Fuente: www.silicon.es
Las obtención de datos y la rapidez de respuesta son los principales obstáculos para las fintech a la hora de conceder un préstamos. Los modelos machine learning ofrecen la solución perfecta.
La tecnología machine learning está llamada a convertirse en la ‘mejor amiga’ de las empresas fintech enfocadas en la concesión de créditos. Uno de los principales quebraderos de cabeza de estas compañías es la consolidación de su negocio, lo que implica crecer tanto en el volumen de créditos como en su base de clientes. “Para hacerlo cumpliendo a la vez los objetivos de rentabilidad marcados, deben gestionar bien su riesgo, algo que a veces es complicado, dada la naturaleza de sus operaciones”, explicaba Raquel Guardia, jefa de proyecto del Área de I+D de la consultora AIS Group, en su intervención en la III Edición del Congreso eFintech Show, celebrada esta semana en Barcelona.
Pero crecer no es fácil, ya que las fintechs se enfrentan a dos grandes obstáculos. El primero radica en la obtención de datos, pues para conceder un préstamo se exige a los solicitantes que rellenen formularios o aporten documentación. “Son muchos los que desisten cuando se enfrentan a procesos de alta demasiado largos o complejos”, advertía Guardia.
El segundo problema es la necesidad de rapidez. “Estamos acostumbrados a usar aplicaciones que nos ayudan a satisfacer todo tipo de necesidades casi inmediatamente. Si no quiero cocinar, Just Eat, Glovo o Deliveroo me traen la comida a casa. Si se funde una bombilla, siempre podemos acudir a Amazon Prime Now y la tendremos en la puerta en nada. Las fintechs también necesitan tiempos de respuesta cortos. Si no, es probable que el cliente acabe en la competencia”, comentaba.
La responsable de AIS Group mostró una posible solución, sustentada en tres pilares. El primero son los conectores financieros o agregadores, “sistemas que captan los datos de un usuario a partir de sus claves bancarias, por lo que el formulario se reduce a apenas dos campos”.
El segundo ingrediente es la categorización, que consiste en la “creación de variables estadísticas y categóricas que nos ayuden a conocer mejor el perfil del cliente”,precisaba Guardia. Así, explicaba que las operaciones de cada cliente se definen en distintas categorías -compra básica de alimentación, adquisición de tecnología, gasto en ocio…-, que proporcionan un mayor conocimiento del cliente y permiten saber con mayor certeza si será un buen pagador del crédito solicitado.
Y el tercer elemento son los modelos machine learning. “Tras el paso de la agregación y la categorización, tenemos infinidad de datos veraces y ordenados. Es el momento de aplicar inteligencia para exprimir esos datos y que aporten valor real al negocio de las fintechs. Esa inteligencia la logramos con los modelos machine learning”, señalaba.
Dichos modelos conjugan grandes números de variables y utilizan algoritmos que permiten altos niveles de clasificación, haciendo que su poder de predicción mejore entre un 25% y un 50% respecto a un modelo tradicional, según indicaba la responsable de AIS Group.
Como muestra, citó un caso práctico realizado por su compañía. “Con un modelo de evaluación de crédito a personas físicas desarrollado con metodologías tradicionales, la probabilidad de que se produjera impago era de 45 de cada 100 solicitudes. Con un modelo machine learning, sólo 8 de cada 100 tenían un riesgo mayor de caer en mora”, especificaba. “Los modelos machine learning son la llave que nos ayuda a regular el grifo de la concesión de créditos, filtrando mejor a quién se conceden, para que las fintechs logren crecer con rentabilidad”, añadía.
