Cursos · Impacto de la Inteligencia Artificial en las Finanzas y Negocios · Riesgo, contabilidad y automatización · Credit Scoring Alternativo: Cómo el Machine Learning evalúa perfiles de crédito usando datos no convencionales
2. Fuentes de Datos No Convencionales en la Era Digital
Sección 3 de 5
La verdadera disrupción del creditscoring alternativo radica en la incorporación de fuentes de datos no tradicionales (alternative data) que reflejan el comportamiento digital, transaccional y operativo de los solicitantes:
[ Datos No Convencionales (Big Data) ]
│
├──► 1. Historial de Pagos de Servicios (Luz, agua, telefonía móvil y rentas)
├──► 2. Comportamiento Digital y Transaccional (Patrones de consumo e-commerce)
└──► 3. Datos Operativos y Blockchain (Métricas de flujo de caja en tiempo real para PYMES)
2.1 Inclusión Financiera para PYMES y Personas No Bancarizadas
- Comportamiento de Pagos Recurrentes: Analizar la puntualidad en el pago de servicios básicos (telefonía, internet, electricidad) permite construir un perfil de confiabilidad para personas sin cuenta bancaria tradicional.
- Plataformas de Comercio Electrónico y Facturación Digital: En el caso de las PYMES, los algoritmos analizan el flujo de caja diario, la rotación de inventarios, las valoraciones de los clientes en plataformas digitales y el historial de transacciones en pasarelas de pago, emitiendo calificaciones crediticias dinámicas en tiempo real sin necesidad de garantías físicas tradicionales.
La lectura y el examen cuentan por separado. El módulo cierra cuando la lectura está marcada y, si hay examen, está aprobado.