El acceso a liquidez ha sido una cuestión fundamental para la humanidad a la hora de financiar tanto aspectos personales (por ejemplo, vivienda, vehículos, educación) como iniciativas empresariales (por ejemplo, iniciar, crecer y expandir un negocio). La incertidumbre a la que se enfrentan ambas partes de este intercambio —acreedor y deudor potencial— es enorme. Por un lado, el acreedor intenta resolver todas las dudas sobre la capacidad de pago del solicitante mediante la recopilación de información adicional, que en algunos casos es difícil de obtener para el deudor, lo que resulta en oportunidades perdidas para ambas partes. Por otro lado, el solicitante se enfrenta a un proceso opaco, con una evaluación de aprobación que ocurre entre bastidores y cuyos criterios no son claros, por lo que el deudor potencial no puede actuar para mejorar su puntuación.

La Inteligencia Artificial ha jugado un papel importante a la hora de resolver el primer aspecto de la ecuación —el del acreedor—, aportando una estimación objetiva y reproducible de la solvencia del deudor potencial, aunque a costa de añadir mayor opacidad al proceso para el solicitante. En este artículo analizaremos el paradigma actual y cómo podríamos abordarlo de forma diferente para aplicar una estrategia más exhaustiva, identificando las limitaciones actuales y las posibles soluciones desde el punto de vista de la IA. Las ideas descritas aquí pueden aplicarse tanto a instituciones financieras como a modelos de negocio basados en suscripción que se enfrentan al riesgo de impago como fuente de cancelación involuntaria.

El credit scoring tradicional utiliza métodos de caja negra —ya sea un responsable humano inaccesible para el cliente o un modelo estadístico— que ponderan diversos factores, incluyendo datos demográficos, historial de pagos e indicadores financieros. Este enfoque tradicional deniega crédito a los consumidores sin considerar la posibilidad de ajustar su situación actual u otros factores atenuantes. En este sentido, se modela como la probabilidad en el momento de la aprobación de que un deudor potencial pague completamente o incumpla. Observamos dos limitaciones principales:

1. Interacción unidireccional: la interacción tiende a ser unilateral con poco margen para la negociación. Los deudores y acreedores deberían poder actualizar sus términos y condiciones para maximizar las posibilidades de un resultado mutuamente beneficioso. Un rechazo categórico llevará al cliente a otra institución, representando una oportunidad completamente perdida para el acreedor que podría transformarse —en algunos casos— fácilmente en una aprobación bajo condiciones diferentes.
2. Decisión única: asumir que la decisión y las condiciones son un proceso único. Deberíamos contemplar estrategias de credit scoring que reevalúen continuamente la probabilidad de impago y ajusten las condiciones de forma continua.

Por tanto, nuestra visión de la Inteligencia Artificial aplicada a credit scoring es una interacción dinámica, donde el modelo sugiere y reevalúa condiciones de forma continua para maximizar los beneficios mutuos.

Modelado y datos

Podemos formalizar un modelo de credit scoring como una función que, dados el deudor potencial, las condiciones del acreedor y las características del préstamo solicitado, predice un KPI valioso para la toma de decisiones, como la probabilidad de impago, el ROI esperado, etc.

Solo a título ilustrativo, dicha información puede incluir:

• Deudor:
• • Demográficos: edad, profesión, educación, etc.
  • Registros financieros: ingresos y gastos, deudas, hipotecas, etc.
• Acreedor: cartera, flujo de caja, indicadores de mercado, etc.
• Condiciones del préstamo: importe prestado, spread, tasa de porcentaje anual, plazo, avalistas, consecuencias en caso de incumplimiento del contrato, etc.

Podemos utilizar cualquier modelo para codificar la función anteriormente mencionada (por ejemplo, scorecard, árboles de decisión, redes neuronales).

Como se mencionó en la sección anterior, nuestra visión del credit scoring no considera solo la decisión final (aprobación frente a rechazo) sino el ajuste de las condiciones del préstamo para garantizar un resultado mutuamente beneficioso. Por tanto, un modelo de IA debe utilizar la función anteriormente mencionada para descubrir las condiciones que maximicen tu KPI:

De esta forma, podemos transformar un rechazo de una solicitud inicial en la aprobación de una alternativa. Ten en cuenta que aunque simplificamos la búsqueda del ajuste de condiciones del préstamo, el modelo también podría sugerir cambios en la información del deudor. Por ejemplo, podría sugerir que la forma más sencilla de aprobar el crédito es aumentar el salario del deudor en una cierta cantidad o reducir sus gastos mensuales. Priorizamos los cambios en las condiciones del préstamo porque pueden aplicarse instantáneamente, mientras que la búsqueda de aprobación mediante ajustes del cliente tiende a requerir ciclos de retroalimentación más largos.

Sin embargo, independientemente de nuestro KPI o estrategia de modelado, debemos ser cuidadosos con casos límite, como predecir que bajando la tasa de interés a cero se maximizaría la probabilidad de que un cliente pague, resultando en una ganancia cero para el acreedor. De forma similar, aumentar el interés al infinito para maximizar la ganancia, pero en la práctica, conduce a que los solicitantes rechacen el préstamo o caigan en insolvencia. Si te enfrentas a este problema, échale un vistazo a modelos causales, modelos monótonos o simplemente integra algunas restricciones orientadas al dominio en el proceso de decisión.

Curso, Templates

Data Ignite

Crea soluciones de IA robustas siguiendo nuestra metodología.

Más información

Transparencia y equidad en la aprobación de créditos

A la hora de trabajar con créditos, la capacidad de explicar por qué un determinado préstamo no fue concedido, así como las condiciones que no se cumplieron, juega un papel central. No solo es relevante para quienes lo reciben, sino también para quienes podrían beneficiarse del acuerdo si hubiese sucedido.

Al modelar el problema cambiando las condiciones y el contexto de un cliente, se pueden inferir explicaciones contrafácticas e hipótesis sobre cómo el cliente podría ser aceptado y qué necesitaría cambiar respecto a la realidad.

Se han desarrollado varios modelos para conceptualizar razones y explicaciones en las decisiones tomadas. Un ejemplo interesante es el modelo desarrollado por el equipo de Cynthia Rudin para el FICO Data Challenge. La estrategia agrupa características por subescalas y asigna a cada una de ellas un modelo en miniatura (con softmax). Estos modelos en miniatura son no lineales y, por tanto, se puede construir un modelo similar a un árbol con aprendizaje automático bajo el capó. Una demostración de su trabajo puede verse aquí.

De la imagen anterior podemos ver que la morosidad es una subescala que puede caracterizarse por esas cuatro características y que está contribuyendo al factor de riesgo (los colores más cálidos representan un riesgo mayor). Recomendaría al lector que lea el último artículo de Cynthia sobre modelos de caja negra: "Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead"

A pesar de todas las ventajas que los modelos de aprendizaje automático conllevan, también están asociados con sesgos. Puede ser que los datos que utilizas estén ya sesgados, las decisiones históricas tomadas por humanos estén sesgadas, el muestreo elegido no sea representativo, o que estés utilizando un algoritmo o KPI incorrecto para el problema específico. La realidad es que siempre habrá algún tipo de sesgo, y en credit scoring, tenemos que garantizar que nuestros modelos no tiendan hacia una raza o género específico, por ejemplo. Ten en cuenta que las decisiones sesgadas no solo son perjudiciales para el cliente final, sino también para la institución financiera. Los modelos que se basan en correlaciones espurias eventualmente conducirán a fallos catastróficos.

Herramientas como Aequitas, AI Fairness 360 y What-If son conjuntos de herramientas de código abierto que los científicos de datos pueden utilizar para comprobar si hay sesgo y discriminación en modelos de aprendizaje automático. Estas herramientas permiten tomar decisiones informadas y equitativas en torno al desarrollo y despliegue de herramientas predictivas. Más información sobre estas herramientas aquí.

Si quieres aprender más sobre equidad en IA, consulta nuestro anterior artículo.

Conclusión

Un cambio en el paradigma actual de atribución de créditos podría beneficiar a ambas partes. Se podrían hacer más acuerdos y, lo que es más importante, más acuerdos podrían completarse satisfactoriamente con el tiempo. Vivimos en un mundo de ritmo acelerado, rodeados de cambios continuos y nuevas oportunidades, ¿por qué simplificamos excesivamente y asumimos soluciones estáticas para entornos dinámicos?

¿Quieres debatir más sobre esta idea?

Agenda una reunión con Kelwin Fernandes

Conoce a Kelwin Más información

Si deseas trabajar en soluciones de credit scoring o profundizar en lo expuesto aquí, no dudes en contactarnos.