Viernes, 19 de octubre de 2018
Digital económico de Aragón y sus protagonistas
Viernes, 19 de octubre de 2018
Actualizada el: 18:57
Aviso sobre el Uso de cookies: Utilizamos cookies propias y de terceros para mejorar la experiencia del lector y ofrecer contenidos de interés. Si continúa navegando entendemos que usted acepta nuestra política de cookies. Ver nuestra Política de Privacidad y Cookies
►w_adblock_title◄

►w_adblock_intro◄

►w_adblock_explain◄

►w_adblock_closed_btn◄

Redacción
Jueves, 12 de abril de 2018
Guardar en Mis Noticias. Enviar por email
Los objetivos principales de muchas fintechs que conceden créditos es crecer

Los modelos machine learning ayudan a las fintech a crecer con rentabilidad

Con un modelo de evaluación de crédito a personas físicas desarrollado con metodologías tradicionales, la probabilidad de que se produjera impago era de 45 de cada 100 solicitudes. Con un modelo Machine Learning, sólo 8 de cada 100 tenían un riesgo mayor de caer en mora.

Los modelos basados en machine learning tendrán un papel decisivo en la concesión de créditos y serán una pieza clave en la actividad de las fintech que quieran crecer sin comprometer su rentabilidad”, afirmó Raquel Guardia, jefa de proyecto del Área de I+D de la consultora AIS Group, en su intervención en la III Edición del Congreso eFintech Show, que se está celebrando esta semana en Barcelona.

 

[Img #6957]
 

 

Según Raquel Guardia, uno de los objetivos principales de muchas fintechs que conceden créditos es crecer, tanto en volumen de créditos como en volumen de clientes “y para hacerlo cumpliendo a la vez los objetivos de rentabilidad marcados, deben gestionar bien su riesgo, algo a veces complicado dada la naturaleza de sus operaciones”.

 

Según  la ponente, las fintechs deben hacer frente a dos grandes problemas. El primero es la obtención de datos. Para conceder un crédito deben pedir a los solicitantes que rellenen formularios o aporten documentación. “Y son muchos los solicitantes que  desisten cuando se enfrentan a procesos de alta demasiado largos o complejos”. El segundo es la rapidez. “Estamos acostumbrados a usar aplicaciones que nos ayudan a satisfacer todo tipo de necesidades casi inmediatamente. Si no quiero cocinar Just Eat, Glovo, Deliveroo, me traen la comida a casa. Si se funde una bombilla, siempre podemos acudir a Amazon Prime Now y la tendremos en la puerta en nada. Las fintechs también necesitan tiempos de respuesta cortos, sino es probable que el cliente acabe en la competencia.”

 

La jefa de proyecto del Área de I+D de la consultora AIS Group propuso una receta con 3 ingredientes principales para resolver estas cuestiones. El primero son los conectores financieros o agregadores, “sistemas que captan los datos de un usuario a partir de sus claves bancarias, por lo que el formulario se reduce a apenas 2 campos”.  El segundo ingrediente es la categorización, es decir, “creación de variables estadísticas y categóricas que nos ayuden a conocer mejor el perfil del cliente”. A través de la operativa de cada cliente se definen distintas categorías como la compra básica de alimentación, la compra de tecnología, el gasto en ocio, etc., lo que proporciona un mayor conocimiento del cliente siempre con el objetivo de saber si será un buen pagador del crédito que solicita. El  tercer ingrediente son los modelos machine learning. “Tras el paso de la agregación y la categorización tenemos infinidad de datos veraces y ordenados. Es el momento de aplicar inteligencia para exprimir esos datos y que aporten valor real al negocio de las fintech. Esa inteligencia la logramos con los modelos de Machine Learning.”

 

Los modelos Machine Learning tienen en cuenta grandes números de variables y sus algoritmos permiten altos niveles de clasificación. Esto hace que su poder de predicción mejore entre un 25% y un 50% respecto a un modelo tradicional, que en la concesión de créditos es generalmente una regresión logística.

 

Raquel Guardia ejemplificó el valor de los modelos Machine Learning con un caso práctico realizado por AIS Group. “Con un modelo de evaluación de crédito a personas físicas desarrollado con metodologías tradicionales, la probabilidad de que se produjera impago era de 45 de cada 100 solicitudes. Con un modelo Machine Learning, sólo 8 de cada 100 tenían un riesgo mayor de caer en mora. Imaginad la diferencia que estos modelos suponen entre captar y captar los clientes que realmente nos interesan”.

 

Así pues, concluyó Guardia, “los modelos machine learning son la llave que nos ayuda a regular el grifo de la concesión de créditos, filtrando mejor a quién se conceden, para que las fintechs logren crecer con rentabilidad.”

 

Enlaces automáticos por temática
Acceda para comentar como usuario
¡Deje su comentario!
Normas de Participación
Esta es la opinión de los lectores, no la nuestra.
Nos reservamos el derecho a eliminar los comentarios inapropiados.
La participación implica que ha leído y acepta las Normas de Participación y Política de Privacidad
EmpresasON el digital económico de Aragón
empresasON • Términos de usoPolítica de PrivacidadMapa del sitioVersión anterior
© 2018 • Todos los derechos reservados
Powered by FolioePress