Lo curioso es que, en paralelo, ese mismo banco llevaba años viendo cómo los clientes cobraban sus sueldos, pagaban sus facturas, hacían transferencias… El punto era que nadie estaba utilizando esos datos transaccionales para evaluar su capacidad de pago real.

Hoy, muchos bancos o entidades financieras siguen en la misma situación. La diferencia es que ahora tenemos las herramientas para convertir esos datos en información útil para tomar decisiones.

La evaluación crediticia ya no tiene por qué quedarse en el historial

Durante mucho tiempo, los modelos crediticios se construían con lo poco y nada que sabíamos del cliente:

• Datos declarativos en un formulario.
• Historial de pagos previos (cuando lo había).
• Algunas variables sociodemográficas.

Además, las metodologías estadísticas tradicionales permitían la inclusión de pocas variables en sus modelos. Pero hoy, con metodologías más avanzados como Machine Learning, es posible y necesario dar un salto en la forma de evaluar riesgo. ¿Cómo? Usando lo que ya tienes: los datos transaccionales de tus propios clientes.

Cada movimiento en cuenta dice algo. Y cuando los analizas en conjunto, puedes responder mejor a la pregunta clave: ¿Puede esta persona devolver el préstamo que pide?

Qué tipo de información se puede usar (y cómo procesarla)

En nuestra experiencia colaborando con entidades financieras, parte importante  de nuestros esfuerzos ha sido lograr transformar datos internos en modelos de scoring. No se trata solo de mirar saldos, sino de extraer patrones y construir indicadores útiles. Por ejemplo:

• ¿Cuánto ingresa realmente? ¿Cada cuánto?
• ¿Qué parte de sus ingresos se va en gastos fijos?
• ¿Tiene margen recurrente o llega justo cada mes?
• ¿Hay señales de endeudamiento?

Lo relevante, es que parte importante de esta información puede salir de los propios movimientos de cuenta de los clientes. El primer paso entonces es hacer una categorización correcta de estas transacciones. Para eso, usamos un motor de categorización diseñado según la necesidad específica, pues no sirven las soluciones genéricas.

Una vez categorizados, construimos variables derivadas (features) y entrenamos modelos de scoring con técnicas de machine learning que sean explicables.

Como el rigor técnico ha sido parte de nuestro ADN en estos casi 40 años, la evolución de estos modelos permite que hoy sean trazables, interpretables y validables. Con orgullo podemos decir que desde hace años hemos “puesto luz” a las llamadas cajas negras!

Qué mejoras se consiguen al usar modelos transaccionales internos

Con este enfoque, hemos visto resultados como estos:

• Mejor poder predictivo que los modelos clásicos, especialmente en primeras solicitudes. Sigue siendo lo primero que revisan nuestros clientes.
• Procesos más ágiles, sin tener que pedir más datos al cliente. Acá el despliegue (en la nube) ha tomado cada vez más protagonismo.
• Segmentación más afinada, lo que ayuda a personalizar políticas de concesión y reducir riesgo. ¿Cómo llegar a ese segmento de no bancarizados, por ejemplo?
• Una base sólida para alertas tempranas y gestión preventiva del deterioro.

Lo mejor es que este enfoque no exige un cambio radical en sistemas ni arquitectura. Se puede construir sobre lo que ya existe.

Y si más adelante la entidad decide abrirse al open banking para evaluar a nuevos clientes, la transición es natural: el modelo ya está preparado para consumir más fuentes de datos y extender su alcance a usuarios no vinculados o no bancarizados.

¿Estás sacando el máximo partido a los datos que ya tiene?

Años atrás, cuando la moda era el BigData y las Redes Sociales, se gastó mucha tinta sobre como esta nueva información podría ser útil en el negocio del crédito.

Si actualmente tienes la oportunidad de trabajar en riesgos o crédito y sientes que podrías tomar mejores decisiones si tuvieras “más información”, te invito a reflexionar. A lo mejor ya la tienes y solo hay que aprender a leerla.

Llevamos años ayudando a entidades a construir modelos de evaluación crediticia con sus propios datos internos. Por ejemplo:

• Auditar tus datos transaccionales y evaluar su potencial.
• Construir modelos explicables.
• Diseñar una hoja de ruta hacia la evaluación basada en datos (con o sin open banking).

Si te interesa ver ejemplos reales o que te contemos cómo lo hacemos, escríbenos. Estaremos encantados de compartir lo que hemos aprendido.

Contáctanos