Un nuevo modelo conductual de riesgo crediticio desarrollado por investigadores de la BI Norwegian Business School y la NHH Norwegian School of Economics integra transacciones de crédito y débito para mejorar significativamente la predicción de la morosidad de tarjetas de crédito, al tiempo que ofrece una visión más clara de los factores conductuales detrás de los problemas de pago. El estudio, publicado en The Journal of Finance and Data Science, demuestra que combinar datos de tarjetas de crédito con las transacciones de débito de los clientes mejora sustancialmente la capacidad de predecir qué tarjetahabientes corren riesgo de incumplir pagos.
El primer autor Håvard Huse explica que los datos de crédito por sí solos proporcionan solo una imagen parcial de la situación financiera de un cliente. Al integrar transacciones de débito, los investigadores obtienen información sobre patrones de gasto en días de pago, comportamiento de reembolso y flujos de ingresos, factores que influyen fuertemente en si alguien corre riesgo de no pagar su tarjeta de crédito. El equipo de investigación, que también incluye a Sven A. Haugland y Auke Hunneman, desarrolló un modelo conductual bayesiano jerárquico que supera consistentemente a los principales algoritmos de aprendizaje automático, incluyendo XGBoost, máquinas de boosting de gradiente, redes neuronales y conjuntos apilados.
El estudio se basa en datos detallados de transacciones de crédito y débito de un gran banco noruego, yendo más allá de los modelos tradicionales de riesgo crediticio que dependen en gran medida de agregados mensuales como saldo y límite de crédito. Estas medidas convencionales no logran revelar cómo los clientes realmente gestionan sus finanzas día a día. Al capturar dinámicas conductuales, incluyendo cómo evolucionan los patrones de pago con el tiempo y cómo aumentan los gastos después del día de pago, el nuevo modelo explica tanto por qué ocurre la morosidad como quién es probable que incumpla.
El modelo mejora la precisión de predicción a nivel individual e identifica segmentos conductuales distintos con diferentes "longitudes de memoria", refiriéndose al grado en que los estados financieros pasados afectan el comportamiento de pago actual. El coautor Auke Hunneman señala que los clientes en dificultades financieras tienden a estar más influenciados por el comportamiento de meses anteriores, y el nuevo modelo captura esta dinámica mucho mejor que las herramientas estándar de aprendizaje automático. Los hallazgos de la investigación se detallan en el estudio disponible en https://doi.org/10.1016/j.jfds.2025.100166.
Más allá del rendimiento predictivo superior, el enfoque del equipo ofrece mayor interpretabilidad que los algoritmos de vanguardia. Hunneman enfatiza que los bancos no solo necesitan predicciones precisas, sino también comprender qué patrones conductuales generan riesgo. El valor práctico del modelo se hace evidente al usar un horizonte de predicción de tres meses, donde la detección temprana de tarjetahabientes en riesgo podría generar ahorros de costos sustanciales al permitir intervenciones oportunas y reducir pérdidas.
El coautor Sven A. Haugland señala que para las instituciones financieras, esto representa más que solo una mejora en la precisión: proporciona una forma de ayudar proactivamente a los clientes a evitar problemas financieros graves mediante intervenciones tempranas. Los hallazgos destacan un cambio emergente en la calificación crediticia, desde modelos estáticos tradicionales hacia análisis conductuales más ricos basados en una imagen completa de las transacciones de los clientes. Este enfoque podría transformar cómo las instituciones financieras evalúan el riesgo y apoyan a los clientes, reduciendo potencialmente las tasas de morosidad y mejorando los resultados de salud financiera en toda la industria bancaria.
