MNB ONE- PORTAFOLIO DE TARJETAS DE CRDITO

La decisin tena que ser maana. Sabrina Rapley, una de las CFO de MNB, haba solicitado que MNB One, compaa de tarjetas de crdito adquiriera un portafolio de clientes de otra compaa de tarjetas de crdito. Creyendo que MNB One haba ganado tantos clientes nuevos como una posible via de crecimiento natural, la CFO miraba la adquisicin como la nica forma para continuar creciendo. Karel Duguid fue el principal analista en el equipo encargado de tomar una decisin sobre que portafolio de 1 millon de clientes comprar. El equipo haba reducido los portafolios a dos posibles objetivos potenciales. La primera fue la cartera de tarjetas de crdito de las principales cadenas de tiendas detallistas Markus Mayman, la cual estaba reorientando sus principales operaciones lejos de las tarjetas de crdito. Era atractivo para MNB One porque significaba un bajo riesgo, para los clientes ya establecidos. La segunda eleccin era una cartera de tarjetas de crdito de Sirtem, una compaa de tarjetas de crdito de la competencia, la cual recin haba sido colocada en situacin de quiebra, obligndola a vender su negocio de tarjetas de crdito. Sirtem haba adquirido los clientes exclusivamente a travs del internet, y la mayora de sus clientes eran jvenes, consumidores en edad universitaria, para quienes Sirtem fue su primera tarjeta de crdito. A pesar de que Sirtem estaba teniendo dificultades financieras, muchos clientes en su cartera estaban al da en sus pagos lo que resultaba muy atractivo para MNB One. Ambos portafolios se veian bien, aunque MNB One iba a comprar solo uno. Para la venta de los portfolios, las dos compaas de crdito haban proporcionado al azar, una muestra normalizada de 10,000 de sus clientes, de modo que los compradores potenciales pudieran evaluarlas. Duguid tena a sus analistas verificando las muestras de ambas compaas. Los analistas utilizan las muestras para determinar la contribucin promedio mensual que cada tipo de cliente proporciona y el perfil actual de sus clientes. Sin embargo, MNB One cree que tena un enfoque superior para relacionarse con los clientes. As que los analistas Duguid tomaron muestras an mayores de los clientes para cada portafolio de la Brigada Multinacional, una base de datos de clientes, en cada caso, coincida con las caractersticas de los clientes, tanto para Sirtem y Nayman Markus. Este mtodo se utiliz para determinar probabilidades para las transiciones de los clientes a travs del tiempo.

Particionamiento de clientes de tarjetas MNB One MNB One tiene cinco grupos de clientes, denominados categoras, por su estado de pago: 1. Clientes corrientes: Estos clientes realizan al menos el pago mnimo mensual en el ultimo da, por lo que fueron considerados en situacin regular y no necesitaban las acciones desfavorables. Debido a la tarifa de 1.5% de transacciones que posea MNB One, los clientes de las tarjetas de crdito Visa y MasterCard eran bastante rentable para la financiacin de las transacciones de tarjetas de crdito. 2. Clientes a 30 das: Estos clientes tenan entre 1 y 30 das de retraso en sus pagos de tarjetas de crdito. MNB One cobraba a estos clientes un cargo por demora. Actualmente MNB One no trata activamente de que estos clientes lleven sus cuentas en un estado corriente, porque debido a la ltima cuota, el margen de contribucin promedio por cliente fue generalmente ms alto que los clientes corrientes.

3. Clientes a 60 das: Estos clientes tenan entre 31 y 60 das de retraso en sus pagos de tarjeta de crdito. A los cuales se les haba cobrado dos cargos por pagos atrasados por los dos meses que no haba hecho un pago. Debido a que el riesgo de caer en la delincuencia haba aumentado, MNB One intent establecer contacto con estos clientes para animarles a hacer los pagos para que sus cuentas corrientes siguieran activas. Debido a la menor probabilidad de pago, la contribucin media por cliente en esta categora fue menor que para los clientes de 30 das. 4. Clientes a 90 das: Estos clientes tenan entre 61 y 90 das de retraso en sus pagos de tarjeta de crdito. A los cuales se les haba cobrado tres cargos por pagos atrasados, para cada uno de los meses de retraso. Si no se efectuaban pagos en el prximo ciclo de facturacin, MNB One poda externalizar la cuenta a una agencia de cobros. MNB One intent establecer contacto con estos clientes para animarles a hacer los pagos, sin embargo, las posibilidades de recibir el pago fueron mucho menores que para los clientes de 30 o 60 das. 5. Clientes tercerizados: Una vez que el cliente tena ms de 90 das de retraso en el pago de una cuota, MNB One subcontrataba a una agencia de coleccin. La agencia de coleccin era la responsable de tratar de cobrar los pagos pendientes del cliente, y si tena xito, MNB One reciba una parte de los pagos recibidos. Una vez que un cliente no realizaba un pago normal, el cliente tena que hacer un pago tarde y un pago mnimo (por lo general, el porcentaje era menor al 30% del estado de cuenta al vencimiento o $25) con el fin de subir una categora (por ejemplo, a partir de 60 das a 30 das). Si se realizaban todos los pagos atrasados o el pago mnimo, el cliente pasaba de nuevo a la categora de cuenta corriente. Era comn caracterizar un cliente establecido por la distribucin de los clientes en las categoras, junto con la probabilidad de que los clientes pasaran de una categora a otra de la matriz de transicin. Adems, el importe de las tasas y los intereses devengados de los clientes de cada segmento era crucial para conocer el valor de un conjunto determinado cliente.

El portafolio Duguid estaba mirando al final, las dos carteras que su equipo estaba evaluando. En ambos casos, MNB One sera responsable de la gestin de los clientes, pero tambin recibira todos los ingresos futuros asociados con ellos. Markus Nayman, dueo de la primera cartera, era un minorista nacional de ropa fina para hombres y mujeres, as como de accesorios para el hogar. Con el fin de atraer a los clientes a unirse a su programa de crdito, Markus Nayman ofreci descuentos de ocasin nica a los clientes que se inscribieran a una tarjeta de crdito en el momento de su compra. Debido a que estos clientes eran por lo general consumidores de altos ingresos, se consider que esto constitua un bajo riesgo crediticio. Una reciente desaceleracin en las ventas haba forzado a la alta direccin a consolidar y a tratar de reducir los costos, centrndose ms en las principales tiendas de negocio por departamento. Como resultado de ello, Markus Nayman estaba vendiendo su cartera de un milln de clientes, a un precio inicial de $ 750 millones. Sobre la base de la muestra de 10.000 clientes, el equipo de Duguid estim la distribucin de los clientes en las diferentes categoras. Utilizando la historia completa del movimiento de categora a categora en la muestra de clientes de MNB One, los analistas tambin estimaron probabilidades de transicin. El mtodo

utilizado para esta estimacin se proporciona en el Apndice. Por ltimo, las contribuciones promedio en dlares de estos clientes por cada mes en que ellos se encontraban en categoras especiales, se estimaron a partir de la muestra de clientes que Markus Nayman haba previsto. Todas estas estimaciones se muestran en el anexo 1. Sirtem, el titular de la otra cartera, era una compaa de tarjetas de crdito basada en internet, que estaba intervenida por Office of Thrift Supervision (OTS), la cual es parte del Departamento del Tesoro de los Estados Unidos. Sirtem se haba centrado en su bajo costo de adquisicin del cliente para atraer a los jvenes a obtener su primera tarjeta de crdito. La OTS estaba manejando las antiguas cuentas de Sirtem, sin embargo, estaba considerando vender las cuentas del milln de clientes ms recientes a un tercero, para recaudar fondos y pagar as a los acreedores. El precio de venta de la cartera fue de US $ 650 millones. El anexo 2 muestra la distribucin de los clientes en las categoras y la matriz de transicin de probabilidad a travs las categoras, as como las contribuciones asociadas por mes de estos clientes. Duguid se alegr de ver que haba muchos clientes corrientes en la cartera.

Valoracin de una cuenta de cliente Algunos funcionario de MNB One creen que las cuentas de clientes deben ser valorados en funcin de sus mrgenes existentes, debido a que se conocen los pagos que realizan los clientes en la actualidad. El pensamiento de la administracin, sin embargo, se estaba moviendo hacia el valor a largo plazo de la cartera de clientes. Debido a la incertidumbre sobre el movimiento futuro a largo plazo de los clientes entre las categoras, con el enfoque de consenso se haba desarrollado un clculo en dos partes. MNB One, en primer lugar, calculaba el valor presente neto de la contribucin real de los clientes que se espera obtener en los primeros dos aos. A medida la compra iba a ser completada rpidamente, MNB One podra recibir la contribucin de la cartera actual un mes antes que ocurriera la primera transicin del cliente. Este valor de 24-meses se aadi entonces a la segunda parte, que utiliza un valor terminal que refleja el valor a largo plazo del conjunto de clientes. El valor final se calcula con una tasa de descuento mensual, a la cual se aade una prima de riesgo de 10 puntos base a la tasa de descuento mensual. La actual tasa de descuento mensual de MNB One, era un 0,75 por ciento, lo que podra ser utilizada para descontar el valor de 24 meses y el valor final a trminos de valor presente. Otras opciones de gestin de riesgos MNB One, ha tratado de gestionar una cartera de clientes siempre que sea posible. Duguid haba estado buscando un programa educativo dirigido a los clientes jvenes de tarjetas de crdito. El programa podra ser dirigido a clientes jvenes en la categora de 30 das. Concebido como una explicacin de las posibles consecuencias negativas de tener un mal historial de crdito, el programa anima a estos clientes para empezar a hacer los pagos antes que su desempeo sea negativo, a travs de algunos incentivos. En lugar de utilizar al personal en el nuevo programa llamado Brigada Multinacional, para realizar marcacin automtica y un mensaje grabado para tener largas conversaciones con los clientes de telefona, uno de los analistas Duguid haba sugerido que dicho programa se utilizar con los clientes Sirtem, porque eran principalmente jvenes y usuarios en edad universitaria. Adems, sobre la base de

una prueba realizada en algunos clientes de MNB One, el analista cree que las tasas de transicin podran cambiar a la matriz de transicin que se muestra en el anexo 3. No estaba seguro de lo mucho que el programa costara, debido al nmero incierto de los operadores necesarios para hacer las llamadas telefnicas. El analista agreg que el programa no podra ser utilizado en los clientes como Markus Nayman, ya que era utilizado nicamente en los clientes de tarjetas de crdito.

Apndice MNB ONE CARTERA DE TARJETAS DE CREDITO Determinacin de probabilidades de transicin

El estndar de la industria para el anlisis de una cartera es utilizar una muestra de 10.000 o menos clientes. La muestra tiene que ser normalizada de modo que sea representativa del conjunto global de clientes. Las historias de los clientes de transicin se cuentan para determinar las probabilidades de las transiciones de un estado a otro. Un ejemplo sencillo sigue. Existen tres estados de la muestra para un cliente: bueno, regular y malo. En cualquier mes, un buen cliente puede seguir siendo bueno a transicin regular. Un cliente leal puede seguir siendo justo o de transicin buena a mala. Un cliente malo tampoco puede seguir siendo malo a transicin de buena a regular. Una muestra de 10 clientes en ms de 10 meses pone de manifiesto el siguiente patrn:

Initial N+1 G G G G G G F G G G F B G G G G B B G G

N+2 G G G G F F F G B G

N+3 G G G G B G G F B F

N+4 G G G F B G G B B B

N+5 G G G B B F G F F B

N+6 G G G G B G F B B B

N+7 G G F F B F B G B B

N+8 G G B B F F G G B G

N+9 G G B B B B F G B G

N+10 F G B B F F G G F G

Hay ocho diferentes transiciones permitidas. El recuento se agrupa en el orden del Estado desde el que se produjo la transicin. Adems, en la muestra se verifica la estabilidad para asegurar que no haya una tendencia que se produce con el tiempo, anulando los resultados de la muestra total. Por lo tanto, este ejemplo tiene las siguientes transiciones:

De Bueno Bueno 41/53 (77%) Regular 5/18 (28%) Mala 4/29 (14%)

Regular 12/53 (23%) 1/18 (6%) 7/29 (24%)

Mala 0 12/18 (67%) 18/29 (62%)