La palabra scoring puede resonar mucho, sobre todo al momento de consultar o solicitar un crédito, pero muchas personas no saben a qué hace referencia la misma o qué implica el mismo. Al ingresar en el mundo financiero, es importante conocer diferentes conceptos que nos pueden ser útiles a la hora de lograr determinados objetivos.
¿Qué son los modelos de scoring?
Los modelos de scoring surgieron como una herramienta de análisis basada en esquemas matemáticos que tienen como variable objetivo determinar la probabilidad de pago de una persona que toma crédito. Estos modelos se construyen tomando variables diferentes socioeconómicas duras, como por ejemplo, tipo de empleo, remuneraciones, localización geográfica, edad, historial crediticio, entre otras. En su origen, funcionaban como un complemento del análisis de riesgo tradicional basado en el estudio de documentación y del historial del sujeto de crédito pero con la subjetividad del analista.
Con el correr del tiempo, se fueron perfeccionando y quienes otorgan préstamos, por una cuestión de efectividad y de eficiencia, empezaron a adoptarlos como única regla de decisión. Sin embargo, se puede observar que estos modelos tienen límites y sólo pueden explicar parcialmente lo que se busca determinar. En este sentido, tienen como falencia la imposibilidad de segmentar poblaciones a partir de otras variables que son probabilísticamente más asertivas.
Cambios y avances
A partir del avance de la tecnología y el aceleramiento en la digitalización de muchos procesos, se logró abaratar costos de procesamiento de datos y con esto el aumento de las variables disponibles para el análisis. Hoy en día se desarrollan modelos basados en datos comportamentales de las personas que alcanzan esquemas de segmentación más precisos y predictivos. Estas herramientas se vuelven muy útiles en economías donde un gran porcentaje de los trabajadores se encuentra en la informalidad, y por ende, no hay suficiente porcentaje de bancarización.
Mitos sobre el scoring
Existe una tendencia a plantear que una variable en particular es la que determina el puntaje, como la edad o una determinada zona geográfica. Pero esto debe ser tomado desde un ángulo más complejo, sobre todo por la precisión de datos que hoy tenemos a disposición que pueden ser procesados mediante sistemas muy sofisticados. Hoy se toman una gran cantidad de variables que se ponderan en función de la combinación de estas y no tan solo por el peso que puede tener una u otra en sí misma.
Los modelos actuales combinan las variables sociodemográficas con otras tales como el uso de dispositivos tecnológicos como los celulares, la circulación a partir del seguimiento de aplicaciones o el comportamiento en redes sociales. Es necesario resaltar la importancia de contar con la autorización de la persona a ser calificada.
Hoy vivimos un mundo que hace algunos años era impensado para cualquier empresa, sin importar su tamaño. Actualmente se cuenta con la posibilidad de almacenar grandísimas cantidades de datos sobre los cuales se desarrollan modelos a partir de machine learning que, con la llegada y maduración de las tecnologías cloud, no solo se pueden almacenar sino que no requiere grandes inversiones como las de hardware. En este sentido, el big data genera las condiciones para realizar análisis descriptivos del comportamiento de una población tomando en cuenta una gran cantidad de variables.
El próximo paso dentro de la evolución de los modelos es la utilización de esquemas de redes neuronales basado en análisis dinámicos, autónomos y retroalimentados en tiempo real.
Fintechs: datos e inclusión financiera
Aún hoy hay un gran porcentaje de la población sin historial crediticio o que no cumple con los requisitos del análisis tradicional y quedan excluidas del sistema de préstamos o tarjetas de crédito. Es por eso que a partir de este gran repertorio de datos disponibles, las fintechs pueden desarrollar modelos de scoring basados en la propia experiencia de la cartera, y con esto generar mejores condiciones para la inclusión financiera de las personas.
