Óscar Rodríguez, jefe de desarrollo de Moneymas. Foto: AP ALICANTE. El scoring es el análisis de una información sobre un solicitante de un préstamo, en base al cual se recomienda luego su aprobación o rechazo. En este análisis se trabaja con dos tipos de datos: los facilitados por el cliente y los que obtiene a través de terceros. La startup Moneymas, que nació en febrero de 2018, ha optado por el uso de la tecnología y la Inteligencia Artificial para mejorar su sistema de scoring después de que en sus primer año de existencia tuvieran pérdidas. La firma alicantina Lynx View ha sido la responsable del sistema Score Card que usan en la actualidad y con el que han podido reducir su red de impagos notablemente.
Así, Oscar Rodríguez, jefe de desarrollo en Moneymas trabaja con el departamento de análisis de datos y ha participado ya en varios proyectos de Business Intelligence (BI) con Lynx View, entre otros el del mencionado Score Card. Rodríguez explicó su experiencia en la jornada en la ponencia "Aplicando la Inteligencia Artificial en los negocios", en el Parque Científico de Alicante.
La firma Moneymas es una financiera de pequeños créditos. Una 'startup' de un grupo de inversores de Reino Unido que empezó a operar en febrero de 2018. Normalmente ofrecen préstamos de 2.000 a 5.000 euros aunque también se han dado casos desde 500 a 10.000 euros. Estos préstamos son, siempre, con avalista y se enfocan a clientes que no podrían obtener crédito en bancos, o bien por impagos, o bien por estar en listas negras. Moneymas sí que les otorgarían préstamos en principio, pero miran y estudian con lupa a quien sería el avalista y basan su decisión en esta figura. Así, lo ofrecen con un interés del 49,9%. "Parece muchísimo, pero rascando ves que en este tipo de préstamos de microcrédito es poco, hay firmas que tienen 1000% de interés". "También usamos el Machine Learning de Lynx View para conocer que tipo de préstamos eran más adecuados para nuestra empresa", afirma Rodríguez.
Aplicando la Inteligencia Artificial en los negocios: la experiencia de Lynx View
La firma comenzó a rodar con dos o tres personas en unas oficinas de Bournemouth, en Reino Unido. El cliente llamaba, se registraba y después hablaba con un agente que decidía si se pagaba o no al posible cliente. Este era el sistema de scoring apoyado por otros criterios de análisis crediticio, de política de empresa y datos de la banca online. La eficiencia podía mejorarse.
La solución, según el jefe de desarrollo de Moneymas llegó, en primer lugar con una primera versión del scoring en enero de 2019 desarrollada por la firma matriz, usando Excel y otras herramientas de big data y banca online. Buscaron variables predictivas y crearon un logaritmo que les ayudó, aunque "fue un poco, con el porcentaje de impago todavía perdíamos dinero".
Después llegó septiembre de 2019. "Ahí empezamos con Lynx View". Con el uso de otros algoritmos y herramientas de Amazon Web Services para el análisis de datos y la predicción, se consiguieron analizar datos "y resultados mucho mejores porque aplicaron Machine Learning y buscaron varios algoritmos hasta que encontraron el ideal". Lleva en marcha varios meses y, desde entonces, han conseguido bajar el porcentaje de impagos de forma muy notable. "Por delante queda mucho trabajo, porque han bajado los impagos pero se dan muchos menos préstamos. Ahora tenemos que conseguir mantener ese porcentaje y dar más préstamos".
Óscar Rodríguez. Foto: APY la idea de la firma ahora es seguir avanzando. El desarrollo de la IA les ha costado 20.000 euros, "un coste muy pequeño para una empresa como la nuestra y un tiempo de seis semanas de retorno de la inversión", asegura Rodríguez.
Rodríguez, de Moneymas recomendó a quienes quieran implantar IA en sus negocios varios consejos. Uno, el de "definir muy bien el objetivo para así saber hacia donde hay que avanzar". La comunicación con el equipo también ese esencial "para no perder tiempo, si hay una buena comunicación directa".
"Cuanto más datos tengamos, mejor" para manejarlos y convertirlos en información que ayude a trazar patrones y mecanismos y herramientas de ayuda en base al negocio. Y, además, "limpiar los datos, perder ahí tiempo para no tener problemas después. No querríamos que tras dos meses de labor, los datos no sean correctos y no valga para nada el trabajo hecho".
