Scoring Crediticio con IA para Clientes Thin-File

El modelo tradicional de scoring de la fintech dependía principalmente de información proveniente de burós de crédito, historial de préstamos, comportamiento de pago y antigüedad de productos financieros. Aunque este enfoque funcionaba para clientes con un historial consolidado, presentaba limitaciones al evaluar perfiles thin-file.

Como consecuencia, algunos clientes potencialmente solventes podían recibir una evaluación de riesgo insuficiente simplemente porque el modelo tradicional no contaba con suficientes datos para clasificarlos.

Además, el equipo de riesgo necesitaba mayor transparencia sobre las predicciones generadas por los modelos. No era suficiente obtener un score: los analistas necesitaban comprender qué variables influían en la predicción y por qué un cliente era clasificado dentro de determinado nivel de riesgo.

El reto consistía en desarrollar una capacidad de scoring más predictiva y flexible, capaz de incorporar datos alternativos, generar explicaciones sobre sus predicciones e integrarse directamente con la plataforma de originación.

Rootstack diseñó e implementó una plataforma de AI Credit Scoring basada en Machine Learning, capaz de complementar la información tradicional de crédito con datos alternativos y convertirlos en señales de riesgo útiles para el proceso de originación.

La solución fue construida como un servicio independiente, permitiendo que los modelos evolucionaran sin modificar directamente la plataforma de originación. La arquitectura siguió un pipeline compuesto por fuentes de datos, procesamiento, Feature Engineering, Feature Store, modelo de Machine Learning, XAI y una Scoring API conectada con la plataforma de originación.

La plataforma integró información proveniente de 10+ fuentes de datos, incluyendo core banking, CRM, burós de crédito, sistemas transaccionales, plataformas de pago y canales digitales. Los datos fueron normalizados y validados para detectar valores faltantes, duplicados, inconsistencias y cambios inesperados en su distribución.

A partir de estas fuentes se generaron 100+ features capaces de capturar patrones de comportamiento financiero más allá de las variables tradicionales. Entre ellas se encontraban indicadores de estabilidad de ingresos, frecuencia de transacciones, tendencia de balances, regularidad de pagos, utilización de crédito, variabilidad del flujo de dinero y uso de productos financieros.

Las variables fueron administradas mediante una Feature Store para mantener consistencia entre los datos utilizados durante el entrenamiento y los utilizados en producción. Esto permitió versionar y reutilizar features y reducir discrepancias entre ambos entornos.

Sobre esta capa se implementaron modelos de Machine Learning cuyo pipeline contemplaba preparación de datasets, selección de variables, entrenamiento, validación, calibración y versionamiento. Los modelos fueron evaluados mediante métricas de riesgo crediticio como ROC-AUC, Gini, KS statistic, precision, recall y probability calibration. La solución alcanzó una mejora estimada de 15–20% en el poder predictivo frente al baseline, validando también el comportamiento de los modelos específicamente para segmentos thin-file.

Un componente fundamental fue la incorporación de Explainable AI mediante SHAP. El sistema podía acompañar cada predicción con los principales factores que contribuyeron al resultado, permitiendo a los analistas comprender la influencia de variables positivas y negativas sobre el score. El 100% de las predicciones generadas contaba con explicación XAI.

Una vez generado el score, el modelo se exponía mediante una Scoring API que podía ser consumida directamente por la plataforma de originación. El flujo integrado comprendía la solicitud de crédito, validación del cliente, enriquecimiento de datos, AI Scoring, evaluación de riesgo, aplicación de reglas y el resultado final, que podía llevar a aprobación automática, revisión manual o rechazo.

La arquitectura mantuvo separado el modelo predictivo de las reglas determinísticas de negocio. El modelo podía calcular una probabilidad de default o categoría de riesgo, mientras que el motor de decisión continuaba siendo responsable de aplicar políticas formales del producto, límites de exposición, criterios de elegibilidad y requerimientos regulatorios.

La plataforma también incorporó capacidades de MLOps para versionar datasets, features, modelos, parámetros y métricas. Una vez desplegados, los modelos eran monitoreados para detectar data drift, feature drift, cambios en la distribución de scores y degradación del performance predictivo, permitiendo revisar o reentrenar los modelos cuando fuera necesario.

Desde el punto de vista de infraestructura, el scoring fue implementado como un microservicio independiente, permitiendo escalabilidad horizontal y reutilización en aplicaciones web, mobile, plataformas de originación y APIs para partners. La capa de integración incorporó autenticación, autorización, auditoría y aislamiento de ambientes, permitiendo rastrear qué sistema realizó cada consulta, qué versión del modelo fue utilizada y cuál fue el resultado generado.

El proyecto tuvo una duración de 6 meses. La solución permitió que 60%+ de los clientes thin-file fueran evaluados automáticamente, redujo en 80% el tiempo requerido para generar el scoring y logró que el 100% del scoring estuviera integrado al workflow de originación. Asimismo, el 100% de los modelos se mantuvo versionado y monitoreado, mientras que la disponibilidad de la Scoring API alcanzó 99.9%.

La implementación utilizó Python, Machine Learning, Pandas, NumPy, Feature Store, SHAP, MLflow/Model Registry, FastAPI, PostgreSQL, Docker, Kubernetes, REST APIs, Kafka, prácticas de MLOps y OpenTelemetry para procesamiento de datos, desarrollo y operación de los modelos, integración empresarial, escalabilidad y observabilidad.