Nuevos modelos de scoring favorecen la inclusión financiera

Comparta el artículo

Se presentó la última actualización del sistema de scoring crediticio basado en machine learning y big data, con el que brinda créditos para consumo 100 x 100 online a través de una app que realiza el otorgamiento en forma inmediata y la acreditación de los fondos en cuenta en el acto.

A diferencia del scoring tradicional que proveen los bureaus de crédito, se utiliza una innovadora herramienta basada en algoritmos de machine learning, que utilizando analítica de big data, le permiten predecir con mayor exactitud el perfil de riesgo de cada solicitante.

Tratándose de personas que si bien tienen cuenta bancaria, en su gran mayoría no utilizan servicios financieros básicos por lo que no cuenten con historial crediticio en el Banco Central, el sistema de otorgamiento realiza el scoring utilizando una serie de casi 200 factores alternativos para analizar y predecir en tiempo real el perfil de riesgo de cada solicitud de crédito. La marca y modelo de celular, el tamaño y resolución de la pantalla, el horario de acceso a la plataforma, el tipo de cuenta y banco, la IP desde la que se conecta, la geolocalización, el modo de expresión escrita, el formato de nombre y dominio del correo electrónico, entre otros, son los factores más relevantes que utiliza para establecer 10 segmentos que van de una probabilidad de mora del 2,5% al 20% que determinan en forma automática e inmediata el monto y plazo máximos que se le otorga a cada cliente.

“La inclusión financiera que están generando las fintech en todo el mundo solo es posible a partir de un quiebre en el statu quo de los sistemas de scoring, ya que estos sistemas se basan en criterios de otorgamiento que dejan afuera a una gran mayoría de la población, especialmente en la base de la pirámide, donde existe un gran mercado con demanda insatisfecha en relación a servicios financieros básicos como tarjetas de crédito, préstamos para consumo y pagos digitales”, afirmó Juan Pablo Bruzzo, CEO de MONI, y agregó: “Estas personas, que en general son buenos pagadores, no pueden ser sujetos de crédito en el sistema bancario tradicional por no contar con un historial crediticio, lo que genera un círculo vicioso que hasta la llegada de las fintech parecía imposible de cortar”.

Tal es así que al cruzar el perfil de la base de más de 900.000 préstamos otorgados hasta el momento, surge que el 70% está por debajo de los 300 puntos de calificación según los sistemas de scoring de los bureau de crédito utilizados por los bancos, cuando la media de mercado para que un banco considere a una persona como sujeto de crédito ronda los 500 o 600 puntos de calificación.

En el mismo sentido, un simple ejercicio de cruce de datos públicos sobre población, nivel socio económico (NSE) e información del Banco Central dan como resultado una cruda postal del segmento minoritario sobre el que concentran sus préstamos los bancos y la imperiosa necesidad de incluir financieramente a la gran mayoría de la población Argentina. Mientras que los bancos le prestan al 84% del segmento ABC1, al 70% del C2 y al 51% del C3, los préstamos en el segmento D1, donde se concentra casi el 80% de la población Argentina, apenas llegan al 19%.

“Tan vasto es el segmento poblacional que aun teniendo cuenta en algún banco no accede a los servicios financieros más básicos, que resulta ser una de las principales razones por las que Argentina tiene tan bajo desarrollo del mercado de crédito. Según los últimos datos del Banco Mundial, la participación de los préstamos al sector privado en la Unión Europea llega al 94,6% del PBI, en América Latina y el Caribe al 44,9%, mientras que en Argentina representaba apenas el 14,3% del PBI nacional”,sostuvo Juan Pablo Bruzzo.

Los modelos de predicción de mora desarrollados en Python y Jupyter están basados en librerías específicas de machine learning como TensorFlow y LightGBM, que son algoritmos open source desarrollados por Google y Microsoft. La solución procesa en la nube de AWS y utiliza Tableau para la visualización de datos y monitoreo de resultados en tiempo real.

Estos modelos se retroalimentan y mejoran su performance y efectividad constantemente, “aprendiendo” en base a los datos del comportamiento de pago de los clientes sobre los que se realizó el scoring al momento del otorgamiento del préstamo. Cerca de 180.000.000 de datos generados por más de 900.000 créditos otorgados son el principal activo de la compañía y el insumo clave para que su modelo de scoring logre un altísimo grado de exactitud para predecir el perfil de riesgo de cada operación.

Asimismo, a los efectos de evaluar comparativamente la performance de su innovador sistema de scoring, se compara el top 10% de los clientes identificados con su modelo, con el top 10% del scoring tradicional de los bureaus de crédito. El resultado arroja que solamente en el primer paso el modelo desarrollado por MONI detecta clientes nuevos con un 60% menos de morosidad respecto al estándar del mercado, valor que se eleva al 80% en el caso de clientes recurrentes.

A partir de esta innovadora herramienta de scoring que utiliza machine learning y big data, y con solo unos rápidos y sencillos pasos que se hacen 100×100 online en el sitio web o la app de MONI, los clientes pueden acceder a alguna de las opciones de préstamos de otorgamiento inmediato y acreditación en cuenta en forma instantánea, ampliando de este modo las opciones de acceso y uso de productos financieros digitales a un gran número de personas de los segmentos sub-bancarizados.


Comparta el artículo