Desarrollo de un modelo de riesgo crediticio para Cleo Chile

Abstract

El presente informe documenta el proyecto de título que aborda el desarrollo de un nuevo modelo de riesgo crediticio para Cleo Chile, una empresa Fintech especializada en servicios de compra en cuotas en línea (BNPL, por sus siglas en inglés).

Durante la última década, la industria Fintech en Chile ha crecido un 29%, intensificando la competencia en el mercado con la entrada de grandes compañías. Cleo, como parte de este sector, ha operado hasta ahora con un modelo de riesgo que evalúa la capacidad de pago de los clientes. Sin embargo, dicho modelo ha perdido precisión desde su implementación, resultando en un incremento en la tasa de no pago y generando pérdidas que han afectado negativamente el desempeño financiero de la compañía.

Ante esta problemática, el objetivo del proyecto es diseñar un nuevo modelo de riesgo que ofrezca mayor precisión en la predicción del comportamiento de pago de los usuarios, reduciendo así la tasa de error y mejorando la utilidad generada por el servicio BNPL.

El desarrollo del modelo se realizó siguiendo la metodología CRISP-DM (Cross Industry Standard Process for Data Mining), que abarca etapas iterativas de comprensión del negocio, preparación de datos, modelado, evaluación y despliegue. Esta metodología permitió ajustar y optimizar continuamente el modelo a través de iteraciones, utilizando datos históricos proporcionados por Cleo. Se emplearon modelos de clasificación supervisada reconocidos en la literatura por su alta precisión en la predicción de riesgos crediticios, específicamente los algoritmos Random Forest, XGBoost y LightGBM.

Durante el modelado, se identificaron variables clave que influyen en el comportamiento de pago, como edad, monto de compra, deuda, ingresos mensuales y saldo en cuenta. Estas variables se integraron en los modelos para mejorar su rendimiento. Los modelos desarrollados fueron evaluados utilizando métricas específicas, como la utilidad esperada, la tasa de dinero prestado a falsos positivos y el valor AUC (Area Under the Curve), lo que permitió seleccionar el modelo más eficiente. El nuevo modelo demostró una mejora significativa, reduciendo la tasa de no pago en un 90% y aumentando la precisión en la predicción de pagadores en un 50%, cumpliendo así con el objetivo del proyecto.

La implementación del nuevo modelo podría contribuir a la sostenibilidad y el crecimiento futuro de Cleo Chile. Al reducir el riesgo asociado a las compras a crédito, la empresa podría ofrecer un mayor cupo de compra a los usuarios, mejorando su experiencia y aumentando su fidelización. Además, Cleo podría mejorar su posición competitiva en el mercado de las Fintech, con capacidad para adaptarse en un entorno en constante cambio. Por último, la metodología y los resultados obtenidos en este proyecto sirven como base para futuros desarrollos en la optimización de modelos de riesgo en la industria financiera.