Smart Escrow – Target de Inversión

La modalidad y vertical que hemos elegido para empezar a financiar es la financiación de órdenes de pedido de proveedores de grandes marcas en el sector de la alimentación

El motivo, aparte de que en España es un mercado enorme (solo Mercadona el año pasado pagó 18.640 millones de euros a proveedores –https://info.mercadona.es/document/es/memoria-anual-2018.pdf-), para elegir la financiación directa de pedidos (purchase order finance) es que es un producto sin mucha competencia en el sistema bancario, elegir el sector de proveedores de grandes distribuidores es que absolutamente todos estos actores (Mercadona, Carrefour…) trabajan con EDI y obligan a sus proveedores a actuar por EDI y por último atacar para empezar el sector de alimentación se debe a que entre el pedido y la entrega en el almacén (cuando el producto pasa a factura en firme) el plazo no llega a ser nunca mayor de 3 semanas y los riesgos de fabricación son menores dado que ya el producto normalmente está elaborado y solo falta packing y logística.

La banca tradicional financia de modo directo órdenes de compra, pero para órdenes de pedido que cronológicamente son un paso antes, no tiene producto propio y lo salvan con préstamos y sobretodo con líneas de crédito.

¿Por qué dar el paso? A día de hoy se dispone de más información y trazabilidad, pudiendo controlar la información y los pagos por hitos y teniendo un conocimiento del negocio por medio del EDI que permite anticipar mucho antes el riesgo y posibles problemas de un proveedor.

Podemos ofrecer menos riesgo que una línea de crédito y con una recursividad mayor que un factoring.

Los proveedores que vamos a financiar llevan años trabajando con su cliente. Dichos clientes, de solvencia contrastada, son Mercadona, Carrefour, Coviran, SuperSol y otras cadenas de distribución nacional con buen scoring crediticio.

Se analiza todas las operaciones del último año entre proveedor y cliente y se hace un pre scoring de solvencia. Los proveedores que financiamos reciben pedidos constantes, mínimo uno semanalmente, nunca más del 5% de lo facturado anualmente. Se presta el dinero en el mismo momento que llega el pedido y se cobra la factura en una cuenta que administramos nosotros y que está a nombre del proveedor (cuenta escrow). Sabemos cuando llega al almacén el pedido, si ha habido rechazos de productos, si la factura se ha emitido con una cuenta bancaria que no controlamos y más de 50 advertencias y controles.

Smart Escrow – Causas Banco no financia en Pedido y Nuestra Solución

Listamos una serie de causas por las que un banco no financia pedidos normalmente y las soluciones que aportamos nosotros para sí poder hacerlo.

CANCELACIÓN DE PEDIDOS: Casi un 30% de las órdenes de pedido son finalmente canceladas.

– Nuestro sistema realiza un prescoring del proveedor con su cliente (recordad que nuestro sistema solo autoriza pedidos entre proveedor y un cliente en particular, si el proveedor trabaja con varios clientes se tendrá que reevaluar con cada cliente) y revisamos el historial de pedidos y todo el proceso (pedido, llegada a almacén, aceptación de mercancías, emisión de factura, rectificaciones…) pudiendo cuantificar ese % de cancelación en el historial (normalmente revisamos últimos 365 días)

– Nuestro sistema captura el pedido por medio de EDI y lo engloba dependiendo del GTIN (número global de artículo comercial) e identifica si un pedido ha sido cancelado y posteriormente vuelto a emitir la orden (es común en el mundo del retail cancelar un pedido por problemas de almacenamiento o por fallos en su previsiones de aprovisionamiento y vuelto a emitir el pedido cuando esto se subsana -no pasa normalmente ni 2 semanas entre una cancelación y vuelta a emitir el pedido-) Al poder por el GTIN desmenuzar un pedido por producto encargado, el bloqueo del dinero dispuesto del pedido en el momento que sabemos que ha sido cancelado y la posterior disponibilidad cuando se reexpide de nuevo nos permite tener mucha seguridad en esta casuística.

– Nuestro modelo está preparado para financiar proveedores con pedidos recurrentes. Mínimo pedidos semanales de ahí que si uno falla podemos bloquear los siguientes pedidos para siempre tener asociado una financiación a un pedido vivo.

INFLAR PEDIDOS: Cuando una empresa necesita financiación, existen casos, que inflando dichos pedidos con el beneplácito de su cliente pueden conseguir esa financiación que necesitan. Después se rectifican en el momento de la factura pero es ya demasiado tarde para quien ha financiado la operación desde el pedido.

– Nuestro sistema está preparado para trabajar con grandes marcas, marcas que en sus sistemas cuando se hace un pedido se bloquea el espacio en sus almacenes para la fecha de recepción y que pasan por comercial y aprovisionador y siempre a través del sistema EDI, de ahí que métodos de “Anda ponme el doble en el pedido y lo arreglamos en la factura para poder conseguir financiación” es algo muy difícil que ocurra.

– Además los mecanismos que tenemos para la cancelación de pedidos sirven también para el problema de inflar pedidos.

PEDIDOS FALSOS: Comprobar la autenticidad del pedido por parte del banco. Con la factura puede existir mayor control pero con el pedido que no se refleja en balances es más complicado.

– Nosotros solo trabajamos por medio de la red EDIFact y el protocolo EDI y Odette. Todos estos procesos están verificados y autentificados por las empresas por las cuales pasan los documentos, una especie de buzón de email autentificado. Eso significa que cualquier documento que nosotros recibamos porque nuestro proveedor ha configurado para reexpedirlo (pedido, factura, ok de almacén…) podemos asegurar al 100% que es un documento real. Esto no es una hoja de cálculo o PDF que nos reenvían sino que participamos (siempre por la autorización del proveedor) en la conversación EDI con su cliente.

PROBLEMAS EN LA FABRICACIÓN: El adelanto de facturas no tiene el problema de la fabricación que tiene un pedido y ese es un problema que mina la confianza de la operación.

– Nuestro producto está orientado a proveedores habituales de grandes marcas, el enfoque inicial ha sido para grandes superficies y para periodos entre pedido y entrega en almacén que en ningún caso supere los 30 días. Esto conlleva que el producto ya está fabricado y solo es necesario el packeting y logística.

ANÁLISIS y RECURSIVIDAD: El coste de análisis de operaciones que son muy periódicas y pueden ser muy distintas así como la entrega el dinero en cada operación y el seguimiento que conlleva esto.

– Mientras se dispone el dinero de pedidos estamos realizando un scoring sobre el funcionamiento del pedido. Capturamos cuando se hace el pedido, cuando llega al almacén, si hay devoluciones, el cobro… todo esto nos permite hacer un scoring por operación y proveedor que dependiendo de este podemos limitar % del dinero prestado, bloquear pagos o cambiar % de intereses.

– Nosotros capturamos la orden de pedido en tiempo real al reexpedir los documentos instantáneamente. Podemos ser capaces de disponer el dinero para el proveedor en el mismo instante que recibe el pedido pudiendo mejorar la recursividad de un adelanto de facturas.

SOLUCIONES ACTUALES COMPLEJAS: Los métodos alternativos, Supply Chain Finance, están enfocados a una economía circular (sean los propios clientes o proveedores se financian entre ellos) donde el banco no participa o están montados sobre Smart Contracts y métodos similares que son difíciles de poder adaptar en sus oficinas o sistemas de Inteligencia Artificial y Big Data que sin números propios es difícil poder saber si funcionan realmente.

– Nuestro sistema trabaja sobre 2 pilares que llevan existiendo más de 20 años. EDI y Cuentas Escrow (cuentas que transformamos en cuentas bancarias con su propio IBAN y que podemos bloquear por su naturaleza escrow para más garantías de los financiadores).

– Nuestro scoring es sencillo de entender y aunque en este momento disponga de más de 50 variables, son fácilmente ajustables, se pueden añadir nuevas y el funcionamiento interno es sencillo.

– La integración con el EDI es exactamente la misma que hace un proveedor con su central de compras.

  • Ventajas que disponemos en relación a otros productos que ofrecen los bancos

VENTAJAS de nuestro sistema con relación a las Líneas de Crédito:

– Entregamos el dinero por hitos

– Poder Controlar el destino de los fondos de la financiación

– Scoring actualizado en cada operación y pedido

VENTAJAS de nuestro sistema con el Adelanto de Facturas:

– Recursividad

– Autenticación en las operaciones

SMART ESCROW: UNA NUEVA E INNOVADORA FORMA DE FINANCIACIÓN DIRECTA DE ÓRDENES DE PEDIDO PARA PROVEEDORES HABITUALES DE GRANDES MARCAS.

La banca tradicional financia de forma directa las facturas entre proveedores y sus clientes, pero para órdenes de pedido, que cronológicamente se sitúan en un paso anterior, no tiene un producto propio y lo salvan con préstamos y especialmente con líneas de crédito. La realidad a día de hoy, gracias al desarrollo tecnológico, es que podemos tener un mayor conocimiento del negocio por medio de EDI y podemos tratar y analizar la información para anticipar mucho antes el riesgo o posibles problemas que puedan surgir con un proveedor, consiguiendo así la trazabilidad que nos permitirá controlar la financiación desde la llegada de la orden de pedido hasta el pago de la factura.

Lanzar un producto basado en la creación de una forma de inversión en deuda distinta a la habitual, que proporcione la posibilidad de financiar el tejido empresarial primario en una de sus primeras fases: el pedido, es posible actuando en los mercados que se rigen por EDI (actualmente todas las grandes marcas trabajan con este sistema y obligan a sus proveedores a actuar bajo este paraguas), ya que nos facilita un alto grado de trazabilidad en el proceso y nos permite captar en tiempo real datos que nos suministrarán información sobre el proveedor, su cliente, tiempos de entrega, recursividad en los pedidos, decrecimiento o incremento del volumen operacional del proveedor, cancelaciones de pedidos, discrepancias entre lo pedido y enviado, descuentos en el pedido, etc. (en definitiva, toda la información relevante que podríamos definir como endógena a las operaciones entre el proveedor y la gran marca a la que suministra) y apoyándonos en las nuevas tecnologías, para el análisis y tratamientos del Big Data, que nos aportará la información exógena a las operaciones que en particular lleven a cabo el proveedor y su cliente y que resultan de la misma importancia (por ejemplo, las tendencias que cada producto tienen en los mercados, variaciones estacionales de la demanda de un bien o la evolución de los precios y los descuentos en los grandes mercados).

La idea innovadora que nos va a permitir ofrecer un producto, la financiación directa de órdenes de pedido para proveedores que abastecen a grandes marcas, con menor riesgo que las líneas de crédito actuales es que somos capaces de definir un scoring dinámico, que irá variando en cada nueva operación del proveedor con su cliente y fijará por tanto condiciones distintas en la financiación de cada operación (TAE, porcentaje de dinero respecto al total que figura en la orden de pedido dispuesto en la “cuenta escrow” según la consecución de los hitos que marcan la operación, etc.), basado en la correlación de las variables endógenas (definidas en base a la información que captamos a través de los archivos EDI que se generan en la relación comercial entre el proveedor y la gran superficie a la que suministra) y las variables exógenas (aquellas otras que son externas a la operación concreta entre el proveedor y su cliente, pero que al identificarse con las tendencias y evolución de los grandes mercados no se pueden obviar para confeccionar un análisis preciso de posibles riesgos, y que debido al volumen de datos que representan necesitan de herramientas para el procesamiento de la Big Data) con los eventos: “El proveedor no devuelve la financiación” y/o “El proveedor se retrasa en la devolución de la financiación”.

En resumen, vamos a ser proactivos para anticipar el riesgo mucho antes que los métodos tradicionales, a través de un sistema autónomo de aprendizaje que encuentre patrones de comportamiento analizando las bases de datos, entre una gran cantidad de premisas definidas en base a las variables (como por ejemplo el histórico de retrasos en las entregas del pedido, la cantidad de pedidos cancelados, el incremento del volumen operacional respecto al esperado por las tendencias de los mercados en un mes concreto, el precio de un producto que figura en el pedido respecto al esperado por la evolución de los precios en los mercados, si el proveedor hace descuentos mayores de los esperados, etc.) y la correlación con los eventos del párrafo anterior, dando lugar a un algoritmo que optimice la correlación de éstas. Una MACHINE LEARNING para calcular el scoring de riesgo en una determinada operación fijando por tanto unas condiciones distintas para financiar la misma.

Vamos a desarrollar un ejemplo que nos permitirá visualizar de forma más precisa el funcionamiento de nuestro sistema y algunas de las características que se tendrán en cuenta para predecir posibles escenarios de riesgo: consideremos un proveedor que lleva ya tiempo financiándose a través de Smart Scrow y suministra una media de 1,7 pedidos por semana de aceitunas a una gran superficie. Como aclaración previa, para iniciar la colaboración entre un proveedor y Smart Scrow se realizará un análisis para comprobar la solvencia de dicho proveedor (CIRBE, deudas con Hacienda o la Seguridad Social, contrato que formaliza su vinculación como proveedor de una gran marca, etc.). Si dicho análisis es satisfactorio, tendremos acceso vía EDI a las operaciones que ya ha llevado a cabo con su cliente, permitiéndonos calcular un pre-scoring de riesgo que será el punto de partida para la primera operación que va a financiar con nosotros.

Supongamos ese escenario superado. Nuestro proveedor de aceitunas lleva financiando sus órdenes de pedido 6 meses con nosotros, y por la media de pedidos semanales que comentamos anteriormente, en total hemos financiado 44 operaciones. Paulatinamente, conforme se han sucedido esas operaciones, nuestro sistema ha ido capturando información que nos permite conocer datos como el porcentaje de envíos que llegaron con retraso, envíos cancelados porque la mercancía llegó dañada, envíos cancelados porque cuando el producto llegó al almacén de su cliente la fecha de caducidad del mismo no tenía el margen requerido, cuántas veces se envió menos mercancía de la reflejada en la orden de pedido, cuántas veces se ha retrasado el proveedor en la devolución de la financiación, si se ha incrementado o no el volumen operacional del proveedor con la gran marca, evolución del precio del producto que factura este proveedor en concreto con su cliente, si cada vez realiza más descuentos a la gran marca y muchos más de este estilo. En definitiva, a través de los archivos que se generan en la comunicación vía EDI entre el proveedor y su cliente en cada operación, se generarán bases de datos con las variables que antes identificamos como endógenas al propio proceso y que evidentemente aportan información estrechamente relacionada para poder predecir si un proveedor va a tener problemas para devolver la financiación que se va a generar en la orden de pedido 45 que nos acaba de llegar.

En esta orden de pedido, que supone la operación 45 que el proveedor va a financiar con nosotros, nos fijamos que la gran superficie pide un 10% más de cantidad de aceitunas de la cantidad media en los pedidos anteriores. En principio parece algo positivo ya que se incrementa el volumen. No obstante, en nuestras bases de datos, que son las que nos aportan la información externa (lo que identificamos como información exógena) a la relación particular entre nuestro proveedor de aceitunas y su cliente, nos damos cuenta que en esta semana concreta del año, el incremento medio de cantidad de aceitunas que las grandes superficies compran es del 30% (debido a que se acerca la Semana Santa y las grandes superficies hacen aprovisionamiento de este producto en las semanas previas por el aumento de ventas en esta determinada época del año). Nuestra Machine Learning ha identificado que un incremento en ventas menor a lo esperado es un evento que está relacionado con el retraso en la devolución de la financiación. Por tanto, nuestro sistema bajará el scoring del proveedor, imponiendo unas condiciones más restrictivas para la financiación. Gracias al análisis de la Big Data, nuestro sistema es capaz de filtrar sucesos que a priori pueden parecer positivos pero realmente suponen una disminución del negocio, como ocurre exactamente en el ejemplo que nos ocupa, con anterioridad a que esto se refleje en las grandes cuentas de la empresa del proveedor.

De igual forma, actuaría si por ejemplo se detecta entre las variables endógenas que podemos definir gracias a la información que nos aportan los ficheros generados a través de la comunicación EDI, que habiéndose producido un incremento en la cantidad del producto requerido por la gran marca en la orden de pedido al proveedor, dicho incremento se debe a un aumento de los descuentos respecto a los esperados. En este caso, realmente se está produciendo una “devaluación” del producto que tiene que reflejarse en las condiciones de la financiación. Cuando se produce un aumento de los pedidos porque dicho producto está «con precio», lo pedido de más va a almacén y el siguiente pedido se realizará más dilatado en el tiempo.

Es decir, a través del análisis estadístico y de Big Data de multitud de variables, tanto internas a una relación particular entre un proveedor y la gran marca a la que suministra y las que representan las tendencias en los grandes mercados, nuestra Machine Learning va identificar los patrones de correlación entre éstas y los posibles riesgos de una operación que puedan derivar en retrasos o impagos de la devolución de la financiación, anticipándonos al modelo más tradicional o clásico basado en el análisis de balances y cuentas trimestrales. De esta forma presentamos un producto innovador, apoyándonos en los avances tecnológicos y en las nuevas formas de tratamiento y análisis de la Big Data, que consigue llegar a las primeras fases del tejido productivo.

Artículo escrito por Oscar Contreras Mora, Ingeniero Matemático.

Machine Learning en Smart Escrow

Vamos a explicar por pasos el sistema que tiene Smart Escrow para construir un sistema de scoring basado en un machine learning supervisado.

1. Queremos financiar Órdenes de Pedido de proveedores de grandes marcas

La banca tradicional financia de forma directa las facturas entre proveedores y sus clientes, pero para órdenes de pedido, que cronológicamente se sitúan en un paso anterior, no tiene un producto propio.

Gracias a los avances tecnológicos producidos en campos como la Inteligencia Artificial o el tratamiento de la Big Data y actuando en mercados que se rigen por EDI, alcanzamos la trazabilidad óptima que nos posibilita llegar al tejido empresarial primario, financiando de forma directa en una de sus primeras fases: las Órdenes de Pedido.

Esquema de Funcionamiento de Smart Escrow con respecto al financiador

2. Para ello necesitamos construir un sistema de scoring automatizado que clasifique a dichos proveedores

Para que nuestro proveedor pueda disponer de la financiación en cuanto una gran marca necesite de sus productos, tenemos que definir un sistema capaz de calcular con alta precisión el rating que determinará las condiciones de dicha financiación, sin dilaciones que puedan perjudicar la posibilidad de crecimiento en su negocio (que a su vez se traduce en un producto de mayor calidad y más competitivo para las grandes superficies). Es decir, necesitamos de un entorno que automatice tanto el análisis de la información como el cálculo del rating (devolviendo un scoring), de forma que se optimiza la detención de posibles escenarios de riesgo y se pone a disposición del proveedor la financiación acortando al máximo los tiempos de espera y sin trámites tediosos.

Desde el momento en que una gran marca comunica a su proveedor un pedido hasta que se paga la factura correspondiente, se generan una serie de archivos EDI (ORDERS, DESADV, RECADV, INVOIC, etc.) que determinan una serie de hitos en la consecución de la operación y que contienen información que caracteriza de forma única a esa operación concreta. Analizar un único pedido para poder extraer conclusiones que deriven en predecir posibles escenarios de riesgo (rating de un proveedor) no aportaría mucho, necesitamos estudiar de forma simultánea la plenitud de la información a través del histórico de pedidos. ¿Cuánto tiempo tardaría una persona en analizar y extraer la información relevante de 500 operaciones?

Imaginad ahora la inmensa cantidad de datos que generan todo el conjunto de grandes marcas de un sector y la diversidad de sus proveedores. Ahí están las tendencias de los grandes mercados, una información que no podemos obviar si queremos realmente hacer un análisis minucioso y relevante de los riesgos. Hasta hace unos años los sistemas tradicionales de rating eran una buena opción, pero con el desarrollo tecnológico en cuanto al tratamiento de la Big Data, podemos procesar todo este volumen ingente de información que nos ayudará a ser más precisos y a anticipar el riesgo mucho antes que los análisis clásicos. La automatización en el proceso es tan necesaria como posible.

Funcionamiento del Sistema EDI entre proveedor-cliente

3. Queremos construir este sistema de scoring usando un modelo de Machine Learning Supervisado

Y es que no sólo el desarrollo tecnológico se quedó en el tratamiento de grandes bases de datos, sino que va mucho más allá, como por ejemplo en el campo de la Inteligencia Artificial.

En nuestro caso, el desarrollo de Machine Learning, una rama de la Inteligencia Artificial que crea sistemas de aprendizaje automáticos basados en la identificación de patrones complejos entre millones de datos para predecir comportamientos futuros va a ser una piedra angular para desarrollar este proyecto. Entre la gran cantidad de información que podemos captar de todos los archivos EDI entre un proveedor y su cliente y en las bases de datos correspondientes a las tendencias de los grandes mercados, vamos a definir un algoritmo capaz de analizar la totalidad de los datos (variables y premisas) y encontrar la correlación entre estos y los sucesos “el proveedor se retrasará en la devolución de la financiación” y/o “el proveedor no devolverá la financiación”, devolviendo un scoring de riesgo dinámico, que variará en cada nueva operación, fijando las condiciones para financiar la misma.

Aunando el desarrollo tecnológico en varios campos, automatizamos un proceso de forma que podemos ofrecer un producto, la financiación directa de órdenes de pedido de proveedores de grandes marcas, que llegará antes y cubrirá mejor las necesidades del proveedor, minimizando y anticipando el riesgo más que con los sistemas tradicionales.

Esquema del funcionamiento de nuestro sistema scoring

4. Con el objetivo de predecir los escenarios “El proveedor se retrasará en la devolución de la financiación” y/o “El proveedor no devolverá la financiación”:

Identificamos estos dos eventos como el fracaso en una operación de financiación. Son inequívocamente los escenarios que queremos anticipar con la suficiente antelación para que nunca puedan darse. Desde el primer momento, nuestro sistema enfoca el análisis en encontrar patrones de correlación entre una inmensidad de datos (información) con estos dos sucesos. Siempre de forma proactiva, sin esperar a que estos resultados negativos se plasmen en balances o cuentas trimestrales.

Para ello, queremos mostrar nuestra forma de actuación con los proveedores, explicando paso a paso y de forma esquematizada cómo sería la relación Proveedor — Smart Scrow.

4.1 Determinar cuáles son los proveedores que cumplen con los requisitos para optar a nuestra financiación

Como requisito previo, antes de formalizar la colaboración con un proveedor, se verificará una serie de documentación básica con la finalidad de determinar que el proveedor tiene un acuerdo para abastecer a una gran marca y no es deudor de instituciones como Hacienda o la Seguridad Social. Será el único instante no automatizado del proceso. Una vez que se ha verificado este punto, no habrá más trámites tediosos y el proveedor dispondrá de forma automática de las financiaciones que se generen con cada nueva Orden de Pedido en su cuenta Scrow.

4.2 el % de interés de la primera operación

Que será determinado en base a un Pre-Scoring inicial basado en las comunicaciones EDI previas entre el proveedor y su cliente, ya que nuestro sistema tendrá acceso a las mismas sin necesidad de que el proveedor tenga que aportarlas (EDI almacena de forma gratuita los archivos generados en las relaciones comerciales durante 3 meses) y a las propias características de la primera Orden de Pedido que será financiada con nosotros. Nuestra Machine Learning tendrá la información necesaria para fijar ya las condiciones de esta primera financiación.

4.3 y de las siguientes operaciones de cada proveedor

Y de forma dinámica, este scoring irá variando conforme nos lleguen las nuevas Órdenes de Pedido del proveedor, fijando para cada una de ellas unas condiciones propias en base a una puntuación que representará los posibles escenarios de riesgo en cuanto a los dos sucesos definidos con anterioridad.

4.4 generar un sistema de alertas que permita avisar de que un proveedor podría dejar de cumplir los requisitos

Además generará un sistema de alertas y advertencias cuando se den ciertos patrones identificados con posibles escenarios de riesgo que permitirán, en función de la gravedad, ciertas acciones como la obligatoriedad de destinar la cantidad de dinero financiada a un fin único (por ejemplo, comprar materias primas necesarias para la fabricación del pedido) e incluso la congelación de la cuenta scrow o la paralización de la financiación. Gracias a la trazabilidad que tenemos vía EDI de los hitos en la consecución de la relación comercial proveedor — cliente y a la premura en analizar de forma automática el conjunto de la información relevante podemos anticiparnos.

5. Para ello disponemos de dos tipos de Variables:

Nuestro sistema de Scoring automatizado basado en la creación de un entorno de Machine Learning se apoya en dos pilares fundamentales: la información estructurada que nos aportan los archivos EDI generados a través de un pedido de un proveedor y su cliente y de las grandes bases de datos correspondientes a los hábitos de compras de las grandes superficies y los usuarios de las mismas. Cuando procesamos dicha información, se produce un estado declarativo e identificativo de esos datos con variables que el sistema va a reconocer como las causantes de que la operación llegue a buen término o por el contrario puedan surgir ciertas complicaciones. Dividimos estas variables según la naturaleza y fuente de procedencia:

5.1 Endógenas, es decir internas a la propia relación proveedor-gran distribuidor, y cuya fuente es el EDI (mapa de variables)

Son aquellas variables que podemos extraer de un archivo EDI. Si imaginamos por ejemplo un archivo ORDERS al uso, sabemos que vamos a poder identificar el número de pedido, el proveedor, comprador, qué productos se piden y en qué cantidades, cuándo se debe entregar ese pedido, el importe unitario del producto, el importe total del pedido, el descuento global o descuento por línea de producto, etc. Si por ejemplo tenemos ahora en cuenta el archivo RECADV correspondiente al mismo pedido sabremos si el pedido llegó a tiempo o se retrasó en el envío, si llegaron todas las unidades pedidas de un producto o no, si se ha cancelado parte de ese pedido por llegar la mercancía dañada, si la mercancía que llegó no tenía el suficiente margen en la fecha de caducidad, etc.

Toda esta información la vamos a asignar a variables que identificamos como endógenas, interna a la propia relación comercial entre un proveedor y su cliente.

Ficheros EDI más importantes y variables que capturamos

5.2 Exógenas, es decir externas a la propia relación proveedor-gran distribuidor, y cuya fuente es el Mercado, C.Compras, etc… (mapa de variables)

Pero a su vez, si realmente queremos estar en disposición de conseguir un scoring lo suficientemente acertado y representativo del riesgo que representa una operación, no podemos obviar en ningún caso las tendencias de los grandes mercados. Esa información nos va a ayudar a discernir y a entender los datos en bruto que se presentan en un archivo ORDERS.

Imaginad que gracias a las bases de datos de compras de las grandes superficies de los últimos 20 años, sabemos que en el mes de abril siempre las compras de un bien cualquiera se incrementan en media un 30%. Si estamos en ese periodo y vemos que nuestro proveedor ha intensificado el suministro de ese producto en un 10% a su cliente… Podremos concluir que no es un buen dato, que realmente se está produciendo un decrecimiento de negocio. Sin embargo, si hubiésemos pasado por alto dicha circunstancia, habríamos pensado que el proveedor está aumentando sus ventas.

Son variables exógenas, es decir, externas a la relación particular de un proveedor con su cliente, todas aquellas que marcan las tendencias y evolución de los grandes mercados y los hábitos de consumo.

BBDD Externas que nos sirven para ajustar los datos

6. Estas Variables cuentan siempre con dos dimensiones temporales:

Parece evidente por la propia naturaleza de las variables que no podemos entender su significado pleno sin tener en cuenta su ámbito temporal. Atendiendo a este factor, definimos dos conjuntos:

6.1 Históricas (p.e. últimos 6 meses de EDI) — necesarias para los objetivos 4.1 y 4.2

Cuando necesitamos tener en cuenta la evolución, la tendencia, la variación de un valor en el transcurso del tiempo. Serían de esta naturaleza temporal por ejemplo la cantidad de veces que se ha retrasado en la entrega de las mercancías un proveedor respecto al total de envíos que ha hecho, con qué frecuencia ha sufrido cancelaciones de pedidos un proveedor en el conjunto de sus operaciones de los dos últimos años, cuántas veces el proveedor no alcanza la media de incremento en la venta de un producto en los meses estivales (si por ejemplo sabemos que durante ese verano se incrementa la venta de ese producto en los mercados), etc. De ahí, que las definamos como históricas. Para entender su magnitud hay que analizarlas durante el transcurso del tiempo, con la totalidad de los pedidos o los pedidos efectuados durante un periodo concreto.

6.2 Dinámicas (p.e. el EDI de la operación en curso) — necesarias para los objetivos 4.3) y 4.4)

Son aquellas que expresan información plena en el momento actual y que determinan las características que hacen únicas a cada pedido. Por ejemplo qué producto pide una gran marca a su proveedor en este pedido. Cuántas unidades demanda de dicho producto, etc.

Esquema de un ejemplo de funcionamiento de variables en tiempo real e históricas

7. Bases de Datos Portuarias: mayor número de variables endógenas y exógenas.

3 Puntos importantes que nos da la información de los puertos

Parece lógico pensar que nuestro sistema de scoring funciona de forma más precisa y es capaz de determinar mejor y con mayor antelación un posible escenario de riesgo conforme analiza más operaciones y dispone de más bases de datos para captar tendencias y relacionar patrones.

De ahí que pensemos que sería una aportación inmensa para el proyecto contar con los datos que pueden proporcionar los puertos respecto al flujo de mercancías por vía marítima, siendo sin duda un gran paso que nos va a permitir conseguir un sistema más fortalecido y ágil que una el mundo financiero y logístico y que abre las puertas para incrementar el negocio, ya que se estaría financiando a las pymes de forma directa en sus primeros pasos de producción.