31 de jul de 2026
Scorecard experto vs. modelo avanzado en scoring crediticio
Cómo los bancos usan modelos avanzados para crecer la cartera con riesgo controlado.
¿Tu entidad califica el riesgo de crédito con un scorecard de reglas fijas?
Los bancos líderes ya migraron a modelos analíticos avanzados que aprenden de miles de casos históricos, capturan interacciones entre variables que ningún experto puede calibrar a mano, y asignan una probabilidad de incumplimiento mucho más precisa.
Este artículo compara, en la práctica, qué exige cada metodología, qué gana y qué pierde la organización, y cómo se ve el resultado de cada modelo en la práctica.
Capacidades relacionadas
Este artículo aborda retos que requieren de capacidades en datos, automatización y analítica.
Reglas fijas por consenso vs. algoritmos que aprenden de los datos
Un scorecard experto se construye con el conocimiento práctico del equipo de riesgo y el análisis de la cartera histórica. Es un trabajo manual de discusión y ajuste de reglas. Asigna puntos a un grupo reducido de variables según la experiencia del negocio, especialmente cuando no hay suficientes datos para construir un modelo predictivo. Por ejemplo: el tipo de contrato laboral y el historial en centrales de riesgo aportan puntos fijos según la condición del cliente. La suma de estos puntos genera un score total, y un punto de corte fijo determina si la solicitud se aprueba, se rechaza o pasa a revisión manual.
Un modelo analítico requiere tres pilares: datos históricos confiables, infraestructura tecnológica y un equipo técnico especializado. El sistema analiza la información del pasado, identifica qué combinaciones de características diferencian a un cliente cumplido de uno que no pagó, y usa ese aprendizaje para evaluar nuevas solicitudes. En la práctica, la industria suele empezar con modelos estadísticos tradicionales (regresión logística) por su claridad y facilidad de control. Solo cuando un modelo más avanzado (como XGBoost o LightGBM) demuestra que realmente aprueba mejores clientes o reduce pérdidas de forma significativa frente al modelo tradicional, justifica la inversión de implementarlo.
¿Por qué un modelo analítico suele tomar mejores decisiones que una regla fija?
El scorecard experto evalúa cada variable por separado. Para una persona es muy difícil prever manualmente cómo se combinan distintas condiciones al mismo tiempo; por ejemplo, una deuda alta es un riesgo enorme para alguien con ingresos variables, pero puede ser perfectamente manejable para un empleado con trabajo estable.
Un modelo analítico sí logra ver la imagen completa. Detecta cómo se conectan todas las variables entre sí y ajusta el peso de cada una según el perfil único del solicitante. Esto le permite clasificar con mayor precisión a los clientes de buen y mal comportamiento. En el negocio, esto se traduce en dos resultados concretos: menos pérdidas por cartera no pagada en los segmentos de mayor riesgo y menos rechazos injustificados de clientes viables que antes quedaban por fuera debido a reglas muy rígidas.
Lo que exige cada opción a nivel de negocio y control.
El scorecard experto se implementa más rápido, pero se vuelve rígido con el tiempo. Ajustarlo exige discusiones internas y análisis de cartera que suelen demorar la respuesta ante cambios en el mercado.
En cuanto al marco legal, el nivel de regulación afecta directamente las opciones disponibles:
- Entidades vigiladas que captan dinero del público:
La regulación les exige sustentar de forma rigurosa la metodología de sus modelos. Un modelo analítico bien validado permite justificar ante el supervisor menores requerimientos de capital de reserva y provisión de cartera, liberando recursos para la operación.
- Empresas no vigiladas que prestan con capital propio:
Tienen plena libertad metodológica para elegir el enfoque que prefieran, pues no rinden cuentas a un ente de control sobre la calibración de sus scores.
Por su parte, el reto principal del modelo analítico es la explicabilidad: sustentar por qué el sistema tomó una decisión específica ante auditoría o el equipo comercial. Esto no frena su adopción, pero exige invertir en gobernanza, documentación y seguimiento continuo para garantizar que el modelo siga siendo confiable.
¿Qué evaluar antes de dar el paso y cómo se ve el resultado?
Antes de dar el salto hacia un modelo analítico, el equipo directivo debe evaluar cuatro factores clave:
- Disponibilidad de datos:
Se requiere suficiente historial, volumen y calidad de información sobre el comportamiento de pagos de la cartera.
- Capacidad técnica:
Es necesario contar con el equipo y la infraestructura para construir, validar y mantener el modelo en el tiempo.
- Exigencia regulatoria:
Depende de si la entidad debe justificar formalmente sus provisiones de capital ante el regulador o si opera de manera independiente.
- Retorno de la inversión:
El beneficio esperado en reducción de morosidad y aumento de aprobaciones debe superar los costos de implementación y gobernanza.
Dar este paso no ocurre de la noche a la mañana. Como se ve en el diagrama a continuación, llegar a machine learning para anticipar el riesgo pasa por capturar datos, estructurarlos, automatizar flujos y entender la cartera a través de analítica descriptiva.
A diferencia de las reglas fijas, los modelos actuales permiten calcular el impacto exacto de cada variable después de evaluar al cliente. El resultado final se entrega en un formato fácil de entender para cualquier líder de negocio. Por ejemplo, se puede revisar que el nivel de ingresos aportó +18 puntos al score, el historial crediticio +22, el nivel de endeudamiento restó -12 y el contexto económico restó -5. La diferencia es que estos puntajes no son estáticos para todos por igual, sino que se adaptan automáticamente a la combinación particular de variables de cada solicitante.
