Scoring alternativo gracias al big data, el machine learning y redes neuronales

“Los datos son la materia prima indispensable para poder desarrollar y ofrecer servicios financieros cada vez más específicos, eficientes y acordes a las necesidades de los usuarios. En ese sentido las fintech son generadoras de este tipo de información, que es la base para la toma de mejores decisiones”, expresa Mariano Biocca, coordinador general de la Cámara Argentina de Fintech.

“Para determinar los scoring más tradicionales, los bureau de crédito recopilan información de bancos, padrones públicos y de fuentes que controla el Estado -pero al que no todo el mundo tiene acceso, como datos de Anses– para armar modelos de riesgo en función de información histórica, como el comportamiento crediticio, y ponen un puntaje“, comenta Mathias Caramutti, cofundador de Celeri, una plataforma en la nube para construir y correr soluciones flexibles.

“Si bien en general funcionan muy bien, el problema que tienen es que un país como la Argentina, donde un gran porcentaje de la población no está bancarizado, son limitados. No te permite hacer un análisis de riesgo de un montón de personas o de muchas pymes que si bien trabajan con bancos pueden no tener productos de crédito, entonces no tienen historial crediticio”, desarrolla.

En este sentido, hay desde un tiempo a esta parte, y más con el advenimiento y masificación de propuestas de fintech no bancarias, la posibilidad de acceder a scoring “alternativos” apalancados por la tecnología, en la forma de plataformas -como MercadoLibre y Ualá– y el uso de técnicas de big data e inteligencia artificial -como machine learning y redes neuronales-.

“Las fintech cuentan con la información transaccional de uso y costumbres de sus usuarios. A partir de allí pueden identificar patrones de consumo, tendencias entre otras, esta es la lógica que muchas veces da origen a un análisis alternativo en el cual se mesura sobre diferentes indicadores de los que consume o toma una entidad financiera tradicional”, dice Valeria Rodríguez, directora de Lyra Argentina, que en la Argentina ofrece su procesador de pago PayZen.

“Las fintech, a través del celular, pueden saber dónde dormís, a qué hora te despertás, qué hábitos tenés, si tenés regularidad en tus actividades, con quién interactuás; incluso si vendés por alguna plataforma de comercio electrónico. Además, tienen tus métricas de ventas, lo que podría ser tomado como indicador de capacidad y voluntad de pago“, argumenta puntualmente Julieta Caminetsky, economista y cofundadora de Lufindo, una startup educación financiera para jóvenes de América latina, que pronto hablará sobre el asunto en la exposición de tecnología Pulso IT.

Justamente, el ejemplo más conocido es el de la compañía creada por Marcos Galperin. Mercado Crédito se apoya en la tecnología como machine learning e inteligencia artificial y en un modelo de scoring propio para ofrecer créditos. El sistema ofrece los préstamos en función de dos grandes grupos de información.

“Lo que más pesa es la información interna: el historial del vendedor en las plataformas MercadoLibre y MercadoPago; en función de un aceitado proceso de análisis del comportamiento del usuario y de la experiencia del cliente con ellos, entre otras variables. Luego, la información se cruza con los datos del bureau, que es la fuente de información crediticia más tradicional pero que explica menos del 10% de nuestras decisiones”, detallan.

En esta dirección apunta Juan Pablo Bruzzo, CEO de Moni, una provee servicios financieros digitales en la Argentina y México. “A diferencia del sistema de scoring de los bancos tradicionales, MONI utiliza una herramienta innovadora basada en algoritmos de machine learning que permite predecir con gran exactitud el perfil de riesgo de cada solicitante haciendo uso de la analítica de big data“, puntualiza.

Los factores más relevantes que utiliza MONI sirven 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.

“Usamos la información de Bureau y luego usamos la información transaccional como de una tarjeta de débito, que es super predictiva para estimar el comportamiento de pago. Para eso, les recomendamos a nuestros clientes que la usen para todo”, cuenta Joaquín Diz, director de Créditos de Ualá.

“Las técnicas de machine learning consiguen mejores resultados pero necesitás tener una base de datos muy avanzada. Por eso gran parte del trabajo que estamos haciendo es alimentar la base de datos y que estos son íntegros y oportunos. Al principio arrancamos con técnicas más tradicionales, como una regresión logística, para luego llegar a técnicas más avanzadas. Fue un proceso evolutivo.”

Desde Increase, startup que desarrolla e integra soluciones que simplifican y automatizan su gestión financiera y su información valiosa, cada transacción genera hoy más de 150 campos de información, los cuales van desde los obvios de monto y fecha hasta el ID desde donde se generó la transacción o los estados por los cuales pasa la transacción hasta ser acreditada, desarrolla su CEO, Sebastián Cadenas. Toda esta información facilita la construcción y el uso de un scoring propio.

“Con la utilización de herramientas de machine learning, se generan los modelos de scoring. Estas herramientas permiten además de desarrollar un modelo estático, generar esquemas por aprendizaje asistido. Es decir, los resultados obtenidos a partir de la utilización de los modelos, retroalimentan el modelo generando porcentajes más altos de aciertos en las respuestas”, desarrolla Pablo Blanco, CFO de Alprestamo.

“El próximo paso dentro de la evolución de los modelos es la utilización de esquemas de redes neuronales, que lo que hace es establecer una metodología de análisis dinámica y autónoma que se retroalimenta en tiempo real con los resultados obtenidos como consecuencia de las decisiones tomadas basadas en análisis anteriores”, cierra.