Cómo los datos a nivel de transacción ayudan a los prestamistas a ver más y a correr menos riesgos

La IA en la concesión de préstamos a menudo se representa de manera errónea como una bala de plata que acelera los procesos de concesión de préstamos existentes o como una capa digital de funcionamiento de caja negra que, en realidad, nunca pasaría las comprobaciones de cumplimiento. Estas representaciones no podrían estar más lejos de la verdad de lo que está cambiando la evaluación del riesgo crediticio en la vanguardia de la industria.

La IA que realmente está cambiando el futuro de la concesión de préstamos y la evaluación crediticia proviene de una poderosa combinación de código determinista, aprendizaje automático y datos a nivel de transacción. Esta distinción es importante desde un punto de vista práctico y legal; significa un sistema en el que cada decisión es explicable y en el que el acceso al crédito se amplía de manera responsable en lugar de reproducir sesgos existentes.

Se trata de tecnología que ayuda a que el perfil de un prestatario digno de crédito escape de la pila de rechazos y reduzca el riesgo a favor de más oportunidades para las instituciones financieras. A continuación, se explica por qué este camino hacia adelante es digno de ser perseguido y cómo hacerlo.

Se necesita una revisión urgente

Los modelos tradicionales de concesión de préstamos se basan en una base relativamente sencilla: la historia de un prestatario, incluido su comportamiento pasado, capturado en calificaciones y estados de la oficina de crédito, es una medida suficientemente fiable de su solvencia. Durante el último siglo, este enfoque, definido por indicadores retardados, fue suficiente, principalmente porque los datos no estaban fácilmente disponibles.

Todo eso ha cambiado ahora. Los modelos tradicionales de concesión de préstamos y calificación crediticia son retrospectivos, dependiendo en gran medida de un momento singular que no necesariamente describe la imagen completa de la salud financiera de un prestatario potencial. Ya han pasado más de dos décadas desde que la gestión de datos digitales superó a la analógica, donde la información instantáneamente accesible ha sido la norma durante mucho tiempo. Un expediente crediticio que tarda meses en llegar al buzón de un agente de concesión de préstamos es un signo de que el modelo actual es una forma anticuada de procesar información.

Y, crucialmente, esta infraestructura de datos obsoleta y a menudo inexacta solo aumenta la amenaza del prestatario invisible, al que la industria financiera no debe ignorar. Los mercados han cambiado drásticamente en la última mitad de siglo. Ahora, las empresas pequeñas y medianas en etapas tempranas constituyen una gran parte del sector privado en los EE. UU., y la mayor parte en Europa. Se les considera cada vez más como la columna vertebral de la economía del futuro, pero los fallos infraestructurales en la calificación crediticia los dejan al margen.

Y las personas a nivel individual también enfrentan las consecuencias. En el Reino Unido, un estudio encontró que los bancos podrían estar rechazando el 80% de los solicitantes de préstamos con perfiles crediticios delgados, que en realidad son de bajo riesgo. Eso es $4 mil millones (£3 mil millones) en préstamos de bajo riesgo perdidos. Los expertos señalan a los datos tradicionales de la oficina de crédito como el principal culpable.

Esto es precisamente lo que aborda el análisis a nivel de transacción. En lugar de confiar en indicadores retardados extraídos de registros históricos que podrían estar meses desactualizados, estos sistemas analizan el presente. Los agentes de concesión de préstamos y los prestamistas reciben información real sobre el comportamiento y la salud financiera de un prestatario potencial en este momento, no semanas o meses atrás. ¿Cómo? Análisis a nivel de transacción, que extrae información como flujos de efectivo, patrones de pago, dinámicas de gasto e ingresos directamente de la cuenta bancaria.

Eso da a los agentes de concesión de préstamos un flujo continuo de datos confiables y relevantes para evaluar completamente el comportamiento y la salud financiera de un prestatario. Y hay resultados significativos asociados con este enfoque. Las tasas de aprobación de los prestamistas aumentan entre el 10% y el 35%, sin asumir más riesgos. También aceleran las decisiones de préstamos hasta cinco veces y reducen las pérdidas de cartera en un 15-40%.

Es importante destacar que esto no es una situación en la que los prestamistas están asumiendo repentinamente un riesgo con prestatarios de alto riesgo. Más prestatarios no necesariamente significan más riesgo. Lo que sucede es que más prestatarios se vuelven visibles, pymes e individuos, junto con una metodología que es explicable desde la A hasta la Z.

Por supuesto, la IA no puede reemplazar el juicio humano, ni debería. Los analistas crediticios y los agentes de concesión de préstamos todavía son necesarios en el proceso de concesión de préstamos. El papel de la IA debe ser expandir la confianza, la capacidad, la explicabilidad y la precisión sin sacrificar la responsabilidad y la participación humana. Después de todo, las finanzas son un área muy sensible en términos de confianza del consumidor: las personas quieren saber que hay un ser humano involucrado.

Qué revela el análisis a nivel de transacción

Entender qué analiza la IA es tan importante como por qué vale la pena incorporarla al proceso de concesión de préstamos en primer lugar.

Una calificación crediticia informa a un agente de concesión de préstamos de que una persona o empresa ha pagado históricamente sus deudas. Pero esto no permite a los agentes de concesión de préstamos y los prestamistas leer entre líneas en cada caso. Dado que es básicamente solo una instantánea, confiar exclusivamente en indicadores como las calificaciones crediticias deja a los analistas ciegos a patrones más amplios que cuentan la historia completa de un prestatario.

Tomemos el caso de los patrones de ingresos estacionales. Para muchas pymes, los ingresos no son una línea plana, sino que tienen picos y valles que se recuperan en ciclos. Estos son perfectamente normales en varios sectores, pero suenan las alarmas cuando se sacan de contexto, como es demasiado común en un documento que captura el momento pero nada más allá de eso.

Los datos de transacción alimentados directamente desde la cuenta bancaria proporcionan una lente a la resiliencia general de una empresa: cómo recuperan los ingresos y gestionan los espacios entre los picos y los valles. Proporciona mucha más información sobre la resiliencia de una empresa, así como permitir la proactividad en lugar de una perspectiva retrospectiva sobre las perspectivas financieras de un prestatario. Los datos tradicionales no distinguen necesariamente entre una empresa que navega de manera responsable y una que está perdiendo dinero de manera constante sin fin a la vista. Los datos a nivel de transacción sí lo hacen.

También puede conectar los puntos alrededor de la concentración de proveedores que de otro modo podrían pasar desapercibidos hasta mucho más adelante en un modelo de concesión de préstamos tradicional. Las empresas con bases de proveedores o clientes estrechas tienen un perfil de riesgo completamente diferente al de aquellas con una base más amplia. Un expediente crediticio no encapsula completamente las vulnerabilidades asociadas con esto, lo que puede hacer o deshacer la decisión de un prestamista.

Y los ciclos de conversión de efectivo, el tiempo que tardan las empresas en convertir el inventario en efectivo, se revelan con el análisis transaccional, no solo con un balance. Una pyme con ingresos más modestos pero con un ciclo de conversión bien gestionado y más ajustado podría ser mucho más resiliente a largo plazo en comparación con un homólogo más grande con ingresos informados fuertes pero con un ciclo de conversión lento.

La misma lógica se aplica a los patrones de ingresos variables, que se están volviendo más comunes en medio de una economía de freelance en auge y un aumento de freelancing y startups. Es más difícil para los prestatarios y solicitantes de préstamos de estos grupos evitar el rechazo cuando la variabilidad de los ingresos es una señal de alerta a primera vista. Sin embargo, el análisis transaccional identifica el patrón subyacente y las tendencias más amplias alrededor de sus hábitos de gasto, frecuencia de pago, ingresos versus gastos y hábitos financieros generales.

Esto es precisamente donde la naturaleza en tiempo real de la análisis digital y transaccional es crítica. Los indicadores necesarios para obtener una lectura completa del riesgo y la viabilidad de pago no son generalmente estáticos. Una instantánea singular es menos precisa porque no es continua. La combinación de un indicador que se perdió al principio y una acción retrasada es donde se encuentran la mayoría de las pérdidas de cartera y el aumento del riesgo.

Hacer que los datos sean democráticos y garantizar un uso responsable de la IA

Si se sigue correctamente, el enfoque de análisis a nivel de transacción también facilita un proceso de concesión de préstamos más justo y transparente. Los parámetros tradicionales, como los balances y los datos de la oficina de crédito, muestran la historia de un prestatario con el sistema crediticio formal. Esto funciona de manera aceptable para aquellos que tienen una historia más larga con este sistema. Para aquellos que no, incluidos freelancers y pymes jóvenes, los hace invisibles.

Los datos a nivel de transacción se trata de visibilidad. Ven lo que los métricas tradicionales pasan por alto porque ven cómo se gestiona el dinero y cómo fluctúan los comportamientos momento a momento. Los agentes de concesión de préstamos acceden a una capa mucho más profunda de comprensión intrínseca de la solvencia de un prestatario. Debido a esto, los datos están estructuralmente diseñados para ser más democráticos.

Una salvedad vital: none de esto significa que la IA conduzca automáticamente a un sistema más justo. Los algoritmos se entrenan con datos históricos y decisiones de préstamos. Los sesgos que existen dentro de los datos utilizados para entrenar a la IA la hacen susceptible a sesgos. Si, históricamente, ciertos grupos fueron excluidos de las decisiones de préstamos, un modelo mal diseñado solo servirá para reproducir ese sesgo y discriminación.

Desafortunadamente, ha habido casos registrados de discriminación perpetuada debido a la falta de transparencia y la ausencia de auditoría de los sistemas de IA, uno de los estudios recientes encontró que las mujeres eran consistentemente otorgadas calificaciones crediticias más bajas que los hombres.

Las decisiones de diseño que rodean la infraestructura de datos y la gestión del flujo de trabajo en conexión con la IA determinan si la justicia se convierte en una garantía. La IA debe implementarse de manera responsable, y eso incluye integrar la transparencia, la auditoría, la rendición de cuentas y la seguridad en cada etapa. Qué datos se utilizan, y sus fuentes y destinos dictan qué datos a nivel de transacción ve y genera información. Los estándares consistentes de precisión de los datos están directamente conectados con la confiabilidad de estas herramientas. Finalmente, la trazabilidad y la explicabilidad son los canales necesarios para identificar dónde un modelo sale mal o necesita mejorar, y qué está haciendo bien.

Estos rasgos ya no son opcionales. Los reguladores están exigiendo arquitecturas auditables y transparentes que expulsan el riesgo de sesgo y discriminación. La Directiva de Crédito al Consumidor 2 (CCD2) de la UE, por ejemplo, establece estándares explícitos para la toma de decisiones crediticias automatizadas, incluidos los derechos de los prestatarios a la explicación y la revisión humana. De hecho, esta regulación acaba de sufrir revisiones que la harán significativamente más estricta más adelante este año.

Mientras que la velocidad es un factor importante, no es el único factor definitorio. La precisión, la justicia, la transparencia y la visibilidad son igualmente importantes para las instituciones financieras que desean mantenerse al día con los mercados y las regulaciones en evolución. La IA a nivel de transacción, construida dentro de marcos arquitectónicos que tienen la auditoría y la rendición de cuentas en su núcleo, les permite hacerlo.