Machine Learning: nuevos modelos de riesgo crediticio en la era digital

Un gran sector que se está dejando de lado. Diversos estudios teóricos y empíricos se han encargado de demostrar que el crédito es un amplificador del crecimiento económico: incentiva el consumo y la inversión. Desde el ámbito corporativo hasta el nivel de las personas. Sin embargo, el proceso de desembolso de un crédito requiere de una evaluación previa que defina:

1.Si la persona es sujeta a crédito.
2.Qué montos pueden desembolsarse.
3.A qué tasa se puede colocar el préstamo.

Los tres elementos mencionados provienen del nivel de ingresos y el historial crediticio de cada persona. He ahí el problema: en el Perú, más del 55% de la población ahorra fuera del sistema financiero. De este modo, gran porcentaje de los peruanos, que no tiene ni siquiera una cuenta bancaria, no puede al menos atravesar el paso 1. Sin embargo, ¿esto implica que cada integrante del sector no bancarizado sea por definición un mal prospecto de deudor? La respuesta es no.

El problema que tenemos en el Perú es que la evaluación crediticio se basa en técnicas de análisis de regresión lineal. No obstante, éstas sirven cuando existen. Por un lado, las pruebas oficiales de ingresos mensuales y, por otro, los historiales crediticio, que modelan el comportamiento de pago. ¿Pero qué sucede cuando esa data es inexistente (como en el caso del 55% de peruanos)?

EL POTENCIAL DE MACHINE LEARNING
Sucede que hay una enorme posibilidad abierta. Toca desarrollar nuevas herramientas que prioricen el análisis de mayor cantidad de data, más allá del uso exclusivo del nivel de ingresos y del historial crediticio como únicas fuentes fiables. Así es como hace su llegada Machine Learning (aprendizaje automático), disciplina dentro de la inteligencia artificial (IA) que básicamente consiste en algoritmos que aprenden a partir de los datos históricos y que –de ese modo– son capaces de predecir eventos futuros.

Dennis Barreda, Data Scientist del BCP, nos explica que Machine Learning puede ser aplicable en cualquier área en que se tenga datos históricos: “Una de las áreas que ha sido gratamente beneficiada son las finanzas. Desde la recomendación de mejores productos hasta la evaluación de los riesgos crediticios, maximizando la seguridad en las redes y minimizando los fraudes bancarios. Todo esto con el único objetivo mejorar la experiencia del cliente”.

ITS’S ALL ABOUT THE DATA (Es todo acerca de la data)
Hoy en día no solo se evalúa quién puede pagarte, sino también quién desea pagarte, enfatiza Barreda. Se han complementando los datos tradicionales con datos de comportamiento (ejemplo: el tiempo que se demora en leer el contrato).

Machine Learning se vio beneficiado con la llegada del Big Data. Hoy en día podemos entrenar los algoritmos con millones de registros históricos, data no estructurada (comportamiento en redes sociales) y poder hacer evaluación en segundos, nos comenta Barreda. Al respecto, uno de los elementos y retos clave consiste en la definición de los datos propicios.

¿Cuán grande es este reto? De acuerdo con Lend Academy, en EEUU, los reportes crediticios evalúan al 90% de la población; en el Perú, al 30%. De estos porcentajes, el 70% y el 10% contienen información valiosa y adecuada en EE.UU. y Perú, respectivamente. Como es evidente, las brechas son enormes.

Nuevamente, information is the key (la información es la clave).

PANEL G: DISRUPCIÓN DIGITAL
En la última edición de Panel G: Disrupción Digital, los CEOs de las empresas más importantes del país, comentaron sus experiencias sobre el proceso de transformación digital. Encuentra este suplemento gratis en tu Revista G.