Una compañía de préstamos anónima de Asia del Sur trabajó con JuicyScore para analizar solicitudes recibidas a través del canal web y mejorar la segmentación de riesgo. Al igual que muchos prestamistas de rápido crecimiento en la región, la compañía trabaja con un gran flujo de solicitantes online, donde los datos crediticios tradicionales no siempre son suficientes para tomar decisiones de riesgo precisas.
El prestamista necesitaba una capa adicional de inteligencia para separar mejor a los prestatarios confiables de las solicitudes de alto riesgo, detectar anomalías técnicas en etapas más tempranas y apoyar un crecimiento más seguro de las aprobaciones sin añadir fricción al recorrido del cliente.
El crédito digital en Asia del Sur entra en una fase más consciente del riesgo
El crédito digital en Asia del Sur sigue creciendo, impulsado por la demanda de crédito instantáneo, servicios financieros mobile-first y acceso más rápido a préstamos. Pero el mercado ya no se trata solo de velocidad y escala.
Para los prestamistas, la pregunta clave está cambiando de “cómo aprobar más rápido” a “cómo aprobar de forma segura”. Necesitan controlar el fraude, reducir el first-payment default, mejorar la calidad de la cartera y, al mismo tiempo, mantener un proceso de solicitud fluido para los buenos clientes.
Esto es especialmente difícil en los flujos de crédito digital, donde los solicitantes pueden tener un historial crediticio limitado, datos inconsistentes o señales tradicionales de scoring débiles. En este entorno, los datos del dispositivo, el comportamiento y la conexión se convierten en una parte importante para comprender el riesgo real detrás de cada solicitud.
El rápido crecimiento online necesita un modelo construido alrededor del flujo real
El prestamista quería mejorar la calidad de las decisiones crediticias en su flujo de solicitudes del canal web.
JuicyScore analizó más de 150.000 solicitudes recibidas a través del canal web. La tasa de aprobación en la muestra analizada fue de alrededor del 40%, mientras que el nivel general de FPD fue del 0,71%.
El desafío no era simplemente añadir más puntos de datos. La compañía necesitaba un modelo construido específicamente alrededor de su propio flujo de solicitudes, patrones de riesgo y comportamiento de los prestatarios. Esto implicaba identificar marcadores adicionales de riesgo y marcadores positivos que pudieran ayudar a detectar solicitudes de alto riesgo antes, mejorar la separación entre prestatarios de bajo y alto riesgo, reforzar los modelos internos de toma de decisiones e identificar segmentos de bajo riesgo que pudieran apoyar el crecimiento de las aprobaciones.
Un modelo de ranking personalizado basado en señales de JuicyScore
JuicyScore construyó un modelo de scoring de ranking personalizado basado en marcadores de alto riesgo, riesgo medio y marcadores positivos del vector de la API de JuicyScore.
El modelo fue desarrollado específicamente para el flujo analizado del prestamista y utilizó atributos de dispositivo, comportamiento, conexión y técnicos para dividir las solicitudes en segmentos de riesgo. Esto ayudó a mostrar dónde podían utilizarse stop-markers adicionales para el filtrado temprano y dónde los marcadores positivos podían apoyar la estrategia de aprobación.
El análisis no se centró solo en la detección de fraude, sino también en una mejor separación del riesgo crediticio. Para los prestamistas digitales, esto es crítico: pequeñas mejoras en la segmentación pueden ayudar a reducir la exposición a solicitudes riesgosas y, al mismo tiempo, preservar el potencial de crecimiento entre buenos prestatarios.
Resultados del análisis preliminar
38,5% de Added Gini mostrado por un modelo personalizado
El modelo de scoring de ranking personalizado mostró un 38,5% de Added Gini no normalizado en el análisis preliminar, demostrando un fuerte potencial como una etapa separada de toma de decisiones o como componente de un modelo integral de scoring.
6 segmentos de riesgo identificados
El modelo dividió el flujo de solicitudes en 6 segmentos, con un riesgo de FPD que iba desde el 0,07% en el segmento de menor riesgo hasta el 4,49% en el segmento de ranking de mayor riesgo.
Alrededor del 20% de riesgo en el segmento de stop-markers
Los stop-markers adicionales identificaron un segmento pequeño pero de alto riesgo: menos del 0,5% de las solicitudes con un nivel de riesgo de FPD de alrededor del 20%. Este segmento puede considerarse para filtrado temprano y verificación adicional.
Alrededor del 21,5% de riesgo detectado por stop-markers simplificados
Un conjunto reducido de stop-markers más simples también mostró un fuerte potencial a corto plazo, identificando alrededor del 0,20% de las solicitudes con un nivel de riesgo de FPD de aproximadamente el 21,5%. Estas reglas pueden validarse e integrarse primero como mitigadores prácticos de riesgo.
De la detección de riesgo al crecimiento más seguro de las aprobaciones
El análisis mostró que las señales de JuicyScore pueden ayudar a reforzar las decisiones de riesgo crediticio en dos direcciones al mismo tiempo.
Primero, el prestamista puede identificar anomalías técnicas y de comportamiento asociadas con un riesgo de FPD significativamente mayor. Estas señales pueden utilizarse como stop-markers adicionales, reglas de riesgo o componentes del modelo para filtrar antes las solicitudes más riesgosas.
Segundo, el prestamista puede utilizar marcadores positivos para identificar segmentos de prestatarios de menor riesgo. Según el análisis, los marcadores positivos adicionales pueden ayudar a asignar segmentos de menor riesgo y aproximadamente el 10,70% de las solicitudes rechazadas, que pueden considerarse para aumentar el nivel de aprobación después de la validación.
Para el crédito digital, esta combinación es especialmente valiosa: mejor control del fraude y del FPD por un lado, y crecimiento más seguro de las aprobaciones por el otro.
Señales digitales en tiempo real para mejores decisiones crediticias
JuicyScore añade una capa de riesgo digital en tiempo real al proceso de decisión crediticia. En lugar de depender únicamente de los datos declarados por el usuario o de fuentes crediticias tradicionales, los prestamistas pueden analizar cómo se envía la solicitud: desde qué dispositivo, a través de qué conexión, con qué patrones técnicos y de comportamiento, y si estos patrones parecen consistentes o sospechosos.
El informe también recomendó ampliar el uso de stop-markers IDX de JuicyScore, marcadores de conexión, indicadores de calidad del dispositivo y otros parámetros del dispositivo para reforzar las reglas y modelos internos.
Para el mercado de crédito digital en Asia del Sur, donde las solicitudes online crecen rápidamente y los datos de los prestatarios pueden ser desiguales, esto ofrece a los prestamistas una forma práctica de mejorar la segmentación, proteger la calidad de la cartera y tomar decisiones crediticias con mayor confianza.
Una base más sólida para la gestión del riesgo en crédito digital
Este case study anónimo muestra cómo JuicyScore puede ayudar a los prestamistas digitales a reforzar sus modelos de riesgo crediticio con device intelligence, datos de comportamiento y marcadores técnicos de riesgo.
Al construir un modelo personalizado alrededor del propio flujo de solicitudes del prestamista, JuicyScore identificó una mejora medible del modelo, una segmentación clara del riesgo y grupos de solicitudes de alto riesgo que pueden utilizarse para una validación posterior e integración en el decision engine del prestamista.
Para los prestamistas digitales, no se trata solo de detectar fraude. Se trata de construir una estrategia de aprobación más precisa, escalable y consciente del riesgo.
Refuerce sus decisiones crediticias con JuicyScore
JuicyScore ayuda a los prestamistas digitales a detectar solicitudes de alto riesgo en etapas más tempranas, mejorar la segmentación de prestatarios y apoyar un crecimiento más seguro de las aprobaciones utilizando device intelligence, datos de comportamiento y señales de riesgo en tiempo real.
Solicite una demo para ver cómo JuicyScore puede añadir una capa de riesgo digital más sólida a su flujo de decisión crediticia.
