NUEVOS MODELOS DE PREDICCIÓN DE CRÉDITO

Principales usuarios serán los bancos.

Los continuos avances en big data, digital y análisis mejoran las decisiones crediticias, y se definen los parámetros de préstamo y capital con mayor precisión. Los bancos y las empresas fintech que ya implementaron estos nuevos modelos aumentaron sus ingresos, redujeron las tasas de pérdida de crédito, y lograron ganancias significativas de eficiencia gracias a decisiones más precisas y automatizadas.

Muchas instituciones financieras luchan con la transición a un modelo de crédito más avanzado. Se enfrentan a importantes obstáculos de capacidad, tecnología y cultura, además de limitadas fuentes de datos, máquinas analíticas simples y una gran dependencia de las evaluaciones subjetivas de los gerentes de relaciones.

Quienes ya incorporaron modelos de decisión crediticia de alto rendimiento en los préstamos digitales, aumentan sus ingresos del 5 al 15% a través de mayores tasas de aceptación, menor costo de adquisición, y una mejor experiencia del cliente.

De manera simultánea, los nuevos modelos de análisis crediticio generan una disminución del 20 al 40% en sus pérdidas crediticias, al determinar con mayor precisión la probabilidad de incumplimiento de los clientes. Ese solo elemento, por si mismo, afecta a los niveles de provisiones y capital que debe tener un banco o institución financiera.

Por otra parte, el uso de los nuevos modelos mejora la eficiencia del 20 al 40% por la extracción de datos altamente automatizada, priorización de casos y el desarrollo de modelos. Sin embargo, muchos modelos de decisión crediticia aún se basan en datos históricos que son prácticamente inútiles, dadas las interrupciones del mercado causadas por la pandemia de COVID-19.

Algunos bancos, incluso superponen modelos que se derivan subjetivamente y no son lo suficientemente precisas para la suscripción, a menudo a nivel industrial o geográfico. La implementación de modelos de decisión de crédito más automatizados, puedan aprovechar nuevas fuentes de datos, comprender los comportamientos de los clientes con mayor precisión, abrir nuevos segmentos y reaccionar más rápido a los cambios en el entorno empresarial.

Así, es aconsejable implementar una arquitectura modular, expandir las fuentes de datos, extraer datos para señales de crédito y aprovechar la experiencia empresarial, explica Edgar Shwartz, director de Solventium.