ENTREVISTA A PERE JOAN VENTURA, DIRECTOR DE ANALYTICS DE UBIMIA

¿Sigue bastando el historial financiero para decidir quién accede a un crédito?
En un entorno donde los datos se han convertido en un activo estratégico para las empresas, la analítica es clave para transformar la información en decisiones de valor. Hablamos con Pere Joan Ventura, director de Analytics de Ubimia, sobre el papel de los datos en la toma de decisiones, los retos del sector y las oportunidades que ofrece la analítica para impulsar el crecimiento empresarial.
Cuando una persona pide financiación por primera vez a una entidad, ¿por qué es más difícil evaluar su riesgo que el de un cliente al que ya conoce?
Con un cliente vinculado, la entidad decide sobre comportamiento observado durante años; con uno nuevo, sobre lo que el solicitante declara y lo poco que aportan terceros. Un cliente con diez años de nómina domiciliada que cada verano entra en descubierto y lo regulariza en septiembre muestra un patrón estacional sin relevancia para el riesgo. El mismo descubierto en un desconocido resulta indistinguible de un problema real. Para el cliente nuevo, la información disponible se reduce a la información de un formulario, los ficheros de morosidad, unas nóminas en PDF que puede estar desactualizada o, en el peor caso, manipulada y en función del tipo de préstamo, la CIRBE.
Existe un segundo problema que apenas se menciona: la selección adversa. Una parte de quienes piden crédito a una entidad nueva lo hacen porque su banco habitual ya se lo ha denegado. Eso no convierte a todos en malos clientes, pero exige prudencia con la información que falta. Las altas nuevas tienden a impagar más que clientes vinculados.
¿Qué cambia el Open Banking en ese primer análisis?
El Open Banking convierte información declarada en información observada y acerca al cliente nuevo al cliente conocido. Con el consentimiento del solicitante, la entidad puede leer los movimientos de sus cuentas en otros bancos y comprobar lo que antes solo podía intuir: el origen de los ingresos, las cuotas que paga y el margen que le queda a final de mes. El caso del autónomo que declara unos ingresos razonables lo ilustra bien. Los movimientos confirman la cifra, pero revelan que la mayor parte procede de un único cliente, entonces, su riesgo depende de ese cliente, y ninguna declaración de la renta lo habría mostrado. Cambia también el tiempo de respuesta, porque lo que exigía pedir extractos y revisarlos a mano durante días se resuelve dentro del flujo de solicitud. El matiz es importante. El Open Banking ofrece una fotografía de los últimos meses, mientras que la película de años solo existe con un cliente vinculado.
¿Qué peso sigue teniendo hoy el historial financiero cuando un banco decide si concede un crédito?
El historial financiero sigue siendo el factor más predictivo cuando existe, y en clientes con trayectoria larga no debería sustituirse por datos de cuentas. Un impago registrado en un fichero de solvencia indica algo que ningún extracto muestra: que esa persona dejó de atender una obligación. El historial mide comportamiento y voluntad de pago.
El historial, sin embargo, penaliza en exceso algunos registros negativos. Una factura de telefonía impagada hace años, de importe pequeño y probablemente discutida con la operadora, no debería pesar como un préstamo personal impagado. Muchos modelos tratan cualquier incidencia como un evento binario y cometen exactamente ese error. La normativa española ya limita el plazo de permanencia y el importe mínimo de las deudas inscribibles en estos ficheros, lo que corrige parte del problema. Falta que los modelos internos de las entidades distingan la naturaleza y la antigüedad de cada incidencia. El peso del historial frente a las variables transaccionales varía mucho según el segmento del cliente o potencial cliente pertenezca
¿Qué puede saber un banco de un cliente viendo cómo ingresa y cómo gasta?
Un banco puede saber bastante más de lo que necesita, y decidir qué no usar es la primera responsabilidad de quien diseña el modelo.
Lo útil para evaluar riesgo es concreto: la regularidad de los ingresos, el peso de los gastos fijos, el margen a final de mes, las deudas no declaradas y las señales de tensión, como recibos devueltos o descubiertos repetidos. Un caso habitual es el del solicitante que declara no tener otros préstamos y en sus movimientos aparecen cargos mensuales de una financiera de consumo. No hay que presuponer mala fe, porque una cuota pequeña se olvida con facilidad, pero el endeudamiento real cambia. Los mismos movimientos revelan información que no debe utilizarse. Una cuota sindical, una donación periódica a una parroquia, la suscripción a un medio de línea política marcada o un gasto recurrente en una clínica dicen algo sobre afiliación, creencias, ideología o salud. Son categorías especiales de datos y deben quedar fuera del modelo, aunque tengan poder predictivo.
¿Puede un cliente parecer más arriesgado simplemente porque el banco sabe menos de él?
Sí, y es uno de los sesgos más persistentes del crédito. Los modelos de scoring se entrenan con clientes que tienen historial y, ante la falta de información, tienden a asignar puntuaciones conservadoras: tratan la ausencia de datos como si fuera riesgo. Un joven con su primer contrato indefinido y una persona recién llegada a España con un historial impecable en su país de origen, que aquí no consta en ningún registro, son prácticamente invisibles para un bureau español. El problema se autoperpetúa. Si la entidad rechaza estos perfiles, nunca observa cómo habrían pagado, y el siguiente modelo, entrenado de nuevo solo con los préstamos formalizados, vuelve a aprender que son arriesgados. Las técnicas de inferencia de denegados intentan corregirlo, están ampliamente aceptadas, pero descansan en supuestos difíciles de validar. Rechazar por desconocimiento es la opción cómoda para la entidad y la más injusta para el solicitante. El dato de cuentas es la herramienta más directa disponible para romper ese círculo.
Y una vez que se decide conceder el crédito, ¿cómo se calcula cuánto prestar?
El importe se decide sobre capacidad de pago, y no directamente sobre la probabilidad de impago. Mezclar ambos conceptos es útil si se aplica un criterio conservador sobre aquellos clientes más cercanos al umbral de rechazo.
El score indica si el cliente es fiable (voluntad de pago) y la cuota que puede asumir depende de su renta disponible.
El cálculo parte de los ingresos netos recurrentes, descuenta gastos fijos y cuotas de otras deudas y reserva un margen para gastos esenciales e imprevistos. Lo que queda marca la cuota máxima, y con el plazo y el tipo de interés del producto se obtiene el importe. Dos solicitantes con el mismo score y los mismos ingresos pueden merecer importes muy distintos si uno paga alquiler y guardería y el otro vive en una vivienda propia sin hipoteca. Por eso la ratio de esfuerzo calculada sobre ingresos brutos declarados, todavía habitual, resulta engañosa: ignora justamente los gastos que determinan si la cuota es sostenible. Los datos de cuentas permiten calcularla sobre gasto observado, con la cautela de que los últimos meses no siempre anticipan los próximos.
¿Conocer mejor la capacidad de pago puede ayudar también a prevenir el sobreendeudamiento?
Por supuesto y es donde el dato de cuentas ofrece el beneficio más claro para el propio cliente.
El sobreendeudamiento rara vez procede de un préstamo grande, es decir, suele llegar por acumulación de compromisos pequeños que ningún registro recoge completos.
Un caso habitual es alguien que solicita un préstamo personal para “reorganizar gastos” y sus movimientos, en cambio, muestran varias cuotas simultáneas de pago aplazado y una tarjeta revolving en el límite, que cubre cada mes con transferencias desde otra cuenta propia u otros préstamos de los llamados «rápidos». Cada compromiso por separado parece manejable, pero juntos describen a una persona que ya no llega a fin de mes.
Sin esa información que se pude observar en los movimientos de las cuentas, la operación se habría aprobado como consolidación de deudas. La duda entonces es si consolidar resuelve el problema o solo libera límite para volver a gastarlo.
Tener más datos no significa necesariamente tomar mejores decisiones. ¿Cómo se convierte toda esa información en algo realmente útil para evaluar el riesgo?
La información se vuelve útil cuando el esfuerzo se dedica a construir variables fiables en lugar de acumular muchas.
Un extracto de doce meses contiene cientos de movimientos y, en bruto, casi ninguno sirve para un modelo.
El ingreso recurrente, la variable más importante, lo ilustra. El enfoque ingenuo suma todos los abonos de la cuenta y acaba contando como ingreso un traspaso desde otra cuenta del cliente o una devolución de Hacienda.
Construirla bien exige identificar al mismo pagador mes a mes, detectar las pagas extra y separar lo recurrente de lo puntual. Ese trabajo poco visible distingue un modelo útil de uno que aprueba a quien no debe. La correcta categorización de los movimientos bancarios es clave en transformar los datos en información o variables útiles para la toma de decisiones.
El motor de categorización de movimientos debe tratarse como parte del modelo de riesgo, con la misma validación y monitorización que cualquier otro componente. Cuando un proveedor modifica su taxonomía de categorías, el equipo de riesgos debería saberlo antes de que cambien las tasas de aprobación.
¿Qué limitaciones tiene el Open Banking en este ámbito?
La limitación principal es que la entidad solo ve lo que el cliente decide mostrar y lo que pasa por una cuenta bancaria. Si el solicitante conecta la cuenta de la nómina y omite la secundaria desde la que paga otro préstamo, la imagen queda incompleta y no siempre es posible detectarlo.
Por otro lado, el efectivo resulta invisible a estos sistemas, por ejemplo, un camarero que cobra parte de sus ingresos en propinas aparece con menos renta de la real y sale perjudicado frente a alguien con la misma renta totalmente bancarizada.
Las limitaciones técnicas pesan más de lo que el sector reconoce. La profundidad histórica y la calidad de los datos varían entre entidades, y las descripciones de los movimientos no siguen ningún estándar. Los fallos de conexión con algunas APIs obligan a mantener siempre un flujo alternativo. El consentimiento caduca y debe renovarse periódicamente, lo que dificulta su uso continuado en el seguimiento.
¿Cómo crees que va a cambiar la forma de evaluar el riesgo y conceder crédito en estos próximos años?
En los próximos años desaparecerá la evaluación crediticia con visión producto (consumo, tarjeta de crédito, hipoteca, …) y se pasará a evaluar el riesgo global del cliente o potencial cliente en su visión de 360º. Este enfoque es el que se utiliza en la gran mayoría de los préstamos concedidos en los bancos y cajas mediante los algoritmos comportamentales. Es menos frecuente en financieras donde el “no cliente” es el foco de su negocio.
El Open Banking resuelve en gran medida el desbalanceo de información disponible entre clientes y no clientes pudiendo homogenizar esta medición de riesgo global de la persona.






