Datos alternativos para scoring crediticio
Publicado el: 2026-04-02 19:54:35
Los datos alternativos pasaron primero de pilotos a producción en fintech. Después les siguieron los bancos. Hoy en día, muchos prestamistas integran estas señales en sus modelos de scoring.
Los bancos y otras instituciones financieras se están poniendo al día. Utilizan datos alternativos para complementar los ficheros de buró y los registros internos.
Las fintech usaron datos alternativos para lanzar productos como el préstamo entre particulares y para fijar precios a clientes con historial crediticio escaso. Los prestamistas que dependían solo del historial crediticio no podían llegar a muchos de estos prestatarios.
Los datos alternativos como sustituto del historial crediticio tradicional
Los datos alternativos suelen servir como sustituto del historial crediticio tradicional. Eso genera riesgo porque no son evidencia directa de pago, sino una señal indirecta.
Las señales pueden correlacionarse con el impago sin que exista un vínculo causal. Algunos efectos son estacionales o específicos del contexto, y no reflejan un comportamiento real de pago. En resumen, muchas correlaciones son espurias.
Usar datos alternativos en el scoring también puede crear nuevos riesgos de discriminación. Por ejemplo, las señales de redes sociales pueden incorporar etnia, género u otros atributos que conduzcan a resultados de concesión de crédito injustos.
Otro desafío es el formato. Muchas fuentes no están estructuradas y son difíciles de usar en modelos de scoring tradicionales. Requieren procesamiento especializado, a menudo con métodos de inteligencia artificial (AI) y machine learning (ML).
A continuación, se muestra un resumen de las principales ventajas y desventajas.
Ventajas:
- Los datos alternativos ayudan a llegar a más prestatarios potenciales, incluidas personas sin historiales crediticios tradicionales.
- Los datos alternativos pueden ofrecer una visión más amplia y actualizada de las finanzas de un prestatario, lo que puede mejorar las decisiones de préstamo.
- Usar datos alternativos puede reducir los costes de scoring cuando las fuentes tradicionales son caras de obtener y procesar.
Desventajas
- Como muchas fuentes no están estructuradas y son difíciles de integrar en modelos tradicionales, se requiere un procesamiento especializado, lo que puede resultar costoso.
- Los datos alternativos pueden utilizarse de forma indebida y discriminar a determinados grupos.
- Las correlaciones entre señales alternativas e impago pueden ser accidentales y no indicar un comportamiento de pago.
Construir un modelo de scoring crediticio con datos alternativos
Seleccione atributos de datos alternativos con el mismo nivel de escrutinio, o mayor, que el utilizado en el scoring crediticio tradicional.
Esto significa que los atributos deben ser:
- Relacionados con la creditworthiness: los atributos deben ayudar a predecir la probabilidad de impago.
- Disponibles a escala: los atributos deben existir para una gran parte de los prestatarios para entrenar un modelo fiable.
- Prácticos de obtener y procesar: los atributos deben ser fáciles de obtener y calcular para mantener bajos los costes.
- Estables en el tiempo: las relaciones con el impago deben mantenerse a lo largo de distintos periodos, incluido en una muestra “out of time”.
- Sin sesgos: los atributos deben evitar introducir discriminación.
Ejemplos de fuentes de datos alternativos para scoring crediticio
Ejemplos de atributos procedentes de fuentes alternativas que pueden cumplir estos criterios incluyen:
- Historial de pagos de facturas de servicios públicos
- Historial de pagos de alquiler
- Historial de solicitud de préstamos a corto plazo
- Actividad en redes sociales
- Uso del teléfono móvil
- Datos de transacciones de ecommerce
- Historial de uso de servicios de transporte bajo demanda
Métodos de scoring crediticio
Después de seleccionar los atributos, construya el modelo de scoring crediticio. Puede utilizar métodos tradicionales, como la regresión logística, o técnicas más avanzadas de machine learning.
Los métodos comunes para el scoring crediticio con datos alternativos incluyen:
- Random forest
- Gradient boosting (XGBoost, LightGBM)
- Redes neuronales
- SVM
- Regresión logística
- Otros modelos de regresión, como MARS
El machine learning puede aprender automáticamente relaciones complejas entre atributos y riesgo de impago, lo que reduce la necesidad de especificar manualmente las variables. La contrapartida es una menor explicabilidad y un mayor riesgo de overfitting. Aplique un escrutinio estricto a cada atributo que entre en el modelo final.
Una vez construido el modelo, valídelo para evaluar su capacidad predictiva y protegerse contra el overfitting. Utilice validación cruzada y, cuando sea posible, validación out-of-time.
Conclusión
Los datos alternativos pueden complementar las fuentes tradicionales en el scoring crediticio y ampliar el acceso a prestatarios sin historial crediticio.
Pueden ofrecer una visión más completa de las finanzas de un prestatario y respaldar mejores decisiones de préstamo.
También pueden reducir los costes de scoring cuando las fuentes tradicionales son caras de obtener y procesar.
Sin embargo, los riesgos persisten: posible discriminación y correlaciones que son accidentales en lugar de indicativas del comportamiento de pago.
