¿Por qué la categorización de datos es fundamental para las decisiones de crédito?

La calificación crediticia no requiere que los datos estén categorizados para obtener resultados que puedan utilizarse para orientar la toma de decisiones. De hecho, un enfoque basado en variables puramente financieras calculadas a partir de datos no categorizados puede utilizarse para construir una puntuación crediticia. Éstas reflejarán, por ejemplo, señales como la evolución del saldo bancario, la volatilidad del gasto, el número de días de descubierto, etc.

Sin embargo, este enfoque puramente financiero tiene sus limitaciones. Por ejemplo, cada mes, la suma de los ingresos y gastos de los consumidores suele ser igual o cercana a cero. Sin embargo, esto no siempre significa que el presupuesto de una persona sea limitado. Una cantidad que no se gasta puede simplemente ahorrarse, y sin categorización es difícil distinguir entre consumo y ahorro. Por último, la interpretación puramente financiera de los datos de Open Banking limita la finura de los perfiles de riesgo, ya que no proporciona una comprensión detallada del comportamiento bancario del prestatario. Su razonamiento seguirá siendo puramente contable.

Para llevar el análisis de riesgos un paso más allá, se utiliza la categorización para dar sentido a los flujos financieros. En Algoan, capitalizamos los datos de Open Banking para ofrecer uno de los análisis de riesgo más potentes del mercado. Gracias a esta categorización de los datos de Open Banking, nuestros modelos de predicción del riesgo de crédito se alimentan con más variables predictivas y han aprendido a construir perfiles de riesgo más finos.

Nuestros algoritmos nos permiten asignar cada transacción bancaria a una de nuestras 90 categorías, con una precisión cercana al 99%. Esta granularidad de las categorías nos permite validar 3 grandes criterios específicos de la decisión de crédito y su automatización:

• La asequibilidad del prestatario:
  La categorización permite identificar los ingresos y gastos incompresibles (vivienda, crédito, etc.) entre todas las operaciones bancarias. Esto proporciona indicadores clave para analizar la solvencia: ingresos, ratio de endeudamiento, gastos de manutención, etc.
• Identificación de eventos crediticios significativos (banderas rojas):
  La categorización nos permite detectar a los solicitantes que ya se encuentran en una situación de impago o estrés financiero, y evitar así situaciones de sobreendeudamiento.
  
• Solvencia:
  Esta categorización alimenta las variables de nuestra puntuación crediticia, que estima la probabilidad de que un solicitante reembolse las cuotas de su préstamo.

Nuestra categorización nos permite tomar una decisión de crédito bancaria 100% abierta, de conformidad con las directrices de la AU-005 de la CNIL, que enumera los elementos que pueden utilizarse para tomar una decisión de crédito.

La fiabilidad y la complementariedad de estos indicadores permiten a las entidades financieras reducir a la mitad su riesgo de crédito en comparación con los métodos tradicionales de categorización y puntuación. ¡Es una nueva era para las decisiones de crédito!

En nuestro próximo boletín, analizaremos el método que hemos desarrollado para construir algoritmos de categorización y enriquecimiento de datos de Open Banking basados en Machine Learning. Suscríbase a nuestro boletín en LinkedIn!