CON MÁS DE 8 MILLONES DE CLIENTES EN EL SISTEMA Y UNA MORA OPERATIVA ESTANCADA EN TORNO AL 22 %, LAS HERRAMIENTAS DE ANÁLISIS TRADICIONALES EMPIEZAN A QUEDARSE CORTAS
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.
A esto se suma la incorporación de otras tecnologías: automatización por medio de motores de decisiones, inteligencia artificial, y minería de datos, que potencian aún más estos modelos, haciéndolos más precisos y efectivos a la hora de tomar decisiones.
Según Santiago Etchegoyen, CTO de SIISA, empresa de tecnología y buró enfocada en el mercado de crédito, “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”.
La capacidad de revisar la trazabilidad de las políticas crediticias con lecturas visuales que cruzan variables del flujo automatizado con el comportamiento real de la cartera, identificar en qué etapa del proceso se pierden más solicitudes, simular escenarios what-if para anticipar el impacto de un cambio de política, detectar cuándo una fuente de datos dejó de correlacionar con la mora real y recibir alertas automáticas cuando algún indicador empieza a moverse en la dirección equivocada.
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.
