Muitos riscos não são de natureza aleatória. Sua ocorrência, apesar de incerta, está associada a determinados fatores mensuráveis. Um exemplo é o risco de inadimplência, que pode ser mitigado de acordo com características do tomador de crédito. David Apgar classifica os riscos não aleatórios como passíveis de aprendizado, abrindo-se a oportunidade para aplicar instrumentos analíticos na gestão de riscos.
O ponto de partida deve ser a captação de dados históricos e organização de um banco de dados. Mais um exemplo: é comum encontrar organizações que identifiquem problemas com fraudes corporativas. Essas fraudes podem ser das mais variadas: desvios de mercadorias, roubos, corrupção, lançamentos contábeis. Para estudar essas fontes de perda, a primeira providência é criar uma base de dados de ocorrências, sejam comprovadas ou suspeitas.
Podemos listar muitos outros exemplos. Em contact centers, absenteísmos e funcionários demissionários constituem um enorme problema para a rentabilidade operacional. Será que é possível aprender mais sobre esses riscos e aprimorar o planejamento de novas contratações e treinamentos? Em empresas de cobrança, será que podemos aprender sobre os riscos de recebimento de uma dívida vencida? E sobre o ajuizamento de uma ação pelo devedor? A lista de oportunidades de melhoria é significativa e, quanto mais sabemos sobre os riscos, maior a chance de agir antecipadamente e reduzir o impacto no desempenho da empresa.
A base de dados é a partida. Na seqüência, é preciso aplicar instrumentos analíticos que ajudem a identificar com mais clareza os fatores de risco. O domínio estatístico, com modelos de previsão e segmentação, é o mais direto. Por meio de metodologias preditivas, é possível identificar claramente os fatores mais importantes para o risco, além de classificar individualmente um evento quanto a sua probabilidade de ocorrência. Suponha que, em uma prestadora de serviços continuados como uma empresa de telefonia ou cartão de crédito, irá se avaliar o risco de perda de clientes por desligamento voluntário, que cancelam a prestação de serviços espontaneamente. Primeiro, será necessário captar uma base histórica de clientes e seus atributos demográficos e comportamentais e, dentre esses, identificar aqueles que saíram ou ficaram. Claramente, os que saíram representam a ocorrência do risco que queremos mitigar.
O modelo estatístico nos informará quais as características que mais diferenciam esses dois grupos: clientes e ex-clientes. Podemos descobrir, por exemplo, que a saída está proporcionalmente mais concentrada em uma determinada região geográfica ou faixa de renda. O conhecimento sobre estes fatores pode ser usado no desenho de novos produtos ou políticas de relacionamento com clientes. O segundo benefício provido pelo modelo estatístico é a classificação dos consumidores atuais segundo o risco de abandono, podemos olhar para a população de clientes e identificar os mais arriscados. Se atuarmos nesse grupo de clientes, talvez consigamos evitar a sua perda, certo?
Mãos à obra!
Leonardo Vieiralves Azevedo é presidente da WG Systems, tecnologia para tomada de decisão. E-mail: [email protected]
