Machine Learning para predicción de riesgo crediticio: Más allá del score tradicional

Limitaciones del score tradicional

El score crediticio de DataCrédito y Cifin, aunque útil, tiene limitaciones inherentes: excluye a quienes no tienen historial crediticio formal (40% de los colombianos adultos), no captura cambios recientes en la situación económica del solicitante, y tiene baja precisión para segmentos subrepresentados.

Modelos de ML para riesgo crediticio

Los modelos de machine learning como Gradient Boosting (XGBoost, LightGBM) y redes neuronales profundas pueden procesar miles de variables simultáneamente, capturar patrones no lineales y actualizar sus predicciones en tiempo real conforme llega nueva información del cliente.

Variables alternativas de predicción

Los modelos más avanzados incorporan variables alternativas con autorización del cliente: patrones de comportamiento en la app bancaria, velocidad de respuesta a comunicaciones, historial de pagos de servicios públicos, y datos de comportamiento en redes sociales profesionales como LinkedIn.

Implementación y regulación

La SFC permite el uso de modelos de ML para scoring crediticio siempre que la entidad pueda explicar las decisiones (modelos interpretables o explicables - XAI), garantice la no discriminación por factores protegidos, y mantenga un modelo de auditoría continua del desempeño del modelo.