← Volver a Proyectos
Business analytics & Risk analytics

Inclusión financiera y diseño de política de crédito

Cómo transformamos la incertidumbre de 44,000 solicitantes sin historial crediticio en un portafolio de $65.6M MXN con un costo de riesgo de solo 3.62% mediante modelado Look-Alike.

Stack tecnológico: Python : Scikit-Learn, Pandas, NumPy, Seaborn

💡 El resultado final en cifras

Capital Total Colocado
$65,627,250.00
MXN · Business Case TO-BE
Exposición al Incumplimiento (EAD)
$45,939,075.00
MXN · 70% del capital colocado
Tasa Global de Pérdida
3.62%
✔ Meta < 4.0%

1. El Desafío y la Arquitectura de Solución

Para Neobancos como Nu México, el segmento "underbanked" representa el motor de crecimiento más codiciado del país. Sin embargo, asignar una línea inicial a alguien sin historial por mera intuición causaría una explosión en la Exposición al Incumplimiento (EAD).

Diseñamos un pipeline analítico robusto (Figura 1) que nos permitiera extraer el ADN financiero de los clientes consolidados (Grupo A) y transferir ese conocimiento de riesgo a las nuevas solicitudes (Grupo B).

Pipeline del Proyecto de Riesgo Crediticio
Figura 1: Arquitectura metodológica del proyecto, desde la extracción de características hasta la formulación del Business Case financiero.

2. Análisis Exploratorio (EDA): Señales Antes del Historial

Durante el análisis exploratorio, buscamos correlaciones fuertes entre variables sociodemográficas y el riesgo de impago, con el fin de construir reglas que funcionen independientemente del score de buró. Uno de los hallazgos más claros fue la relación inversamente proporcional entre la edad y la tasa de morosidad.

Tasa de morosidad por rango de edad
Figura 2: La tasa de morosidad desciende drásticamente con la edad, pasando de un 11% en el segmento joven (18-30) a un sólido 5% en perfiles mayores de 60 años.

3. Espacio Latente: Feature Engineering y PCA

Para evitar la multicolinealidad, aplicamos un Análisis de Componentes Principales (PCA). Esta técnica matemática agrupó nuestras variables iniciales en "Vectores de Factores" sintéticos, aislando características clave como el Nivel Socioeducativo, el Compromiso Crediticio, y la Madurez.

Vectores del Análisis de Componentes Principales
Figura 3: Representación de las fuerzas direccionales en el espacio de características. Estos vectores definen la estabilidad financiera del usuario.

El resultado geométrico de estos vectores generó un espacio latente extraordinario: el Componente 0 mostró una distribución bimodal limpia que lograba separar nativamente la capacidad de pago y la propensión al riesgo.

Matriz Pairplot de Componentes Principales
Figura 4: Pairplot del espacio latente PCA. Se observa la bimodalidad del Componente 0 y la clara separación geométrica de los clientes según su tipología de riesgo.

4. Perfilamiento K-Means: El ADN del "Cliente Estrella"

Al ejecutar el algoritmo K-Means sobre este espacio latente, la población se segmentó en perfiles de riesgo bien definidos. Identificamos el Cluster 0 como nuestro "Perfil Estrella", el estándar de oro de la cartera de referencia.

¿Qué hace diferente a este cliente? Más allá del simple volumen de ingresos, el Perfil Estrella destaca por una disciplina financiera forjada por la estabilidad, promediando hasta 5 años de antigüedad laboral ininterrumpida.

Años de trabajo promedio por tipo de cliente
Figura 5: Promedio de años de trabajo. El Perfil Estrella (Cluster 0) demuestra una marcada estabilidad laboral (5 años) frente al resto de la cartera.

5. El Puente hacia el Grupo B: Modelo Look-Alike Vectorial

Para evaluar a los 44,019 solicitantes sin historial (Grupo B), utilizamos un enfoque Look-Alike. Calculamos la distancia euclidiana de cada nueva solicitud en el espacio latente respecto al centroide de nuestro Perfil Estrella (Cluster 3).

d(x, 𝛍₀) = ‖ x − 𝛍₀ ‖₂
A menor distancia métrica respecto al centroide Estrella (𝛍₀), mayor es la similitud matemática del solicitante sin historial con nuestros mejores clientes probados.

6. Business Case Financiero y Asignación Dinámica

Al combinar esta distancia vectorial con variables de liquidez directa (Ingreso Promedio y Ratio de Endeudamiento o DTI), generamos una política de asignación escalonada que protege a la compañía del riesgo temprano y premia los perfiles más sólidos.

Dashboard de Estrategia de Inclusión y Asignación de Líneas
Figura 6: Dashboard final de la Estrategia de Asignación. Demuestra la relación perfecta entre la Proximidad al Cluster 3, la optimización del DTI, los ingresos y la cuota de aprobación masiva (arriba a la izquierda).
Oferta de Línea / Política Solicitudes Línea Prom. Capital Colocado Loss Rate
1. Línea Preferente ($3,000 – $5,000) 3,724 (8.46%) $4,000.00 $14,896,000.00 3.01%
2. Línea Estándar ($2,000 – $3,000) 9,526 (21.64%) $2,500.00 $23,815,000.00 2.68%
3. Línea de Entrada ($1,000 – $1,500) 16,148 (36.68%) $1,250.00 $20,185,000.00 4.79%
4. Línea Mínima Control ($500 – $1,000) 8,975 (20.39%) $750.00 $6,731,250.00 4.79%
5. Depósito de Garantía (Rechazo Tradicional) 5,646 (12.83%) $0.00 $0.00 0.00%
TOTAL CARTERA GRUPO B 44,019 — $65,627,250.00 3.62%

Siguiente Paso: Piloto A/B Test

Para la puesta en producción, se recomienda ejecutar un experimento A/B 50/50 durante 6 cosechas mensuales (maduración a 90 días) enfrentando esta política (Grupo Tratamiento) contra la política tradicional restrictiva (Grupo Control).