La evaluación crediticia ‘legacy’ no funciona para muchas MiPymes. Como columna vertebral de las sociedades en todas partes, contribuyen a las economías locales y nacionales y al sostenimiento de los medios de vida, las MiPymes representan el 90% de los negocios, entre el 60 y el 70% del empleo y el 50% del PIB en todo el mundo.
A pesar de ello, las MiPymes y economías populares comunitarias, enfrentan dificultades para obtener préstamos de instituciones financieras que utilizan un enfoque convencional para evaluar la calidad crediticia. Estas dificultades incluyen la falta de datos financieros y operativos, las lagunas regulatorias y la ineficacia de las capacidades de gestión de riesgos de la institución financiera. Además, la evaluación crediticia convencional también se considera ineficiente y costosa para el procesamiento de préstamos, especialmente cuando se trata de préstamos de bajo valor.
Para abordar estos problemas, se pueden utilizar varios tipos de información de proveedores de datos externos, conocidos como “datos alternativos” o “datos modernos”, para determinar la solvencia financiera, la voluntad de pago y la calidad crediticia de las unidades productivas.
Estos datos proporcionan información adicional que permite tener una visión holística del solicitante para la decisión de otorgar un préstamo. Existen varias formas de implementar los datos modernos, y los casos de uso dependen fundamentalmente de los objetivos de la institución financiera. Por ejemplo, ciertos originadores de crédito pueden querer:
La variedad de conjuntos de datos modernos en el mercado cambia constantemente, lo que dificulta su análisis y selección de los que son realmente útiles. Cuatro criterios útiles para determinar el valor de las fuentes de datos son:
En este artículo, veremos brevemente 7 fuentes de datos modernos, describiremos cómo se aplican al análisis crediticio en las MiPymes y unidades de la economía popular comunitaria así como qué ventajas y desventajas podrían ofrecer teniendo en cuenta los cuatro criterios mencionados anteriormente.
Las redes sociales son populares entre las pymes como herramientas para presentarse al público y adquirir nuevos clientes.
Plataformas como LinkedIn y Facebook recopilan perfiles de unidades productivas y reportan información sobre sus negocios, sus iniciativas más recientes, así como sus interacciones con clientes. Estos datos se utilizan para generar modelos que estiman el valor de una empresa principalmente.
Ventajas
Ofrecen un alto volumen de información debido a los vastos puntos de datos resultantes de la actividad en las cuentas.
Algunos casos de éxito en préstamos al consumo como el de Vkontakte para la calificación crediticia, mejorando la predicción de repago en un 18%.
Se pueden utilizar como proxy para identificar la capacidad de pago mediante la inferencia de comportamientos de compra y consumo.
Desventajas
Las barreras tecnológicas y de cumplimiento normativo pueden dificultar el acceso a estos datos.
No hay casos de uso en préstamos para microempresas, por lo que no hay registros sobre las mejores prácticas ni estándares.
El uso de los datos sociales podría estar fragmentado y, a menudo, requeriría modelos complejos y, eventualmente, con diferentes proveedores.
Hechos como los ocurridos en el caso Cambridge Analytica ; Considerando que, como resultado de este escándalo, se produjeron multas y cambios normativos en el uso de los datos de la red social, lo que disminuyó significativamente la funcionalidad, el poder predictivo y, en general, la disminución de la relevancia para los casos de uso de la evaluación crediticia.
Se basa en el hecho de que las personas tienen una disposición de personalidad duradera que predice en parte lo que harán y existe una ciencia detrás de la personalidad en cuanto a cómo se mide la personalidad y qué puede predecir (Nettle, 2020).
En el contexto de la evaluación crediticia, se pueden utilizar pruebas o evaluaciones psicométricas para comprender la voluntad y la capacidad de pago de una persona. El enfoque en la disposición a pagar permite determinar si el solicitante tiene la propensión a honrar sus deudas.
Ventajas
Es la fuente que tiene mayor cobertura, esto se debe a que todas las personas tienen una personalidad que puede ser evaluada (Ortiga, 2020).
Existen casos de éxito en créditos a personas naturales y Mipymes sin historial crediticio y sector informal (Mondato, 2023)
La viabilidad se demostró con un mayor poder predictivo (Arráiz, Bruhn, Ruiz y Stucchi, 2018)
La evaluación se puede aplicar directamente al solicitante para garantizar datos específicos de la persona.
Es la única fuente que contribuye al análisis de la voluntad de pago.
Desventajas
Los datos recopilados son únicos y dependen de las capacidades y la experiencia de cada proveedor.
Puede haber fricción en el proceso si la evaluación es desagradable o demasiado larga.
Esta fuente no proporciona información financiera para el análisis de la capacidad de pago.
El Open Banking permite a las instituciones financieras acceder a los datos transaccionales bancarios y no bancarios de los clientes mediante API.
En todo el mundo, esta tendencia está evolucionando rápidamente.
Existen diferentes modelos en los que las instituciones financieras pueden desarrollar nuevos productos basados en datos a los que normalmente no tienen acceso, pero que las instituciones financieras y los minoristas con operaciones financieras ahora comparten a través de las API.
Ventajas
Industria en crecimiento con nuevos agregadores de datos que generan nuevos acuerdos con instituciones financieras y no financieras para compartir datos.
Las regulaciones en diferentes países están impulsando la implementación del Open Banking.
Los casos muestran una precisión de predicción en aumento entre el 10% y el 20% cuando se combinan con modelos tradicionales (Birch, Cummins y Shin, 2018), (Equifax, 2019)
Desventajas
Cobertura limitada porque el acceso a los datos depende de acuerdos entre proveedores de datos y agregadores.
Algunos segmentos de microempresas siguen siendo intensivos en efectivo, por lo que puede haber poca información operativa.
No resuelve el problema de la cobertura de las microempresas sin historial crediticio en las centrales de información.
El microempresario puede decidir compartir solo datos de ciertas instituciones a su conveniencia. Esto puede sesgar intencionadamente el análisis.
A través del registro del número telefónico del cliente, es posible conocer y evaluar el comportamiento que ha tenido el solicitante con su línea telefónica.
Los datos accesibles pueden ser prepago/pospago, uso de datos, geolocalización, historial de recargas, patrones de llamadas y SMS (entre otros).
Ventajas
Los pilotos han obtenido puntajes de crédito precisos (Dietrich, De Souza y Guerreiro, 2020).
Particularmente útil para generar estrategias de cobranza.
Fuente complementaria para enriquecer los datos para la detección de fraudes.
Desventajas
Dificultades para establecer acuerdos con operadores de telecomunicaciones.
Disponibilidad limitada debido a las normativas locales de privacidad y protección de datos.
Disminución de la disponibilidad a medida que los segmentos de nivel inferior y la población más joven a menudo cambian a alternativas sustitutivas y más baratas a las llamadas telefónicas (por ejemplo, llamadas de WhatsApp y mensajes de voz)
La cobertura solo está disponible para usuarios y microempresas que utilizan un operador específico.
Se refiere a los datos rastreables de un dispositivo móvil, a los que se accede a través de una aplicación instalada con el permiso del usuario.
Los datos accesibles pueden ser la ubicación, la ubicación aproximada, la información personal, el uso y los patrones de mensajería, la biblioteca multimedia, el calendario, los contactos, la actividad en otras aplicaciones, el historial de búsqueda, etc.
Ventajas
Los usuarios están adoptando cada vez más aplicaciones bancarias, lo que implica una amplia disponibilidad.
Tiempo de respuesta inmediato.
Alta adopción de dispositivos smartphone.
La huella digital del teléfono inteligente también se puede utilizar para el análisis del comportamiento y el proxy de personalidad.
Aumento de las capacidades de los proveedores para desarrollar SDK de dispositivos.
Desventajas
Memoria del dispositivo. Algunos segmentos de población son propensos a eliminar aplicaciones debido a la falta de memoria en sus dispositivos.
Dificultades en la especificidad de la información, ya que la actividad del dispositivo no está segregada entre el uso comercial y el uso personal del usuario del dispositivo.
El proveedor requiere ‘expertise’ en economía conductual para interpretar los datos y desarrollar modelos reales utilizables para los préstamos.
El uso de datos de correo electrónico se ha generalizado porque ingresar un correo electrónico es parte de los datos mínimos requeridos de los solicitantes de crédito. Este mecanismo permite evaluar la consistencia de los datos del usuario.
Ventajas
Ofrecen un alto volumen de información debido a los vastos puntos de datos resultantes de la actividad en las cuentas de correo.
Permite la detección de fraudes (Centro para la Inclusión Financiera de Acción e Instituto de Finanzas Internacionales, 2018).
Desventajas
Dificultades en la especificidad de la información, no todas las microempresas tienen una cuenta comercial, a veces se utiliza la cuenta personal del microempresario.
Depende de un gran volumen de datos, por lo que aumenta los esfuerzos tecnológicos.
No existen casos de uso concretos en riesgo crediticio para microempresas.
Se identifican algunos casos de uso piloto, pero principalmente para la prevención del fraude.
Es un tipo de fuente de datos G2B que se refiere a los registros de las actividades de las microempresas.
Los subconjuntos de datos pueden incluir facturas de servicios públicos, aportes de salud, pensiones y riesgos, e información fiscal.
Por lo general, incluyen información relacionada con el pago (flujo de caja) e información no relacionada con dinero.
Las tendencias de comportamiento generadas por el análisis de esta información se pueden utilizar para evaluar los ingresos y la situación financiera más reciente de una microempresa.
Ventajas
Durante la pandemia, varios países distribuyeron ayudas económicas, subsidios e incentivos para las microempresas, lo que generó un gran volumen de datos financieros.
En algunas geografías hay algunos agregadores y proveedores de datos abiertos que proporcionan estos datos.
Las bases de datos gubernamentales se pueden utilizar para enriquecer la política de riesgo operacional / fraude.
Desventajas
Los microempresarios en las economías emergentes a menudo están ‘fuera de la red’ en los programas gubernamentales como impuestos, salud y pensiones, principalmente.
Es común encontrar inconsistencias entre los titulares de las cuentas y la microempresa que realmente utiliza el servicio (por ejemplo, el comerciante paga el alquiler y todas las facturas de servicios públicos a nombre del propietario)
Dificultades para establecer acuerdos interinstitucionales (por ejemplo, empresas de servicios públicos y proveedores de datos)
Disponibilidad limitada debido a las normativas locales de privacidad y protección de datos.
En el mundo actual impulsado por los datos, tanto los propietarios de microempresas como los individuos reconocen cada vez más el valor de sus datos y buscan controlar cómo se utilizan para lograr objetivos personales y comerciales. La inclusión financiera busca una “democratización del crédito”, alcanzable a través de la “democratización de los datos”, reflejando una tendencia creciente de las personas a ejercer su poder como consumidores para decidir quién accede a sus datos y cómo se aprovechan para productos financieros más significativos. Las modernas fuentes de datos alternativos ofrecen un medio poderoso para este fin, proporcionando información más allá de las métricas tradicionales para evaluar la calidad crediticia. A pesar de sus posibles ventajas, desafíos como la disponibilidad de datos, preocupaciones de privacidad y barreras tecnológicas persisten. Por lo tanto, seleccionar la fuente de datos adecuada y el socio adecuado requiere una cuidadosa consideración para mejorar la inclusión financiera, mitigar los riesgos crediticios y empoderar a las microempresas y los individuos en sus trayectorias financieras.
Arráiz, I., Bruhn, M., Ruiz, C., & Stucchi, R. (2018). Are Psychometric Tools a Viable Screening Method for Small and Medium Enterprise Lending. Private Sector Series, TN(5).
Birch, D., Cummins, W., & Shin, C. (2018). How Open Banking Can Drive Innovation in Financial Services. Harvard Business Review, 96, 18-19.
Bocconi, S. B. (2015). Social glass: a platform for urban analytics and decision-making through heterogeneous social data. In WWW2015Companion, WWW2015Companion (pp. 175–178). New York, NY: Association for Computing Machinery.
Center for Financial Inclusion at Accion & Institute of International Finance. (2018). Accelerating Financial Inclusion with New Data. MAINSTREAMING FINANCIAL INCLUSION: BEST PRACTICES SERIES, Part 4.
Dietrich, L., De Souza, F., y Guerreiro, A. (2020). Development of credit scores with telco data using ML and agile methodology in Brazil, 4831. S Global Forum 2020.
Equifax. (2019). Knowledge Centre. Retrieved from Open Banking & Credit Risk: Friend or Foe?: https://www.equifax.co.uk/resources/open-banking-credit-risk-friend-or-foe.html
Mondato. (Nov 15, 2023). mondato.com. Retrieved from Psychometrics: What makes a reliable borrower?: https://blog.mondato.com/psychometrics-reliable-borrower/
Nettle, D. (2020). Personality: What Makes You the Way You Are. HighBridge.
Galvanizing MSMEs worldwide by supporting women and youth entrepreneurship and resilient supply chains: https://www.un.org/en/observances/micro-small-medium-businesses-day
SaaS technology that provide character-based credit scores for Banks, Micro Finance, Digital Lenders, Neo Banks, BNPL and Asset Financing.
