Scoring crediticio

El scoring crediticio es un puntaje, normalmente entre 0 y 1000, que estima la probabilidad de que un deudor cumpla con sus pagos. Convierte datos dispersos (historial de pagos, deudas vigentes, antigüedad crediticia, ingresos declarados, comportamiento transaccional) en un número único y comparable que ordena a los solicitantes de menor a mayor riesgo. Cuanto más alto el puntaje, menor el riesgo percibido de incumplimiento.

En la práctica, una empresa lo usa para responder tres preguntas en segundos: ¿le doy crédito o no?, ¿hasta qué monto? y ¿a qué tasa o plazo?. El score reemplaza el criterio subjetivo de "esta persona me da confianza" por un modelo medible y auditable, alimentado por datos que en LATAM provienen de burós como Veraz/Equifax, Nosis o el BCRA en Argentina, más la información interna de la propia empresa.

Construir y monitorear un modelo de scoring es un caso típico de analítica predictiva sobre datos: hay que limpiar las fuentes, calcular variables, validar el modelo y vigilar que no se degrade con el tiempo, algo que se apoya en una plataforma de datos como Metrix.

Cómo funciona un modelo de scoring

Un score crediticio sale de un modelo estadístico o de machine learning entrenado con miles de casos históricos donde ya se sabe quién pagó y quién no. El modelo aprende qué combinaciones de variables anticipan el incumplimiento (la "mora") y le asigna un peso a cada una. Las variables más habituales son el historial de pagos, el nivel de endeudamiento actual, la antigüedad como sujeto de crédito, la cantidad de consultas recientes a burós y, cada vez más, datos alternativos como el comportamiento de compra o el flujo de cobros y pagos.

El resultado es una probabilidad de default que se traduce a un puntaje escalado. Sobre ese puntaje, el área de riesgo define cortes (cutoffs): por ejemplo, aprobar automáticamente arriba de cierto valor, rechazar abajo de otro, y enviar a revisión manual la zona gris del medio. Así, el scoring no solo predice: operativiza la decisión y la vuelve consistente entre sucursales, vendedores y canales.

Por qué le importa al negocio

El scoring resuelve una tensión real: vender más sin que la cartera se vuelva incobrable. Sin un modelo, las empresas suelen pecar de demasiado conservadoras (pierden ventas a buenos pagadores) o demasiado laxas (acumulan mora y pérdidas). Un buen score permite calibrar el apetito de riesgo con precisión y mover la palanca según el contexto: en una economía inflacionaria como la argentina, endurecer cortes en meses de estrés y aflojarlos cuando el riesgo baja.

Además, automatiza decisiones que antes tomaban días. Una financiera que evalúa a mano cada solicitud puede pasar a aprobaciones instantáneas para la mayoría de los casos, dejando el análisis humano solo para los limítrofes. Eso baja el costo operativo y mejora la experiencia del cliente, que recibe respuesta en el momento.

Ejemplo concreto (LATAM)

Una empresa de electrodomésticos en Argentina vende en cuotas en el canal tradicional. Antes, el vendedor aprobaba a criterio propio según la impresión del cliente, con una mora que rondaba el 12%. Al implementar un scoring que cruza el Veraz, la situación en el BCRA y el historial interno de compras, define tres cortes: aprobación automática para puntajes altos, rechazo para los muy bajos y derivación a un analista para el tramo intermedio. En seis meses, aprueba un volumen similar pero con menor mora, porque rechaza a los perfiles que antes se colaban y aprueba a buenos pagadores que antes descartaba por prejuicio. El dato clave: el modelo es transparente y revisable, no una corazonada.

Errores comunes

• Tratar el score como verdad absoluta: es una probabilidad, no una certeza; siempre habrá buenos pagadores con score bajo y a la inversa.
• No monitorear la degradación del modelo: el comportamiento de pago cambia con la macroeconomía, y un modelo que andaba bien hace dos años puede estar prediciendo mal hoy.
• Usar datos de mala calidad o desactualizados: si el dato de ingreso o de deuda está sucio, el score hereda ese error.
• Aplicar cortes fijos sin revisarlos: el umbral óptimo se mueve según el costo de la mora y el margen de cada producto.
• Ignorar el sesgo y el cumplimiento normativo: variables sensibles o proxies indebidos pueden derivar en decisiones discriminatorias y problemas legales.

Scoring crediticio vs lead scoring

Es frecuente confundir el scoring crediticio con el lead scoring de marketing y ventas, porque ambos producen un puntaje. Pero responden preguntas distintas y se nutren de datos distintos.

En síntesis, el scoring crediticio es una de las aplicaciones más maduras del análisis predictivo en el mundo financiero y comercial: convierte el riesgo en un número accionable y permite escalar las decisiones de crédito sin perder control sobre la cartera.