Con big data y machine learning la fintech Moni creó un nuevo sistema de scoring con el que ya entregó 1 millón de préstamos

¿Por qué las fintech logran llegar a segmentos de población que no califican el sistema financiero tradicional? ¿Por qué, además de alcanzarlos con servicios, logran buenos niveles de cumplimiento de pago, condición sine qua non para ser parte del sistema y no lo son? La puesta puede ser variada pero en cualquier caso habrá un elemento común: el uso de tecnología para predecir perfiles de riesgo más certeros. Tal el caso de MONI que se apoya en algoritmos de machine learning y analítica de big data para lograr el objetivo.

Con estas dos herramientas la compañía rompe los sistemas de scoring tradicional que proveen los bureau de créditos. Y, así, logra definir 10 segmentos de público con probabilidades de mora de 2,5% al 20%, aspectos básicos para determinar qué préstamos se darán, en qué plazos y a qué tasas.

Esto es lo que le permitió a MONI otorgar casi 1 millón de préstamos de los cuales el 70% está por debajo de los 300 puntos de calificación que otorgan los sistemas de scoring de los bureau de créditos que utilizan los bancos. Para las entidades financieras tradicionales sólo son capaces de acceder a un crédito quienes sumen de 500 a 600 puntos de calificación.

Con estos números se entiende por qué las fintech pueden llegar a los sectores de población que no alcanzan los bancos y por qué, también, el sistema financiero argentino es el más chico de la región.

Mientras que los bancos le prestan al 84% del segmento ABC1, al 70% del C2 y al 51% del C3, los préstamos en el segmento D1, donde se concentra casi el 80% de la población Argentina, apenas llegan al 19%.

"Tan vasto es el segmento poblacional que aun teniendo cuenta en algún banco no accede a los servicios financieros más básicos, que resulta ser una de las principales razones por las que Argentina tiene tan bajo desarrollo del mercado de crédito. Según los últimos datos del Banco Mundial, la participación de los préstamos al sector privado en la Unión Europea llega al 94,6% del PBI, en América Latina y el Caribe al 44,9%, mientras que en Argentina representaba apenas el 14,3% del PBI nacional", sostuvo Juan Pablo Bruzzo, CEO de MONI.

Para confeccinar ese nuevo sistema de scoring que le permite a la fintech llegar a más ciudadanos, la compañía evalúa la marca y modelo de celular, el tamaño de la resolución de la pantalla, el horario de acceso a la plataforma, el tipo de cuenta y banco, la IP desde la que se conecta, la geolocalización, el modo de expresión escrita, el formato de nombre y dominio de correo electrónico, entre otros factores.

Así se definen los 10 segmentos mencionados. Esa información se obtiene desde el momento en que un usuario se registra en la aplicación y comienza a interactuar con ella cuando efectúa una solicitud.

"La inclusión financiera que están generando las fintech en todo el mundo solo es posible a partir de un quiebre en el statu quo de los sistemas de scoring, ya que estos sistemas se basan en criterios de otorgamiento que dejan afuera a una gran mayoría de la población, especialmente en la base de la pirámide, donde existe un gran mercado con demanda insatisfecha en relación a servicios financieros básicos como tarjetas de crédito, préstamos para consumo y pagos digitales", afirmó Juan Pablo Bruzzo

"Estas personas, que en general son buenos pagadores, no pueden ser sujetos de crédito en el sistema bancario tradicional por no contar con un historial crediticio, lo que genera un círculo vicioso que hasta la llegada de las fintech parecía imposible de cortar".

El equipo de ciencia de datos de MONI creó los modelos de predicción de mora desarrollados en Python y Jupyter que, a su vez, están basados en librerías específicas de machine learning como TensorFlow y LightGBM, algoritmos open source desarrollados por Google y Microsoft. La solución procesa en la nube de AWS (Amazon) y utiliza Tableau para la visualización de datos y monitoreo de resultados en tiempo real.

Estos modelos se retroalimentan y mejoran su performance y efectividad constantemente, "aprendiendo" en base a los datos del comportamiento de pago de los clientes sobre los que se realizó el scoring al momento del otorgamiento del préstamo.

Cerca de 180.000.000 de datos generados por más de 900.000 créditos otorgados por MONI son el principal activo de la compañía y el insumo clave para que su modelo de scoring logre un altísimo grado de exactitud para predecir el perfil de riesgo de cada operación.

Asimismo, a los efectos de evaluar comparativamente la performance de su innovador sistema de scoring, MONI compara el top 10% de los clientes identificados con su modelo, con el top 10% del scoring tradicional de los bureaus de crédito.

El resultado arroja que solamente en el primer paso el modelo desarrollado por MONI detecta clientes nuevos con un 60% menos de morosidad respecto al estándar del mercado, valor que se eleva al 80% en el caso de clientes recurrentes.

A partir de esta herramienta de scoring que utiliza machine learning y big data, y con solo unos rápidos y sencillos pasos que se hacen 100×100 online en el sitio web o la app de MONI, los clientes pueden acceder a alguna de las opciones de préstamos de otorgamiento inmediato y acreditación en cuenta en forma instantánea, ampliando de este modo las opciones de acceso y uso de productos financieros digitales a un gran número de personas de los segmentos sub-bancarizados.