Hace mucho que la valoración de crédito es la medida que marca las probabilidades de que un consumidor estadounidense devuelva un préstamo, desde hipotecas hasta tarjetas de crédito. Pero los factores de los que dependen estos índices, como el historial de crédito y los saldos de las tarjetas de crédito, a menudo dependen de que la persona ya disponga de una línea de crédito.
En los últimos años, un grupo de start-ups se ha lanzado sobre la premisa de que los consumidores que carecen de un historial de crédito previo también pueden tener grandes probabilidades de devolver la deuda. Confían en que es posible calcular sus posibilidades de devolución mediante el análisis de grandes cantidades de datos, especialmente algunos que tradicionalmente no han formado parte de las evaluaciones crediticias. Estas empresas utilizan algoritmos y aprendizaje automático para encontrar patrones significativos dentro de los datos, señales alte ativas de que un usuario representa un riesgo crediticio bueno o malo.
Estas empresas aún son jóvenes y todavía no han demostrado que su enfoque pueda ampliar significativamente el crédito disponible, y los prestamistas que lo emplean a menudo cobran altos intereses, según un informe del Centro de Derecho del Consumidor Nacional de Estados Unidos (NCLC, por sus siglas en inglés), un grupo de defensa de consumidores. A los defensores de los consumidores les preocupa que algunas de estas nuevas fuentes de datos (informaciones sobre cómo se comportan en línea o datos financieros que tradicionalmente no forman parte de los análisis crediticios) puedan incorporar sesgos que den como resultado valoraciones injustas. En Estados Unidos, los prestamistas tienen prohibido por ley considerar la raza, el género y la religión del solicitante durante las decisiones de conceder créditos.
ZestFinance, con sede en Los Ángeles (EEUU) y fundada por el antiguo director informático de Google, Douglas Merrill, afirma haber resuelto este problema con una nueva plataforma de puntuación crediticia llamada ZAML. La empresa vende el software a prestamistas y también ofrece servicios de consultoría. La propia ZestFinance no presta dinero.
La plataforma fue afinada gracias a la experiencia que ZestFinance acumuló durante su colaboración con el motor de búsquedas Baidu en China, donde sólo el 20% de la población dispone de un historial de crédito. La compañía estudió 21 factores distintos en los datos de Baidu, como la manera en la que la gente realiza búsquedas y cómo navega entre páginas web. Gracias a ellos, ZestFinance descubrió patrones que pueden ser empleados para tomar la decisión de conceder pequeños préstamos. Entre las cosas que evaluó está la relación entre los ingresos que una persona afirma tener y sus "ingresos proyectados", que son los que ZestFinance calcula que realmente ingresa esa persona en función de otros comportamientos. El desfase entre ambas medidas define la inflación de ingresos, explica Merrill.
En cuestión de dos meses, Baidu, que tiene un pequeño negocio de préstamos, ya concedía créditos a un 150% más de usuarios sin experimentar ningún incremento de pérdidas, y la empresa ha concedido cientos de miles de préstamos desde entonces, asegura Merrill.
El director científico de Baidu, Andrew Ng, reconoce el papel de la tecnología de ZestFinance para acelerar la entrada de su empresa en los servicios financieros de consumo. Admite que la compañía ha mejorado la "predictibilidad" de sus modelos crediticios gracias al uso de datos del comportamiento de búsquedas en inte et y carteras móviles de los prestatarios, entre otras fuentes. Gracias a ZestFinance, Baidu descubrió que los prestatarios que muestran un comportamiento arriesgado en inte et, como las apuestas o el acceso a páginas que venden productos ilícitos o que comercializan experiencias que evocan fuertes emociones, tienen una probabilidad estadística más alta de impago.
"Aunque puede que resulte obvio, este tipo de pistas tiene un importante impacto en el rendimiento de los créditos", escribió Ng por correo electrónico.
Aunque algunos datos se quedan fuera de estos análisis. ZestFinance no utiliza información procedente de redes sociales. Aunque Merrill lo ha calificado de "perturbador", la empresa asegura que no resultan demasiado útiles para estos tipos de análisis.
ZestFinance también ha colaborado con dos emisores de tarjetas de crédito y con un prestamista de coches. Entre los usuarios de tarjetas de crédito, las llamadas al centro de atención al cliente resultaron bastante reveladoras, algo que hasta entonces el prestamista no vinculaba con la solvencia crediticia. Resulta que alguien que llama para ampliar el período de pago para un saldo pendiente, aunque lo retrase, tiene de hecho muchas probabilidades de ser un cliente fidedigno. "La intuición a veces se equivoca", señala Merrill.
Para evitar los sesgos, la empresa asegura que estudia 100.000 puntos de datos diferentes para cada prestatario, y ninguno de ellos juega un papel determinante. Para probar en busca de sesgos, ZestFinance depende de nuevo del aprendizaje automático. Aplica un algoritmo que utiliza la Oficina de Protecciones Financieras del Consumidor de Estados Unidos para buscar la discriminación, y también realiza otras pruebas para identificar cualquier correlación no esperada con factores que los prestamistas tienen prohibido considerar.
Ng de Baidu avaló la capacidad de la tecnología de ZestFinance para definir lo que él llamó "modelos de seguridad de aprendizaje automático de caja negra" y para centrarse en detectar y corregir los sesgos tanto explícitos como ocultos.
Pero un punto decisivo será explicar la decisión tomada sobre la solicitud de crédito a los prestatarios y a los reguladores, afirma el abogado Chi Chi Wu del NCLC. La parte más difícil será explicar si los patrones de datos realmente son predictivos o simplemente están correlacionados. "Los datos alte ativos no son la esencia de todo", concluye Wu.