisions: models of stochastic optimization scenarios that determine the sowing and

harvest planning. It is a typical production model coupled to an ALM (Assets Liabilities Management) model of producer.

2. Financial Institution Decisions: models for analysis of concentration of risk, that control levels

associated with the sum of the loan portfolio that carries out financial entity in different segments:

areas, products,...

ADVANCED ANALYTICS P-CHAIN OPCHAIN-BANK

Documents

Transcript of ADVANCED ANALYTICS P-CHAIN OPCHAIN-BANK