Scoring Crediticio con Data Governance
Cómo un banco mediano en Lima transformó su modelo de scoring crediticio mediante Data Governance, mejorando la calidad de datos, eliminando sesgos algorítmicos y cumpliendo con requisitos regulatorios de la SBS.
Contexto del Caso
Un banco mediano en Lima con más de 500 empleados, especializado en banca retail, préstamos personales y tarjetas de crédito, operaba un modelo de scoring crediticio que procesaba aproximadamente 50,000 evaluaciones mensuales para aprobación automática de préstamos.
El modelo tomaba decisiones de aprobación/rechazo y determinaba montos de línea de crédito, pero operaba sin gobernanza de datos formal, sin documentación y sin monitoreo de sesgos.
Perfil del Cliente
- Tipo: Banco mediano
- Ubicación: Lima, Perú
- Empleados: 500+
- Volumen: ~50,000 evaluaciones/mes
- Duración: 4 meses
Situación Inicial
Cinco problemas críticos que ponían en riesgo la operación y el cumplimiento regulatorio.
Calidad de Datos
- 15% de clientes con múltiples registros duplicados
- 25% de solicitudes sin ingreso verificado
- Direcciones con más de 3 años de antigüedad
- Saldos en core vs. data warehouse no coincidían
Sesgos Algorítmicos
- Mujeres con tasa de rechazo 8% mayor sin justificación
- Distritos periféricos penalizados injustamente
- Jóvenes sin historial rechazados automáticamente
Falta de Explicabilidad
- Imposible explicar rechazos a clientes
- Reclamos en INDECOPI sin respuesta técnica
- Auditoría interna no podía revisar decisiones
Riesgo Regulatorio
- SBS había solicitado documentación de modelo
- No existía documentación formal
- 30% de rechazos potencialmente erróneos
- Auditorías tomaban 3+ meses
Solución Implementada
Seis fases ejecutadas en 16 semanas, desde el diagnóstico hasta el monitoreo continuo.
Fase 1-2: Assessment y Governance Foundation
Diagnóstico de madurez (1.5/5), inventario de 3 modelos de IA, establecimiento del Data Governance Council con gerentes de Riesgos, IT, Compliance y Negocio. Designación de Data Owners y Data Stewards con capacitación de 8 horas.
Fase 3: Data Quality para Scoring
Framework de calidad en 5 dimensiones (completitud, exactitud, consistencia, unicidad, oportunidad). Reglas de validación automatizadas, dashboard en Power BI con alertas y drill-down hasta registro individual.
Fase 4: Documentación y Lineage
150 campos documentados con diccionario de datos completo. Lineage end-to-end desde fuentes hasta decisión: transformaciones, validaciones, responsables y frecuencia de actualización.
Fase 5-6: Monitoreo de Sesgo y Apelación
Análisis de sesgo por género, geografía y edad. Reentrenamiento de modelo eliminando variables sesgadas. Proceso formal de apelación con respuesta en 5 días hábiles y tasa de reversión del 15%.
Resultados Obtenidos
Métricas Clave
| Métrica | Antes | Después | Mejora |
|---|---|---|---|
| Madurez de Governance | 1.5/5 | 3.8/5 | +153% |
| Rechazos por datos incorrectos | 30% | 5% | -83% |
| Tiempo de auditoría | 3+ meses | 2 semanas | -85% |
| Trazabilidad | 0% | 100% | +100% |
| Calidad de datos | 65% | 97% | +49% |
| Sesgo por género | 8 pts | 1 pt | -87% |
Beneficios de Negocio
- +12% en aprobaciones correctas sin aumento de mora
- -40% en reclamos a INDECOPI
- De 3 meses a 2 semanas en tiempo de auditoría
- Documentación completa disponible para SBS
- Equipo capacitado y autónomo
- Base para expandir governance a otros sistemas
Lecciones Aprendidas
- Involucrar a alta dirección desde el inicio
- Quick wins para mantener momentum
- Dashboard visible para todos los stakeholders
- Enfoque pragmático, no perfeccionista
- Empezar con el sistema de mayor riesgo
¿Su Organización Enfrenta Desafíos Similares?
Evaluamos su nivel de madurez en Data Governance y diseñamos un roadmap personalizado para su sector. Consulta inicial gratuita.