Mejora de la calificación crediticia tradicional con datos sociales

El éxito de cualquier institución crediticia depende en gran medida de su capacidad para identificar y aprobar tantos préstamos nuevos como sea posible, manteniendo los riesgos al mínimo. Un ingrediente clave en este proceso es la calificación crediticia. En teoría, los analistas de los bancos revisan los puntajes de los solicitantes y luego deciden los montos de los préstamos, las tasas de interés, los períodos de préstamos, etc. En la práctica, sin embargo, rara vez es así de simple. Hay varios agujeros en los sistemas de puntuación tradicionales.

Un ejemplo: los puntajes de crédito tradicionales es que no toma en cuenta a las personas que no tienen tarjetas de crédito. Alrededor de un tercio de los millennials nunca han solicitado tarjetas, lo que significa que no tienen puntajes. Y a medida que aumenta el poder adquisitivo de los Millennials (ya se promociona como la generación con mayor poder adquisitivo desde 2018), las empresas de crédito deben ajustar sus procesos de calificación crediticia para mantenerse al día.

No se trata solo de Millennials delgados y sin archivos; incluso alguien que gana una cantidad significativa de dinero y lo gasta con frecuencia a menudo no aparece en su historial crediticio. ¡Tampoco aparecen las personas que ganan una cantidad significativa de dinero y no la gastan en absoluto! Además, si el proceso de calificación no es correcto, un informe de solvencia crediticia no solo sirve como una herramienta para ayudar a prestar dinero a un individuo determinado. Se puede utilizar para una amplia variedad de aplicaciones, incluido el punto de equilibrio estimado entre el incumplimiento y la toma de préstamo.

Los solicitantes de préstamos son diversos en edad, antecedentes socioeconómicos y muchos otros parámetros. Además, todavía hay mucha confusión en torno a FICO, Vantage, TransUnion y otros puntajes de crédito. La mayoría de las veces, los solicitantes ni siquiera entienden si son elegibles o no para préstamos. Teniendo en cuenta estos problemas, y el hecho de que muchos Millennials están evitando los productos financieros que permiten la calificación crediticia tradicional (tarjetas de crédito, hipotecas, etc.), las instituciones financieras deben alejarse de los modelos de calificación crediticia tipo cortadores de galletas y adoptar un enfoque personalizado.

Vamos a explicar cómo:

Hemos trabajado con instituciones financieras y productos para personalizar el proceso de calificación crediticia, integrando la huella social general de los clientes con puntajes crediticios para determinar la solvencia crediticia. También hemos trabajado con productos populares de calificación crediticia como CoreLogic para crear una capa adicional de inteligencia de calificación, mejorar las predicciones de morosidad en 5-6 puntos porcentuales y aumentar radicalmente los ingresos. Vamos a utilizar nuestros conocimientos para explicar cómo se pueden mejorar los modelos de calificación crediticia existentes.

Este método de calificación no se limita a la calificación crediticia convencional, que es una calificación única para todos los consumidores. En cambio, optimiza la puntuación para cada propósito y enriquece los datos con elementos de datos externos para permitir una predicción precisa para un propósito específico. Por ejemplo, una persona con un estilo de vida extravagante e incluye un comportamiento arriesgado se correlaciona con un mayor riesgo que una persona con niveles de ingresos similares que tiene un estilo de vida más tranquilo. Podemos crear puntajes de crédito de comportamiento de dos maneras: usando datos públicos (abiertos) y datos sociales (de las redes sociales).

Datos públicos:

Existen varias fuentes de datos públicos que pueden usarse para rastrear los patrones de gasto de un cliente. En muchos países, la compra de bienes como una casa o un automóvil es pública por mandato del gobierno. En Estados Unidos, la Comisión Federal de Comercio ha ofrecido una gran cantidad de datos públicos a través de sus sitios web Data.gov y Usaspending.gov. Los archivos de datos cubren la actividad de gasto del consumidor, la matrícula escolar, la encuesta de vivienda estadounidense y varios otros conjuntos de datos de los que se pueden extraer ideas significativas sobre la capacidad de gasto.

Hay otras instancias puntuales de datos cruciales relacionados con el gasto que se hacen públicos. Por ejemplo, como parte de un esfuerzo mayor para mejorar la transparencia, Freddie Mac puso a disposición conjuntos de datos de nivel de préstamo unifamiliar, y Lending Club, una firma líder de préstamos P2P, publicó todos sus datos de préstamos en Kaggle.

Un puntaje de crédito conductual combinado:

Con una combinación de datos sociales y públicos y basado en algoritmos de Machine Learning para la predicción, se puede construir un poderoso perfil de crédito conductual. Los puntajes de crédito conductual de los clientes existentes se pueden utilizar en la detección temprana de cuentas de alto riesgo y permiten intervenciones específicas, por ejemplo, ofreciendo proactivamente la reestructuración de la deuda. Los puntajes de crédito conductual también forman la base para cálculos más precisos de la exposición total al riesgo de crédito al consumo, lo que puede resultar en una reducción de la provisión de deudas incobrables.

Del mismo modo, la probabilidad de recuperar un préstamo que se ha incumplido se puede estimar en función de las técnicas de puntuación mejoradas. Esto ayuda a los prestamistas a optimizar su esfuerzo de cobranza, enfocándose en maximizar la recuperación.

Hasta ahora, hemos analizado de dónde podemos obtener datos, para mejorar la calificación crediticia. Aquí hay un vistazo rápido a lo que impulsa nuestros modelos mejorados de calificación crediticia.

Hay una variedad de tipos de modelos, como cuadros de mando, árboles de decisión o redes neuronales. Cuando evalúa qué tipo de modelo es el más adecuado para lograr sus objetivos, es posible que desee considerar criterios como la facilidad de aplicar el modelo, la facilidad de comprenderlo y la facilidad de justificarlo. Al mismo tiempo, para cada modelo particular de cualquier tipo, es importante evaluar su desempeño predictivo, es decir, la precisión de los puntajes que el modelo asigna a las aplicaciones y las consecuencias de las decisiones de aceptar / rechazar que sugiere. El mejor modelo, por lo tanto, estará determinado tanto por el propósito para el que se utilizará el modelo como por la estructura del conjunto de datos en el que se valida.

Cuadros de mando:

La forma tradicional de un modelo de calificación crediticia es un cuadro de mando. Esta es una tabla que contiene una serie de preguntas que se le hace al solicitante (llamadas características) y para cada una de esas preguntas una lista de posibles respuestas (llamadas atributos). Una de esas características puede ser, por ejemplo, la edad del solicitante, y los atributos para estas características son una serie de rangos de edad en los que puede caer un solicitante. Por cada respuesta, el solicitante recibe una cierta cantidad de puntos, más si el atributo es de bajo riesgo, menos viceversa. Si el puntaje total de la solicitud excede una cantidad de puntos de corte especificada, se recomienda su aceptación. Esto es menos modelo y más heurístico. No aprende y tiene un mal desempeño cuando el objetivo es maximizar el monto del préstamo sin incumplimiento. Simplemente trata de evitar el incumplimiento.

Regresión y árboles de decisión:

Estos son ejemplos de otras técnicas convencionales que son adoptadas por los prestamistas. Sin embargo, hay un problema fundamental asociado con estos modelos: disminuyen la riqueza de información que la organización puede recopilar sobre los solicitantes y, por lo tanto, erosionan las bases para el modelado futuro. Con el árbol de decisiones, podríamos ver que existe una regla de decisión que es demasiado fácil de entender y, por lo tanto, invita al fraude.

Un camino para seguir es utilizar un modelo más genérico, como las redes neuronales. Pero las redes neuronales requieren muchas más funciones para que funcionen. Las redes neuronales son modelos extremadamente flexibles que combinan combinaciones de características en una variedad de formas. Su precisión predictiva puede, por lo tanto, ser muy superior a las tablas de puntuación y no sufren «divisiones» agudas como los árboles de decisión. Sin embargo, es prácticamente imposible explicar o comprender el puntaje que se produce para una aplicación en particular de una manera simple. Por lo tanto, puede ser difícil justificar una decisión que se toma sobre la base de un modelo de red neuronal. Por lo tanto, una red neuronal de poder predictivo superior es la más adecuada para ciertos propósitos de puntaje conductual o de recopilación, donde la precisión promedio de la predicción es más importante que la comprensión del puntaje para cada caso en particular.