Scoring alternativo de crédito

El scoring alternativo de crédito —también denominado alternative credit scoring o scoring no tradicional— es un conjunto de metodologías de evaluación del riesgo que utilizan fuentes de datos distintas a las empleadas por el scoring bancario convencional para estimar la probabilidad de que un solicitante devuelva un préstamo. Mientras el scoring tradicional se basa principalmente en el historial de crédito formal (préstamos anteriores, tarjetas, información de bureaux de crédito como la CIRBE del Banco de España), el scoring alternativo incorpora otras señales que pueden ser igualmente o más predictivas del comportamiento de pago futuro.

Fuentes de datos utilizadas en el scoring alternativo

Las fuentes de información que los modelos alternativos integran son variadas y dependen del prestamista y la tecnología disponible:

• Datos bancarios (open banking): El análisis de movimientos de cuenta a través de APIs PSD2 permite identificar ingresos regulares, patrones de gasto, cuotas de préstamos ya existentes, pagos de alquiler y episodios de descubierto. Es la fuente alternativa más utilizada en España por las fintechs de crédito al consumo.
• Historial de pago de suministros: El pago puntual o tardío de recibos de luz, agua, gas y telecomunicaciones es un predictor significativo del comportamiento crediticio. En España, este dato no se reporta sistemáticamente a los bureaux de crédito, pero algunas plataformas lo incorporan con el consentimiento del usuario.
• Historial de pago del alquiler: Especialmente relevante para jóvenes sin hipoteca ni préstamos previos. Algunos sistemas de gestión de alquileres y plataformas fintech ya reportan este dato o permiten al arrendatario acreditarlo.
• Datos de comportamiento digital: El tipo de dispositivo usado, el tiempo empleado en completar la solicitud o el horario de la misma son variables que algunos modelos de machine learning incorporan como señales auxiliares de riesgo, aunque su uso plantea debate sobre discriminación algorítmica.
• Redes sociales y e-commerce: La consistencia entre la información aportada en la solicitud y los datos públicos disponibles, o el historial de compras y valoraciones en plataformas de comercio electrónico, se utilizan en algunos mercados emergentes, aunque su adopción en Europa está muy limitada por el RGPD.

Beneficiarios del scoring alternativo: los «thin files»

El principal beneficio del scoring alternativo es la inclusión financiera de colectivos que el sistema bancario tradicional excluye por carecer de historial crediticio suficiente. En España, los perfiles más beneficiados son:

• Jóvenes menores de 30 años que solicitan su primer préstamo sin haber tenido antes tarjetas o créditos a su nombre.
• Inmigrantes con poco tiempo de residencia en España cuyo historial crediticio en el país de origen no es trasladable.
• Autónomos con ingresos variables cuyo scoring convencional resulta bajo por la irregularidad de los ingresos pese a tener una actividad solvente.
• Personas con incidencias crediticias pasadas ya resueltas que, aunque ya no están en ficheros de morosos, no tienen historial positivo reciente que lo compense.

Modelos de machine learning y regulación

Los modelos de scoring alternativo suelen estar basados en algoritmos de machine learning (gradient boosting, redes neuronales, random forests) que procesan centenares de variables y detectan patrones no lineales. Su mayor potencia predictiva tiene como contrapartida la opacidad (caja negra), lo que plantea retos regulatorios. El RGPD reconoce al ciudadano el derecho a obtener una explicación de las decisiones automatizadas que le afectan significativamente (artículo 22), lo que obliga a los prestamistas a poder justificar las denegaciones basadas en modelos de IA. La Ley de IA de la UE, en vigor desde 2024, clasifica los sistemas de scoring crediticio como sistemas de alto riesgo, sometidos a obligaciones de transparencia, supervisión humana y evaluación de impacto.

Limitaciones y riesgos

El scoring alternativo no está exento de riesgos. Los modelos entrenados con datos históricos pueden perpetuar sesgos existentes si esos datos reflejan discriminaciones pasadas. El uso de datos de comportamiento digital puede correlacionarse con variables protegidas (origen, religión, estado de salud) de forma no intencionada. Por ello, los reguladores europeos insisten en la necesidad de auditorías de equidad (fairness audits) periódicas y en mecanismos de revisión humana de las decisiones automatizadas.