Haciendo una introducción a la Gestión Integral de Riesgos, tenemos preguntas y respuestas estratégicas alineadas con los estándares de la SBS y las mejores prácticas del mercado peruano:
1. ¿Qué es la Gestión Integral de Riesgos (GIR)?
La GIR no es solo un cumplimiento normativo, es un proceso estratégico y continuo efectuado por el Directorio, la Gerencia y todo el personal. Su objetivo es identificar, evaluar, monitorear y mitigar todos los riesgos que puedan afectar el cumplimiento de los objetivos de la entidad.
En el contexto de tus reportes, la GIR abarca:
- Riesgos Cuantificables: Crédito, Mercado y Liquidez.
- Riesgos No Cuantificables: Operacional (incluye tecnológico y ciberseguridad), Estratégico y Reputacional.
2. ¿Quién es responsable de la GIR?
La responsabilidad es jerárquica y compartida (Modelo de las 3 Líneas de Defensa):
- El Directorio: Responsable final de aprobar el apetito por el riesgo y asegurar que existan los recursos para la gestión.
- La Gerencia General: Responsable de la implementación de las políticas y estrategias.
- Comité de Riesgos: Órgano que supervisa la gestión y cumplimiento de los límites.
- Unidad de Riesgos (CRO): Ejecuta el control y monitoreo independiente.
- Cada colaborador: En sus funciones diarias es la “primera línea” que identifica riesgos en el origen.
3. ¿Qué KPIs se emplean para medir el Apetito por el Riesgo?
El Apetito por el Riesgo se traduce en indicadores que, si se sobrepasan, disparan alarmas. Los más críticos en tus reportes son:
- Solvencia: Ratio de Capital Global (mínimo regulatorio vs. límite interno).
- Riesgo de Crédito: Ratio de Morosidad (Mora SBS + Castigos), Concentración por sector económico y Cosechas.
- Liquidez: Ratios de Liquidez en MN y ME (a 7 y 30 días).
- Rentabilidad Riesgosa: ROA y ROE ajustado por riesgo.
- Eficiencia: Ratio de Gastos Administrativos / Margen Financiero.
4. ¿Cómo estamos empleando la IA en la gestión? (Enfoque FinanXas)
La IA ya no es opcional. La estamos aplicando en:
- Modelos de Score Predictivos: No solo para otorgar créditos (Originación), sino para Pricing (cobrar según el riesgo real) y Seguimiento (predecir quién va a fallar antes de que lo haga).
- Machine Learning para Pérdidas Esperadas: Cálculos más precisos bajo NIIF 9, permitiendo optimizar el gasto en provisiones.
- Business Analytics: Segmentación avanzada del mercado para identificar nichos rentables que la banca tradicional ignora.
- Detección de Anomalías: IA aplicada a Riesgo Operacional y Ciberseguridad para detectar fraudes en tiempo real.
