A primera vista, muchos solicitantes de alto riesgo no parecen serlo. En un flujo de préstamos digitales en América Latina, JuicyScore identificó segmentos compactos de solicitantes donde el riesgo NPL90 superaba el 70%, utilizando señales ocultas en el dispositivo, el comportamiento de la sesión y el entorno de conexión.
El prestamista ya contaba con un proceso de toma de decisiones, pero le faltaba una capa digital de riesgo más robusta para ver qué ocurre antes de que un prestatario entre en la cartera: desde qué dispositivo llega, cómo completa la solicitud y qué patrones de conexión muestra durante la sesión durante la sesión y si el entorno técnico parece consistente o sospechoso.
El análisis mostró cómo la API completa de **JuicyScore** puede apoyar una modelización de riesgo más profunda, mientras que el vector ligero **JuicyID** puede ayudar a validar reglas de stop markers más simples para una implementación más rápida.
El crédito digital en América Latina necesita más que datos crediticios tradicionales
El crédito digital en América Latina crece impulsado por procesos de onboarding más rápidos, experiencias mobile-first y flujos de solicitud online más breves. Pero este crecimiento también genera un problema de riesgo conocido: los prestamistas deben procesar más solicitudes con tiempo limitado, datos de prestatarios desiguales y una necesidad constante de separar clientes reales de sesiones de alto riesgo o manipuladas.
En este entorno, los datos tradicionales por sí solos pueden no ser suficientes. La forma en que se envía una solicitud puede contener información crítica de riesgo: calidad del dispositivo, configuración del navegador, patrones de comportamiento, anomalías de conexión, señales de solicitudes repetidas y otros indicadores técnicos.
Para los prestamistas online, el reto no consiste solo en rechazar solicitudes riesgosas. Se trata de comprender la distribución completa del riesgo dentro del flujo y utilizar esta inteligencia de forma práctica: filtrar antes las solicitudes más tóxicas, fortalecer los modelos existentes e identificar segmentos de menor riesgo que puedan apoyar el crecimiento de aprobaciones.
El reto: mejorar la separación del riesgo sin añadir fricción
El prestamista quería mejorar la calidad de las decisiones crediticias en su canal web sin hacer que el proceso de solicitud fuera más complejo para los buenos clientes.
El objetivo era identificar señales digitales de riesgo adicionales que pudieran ayudar a la compañía a:
- detectar solicitudes con un riesgo NPL significativamente mayor;
- construir una segmentación de riesgo más clara dentro del flujo;
- reforzar las reglas de decisión y los modelos internos existentes;
- identificar segmentos de prestatarios de bajo riesgo que pudieran apoyar el crecimiento de aprobaciones;
- validar reglas de stop markers más simples que pudieran implementarse rápidamente.
JuicyScore abordó la tarea en dos capas.
La API completa de JuicyScore se utilizó para construir un modelo de ranking personalizado basado en atributos del dispositivo, comportamiento, conexión y señales técnicas. Esto permitió demostrar hasta qué punto las señales digitales pueden separar el riesgo dentro del propio flujo del prestamista.
JuicyID, una versión más ligera de la inteligencia digital de riesgo de JuicyScore, se utilizó para probar una lógica más simple de stop markers. Esto ayudó a identificar reglas compactas y más fáciles de implementar que pueden ofrecer control de riesgo a corto plazo sin requerir un rediseño completo del modelo.
Esta se convirtió en la principal ventaja de producto del proyecto: el prestamista podía utilizar JuicyScore para una modelización personalizada avanzada y JuicyID para reglas de riesgo prácticas y más rápidas de implementar.
Un enfoque de dos capas: modelo completo de riesgo + stop markers ligeros
JuicyScore construyó un modelo de ranking personalizado a partir de los datos históricos de solicitudes del prestamista. El modelo combinó variables agrupadas, marcadores de alto riesgo, marcadores de riesgo medio e indicadores positivos del vector de la API de JuicyScore.
El análisis mostró que el flujo de solicitudes del prestamista podía dividirse en segmentos de riesgo claros. En la muestra de desarrollo del modelo, el riesgo varió desde aproximadamente el 14% en el segmento de menor riesgo hasta alrededor del 55% en el segmento de ranking de mayor riesgo. En la muestra de prueba, el modelo se mantuvo estable, con un riesgo que osciló entre aproximadamente el 18% y el 45% en los distintos segmentos de ranking.
Esto demostró que las señales de JuicyScore pueden utilizarse no solo como reglas antifraude aisladas, sino también como componentes de modelos para una segmentación más amplia del riesgo crediticio.
Al mismo tiempo, JuicyID se probó como una capa ligera para una implementación más rápida. Se centró en stop markers adicionales que combinan anomalías técnicas, marcadores de comportamiento y señales relacionadas con la conexión. Estas reglas pueden ser más fáciles de validar y desplegar primero, especialmente cuando un prestamista busca una mitigación rápida del riesgo antes de avanzar hacia una integración más profunda en el modelo.
Esto se convirtió en la principal ventaja de producto del proyecto: el prestamista podía utilizar JuicyScore para modelización personalizada avanzada y JuicyID para reglas de riesgo prácticas y más rápidas de implementar.
Resultados del análisis preliminar
Alrededor de 15% de Gini en datos de desarrollo y alrededor de 13% en datos de prueba
El modelo de ranking personalizado, construido con señales de JuicyScore, aportó un alto poder predictivo adicional al sistema de decisión. El Gini no normalizado alcanzó aproximadamente el 15% en la muestra de desarrollo y alrededor del 13% en la muestra de prueba, lo que respalda el uso del modelo como una etapa separada de underwriting o como componente del sistema integrado de scoring del prestamista.
5 segmentos de riesgo identificados en el flujo de solicitudes
El modelo basado en JuicyScore dividió el flujo del canal web en cinco segmentos de ranking. El análisis mostró una diferencia clara entre solicitantes de menor y mayor riesgo, ayudando al prestamista a comprender mejor dónde podían aplicarse reglas adicionales, lógica de revisión o ajustes del modelo.
Segmento de alto riesgo con stop markers y riesgo NPL90 superior al 70%
Los stop markers adicionales de JuicyScore identificaron un segmento pequeño pero altamente riesgoso, equivalente aproximadamente al 1% de las solicitudes. Este grupo mostró un riesgo NPL90 de alrededor del 70% en la muestra de desarrollo y superior al 70% en la muestra de prueba.
Este segmento puede considerarse para rechazo automático, verificación adicional o un tratamiento de underwriting más estricto tras su validación en el propio entorno de decisión del prestamista.
Los stop markers simplificados también mostraron un fuerte potencial a corto plazo
Un conjunto reducido de reglas de stop markers más simples identificó aproximadamente entre el 0,5% y el 0,7% de las solicitudes con un riesgo cercano al 70–75%. Estas reglas son especialmente útiles porque pueden ser más fáciles de validar e implementar rápidamente.
Para los equipos de riesgo, esto crea un camino práctico: empezar con un conjunto compacto de reglas de alto impacto, medir el efecto y luego ampliar el uso hacia una integración más amplia en los modelos.
JuicyID identificó segmentos compactos adicionales de alto riesgo
El análisis de JuicyID mostró que incluso un vector digital de riesgo más ligero puede ayudar a aislar grupos significativos de alto riesgo. Los stop markers adicionales de JuicyID identificaron alrededor del 4% de las solicitudes con un riesgo cercano al 55–57%, mientras que las reglas más conservadoras de riesgo tóxico aislaron menos del 1% del flujo con un riesgo alrededor del 70–75%.
Esto ofrece a los prestamistas una forma flexible de utilizar inteligencia digital según su apetito de riesgo: segmentación más amplia de alto riesgo para monitoreo y enriquecimiento de modelos, o reglas de stop markers más estrictas para un filtrado temprano conservador.
Los marcadores positivos pueden apoyar un crecimiento más seguro de aprobaciones
El análisis de JuicyScore también identificó marcadores positivos y segmentos de menor riesgo que pueden ayudar al prestamista a aumentar las aprobaciones de forma más segura. Alrededor del 7% de las solicitudes rechazadas fueron destacadas como un área potencial para una validación adicional.
Para los prestamistas online, esta es una parte importante del valor: la misma capa de señales digitales puede ayudar a reducir pérdidas en el lado de mayor riesgo y revelar oportunidades de crecimiento entre solicitantes que pueden ser más seguros de lo que indican las reglas tradicionales.
Qué revelaron las señales
El análisis mostró que varios grupos de indicadores digitales fueron especialmente útiles para la separación del riesgo.
Anomalías técnicas y del dispositivo
Los marcadores de JuicyScore ayudaron a identificar solicitudes con entornos de dispositivo sospechosos o de baja calidad, incluyendo configuraciones inusuales de navegador o dispositivo, anomalías relacionadas con canvas, plugins sospechosos, indicadores de calidad del dispositivo y otros marcadores técnicos.
Estas señales son importantes porque los solicitantes de alto riesgo suelen intentar manipular el entorno desde el cual se envía la solicitud.
Anomalías de comportamiento
El comportamiento del usuario durante el proceso de solicitud también aportó información significativa de riesgo. El tiempo en la página, la velocidad de movimiento del cursor, el número de correcciones, los patrones de desplazamiento, las teclas rápidas y otros atributos de comportamiento ayudaron a identificar sesiones que no se parecían al comportamiento normal de un cliente.
Estos indicadores pueden ser especialmente útiles en crédito digital porque las solicitudes fraudulentas o de baja calidad pueden enviarse demasiado rápido, de forma demasiado mecánica o con patrones de interacción inusuales.
Señales de conexión e infraestructura
Los marcadores relacionados con la conexión también ayudaron a mejorar la separación del riesgo. La calidad de la infraestructura de internet, los marcadores de conexión, el comportamiento de la IP y los atributos relacionados con redes móviles pueden ayudar a detectar sesiones con mayor incertidumbre o señales de manipulación.
Para los prestamistas que operan en entornos digitales heterogéneos, esto añade una capa importante de contexto más allá de los datos declarados por el cliente.
Por qué JuicyScore y JuicyID funcionan mejor juntos
El proyecto mostró dos formas complementarias de utilizar la tecnología de JuicyScore.
JuicyScore, el producto completo, es más adecuado para un análisis de riesgo más profundo, el desarrollo de modelos personalizados y una integración más sólida en la estrategia de decisión del prestamista. Proporciona un conjunto amplio de atributos de dispositivo, comportamiento, conexión y señales técnicas que pueden utilizarse en modelos de scoring, reglas de riesgo, lógica de segmentación y flujos de underwriting.
JuicyID, la versión más ligera, resulta útil cuando un prestamista necesita una capa de riesgo más rápida y compacta. Puede ayudar a identificar sesiones de alto riesgo mediante marcadores digitales simplificados y combinaciones de reglas de stop markers, facilitando la prueba, validación e implementación rápida de controles de riesgo.
- JuicyID encaja para la implementación de stop markers y la mitigación rápida del riesgo;
- utilice las señales de JuicyScore para construir una segmentación más profunda y mejorar el rendimiento de los modelos;
- valide marcadores positivos para un crecimiento más seguro de aprobaciones;
- evolucione desde reglas aisladas hacia una capa digital de decisión de riesgo más sólida.
Esto hace que la solución sea práctica tanto para el uso operativo inmediato como para la mejora de modelos a largo plazo.
Del control de riesgo al crecimiento más seguro
El análisis preliminar mostró que las señales de JuicyScore pueden ayudar al prestamista a mejorar la toma de decisiones de riesgo en dos direcciones al mismo tiempo.
Primero, el prestamista puede detectar solicitudes altamente riesgosas en etapas más tempranas utilizando anomalías técnicas, de comportamiento y de conexión como stop markers o activadores de revisión adicional.
Segundo, el prestamista puede utilizar marcadores positivos y segmentos de bajo riesgo para explorar un crecimiento más seguro de aprobaciones, especialmente entre solicitantes que pueden haber sido rechazados por las reglas existentes pero muestran patrones digitales de riesgo más saludables.
Para los prestamistas digitales en América Latina, este equilibrio es crítico. El crecimiento no puede producirse a costa de la calidad de la cartera, pero un exceso de conservadurismo también puede bloquear a buenos prestatarios. Una capa digital de riesgo en tiempo real ayuda a los prestamistas a ir más allá de una lógica binaria de aprobación y construir estrategias de riesgo más precisas y basadas en datos.
Una capa digital de riesgo más sólida para el crédito en América Latina
Este caso de éxito anónimo muestra cómo JuicyScore puede ayudar a los prestamistas digitales en América Latina a fortalecer sus modelos de riesgo crediticio con inteligencia de dispositivo, datos de comportamiento, señales de conexión y marcadores técnicos de riesgo.
Al construir un modelo personalizado alrededor del propio flujo de solicitudes del prestamista, JuicyScore identificó una segmentación clara del riesgo, grupos de alto riesgo basados en stop markers y posibles segmentos de bajo riesgo para una validación adicional.
Al añadir JuicyID como una capa ligera, el prestamista también recibió un camino práctico para una implementación más rápida de stop markers digitales compactos.
Para los prestamistas online, no se trata solo de detección de fraude. Se trata de construir una estrategia de aprobación más precisa, escalable y consciente del riesgo, capaz de reducir la exposición a solicitudes tóxicas sin sacrificar el potencial de crecimiento entre buenos prestatarios.
