El mundo financiero lleva varios años atravesando un cambio de fondo: la información del comportamiento de pago de las personas es un activo con peso propio. A medida que el crédito se expande y suma nuevos perfiles, los bancos, Fintech, y entidades financieras, se enfrentan a un desafío concreto: en cada solicitud de crédito que reciben, se generan grandes volúmenes de información y por lo general su análisis es complejo. Todo queda registrado, pero disperso, de difícil lectura como para cruzar la información con el comportamiento de la cartera.
Según el Informe de Crédito Fintech elaborado por el ITBA y la Cámara Argentina Fintech, el crédito creció un 121 % en los últimos dos años, pasando de 3,7 millones a 8,1 millones de clientes, y hoy representa el 25 % del total de préstamos del sistema financiero. Esa expansión, sin embargo, convivió con una suba en la morosidad: la mora operativa de la cartera Fintech se estacionó en torno al 22 % desde noviembre de 2025, con señales de fragilidad que los esquemas de análisis tradicionales no siempre logran detectar a tiempo.
Una de las estrategias más utilizadas es el análisis predictivo, es decir la utilización de información histórica y actual para anticiparse a futuros comportamientos y mejorar resultados. En este sentido, la implementación de automatización por medio de motores de decisiones cambia esa dinámica. Según datos de Fortune Business Insights, el mercado global de análisis predictivo rondaba los US$22.220 millones en 2025 y podría superar los US$116.650 millones en 2034, lo que implica un crecimiento anual sostenido cercano al 20% durante esa década.
Según Santiago Etchegoyen, CTO de SIISA, “además de automatizar la evaluación para aprobar o rechazar una solicitud, también es posible analizar cómo funcionan esas decisiones en la práctica y ajustar los criterios de análisis de manera más ágil según los resultados obtenidos. Es fundamental que las entidades de crédito puedan detectar qué perfiles están siendo rechazados, qué variables hay que incorporar para predecir probabilidad de mora y qué habría ocurrido si se hubiera utilizado una política de riesgos con otras variables”.
Para las entidades financieras bancarias y no bancarias, la analítica implica pasar de una gestión reactiva del riesgo a una anticipatoria, con capacidad de detectar problemas tempranos y actuar antes de que el deterioro se instale en la cartera.
Fuente: SIISA
