advanced analytics p-chain opchain-bank
TRANSCRIPT
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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:
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
ALMAssets & Liabilities
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:
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
11
industriales; es parte de lo que hoy se denomina “Enterprise Optimization” como el siguiente paso a
“Supply Optimization”
ALMAssets & Liabilities
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
$/KW
h
PRECIO SPOT
Plants DispatchSynthetic Series
INFORMATIONSYSTEM
OPCHAIN-ETRMEnergy Trading & Risk Managemoent
PORTFOLIO DECISIONS
INVESTMENTS DECISIONS
INFORMATIONSYSTEM
Statistical Model – S-ARIMAX-GARCHSpot Price
Spot Price Statistical Model
Spot Price Synthetic Series
El resultado de un análisis de riesgo es la definición de las curvas de Pareto de riesgo versus ingresos/coste esperado, esta información debe ser procesada por el decisor que debe asumir su
posición con respecto al riesgo.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
13
Costo Esperado Vs. Rango Costo Esperado
-900000
-600000
-300000
0
300000
600000
-241107 -108007 -37911 -18412 7618 24330 29027 33527
C o sto
Esperado
($ )
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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?
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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:
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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.
OPCHAIN-BANK - ADVANCED ANALYTICS & FINANCIAL ENTERPRISES MODELING
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
ALMAssets & Liabilities
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,...