En nuestro \u00faltimo Nu DS & MLE Meetup, los cient\u00edficos de datos senior Jacob y Jos\u00e9 nos guiaron a trav\u00e9s del complejo (y siempre cambiante) mundo de la gesti\u00f3n de l\u00edmites de cr\u00e9dito. Y, por supuesto, compartieron c\u00f3mo la ciencia de datos nos ayuda a tomar decisiones m\u00e1s inteligentes, escalables y sostenibles para nuestros clientes en toda Am\u00e9rica Latina.<\/p>\n\n\n\n
Con m\u00e1s de 122 millones de clientes y creciendo, ofrecer el l\u00edmite de cr\u00e9dito adecuado es tanto una oportunidad de negocio como una responsabilidad. Un l\u00edmite demasiado bajo puede frustrar al cliente. Uno demasiado alto puede exponer tanto a \u00e9l como a Nubank a riesgos financieros innecesarios. \u00bfC\u00f3mo encontrar el equilibrio correcto? Vamos a descubrirlo.<\/p>\n\n\n\n
El eje central de la presentaci\u00f3n fue nuestra estrategia de modelado de riesgo, espec\u00edficamente para decidir cu\u00e1ndo y c\u00f3mo aumentar el l\u00edmite de cr\u00e9dito de clientes actuales. Jos\u00e9 comenz\u00f3 contextualizando el desaf\u00edo de negocio: gestionar el riesgo crediticio promoviendo al mismo tiempo la salud financiera, y asegurando que nuestras tarjetas de cr\u00e9dito sigan siendo \u00fatiles y rentables.<\/p>\n\n\n\n
Para lograrlo, el equipo se enfoca en una m\u00e9trica clave: la probabilidad de incumplimiento, es decir, la probabilidad de que un cliente no pague su factura dentro de un per\u00edodo determinado (generalmente entre 60 y 180 d\u00edas).<\/p>\n\n\n\n
Pero no basta con predecir si alguien va a incumplir. Tambi\u00e9n nos importa cu\u00e1ndo. Ah\u00ed es donde entra el an\u00e1lisis de supervivencia: un enfoque m\u00e1s sofisticado que modela el tiempo hasta el incumplimiento utilizando curvas de supervivencia, lo que nos permite capturar no solo el riesgo, sino tambi\u00e9n su evoluci\u00f3n con el tiempo.<\/p>\n\n\n\n
Jacob profundiz\u00f3 en los detalles t\u00e9cnicos de nuestro enfoque. Si bien los modelos tradicionales, como los no param\u00e9tricos y los param\u00e9tricos, ofrecen buenas referencias, cada uno tiene sus limitaciones. Por ejemplo, los modelos no param\u00e9tricos no escalan bien y tienden al sobreajuste cuando hay muchas variables involucradas. Los param\u00e9tricos, aunque interpretables, suelen basarse en suposiciones fuertes (y a veces incorrectas) sobre la distribuci\u00f3n de los datos.<\/p>\n\n\n\n
Para abordar estos desaf\u00edos, el equipo aplica una estrategia de \u201cdividir y conquistar\u201d: primero construyen un modelo robusto de ranking de riesgo para capturar se\u00f1ales relevantes, y luego usan esa se\u00f1al para ajustar curvas de riesgo m\u00e1s precisas.<\/p>\n\n\n\n
Este proceso en dos etapas permite calibraciones m\u00e1s frecuentes de las curvas de supervivencia, mientras se mantiene estable el modelo principal de ranking. El resultado es una estructura modular y escalable, que se adapta bien a distintos pa\u00edses y a cambios en el comportamiento de los clientes.<\/p>\n\n\n\n
Por supuesto, los buenos modelos son solo una parte de la ecuaci\u00f3n. Jos\u00e9 cerr\u00f3 la charla destacando la importancia del monitoreo y la disciplina operativa. A medida que el comportamiento de los clientes cambia \u2014especialmente en mercados menos maduros como M\u00e9xico o Colombia\u2014 el equipo monitorea de cerca los indicadores de rendimiento, el concept drift y la estabilidad de las variables. Esto incluye gestionar el impacto de nuevos lanzamientos de productos, cambios macroecon\u00f3micos y modificaciones en los datos externos de bur\u00f3s de cr\u00e9dito.<\/p>\n\n\n\n
El equipo tambi\u00e9n destac\u00f3 su inversi\u00f3n en bases de ingenier\u00eda s\u00f3lidas: almacenes de variables reutilizables, pipelines de CI\/CD y alertas automatizadas para bajo rendimiento o anomal\u00edas.<\/p>\n\n\n\n
Y la visi\u00f3n no se detiene ah\u00ed. El equipo ya est\u00e1 experimentando con modelos fundacionales entrenados con billones de transacciones financieras para explorar nuevas fronteras en el modelado del comportamiento de los clientes.<\/p>\n\n\n\n
Esta sesi\u00f3n fue una inmersi\u00f3n profunda en c\u00f3mo Nubank toma decisiones de cr\u00e9dito basadas en datos que escalan \u2014no s\u00f3lo en t\u00e9rminos de tecnolog\u00eda, sino tambi\u00e9n en impacto. Al refinar continuamente nuestros modelos, infraestructura y estrategias, podemos ofrecer cr\u00e9dito significativo al tiempo que promovemos la inclusi\u00f3n financiera y la estabilidad.<\/p>\n\n\n\n
En palabras de Jacob: \u201cSiempre buscamos metodolog\u00edas simples pero robustas \u2014nunca est\u00e1ticas, siempre evolucionando.\u201d<\/p>\n\n\n\n
En Nubank, la gesti\u00f3n inteligente de l\u00edmites de cr\u00e9dito es un compromiso con la evaluaci\u00f3n de riesgo escalable, la inclusi\u00f3n financiera y la salud financiera a largo plazo de nuestros clientes. Al combinar ciencia de datos s\u00f3lida con pr\u00e1cticas de ingenier\u00eda flexibles, podemos ofrecer decisiones de cr\u00e9dito que no s\u00f3lo son precisas y rentables, sino tambi\u00e9n alineadas con el bienestar financiero de los m\u00e1s de 122 millones de clientes que atendemos en Am\u00e9rica Latina.<\/p>\n\n\n\n
\u00bfQuieres saber m\u00e1s sobre c\u00f3mo usamos datos para generar impacto a escala? Sigue el blog Building Nubank para m\u00e1s contenidos t\u00e9cnicos de nuestros equipos de ingenier\u00eda y ciencia de datos.<\/p>\n\n\n\n