Scoring de crédito y riesgo
Puntaje de 0 a 1.000 para cada solicitud o cliente, con reglas de aprobación y límites sugeridos.
Resultado: decisiones de crédito consistentes y documentadas.
Solución · Analítica de datos y big data
Analítica de datos y big data
Datos integrados y gobernados, y modelos de machine learning que predicen y califican: scoring de crédito, probabilidad de mora, pronósticos de demanda y flujo de caja. Con modelos de última generación, de código abierto y sin costo de licencias.
Scoring de crédito · LightGBM
Solicitudes del 16 oct 2026 · Datos ilustrativos
SOL-20418812AprobarSOL-20422694RevisarSOL-20425431RechazarSOL-20430758Aprobar
Factores que explican el puntaje de SOL-20425
FavorableDesfavorable
- Días de mora en los últimos 6 meses−118
- Relación cuota / ingreso−64
- Antigüedad como cliente+41
- Pagos puntuales en el último año+32
El reto
Los datos existen, pero están dispersos
La información vive en el ERP, en los portales bancarios, en hojas de cálculo y en el correo. Cada área calcula sus indicadores a su manera, y en cada reunión aparecen cifras distintas para la misma pregunta.
INC Analytics integra esas fuentes en una plataforma gobernada, define una versión única de cada indicador y automatiza los informes que hoy se preparan a mano.
Predicción y scoring con machine learning
Modelos que anticipan lo que va a ocurrir y califican cada caso
Sobre la base de datos integrada se entrenan modelos de machine learning de última generación. Cada predicción llega con su probabilidad, su puntaje y los factores que la explican.
Probabilidad de mora
Identifica qué cuentas tienen mayor probabilidad de caer en mora en los próximos 30, 60 y 90 días.
Resultado: cobranza preventiva sobre la cartera de mayor riesgo.
Pronóstico de flujo de caja
Proyección semanal de ingresos y egresos con intervalos de confianza y escenarios.
Resultado: planificación de tesorería con anticipación.
Pronóstico de demanda
Demanda por producto, punto de venta y semana, considerando estacionalidad, feriados locales y promociones.
Resultado: menos quiebres de stock y menos inventario inmovilizado.
Abandono y propensión de compra
Probabilidad de que cada cliente deje de comprar o acepte una nueva oferta.
Resultado: campañas dirigidas a quien tiene mayor probabilidad de respuesta.
Detección de anomalías
Transacciones, consumos o registros que se apartan del comportamiento esperado.
Resultado: alertas tempranas de errores y posibles fraudes.
Modelos agnósticos y libres de pago
Los modelos más avanzados, sin costo de licencias
INC Analytics no está atada a un proveedor ni a un algoritmo. Para cada caso se entrenan y comparan varios modelos de código abierto con sus datos, y se elige el que mejor predice. Su organización no paga licencias por usuario, por modelo ni por predicción.
| Familia | Modelos de código abierto | Aplicación |
|---|---|---|
| Gradient boosting | XGBoost · LightGBM · CatBoost | Scoring de crédito, probabilidad de mora, propensión y riesgo de fraude. |
| Modelos fundacionales de series de tiempo | Chronos · TimesFM | Pronósticos precisos incluso con poco historial. |
| Aprendizaje profundo | PyTorch · TensorFlow | Grandes volúmenes transaccionales, texto y patrones complejos. |
| Pronóstico estadístico | Prophet · StatsForecast · statsmodels | Series con estacionalidad, tendencias y feriados locales. |
| Aprendizaje automático clásico | scikit-learn | Segmentación, clasificación y detección de anomalías. |
| Explicabilidad | SHAP | Factores que explican cada puntaje, para auditoría y entes de control. |
| Ciclo de vida del modelo | MLflow · Evidently | Versionado, monitoreo de deriva y reentrenamiento. |
Sin costo de licencias
Modelos con licencias abiertas (Apache 2.0, MIT o BSD) que permiten uso comercial sin pagos por usuario ni por predicción.
Agnóstico de algoritmo y plataforma
Varios modelos compiten con sus datos y gana el de mejor desempeño. Funcionan en sus servidores, AWS, Azure, Google Cloud o Databricks.
Explicable y auditable
Cada puntaje muestra los factores que lo determinan, un requisito para decisiones de crédito y para la revisión de los entes de control.
Modelo propio y monitoreado
El código, los modelos entrenados y su documentación son de su organización. Se monitorean y se reentrenan cuando cambia el comportamiento de los datos.
Los nombres de modelos y bibliotecas pertenecen a sus respectivos titulares. Se usan bajo sus licencias públicas de código abierto.
Capacidades
De la integración de datos al modelo predictivo
Ingeniería de datos
- Integración automatizada de ERP, bancos, CRM y archivos.
- Lago y almacén de datos en la nube o en sus servidores.
- Catálogo de datos y trazabilidad de origen de cada cifra.
Gobierno y calidad
- Reglas de calidad que detectan datos faltantes o inconsistentes.
- Diccionario único de indicadores para toda la organización.
- Control de accesos por rol y por unidad de negocio.
Inteligencia de negocios
- Tableros ejecutivos de finanzas, ventas, operaciones y proyectos.
- Informes automáticos enviados por correo en la fecha de corte.
- Seguimiento de presupuesto frente a ejecución.
Machine learning
- Scoring de crédito y probabilidad de mora.
- Pronósticos de flujo de caja y de demanda.
- Segmentación, abandono y propensión de compra.
Big data
- Procesamiento distribuido de grandes volúmenes de transacciones.
- Datos en flujo continuo desde canales digitales y dispositivos.
- Arquitecturas escalables en AWS, Microsoft Azure o Google Cloud.
Plataforma administrada
- Operación y monitoreo de la plataforma por el equipo de INC Analytics.
- Actualización de tableros y modelos a medida que cambia el negocio.
- Capacitación a usuarios y analistas de su organización.
Casos de uso
Preguntas de negocio con respuesta en datos
| Área | Pregunta | Resultado |
|---|---|---|
| Finanzas | ¿Cuánto efectivo tendremos en las próximas doce semanas? | Pronóstico semanal de flujo de caja con escenarios. |
| Comercial | ¿Qué clientes están por dejar de comprar? | Lista priorizada de clientes en riesgo de abandono. |
| Crédito | ¿A quién otorgar crédito y por qué monto? | Scoring de machine learning con reglas de aprobación. |
| Operaciones | ¿Cuánto inventario necesita cada punto de venta? | Pronóstico de demanda por producto y ubicación. |
| Proyectos | ¿Qué obras se desvían del presupuesto? | Tablero de avance físico y financiero con alertas. |
| Gerencia | ¿Cómo avanza la organización frente al plan? | Tablero ejecutivo con indicadores únicos y comparables. |
Cómo funciona
Un primer resultado acotado, luego la escala
Cada proyecto empieza con un caso de uso concreto y crece sobre la misma arquitectura.
- 01
Diagnóstico de datos
Inventario de fuentes, calidad de la información y preguntas prioritarias de la gerencia.
- 02
Arquitectura
Diseño de la plataforma según volumen, presupuesto y tecnología ya licenciada.
- 03
Integración
Conexión automatizada de fuentes y validación de calidad.
- 04
Tableros y modelos
Construcción del primer caso de uso con los usuarios que lo utilizarán.
- 05
Adopción
Capacitación, documentación y ampliación a nuevas áreas.
Tecnología
Se trabaja con la tecnología que su organización ya tiene
Si su organización ya cuenta con licencias, la solución se construye sobre ellas. Si no, se recomienda la alternativa más adecuada en costo y escala.
- Power BI
- Tableau
- Looker Studio
- Python
- SQL
- Apache Spark
- Databricks
- Snowflake
- BigQuery
- PostgreSQL
- AWS
- Microsoft Azure
- Google Cloud
Las marcas mencionadas pertenecen a sus respectivos titulares.
Preguntas frecuentes
Lo que suelen preguntar las gerencias
¿Los modelos de machine learning tienen costo de licencia?
No. Se utilizan modelos y bibliotecas de código abierto con licencias que permiten su uso comercial sin pago. Su organización solo asume el costo de la infraestructura donde se ejecutan y los servicios de INC Analytics.
¿Cómo se elige el mejor modelo?
Para cada caso se entrenan varios modelos con sus datos históricos y se comparan con datos que no participaron en el entrenamiento. Se elige el que ofrece mejor precisión, estabilidad y capacidad de explicación.
¿Es necesario contratar una nube?
No necesariamente. La plataforma puede operar en sus servidores, en la nube o en un esquema híbrido. La recomendación depende del volumen de datos y de su política de seguridad.
¿Se puede empezar con un proyecto pequeño?
Sí. Lo recomendable es iniciar con un caso de uso acotado, por ejemplo un tablero financiero, y ampliar sobre la misma arquitectura.
¿Quién es dueño de los datos y los modelos?
Su organización. Los datos, los tableros, los modelos y su documentación se entregan como activos del cliente.
¿Se capacita al equipo interno?
Sí. Cada proyecto incluye capacitación a usuarios de negocio y, cuando corresponde, transferencia de conocimiento a su equipo de tecnología.
Convierta sus datos en una ventaja de gestión
Un diagnóstico de datos identifica las fuentes disponibles y el primer caso de uso con mayor retorno.
Otras soluciones