Evaluación crediticia alternativa: datos, modelos y gobernanza

Última actualización: septiembre de 2026

Resumen rápido

La evaluación de crédito alternativa analiza la solvencia utilizando información que no forma parte del expediente tradicional del buró de crédito. El debate sobre si esa información debe incluirse en una decisión crediticia está prácticamente superado, y quienes aún lo discuten están respondiendo a una pregunta que las entidades financieras dejaron de hacerse. Lo que realmente determina si un programa funciona es un aspecto más técnico y que casi nunca se detalla por escrito: cómo se autoriza cada fuente, qué obligaciones implica esto en cuanto a consentimiento y cobertura, qué pruebas hay que repetir cuando una fuente cambia y si los motivos que ofrece tu modelo se pueden explicar a un solicitante rechazado de forma clara y útil.

Qué es la evaluación de crédito alternativa

La evaluación de crédito alternativa es el análisis de la solvencia utilizando información que está fuera del historial de crédito tradicional. La GAO (Oficina de Rendición de Cuentas del Gobierno de EE. UU.) define estos datos como "información no utilizada en los informes de crédito tradicionales", la cual "puede ser de naturaleza financiera o no financiera".

La distinción que se plantea en este artículo es más acotada de lo que parece a primera vista. La evaluación alternativa cambia los datos de entrada, pero por sí sola no modifica el motor de políticas, el sistema de pruebas ni las obligaciones asociadas a una decisión de concesión de crédito. Los programas que la tratan simplemente como un proyecto de datos (conectar la fuente, añadir las variables y lanzar el producto) se topan más adelante con problemas imprevistos en la gestión de su gobernanza.

Una nota aclaratoria antes de continuar: este artículo se centra en la perspectiva de la entidad financiera, es decir, lo que un equipo de crédito debe diseñar, probar y defender. No trata sobre cómo un consumidor mejora su propio historial, lo cual requiere un enfoque y unos consejos diferentes.

A quién va dirigida

Aproximadamente 45 millones de estadounidenses carecen de historial crediticio, según el informe de la GAO de 2021. Esta población suele tener ingresos más bajos, ser más joven y pertenecer de manera desproporcionada a minorías.

Esta cifra es la más citada en este sector y siempre debe acompañarse de su fecha, que es por lo que la incluimos aquí. Describe a una población analizada hace casi cinco años, y las estadísticas demográficas cambian.

Hay una distinción clave dentro de esa cifra que conviene tener muy clara: tener un historial crediticio escaso (thin file) no es lo mismo que no tener ningún historial. Un solicitante con dos años de historial y una sola línea de crédito activa puede recibir una puntuación baja con un modelo convencional. Sin embargo, un solicitante sin ningún historial no puede recibir ninguna puntuación con ese modelo. El primero necesita mejores datos de entrada; el segundo necesita datos diferentes, y cualquier programa que mezcle ambos conceptos no funcionará bien en ninguno de los dos casos.

Es importante ser realistas sobre dónde se utilizan realmente los datos alternativos, ya que la publicidad del sector sugiere que están en todas partes. Según datos de la GAO entre los años fiscales 2016 y 2020, solo alrededor del 0,31 % de las hipotecas aseguradas por la FHA se concedieron a prestatarios sin historial de crédito. Los datos alternativos se utilizan mucho más en tarjetas de crédito y pequeños préstamos de consumo que en hipotecas, y los motivos son estructurales: se debe a las exigencias del mercado secundario y a las preferencias de los inversores, más que a una reticencia a conceder financiación.

Qué se considera realmente datos alternativos

Cualquier artículo sobre este tema incluye una lista de tipos de datos. Sin embargo, la lista no es lo más útil, ya que dos fuentes de la misma categoría pueden conllevar obligaciones totalmente distintas.

La clasificación de la GAO es el punto de partida: transacciones de cuentas bancarias; historial de pago de alquileres, servicios públicos y telecomunicaciones; y nivel de estudios o títulos obtenidos. Si clasificamos esto según cómo se autorizan los datos, el panorama resulta mucho más práctico para el día a día, porque la autorización es lo que determina tus obligaciones de consentimiento, tu cobertura y qué puede fallar cuando una fuente cambia.

La columna de la derecha explica por qué es tan importante esta clasificación. Los datos autorizados por el consumidor fallan de forma visible y en el peor momento. Los datos reportados por terceros fallan de forma invisible y alteran lo que mide tu modelo sin que este se entere. Por último, los datos inferidos pueden fallar sin previo aviso y son los más difíciles de explicar a un solicitante o a un regulador.

El nivel de estudios figura en la lista de la GAO y se analiza por separado más adelante, ya que es el ejemplo más claro de una fuente cuyo problema principal no tiene nada que ver con la autorización.

Cómo se integran las señales alternativas en una puntuación

Existen tres vías para integrarlas, y la elección influye más en la gestión y cumplimiento que en el propio rendimiento del modelo.

Como variables dentro de un modelo de puntuación existente. Los nuevos datos se incorporan al modelo actual. Esta es la opción más compleja, ya que modifica el modelo en el que todos confían, lo que obliga a rediseñarlo y volver a validarlo por completo en lugar de simplemente añadirle complementos.

Como un modelo independiente cuyos resultados alimentan las decisiones. Un modelo específico procesa los datos alternativos y genera una puntuación o indicador que luego aplica el sistema de decisiones. Los modelos de evaluación alternativa diseñados así son más fáciles de gestionar, ya que este nuevo componente se puede probar y supervisar de forma independiente.

Como un filtro de segunda oportunidad tras un rechazo inicial. Primero se aplica el proceso de decisión convencional; a los solicitantes rechazados se les vuelve a evaluar utilizando los datos alternativos. Este enfoque es el más sencillo de gestionar y el mejor punto de partida, ya que permite comparar los resultados de forma clara: sabes exactamente qué habría ocurrido con el proceso convencional, por lo que el impacto real de los nuevos datos se mide directamente en lugar de tener que deducirse.

Lo que cambia a la hora de hacer pruebas en estos tres casos es la cantidad de posibles fallos independientes. Ampliar el conjunto de datos de entrada no solo aporta más información. Cada nueva fuente tiene su propio perfil de cobertura, su frecuencia de actualización, su deriva conceptual y sus propias formas de fallar; y estos fallos no están relacionados entre sí ni con los datos del buró tradicional que ya conoces.

Estabilidad y qué variables volver a probar

Este es el cambio que nadie suele planificar: una fuente de datos altera su cobertura, sus definiciones o su frecuencia de actualización, y tu modelo empieza a evaluar algo ligeramente distinto de aquello para lo que fue diseñado.

No ha habido ningún fallo técnico ni ha saltado ninguna alarma. Simplemente, la variable significa algo diferente a lo que significaba el trimestre anterior.

La respuesta correcta en este caso es volver a probar la variable en sí, y no solo supervisar la puntuación final. El control de la puntuación general acabará detectando un gran cambio tarde o temprano, pero para entonces ya se habrán tomado las decisiones. Probar cada variable directamente detecta el cambio justo en el momento en que se produce.

Es necesario distinguir dos tipos de variaciones, ya que requieren medidas diferentes. La desviación demográfica ocurre cuando cambia el perfil de tus solicitantes: el modelo funciona bien, pero los datos de entrada que recibe son distintos. La desviación de la fuente ocurre cuando los datos cambian aunque el perfil de los solicitantes siga siendo el mismo: el público no ha cambiado, pero la forma de medir sí. Confundir el segundo caso con el primero lleva a los equipos a reajustar modelos que en realidad no lo necesitan.

Y haz las mediciones por segmentos. El rendimiento general de un modelo puede parecer estable mientras que un segmento específico empeora notablemente. Esto se aplica a cualquier modelo, pero afecta más aquí, ya que el objetivo de los datos alternativos es atender a perfiles que tienen poca representación en tu cartera actual y que, por tanto, resultan invisibles en los análisis globales.

Prácticas de concesión justa de crédito (Fair Lending)

Esta es la sección más importante, y debe tomarse como una guía para tu programa más que como un problema que un tercero pueda resolver por ti.

La GAO ofrece un ejemplo muy claro: utilizar el nivel de estudios como criterio de concesión podría perjudicar a colectivos con tasas de graduación históricamente más bajas. Es muy posible que esta variable sea predictiva, y precisamente por eso resulta peligrosa.

El principio general que ilustra este ejemplo es el que debes aplicar siempre: una variable puede ser muy predictiva y, aun así, funcionar como una variable indirecta (proxy) de una característica protegida por la ley, y la capacidad de predicción no sirve como defensa legal. Argumentar que "el modelo la consideraba útil" explica el origen del problema, pero no lo justifica. Los datos alternativos aumentan este riesgo porque utilizan información de comportamiento y circunstancias personales que suele estar correlacionada con características protegidas de una manera que los datos del buró tradicional no lo están.

Evaluar el impacto dispar implica comparar los resultados entre los diferentes grupos protegidos a nivel de la decisión final (tasas de aprobación, precios y condiciones reales que experimentan los solicitantes), y no solo a nivel de puntuación del modelo. Esto debe hacerse con cada nueva variable y con cada cambio importante del modelo, no solo una vez en el momento del lanzamiento. Además, requiere contar con un proceso documentado sobre cómo actuar cuando una prueba detecta un problema: decidir si la variable se elimina, se limita o se mantiene bajo una justificación que el equipo esté preparado para defender.

Esta tarea corresponde a los equipos de cumplimiento normativo y concesión justa, y debe planificarse antes de integrar la fuente de datos, no después. Si estás evaluando un sistema de crédito y un proveedor te asegura que su plataforma ya se encarga de analizar el impacto dispar, pregúntale exactamente qué analiza, respecto a qué variables protegidas, con los datos de quién y qué aspecto tiene el informe de resultados. Las respuestas concretas importan, y a menudo son menos sólidas de lo que se promete.

Explicabilidad y medidas adversas

El motivo de rechazo que se ofrece debe ser algo que permita al solicitante tomar medidas para corregirlo. Ese es el estándar exigido, y es mucho más estricto que simplemente generar una explicación técnica que sea correcta.

Cuando un modelo analiza el comportamiento de los depósitos o el historial de pago de servicios públicos, los motivos del rechazo deben explicarse en esos mismos términos y a ese nivel. "Historial de crédito insuficiente" es un motivo útil. "Su patrón de transacciones está por debajo del límite requerido" no lo es; es técnicamente correcto, pero no le dice al usuario qué puede hacer para cambiar la situación. La prueba práctica es: ¿podrías poner este motivo en una carta de rechazo y la persona que la reciba sabría qué tiene que cambiar?

Por tanto, la explicabilidad a nivel de variable es un criterio clave para elegir una fuente de datos, no una funcionalidad que se pueda añadir más adelante. Una fuente que solo ofrece una puntuación global, sin capacidad para asociar una decisión a un comportamiento concreto, limita lo que puedes comunicar legalmente a un solicitante rechazado.

El debate general sobre los modelos de crédito basados en inteligencia artificial y la atención que reciben se analiza detalladamente en La IA en la evaluación de riesgos de crédito, que explica la generación de motivos de rechazo y el marco normativo correspondiente. Este artículo no vuelve a entrar en esa discusión.

Consentimiento, autorización y origen de los datos

La preocupación de la GAO sobre la privacidad es muy clara: el riesgo de que las entidades recopilen datos alternativos "sin el conocimiento o permiso de los consumidores". Independientemente de lo que los proveedores de datos aseguren en sus contratos sobre los permisos que tienen, el riesgo legal y de reputación de tomar una decisión con datos que el solicitante no sabía que tenías recae siempre sobre la entidad financiera.

También existe una limitación estructural en el análisis de la GAO que condiciona toda esta oportunidad. Por lo general, los consumidores deben autorizar expresamente el uso de estos datos para que se incluyan en el análisis, lo que limita la cantidad de personas sin historial a la que un programa puede llegar. Los solicitantes más difíciles de evaluar suelen ser los que menos completan los pasos opcionales de conexión, por lo que el alcance real de un programa suele ser sistemáticamente menor que el tamaño del público al que se dirige.

La trazabilidad de los datos es la solución operativa para esto. Para cualquier variable utilizada en una decisión en vivo, deberías poder certificar de dónde procede, bajo qué autorización se obtuvo, cuándo se recopiló y qué validez tiene ese permiso. Muchas organizaciones descubren que no pueden responder a esto justo cuando alguien se lo pregunta: ya sea un inspector, el abogado de una demanda o un usuario ejerciendo sus derechos de protección de datos.

Por último, el uso secundario de los datos es uno de los aspectos donde es más fácil equivocarse. Que unos datos se hayan autorizado para un fin concreto no significa que estén disponibles para otros. Los datos de transacciones bancarias que un cliente compartió para verificar sus ingresos no se pueden utilizar automáticamente para segmentación de marketing, estrategias de recobro o para analizar un producto financiero diferente. Cada uso requiere su propia autorización específica.

Cómo evaluar el paso a los datos alternativos

Plantea las preguntas en este orden, ya que cada respuesta condiciona la siguiente.

1. ¿A qué público intentas llegar? Solicitantes existentes con historial escaso, nuevos solicitantes sin historial o un perfil de clientes que actualmente rechazas. Son problemas distintos.

2. ¿Qué fuentes cubren realmente a ese público? Los datos de cobertura que suelen ofrecer los proveedores se refieren a la población general, no al segmento específico que te interesa. Pídeles datos de cobertura aplicados a tu cartera de rechazados.

3. ¿Cómo se autoriza cada fuente? Esto determina tus obligaciones de consentimiento, el riesgo de que el cliente abandone el proceso de registro y qué puede fallar si la fuente cambia.

4. ¿Qué vas a volver a probar y cuándo? Define los desencadenantes antes del lanzamiento: cambios en la fuente, variaciones en la cobertura, empeoramiento de un segmento o cambios en el modelo.

5. ¿Cómo se explicará un rechazo? Si no puedes explicar el motivo basándote en la variable concreta, la fuente de datos no es viable, por muy buenos resultados predictivos que ofrezca.

El error de planificación más común que se debe evitar es tratar un cambio en los datos de entrada como si fuera un cambio en la plataforma de decisiones, o al revés. Un motor de reglas aplica políticas de crédito a cualquier dato de entrada que reciba; la evaluación alternativa lo que cambia son esos datos. Son herramientas complementarias, y confundirlas es la razón por la que estos proyectos fallan: los equipos cambian de plataforma cuando lo que necesitaban era una nueva fuente de datos, o integran una fuente de datos en una plataforma que no tiene capacidad para gestionarla.

Un primer paso muy recomendable suele ser aplicar un filtro de segunda oportunidad a los solicitantes rechazados. El volumen es controlado, el escenario alternativo se puede medir, el análisis de concesión justa es más sencillo (ya que se puede comparar directamente con el proceso tradicional) y, si algo falla, solo pierdes un experimento controlado en lugar de alterar tu flujo principal de aprobaciones.

Para el caso de la financiación a particulares, el artículo sobre Suscripción de riesgos de crédito B2C detalla cómo aborda Oscilar la gestión de decisiones con estos datos de entrada; por su parte, el de Suscripción de riesgos de crédito B2B analiza el equivalente para empresas, donde la estructura corporativa añade sus propias complejidades. Si la duda se refiere más a la tecnología que a los datos, el artículo sobre Plataformas de decisiones de crédito detalla qué aspectos evaluar. Como siguiente paso lógico, te recomendamos leer nuestro artículo específico sobre el tratamiento de datos de transacciones bancarias (suscripción por flujo de caja), que analiza cómo leen las entidades el comportamiento de los depósitos y qué pasos previos se requieren antes de poder aplicar una política sobre ellos.

Preguntas frecuentes

¿Qué es la evaluación de crédito alternativa?

La evaluación de crédito alternativa analiza la solvencia utilizando información que no forma parte del expediente del buró de crédito tradicional, como transacciones de cuentas bancarias o el historial de pagos de alquileres y servicios públicos. La GAO la define como información financiera o no financiera que no se utiliza en los informes de crédito tradicionales. Cambia la información en la que se basa la decisión del analista, pero no la forma en que se gestiona dicha decisión.

¿Qué se considera datos de crédito alternativos?

La GAO los clasifica en transacciones bancarias, historial de pago de alquileres, servicios públicos y telecomunicaciones, y nivel de estudios o títulos obtenidos. Sin embargo, resulta más útil clasificarlos por el modo en que se autorizan (datos autorizados por el consumidor, reportados por terceros o inferidos), ya que esto define tus obligaciones de consentimiento, tu cobertura y qué puede fallar cuando cambie la fuente.

¿En qué se diferencia la evaluación de crédito alternativa de la tradicional o de un motor de reglas?

Un motor de reglas aplica políticas de crédito a los datos de entrada que recibe, mientras que la evaluación alternativa cambia esos datos de entrada. Son herramientas complementarias y no sustitutivas. Confundirlas es la razón por la que estos proyectos se planifican mal: a veces un equipo cambia su plataforma de decisiones cuando solo necesitaba una nueva fuente de datos, o añade datos a una plataforma que no puede gestionarlos de forma correcta.

¿A quién ayuda realmente la evaluación de crédito alternativa?

Principalmente a los solicitantes que los modelos tradicionales evalúan mal o no pueden evaluar. Unos 45 millones de estadounidenses carecían de historial crediticio según el informe de la GAO de 2021, un grupo que suele tener ingresos más bajos, ser más joven y pertenecer de manera desproporcionada a minorías. La gran diferencia en este grupo está entre quienes tienen un historial escaso (necesitan mejores datos) y quienes no tienen ningún historial (necesitan datos diferentes).

¿Cómo funciona la evaluación de crédito alternativa?

Las señales alternativas se integran en una decisión de tres maneras: como variables dentro de un modelo existente, como un modelo independiente cuyos resultados alimentan las políticas de decisión, o como un filtro de segunda oportunidad que se aplica tras un rechazo convencional. Esta última opción es la más fácil de gestionar y suele ser el mejor punto de partida, ya que permite comparar los resultados de forma clara y medir el impacto real directamente.

¿Generan los datos alternativos riesgos de discriminación en la concesión de crédito?

Sí, pueden generarlos. El ejemplo de la GAO es el nivel de estudios: usarlo como criterio de decisión puede perjudicar a grupos con tasas de graduación históricamente más bajas. El principio es generalizable: una variable puede ser predictiva y, aun así, actuar como un indicador indirecto de un perfil protegido, y la capacidad de predicción no es una defensa legal. Las pruebas de impacto dispar deben realizarse a nivel de decisión, para cada variable y de forma recurrente.

¿Qué deben evaluar las entidades financieras respecto a la explicabilidad, pruebas y control de políticas?

En explicabilidad, deben analizar si un rechazo puede atribuirse a un comportamiento concreto y explicarse en términos que permitan al solicitante tomar medidas para corregirlo, no solo con una puntuación global. En pruebas, qué se vuelve a probar cuando una fuente cambia su cobertura, definiciones o frecuencia, y si los resultados se miden por segmentos y no de forma agregada. En control, quién puede cambiar los límites, qué justificación se requiere y si el cambio queda registrado.

¿Qué obligaciones de consentimiento conllevan los datos alternativos?

Dependen del modelo de autorización de la fuente. Los datos autorizados por el consumidor requieren un consentimiento explícito y revocable que gestionas tú directamente. Los datos reportados por terceros conllevan un consentimiento otorgado al proveedor, por lo que heredas su alcance en lugar de controlarlo. En cualquier caso, debes poder demostrar de dónde procede cada variable, bajo qué permiso y por cuánto tiempo; y recuerda que unos datos autorizados para un fin no sirven automáticamente para otro.