Taimur Sajid — (SixPoint Capital)
Para empezar, analicemos la relación entre las metodologías de calificación crediticia y la originación. ¿Cómo interactúan estos procesos en sus empresas? ¿Se gestionan por separado o hay participación humana? ¿Cómo integras estos aspectos en tus negocios?
Andrew (Fairplay):
Para nosotros, se trata más de un gradiente que de un proceso claro. Por un lado, hay casos que pasan rápidamente por un proceso automatizado con una interacción humana mínima. Por otro lado, hay casos que descartamos activamente. La mayoría de los casos se sitúan en un amplio punto intermedio en el que aún es necesaria una evaluación humana significativa. La automatización total sigue siendo un desafío en esta etapa.
Roger (R2):
En R2, aprovechamos los datos a nivel de transacción de las plataformas con las que trabajamos. Cada mes, analizamos entre 1,2 y 1,4 millones de comerciantes distintos. El aprendizaje automático es crucial para automatizar este análisis. Sin embargo, a menudo hay un conflicto entre los objetivos de originación y lo que sugieren los modelos de crédito y riesgo. Nos centramos en garantizar que nuestros modelos tengan palancas ajustables, lo que permite al equipo de riesgo realizar cambios estratégicos sin tener que revisar los modelos por completo. Si bien el proceso central está altamente automatizado, la intervención humana es necesaria para los ajustes estratégicos.
Joe (Albo):
Cuando lanzamos Delta AI en 2019, nos centramos inicialmente en la inteligencia artificial, pero rápidamente nos dimos cuenta de que el verdadero desafío residía en los fundamentos y la infraestructura. Al principio, la IA era más bien un elemento de marca. Descubrimos que era crucial comprender el comportamiento de los clientes y los datos de las transacciones. En lugar de utilizar un banco externo, creamos nuestra propia plataforma en la que los clientes podían gestionar todas sus transacciones. Este enfoque nos proporcionó información valiosa y nos permitió desarrollar un sistema interno de calificación crediticia.
Si bien las calificaciones crediticias tradicionales son útiles, nuestra principal ventaja proviene de los datos que recopilamos directamente, lo que nos permite evaluar el riesgo en función de la actividad de los clientes en tiempo real.
Conrado (Baubap):
En el sector de los préstamos al consumidor, donde operamos, recibimos más de 10 000 solicitudes al día. La automatización es esencial para gestionar esta escala. Desarrollamos nuestra tecnología de suscripción utilizando datos 100% alternativos, lo que nos ayuda a predecir el comportamiento de los pagos y a generar demanda para nuestro producto. Al no basarnos en las calificaciones tradicionales de las agencias de crédito, apelamos a los consumidores que han sido excluidos por los sistemas financieros convencionales. Al utilizar los datos transaccionales de sus teléfonos y otras fuentes alternativas, ofrecemos una evaluación más inclusiva.
Taimur Sajid — (SixPoint Capital)
La variedad de respuestas pone de relieve que no existe una solución única para todos los casos. Depende del producto. Joe (Albo) mencionó cómo superar el problema del arranque en frío a través de los datos de las transacciones de los clientes. ¿Puede explicar con más detalle cómo abordó este desafío?
Roger (R2):
En R2, una ventaja es recibir al menos un año de datos a nivel de transacción una vez que nos asociamos con una plataforma. Al principio, no teníamos una calificación crediticia. Para desarrollar un modelo, desplegamos capital, tuvimos que sufrir algunas pérdidas y utilizamos el etiquetado manual. Durante dos o tres semanas, un equipo que formamos parte de nosotros revisó manualmente a 10 000 comerciantes, evaluó varios atributos y tomó decisiones de financiación en función de los criterios de los expertos. Este proceso manual nos ayudó a sentar las bases para modelos más escalables. Luego, promediamos las puntuaciones de los diferentes revisores para crear modelos con diferentes niveles de riesgo. Este enfoque, aunque manual, nos proporcionó un punto de partida para el desarrollo de modelos.
Andrew (Fairplay):
El acceso a los datos transaccionales es crucial para diferenciarse de los bancos tradicionales. Nos centramos en integrar múltiples fuentes de datos para obtener una visión integral. La combinación de datos de varias fuentes nos ayuda a evitar la duplicación y mejora la precisión de los préstamos. Nuestro enfoque implica crear una serie de puntuaciones basadas en la adquisición de datos y ajustar nuestros modelos para evaluar el riesgo de manera más eficaz.
Joe (Albo):
En México, la contabilidad electrónica desempeña un papel importante. El SAT, la autoridad tributaria de México, exige la facturación electrónica, que crea un registro digital de todas las transacciones. Este sistema proporciona datos valiosos que nos permiten evaluar la rentabilidad y el flujo de caja. También consideramos el comportamiento de pago de impuestos como un indicador de la solvencia crediticia. Estos datos alternativos, combinados con nuestros sistemas internos, nos ayudan a evaluar el riesgo con mayor precisión.
Conrado (Baubap):
Tanto en el sector B2B como en el B2C, superar el problema del arranque en frío requiere una amplia gama de datos y un ciclo de retroalimentación rápido. Por ejemplo, nuestros micropréstamos a 30 días nos permiten realizar inversiones con rapidez y perfeccionar nuestras habilidades de suscripción. Recopilar la mayor cantidad de datos posible y utilizar comentarios iterativos nos ayuda a mejorar nuestra tecnología y a adaptarnos a los cambios de manera eficaz.
Andrew (Fairplay):
Los mercados emergentes, incluida América Latina, estandarizan cada vez más las declaraciones y transacciones de impuestos digitales. Esta tendencia presenta oportunidades para mejorar la calificación crediticia.
Sin embargo, persisten desafíos, como la calidad de los servicios prestados por las autoridades tributarias y la necesidad de recopilar datos de manera exhaustiva. Las empresas deben decidir si confían en los datos de terceros o desarrollan sus propias capacidades de adquisición de datos.
Taimur Sajid — (SixPoint Capital)
Nuestro debate ha abordado ampliamente el uso de datos alternativos. Para profundizar más, ¿podemos analizar los tipos de datos alternativos que utiliza y si estos sirven como un sustituto total de las métricas crediticias tradicionales o si funcionan más bien como un complemento?
Joe (Albo):
La función de los datos alternativos a menudo varía según el contexto. En nuestro caso, los datos alternativos actúan como una herramienta complementaria que valida nuestros modelos internos en lugar de reemplazar por completo las métricas crediticias tradicionales. Al principio, en 2019, nos resultó más eficiente desarrollar nuestros propios sistemas de recopilación de datos en lugar de integrarlos con los sistemas existentes. Nos centramos en crear una infraestructura sólida y modelos digitales para acceder rápidamente a los datos y actuar sobre ellos. Al principio, las calificaciones crediticias tradicionales eran menos relevantes, pero a medida que evolucionamos, la incorporación de las métricas tradicionales nos ayudó a perfeccionar nuestro enfoque. El énfasis en la recopilación de datos digitales y el procesamiento en tiempo real fue crucial para nuestra eficiencia operativa y la precisión de nuestros modelos.
Conrado (Baubap):
En el sector de los préstamos al consumo, existe una gran demanda de decisiones rápidas. Para satisfacer esta demanda a gran escala, minimizamos la dependencia de las integraciones de terceros y preferimos gestionar la mayor cantidad posible de datos internamente. Si bien los datos financieros tradicionales de las agencias de crédito pueden complementar nuestros datos alternativos, hemos descubierto que los datos alternativos proporcionan una visión más completa y completa del comportamiento financiero de una persona. Esto incluye los datos de los eventos del calendario, las instalaciones de aplicaciones y las interacciones sociales, que ofrecen una visión más profunda de los hábitos y preferencias de una persona, lo que nos brinda una ventaja competitiva a la hora de suscribir seguros.
Roger (R2):
En R2, confiamos completamente en datos alternativos, como los datos a nivel de transacciones de las plataformas. Estos datos nos permiten predecir los flujos de ingresos futuros y evaluar el rendimiento empresarial con gran precisión. Además, analizamos las huellas digitales, como la actividad en las redes sociales, para evaluar la actividad empresarial y la credibilidad. Sin embargo, estructurar y escalar estos datos puede ser un desafío. Las calificaciones crediticias tradicionales, utilizadas más recientemente en nuestros procesos, sirven principalmente como una herramienta de validación y no como una fuente de datos principal. Consideramos que indicadores como las comprobaciones frecuentes de la calificación crediticia o el exceso de deuda pendiente son señales de alerta, en lugar de basarnos únicamente en las calificaciones crediticias.
Andrew (Fairplay):
Los datos alternativos a veces pueden presentar lagunas, y es esencial abordar estas brechas de manera efectiva. Los bancos, a pesar de sus métodos tradicionales, utilizan datos útiles que no deben pasarse por alto. Nos centramos en comprender tanto los datos operativos de la empresa como las personas que los respaldan. Por ejemplo, el análisis del rendimiento empresarial estacional puede revelar posibles problemas de flujo de caja. Nuestro enfoque implica el uso de datos alternativos para mejorar nuestra comprensión tanto de la empresa como de sus operadores, con iteraciones continuas para mejorar nuestros modelos.
Taimur Sajid — (SixPoint Capital)
Esta discusión destaca el equilibrio entre los datos alternativos y los tradicionales. De ahora en adelante, ¿cómo cree que sus esfuerzos de modelización crediticia contribuirán a la equidad y la inclusión, a diferencia de los métodos tradicionales, que podrían ser más restrictivos?
Conrado (Baubap):
Nos comprometemos a excluir los datos demográficos de nuestros modelos, como el lugar de nacimiento o el género, que suelen utilizar los bancos tradicionales, pero no reflejan el verdadero comportamiento financiero de una persona.
Al centrarnos en los datos transaccionales que las personas generan a través de su comportamiento, nuestro objetivo es ofrecer una evaluación más justa. Este enfoque no solo se alinea con las necesidades de nuestra empresa, sino que también promueve la inclusión al evitar los sesgos inherentes a los datos demográficos.
Roger (R2):
En R2, nuestro análisis de los ecosistemas de socios es seudónimo y se centra en el rendimiento empresarial más que en los datos personales. Este enfoque ayuda a eliminar los sesgos y nos permite adaptar las ofertas en función de las capacidades empresariales reales. Si bien los datos demográficos pueden introducir sesgos, nuestra prioridad es desarrollar modelos de suscripción imparciales. Usamos la información demográfica con cautela, conscientes de que, una vez incorporada, es difícil eliminarla sin alterar el modelo.
Joe (Albo):
Nuestro desafío inicial fue acceder al historial crediticio de las nuevas empresas, lo que nos llevó a crear nuestro propio producto de tarjetas de crédito. Esto nos permitió recopilar datos de rendimiento e identificar empresas prometedoras que carecían del historial crediticio tradicional. Nos centramos en aprovechar los datos alternativos para prestar servicios financieros a quienes anteriormente estaban excluidos, promoviendo así la equidad y apoyando a las pequeñas empresas en México.
Taimur Sajid — (SixPoint Capital)
Esta discusión subraya la importancia de superar las limitaciones tradicionales para fomentar la inclusión. Para terminar, ¿qué consejos ofrecería a las plataformas en función de sus experiencias con la gestión de riesgos y el desarrollo de modelos?
Andrew (Fairplay):
Es crucial definir lo que pretende lograr su modelo de riesgo. Ya sea que se trate de evaluar la capacidad de un prestatario para pagar o su intención de reembolsar, comprender estos aspectos guiará el desarrollo de su modelo. La gestión de riesgos requiere un refinamiento e iteración continuos para abordar varios factores, incluidos los eventos inesperados y el fraude.
Roger (R2):
Considera usar el embudo de aplicaciones de tu producto para identificar comportamientos sospechosos o fraudulentos. Por ejemplo, ofrecer diferentes condiciones y supervisar las respuestas puede ayudar a detectar el fraude.
Este enfoque le permite aprovechar su sistema para mejorar la modelización de riesgos y minimizar el comportamiento adverso.
Conrado (Baubap):
Las empresas emergentes deben abordar la gestión de riesgos con la mentalidad de asumir riesgos calculados. Experimente con apuestas pequeñas y controladas para probar las suposiciones y refinar los modelos. Este enfoque no solo mejora la gestión de riesgos, sino que también mejora el rendimiento empresarial general.
Joe (Albo):
Optamos por no innovar en la gestión de riesgos, sino por adoptar métodos tradicionales con mejoras modernas. La velocidad de ejecución se convirtió en un factor diferenciador clave para nosotros. Al ofrecer respuestas más rápidas que las de los bancos tradicionales, obtuvimos una ventaja competitiva y construimos una sólida base de clientes. Un servicio rápido y confiable, combinado con un modelo de riesgo tradicional, nos permitió tener éxito en un mercado desafiante.
Taimur Sajid — (SixPoint Capital)
De hecho, la rapidez y la eficiencia suelen ser más valiosas para los prestatarios que los precios por sí solos.
Gracias a todos por compartir sus ideas y experiencias.
Moderator
Taimur Sajid – SixPoint Capital
Panel:
Conrad W Shwarz - Baubap
RogerTeran – R2
Andrew J. Devlyn – Fairplay
Joe Lopez Sanguino – Albo
