El encarecimiento del crédito a nivel global crea un escenario que motiva a las instituciones financieras a generar modelos de riesgo más prospectivos, adaptativos y que respondan a los cambios en tiempo real El panorama económico actual exige que la banca utilice adecuadamente su data financiera para ajustar sus modelos y mantener controlados los indicadores de morosidad, sin ralentizar su actividad principal: el préstamo. El Sistema de Reserva Federal (FED) de Estados Unidos aumentó cuatro veces la tasa de referencia en lo que va del año y sus decisiones han empujado al resto de los bancos centrales mundiales a alinearse, lo que se traduce en un encarecimiento del crédito global. Para la banca esto implica asumir el reto de continuar colocando créditos, sin elevar su exposición al riesgo y para ello tiene a disposición sus datos en pos de mejorar su análisis crediticio. El diseño de modelos de riesgo crediticio basado en sistemas de legado está demostrando deficiencias a la hora de automatizar los flujos de trabajo y la analítica de la información, que muchas veces está albergada en servidores diferentes, sin un correcto etiquetado, cruce y aprovechamiento. Contemplando esto, con el objetivo de potenciar realmente la toma de decisiones, las organizaciones financieras necesitan predicciones más prospectivas y veloces. También requieren un mejor manejo de sus datos a través de la integración de estos en servidores ágiles en la nube, donde se puedan identificar y destacar patrones conductuales y transaccionales de los clientes.
Los grupos financieros pueden basarse en el cruce de información entre sus diferentes empresas para recopilar múltiples fuentes de datos como el volumen de transacciones, compras, ahorro y seguros contratados por los clientes, y con esto generar sus propios perfiles de crédito. Por ejemplo, el neobanco brasileño Nubank tiene un algoritmo al que llaman Betty, cuya capacidad de evaluación de datos transaccionales ayuda a que más personas tengan la posibilidad de aplicar a una tarjeta de crédito Nu. Inicialmente, Betty toma información de los burós de crédito tradicionales, luego utiliza machine learning para perfilar si el cliente paga puntualmente sus cuotas pendientes en otras instituciones y este indicador abre la posibilidad de que se mejoren los puntajes crediticios. Este modelo de riesgo inteligente puede ajustarse para reducir potencialmente los impagos o tasas moratorias y calificar constantemente a los solicitantes. Es necesario que se ajuste activamente el motor para que esté sincronizado a las alarmas en tiempo real, pues el patrón de análisis crediticio tradicional ya no es suficiente. Aunque recurrir a los burós de crédito es un paso inicial, distintas empresas financieras coinciden en que no basta ni se adapta totalmente a la realidad económica actual.
Aquí toman protagonismo los trabajadores de la economía colaborativa (gig economy) y los freelancers, que por lo general tienen trabas para ingresar a los burós Las plataformas de auto empleo se han multiplicado por diez en la última década y es urgente que los bancos adapten sus modelos de riesgo y atiendan a este sector. La plataforma global de transporte DiDi, por ejemplo, toma en cuenta el historial de los viajeros y conductores para colocar créditos de hasta US$ 1.450 fondeados por la misma empresa. En la evaluación, el tiempo de uso de la aplicación y la frecuencia de viajes es fundamental. En América Latina, fintechs como Lana, Ábaco y Migrante están enfocadas en trabajadores de plataformas como Rappi, Pedidos Ya y Uber a fin de darles créditos para la compra de motocicletas o autos, los medios de trabajo de la gig economy. Por su lado, la banca también puede obtener información de los solicitantes de fuentes alternativas y no únicamente de sus servidores. Indicadores alternativos como el pago de rentas, el recibo de telefonía, la mensualidad depositada en el colegio de los hijos son elementos que pueden darnos una visión más completa sobre el comportamiento financiero de las personas. Y es tarea de los bancos generar capacidad tecnológica para agrupar, analizar y poner en valor esta data. La tecnología permite que la data bancaria genere perfiles de crédito adecuados para cada cliente. Es así como los canales digitales pueden agilizar la aprobación y depósito de un préstamo personalizado. Esta automatización exige que la banca implemente tecnologías ágiles y robustas con inteligencia artificial que identifiquen a quiénes prestar, cuánto prestar y la tasa de interés a aplicar. Para alcanzar este nivel, es imprescindible contar con un adecuado sistema de Know Your Client (KYC) y un onboarding efectivo, que permita conocer y cruzar información entre la identidad y los historiales financieros de los solicitantes. Solo así, la banca puede ajustar su poderosa generación de data y darle agilidad para la entrega de préstamos, algo que la economía actual necesita.
Link copiado
Únete a nuestra comunidad online y mantente al día con las últimas novedades del mundo de la tecnología.
