Cómo funciona la valoración de carteras en la adquisición de créditos.

Como parte de la función de gestión de riesgos, el equipo de Operational Debt Purchase trabaja con especialistas en métodos y análisis para examinar exhaustivamente alrededor de 600 paquetes de créditos al año. Al final de este complejo proceso, se puede recomendar un precio de compra. “Este tipo de carteras puede contener hasta un millón de créditos. Por eso, básicamente las observamos como si fueran un banco de peces. Necesitamos entender qué mueve al banco y en qué dirección nada, no la dirección de cada pez individual”, afirma Matthias Schmidt, Head of Operational Debt Purchase en EOS Group.

“A diferencia de la gestión fiduciaria de cobro, en la compra de deuda asumimos un riesgo considerable. Porque, una vez completada la compra, el dinero ya se ha desembolsado”, explica Matthias. Para que él y su equipo puedan examinar previamente la cartera objeto de negociación, el vendedor proporciona un paquete anonimizado de datos brutos en forma de archivo Excel. Cada línea del archivo representa un crédito pendiente y un deudor en situación de impago.

¿Se han equivocado alguna vez en sus recomendaciones? “Sí, por supuesto”, admite Matthias. “Pero nuestra tasa de éxito es bastante buena”. Matthias, en realidad, tiene un doctorado en Física. Tras graduarse, trabajó inicialmente en el desarrollo de tecnología de semiconductores y después como consultor, principalmente con ‘bad banks’. “Y ahora mi trabajo consiste en descubrir qué mueve a las carteras de créditos”, afirma. Lo que tienen en común todos sus puestos anteriores es la necesidad de abordar cuestiones complejas. “Soy una persona a la que le encanta comprender el trasfondo”, dice. Es una cualidad esencial a la hora de evaluar carteras. Porque, en última instancia, se trata de tomar una decisión que implica mucho dinero.

“Para tomar verdadera conciencia de la historia, a veces basta con representar gráficamente los parámetros disponibles. Aquí también, como ocurre tantas veces en la vida, hacer un dibujo puede ayudar”, afirma Matthias. “Esto facilita detectar posibles anomalías”. Otro factor es el contexto en el que se vende la cartera. Por ejemplo, ¿se trata de una cartera procedente de un periodo de crisis? ¿Cuándo se realizó realmente el último pago y qué significan los asientos contables y las fechas? ¿Cuál es el historial del vendedor y qué ocurrió en el mercado en aquel momento? ¿Qué porcentaje de insolvencias hay? ¿Existen nuevas leyes que afectan a nuestra forma de trabajar y qué efecto tiene esto en la naturaleza o en la historia de la cartera que queremos seguir escribiendo?”. Con cada pregunta, el perfil de la cartera de deuda se vuelve más detallado. Para profundizar aún más, él y su equipo dividen después los créditos en grupos cualitativos y cuantitativos: “Es en este punto cuando la cartera adquiere algo parecido a un aspecto humano. Porque cada cartera cuenta su propia historia y es completamente única”, añade.

A continuación, los analistas de EOS buscan datos empíricos del pasado en el amplio conjunto de datos del que disponen. A efectos de la valoración, los analistas se plantean las siguientes preguntas: ¿Qué referencia cuenta una historia similar? O, dicho de otro modo, ¿ha adquirido EOS ya una cartera comparable en el mismo sector o en la misma región? ¿Cómo resultó la realización de la cartera en ese caso concreto? Los analistas utilizan estos datos históricos para desarrollar promedios de referencia con los que deben medirse las nuevas carteras, aunque siempre teniendo en cuenta las circunstancias actuales y, mucho más importante aún, las futuras. La evaluación también considera si entretanto se han producido convulsiones o cambios en el entorno político. “La gestión de cobro cambia constantemente, así que, por supuesto, debemos tenerlo en cuenta y ajustar la previsión en consecuencia sobre la base del benchmark”, afirma Matthias.

En casos especiales, el equipo recurre a algoritmos, que se utilizan para procesar datos complejos. Sin embargo, un buen resultado no depende únicamente de los datos brutos. El factor humano también desempeña un papel importante en la evaluación: “Un algoritmo nunca podría desarrollar un sentido de la historia de la cartera como lo hace un analista”, afirma Matthias. A partir de cierto punto, también se necesita intuición, y esta se basa en la experiencia.