Lunes 30 de noviembre de 2020

Dime qué modelo de celular tienes y te diré cuánto te presto: En qué se basan las fintech para darte un crédito

Compartir la nota

La incertidumbre económica que desató la pandemia puso en jaque las finanzas de muchos. Ingresos inferiores e inestabilidad laboral vienen siendo moneda corriente en los últimos meses para el sector más vulnerable de la población, que muchas veces no tiene acceso al financiamiento bancario y recurre a préstamos fintech.
Estas empresas, de base tecnológica, diseñaron un esquema de calificación crediticia (o scoring) más amplio que el utilizado por los bancos tradicionales, ya que no sólo incluyen las variables provenientes de bureaus de crédito sino también otras más flexibles, tales como:
El tipo de dispositivo, lugar y horario desde el que la persona se conecta
El historial crediticio previo con la fintech en cuestión
Otros usos que se hacen de la app o la plataforma
¿Qué pesa más?
En el caso de Mercado Crédito, la división de préstamos al consumo y Pymes de Mercado Libre, el sistema utiliza 2.400 variables de comportamiento para realizar un scoring propio de cada cliente.
“Ofrecemos préstamos en base a dos grandes grupos de información. La que más pesa es la interna: el historial en Mercado Libre y Mercado Pago, en función de un aceitado proceso de análisis del comportamiento de cada usuario, entre otras variables”, explica a EnCrudo Martín De los Santos, SVP de Mercado Crédito.
Añade que el segundo grupo proviene de cruzar todo lo relevado con registros del bureau (que es la fuente de información crediticia más tradicional) si bien esto explica menos del 10% de las decisiones.
En lo expuesto anteriormente radica “la clave para llegar a quienes no acceden al financiamiento del sistema bancario”, resalta De los Santos.
Por su parte, Matías Friedberg, cofundador de Adelantos, asegura que su plataforma intenta mantener criterios que permitan acceder a créditos a la mayor cantidad de gente.
“Tenemos en cuenta tres tipos de variables: las primeras son las tradicionales de los score crediticios, tipo Veraz o Nosis, que ayudan a predecir la capacidad de pago, como el salario y el comportamiento que ha tenido con otros jugadores del sistema financiero”, señala a EnCrudo.
Respecto a los aspectos no tradicionales, Friedberg indica que se incluyen puntos como el modelo de celular desde el cual se pide el préstamo y los antecedentes de aquellos que ya usaron la plataforma.
“No hay nada más fuerte que el historial financiero de la persona con Adelantos, en este caso. Estas últimas variables son las más representativas”, enfatiza.
En el caso de la plataforma Vivus, que también brinda préstamos de corto plazo, el mix del sistema de calificación es similar.
“Además del bureau, se contemplan otras variables, de tipo internas, como antigüedad, dinero solicitado, ingresos, comportamiento previo o zona geográfica, entre otras y que son sumamente predictivas”, expresa a EnCrudo Salvador Calogero, country manager de 4Finance, el grupo financiero dueño de Vivus.
En el caso de la fintech Moni, que otorga financiamiento a plazos de hasta seis meses, también combina variables tradicionales con otras más novedosas.
“Para quienes tienen un historial crediticio, usamos bureaus de crédito que nos aportan información. También, el registro de deudores del Banco Central. A eso sumamos la información que el cliente ingresa explícitamente y la que tomamos de su interacción”, apunta a EnCrudo Juan Pablo Bruzzo, CEO de Moni.
Según detalla, entre estas variables se encuentran “el modelo del teléfono celular desde el que ingresa, la geolocalización, el sistema operativo y su idioma, el horario en que entra a la app, el tiempo que estuvo formulando el pedido y otros usos que haga de nuestra billetera virtual”.
Todas esas variables -tradicionales o no- se incorporan a un modelo de machine learning en el que Moni procesa toda la información y se puede predecir la posibilidad de caer en mora de un cliente.
Perfiles de riesgo
En función de los diferentes resultados que obtiene cada modelo de scoring, las fintech no sólo determinan si le darán el préstamo a la persona sino también el monto, la tasa y los plazos. A medida que estos sistemas automáticos de calificación incorporan variables y “conocen” al cliente, las condiciones van mejorando.
“Para créditos al consumo, podemos preaprobar hasta $50.000. A medida que observamos cumplimiento y una mejora del scoring, baja la tasa y aumenta el monto de la línea disponible ya que vamos conociendo al usuario”, indica De los Santos.
Las fintech apuntan a un sector de la población con bajo nivel de bancarización y altas posibilidades de mora. Sin embargo, confían en modelos automatizados de calificación y sus representantes aseguran que funcionan muy bien.
“Los resultados de nuestro modelo de score son muy buenos. Actualmente tenemos valores de aprobación similares a los pre-aislamiento pero con una mora muy baja en relación a la del mercado, de aproximadamente 4% sobre la cartera”, afirma Calogero.
Friedberg, en tanto, cuenta a EnCrudo: “El scoring asigna una probabilidad de repago a cada cliente y los ordena según su capacidad de devolución. Esa clasificación es cada vez más acertada porque estamos aplicando técnicas innovadoras y contamos con más información”.
En la misma línea se manifiesta Bruzzo: “Nuestro modelo predice muy bien los índices de mora y tiene resultados superiores a los sistemas de scoring tradicional en el segmento al que apuntamos”.
Desde el sector fintech indican que los modelos de calificación no se modificaron a partir de la crisis económica y de ingresos que disparó la pandemia. Sin embargo, ejecutivos consultados reconocen que, por precaución, tuvieron que restringir la oferta crediticia a aquellos sectores que tienen mayores posibilidades de dejar de pagar.
Al respecto, Calogero afirma: “Se realizaron cambios entendiendo que la situación actual de aislamiento y pandemia podría generar inconvenientes, ya que muchos vieron una reducción de sus ingresos”.
Sin embargo, el vocero de Vivus asegura: “Luego del seguimiento de tres meses de comportamiento en aislamiento, hemos compensado estos cambios aumentando los límites a los mejores clientes”. Además, resalta que hoy la irregularidad se encuentra en niveles inferiores a los previos al aislamiento.
Bruzzo, por su parte, sostiene que, aunque no vieron un incremento importante en la mora, restringieron su política crediticia en marzo.
“En los momentos de crisis, el deterioro de la curva no es homogéneo y perjudica más a los perfiles más riesgosos, que están más al límite o tienen más posibilidades de perder el empleo”, explica.
A su turno, Friedberg coincide: “El desafío viene por el lado de la política crediticia. Si sos muy agresivo en una crisis, hay altas chances de que crezca la incobrabilidad. Adelantos tiene una postura muy inclusiva, de tratar de tener niveles de aprobación muy altos. Intentamos mantenerla pero eso hizo que aumente un poco la mora”.
No obstante, reconoce que, “dada la situación actual, quizá a un cliente al que en general le prestábamos, ahora no lo financiamos o bien le ofrecemos menores montos”.
En síntesis, si bien las fintech continúan siendo una alternativa crediticia más inclusiva por el uso de variables más blandas, la crisis actual obligó a las empresas a restringir la oferta de financiamiento a los clientes con un perfil de riesgo más comprometido.

Comentarios