Evaluación del flujo de caja: qué buscan los prestamistas en los datos bancarios

Última actualización: septiembre de 2026

Resumen rápido

La evaluación crediticia por flujo de caja analiza la capacidad y disposición de pago de un solicitante a partir del movimiento de dinero en sus cuentas bancarias, en lugar de basarse únicamente en el historial de una oficina de crédito. Sin embargo, los datos de depósitos y transacciones no son una señal por sí solos; son materia prima que se convierte en señal solo después de ser conectada, categorizada, normalizada e integrada de forma controlada en la política de crédito. Cada uno de estos pasos puede fallar sin previo aviso.

La mayoría de las guías publicadas dan por solucionada la conexión de datos bancarios y pasan directo a los beneficios. Los prestamistas que logran que esto funcione dedican su esfuerzo a las partes que todos los demás pasan por alto.

Qué es la evaluación de crédito por flujo de caja

La evaluación de crédito por flujo de caja consiste en analizar la capacidad y disposición de pago de un solicitante basándose en el comportamiento del dinero que entra y sale de sus cuentas (depósitos, gastos, saldos y obligaciones vigentes a lo largo del tiempo), en lugar de limitarse al historial de una oficina de crédito. Se aplica tanto al crédito de consumo como al de pequeñas empresas.

Esta práctica también se conoce como financiamiento por flujo de caja o préstamos basados en flujo de caja, y este es el significado que la mayoría de los lectores buscan al investigar sobre el tema.

Una aclaración importante antes de continuar, ya que este término puede tener dos significados distintos. En el sector de seguros, "suscripción por flujo de caja" es un término más antiguo que se refiere a vender pólizas con márgenes mínimos o negativos para obtener capital de inversión disponible de inmediato. Ese no es el enfoque de esta página.

La idea clave que debe tener en cuenta para todo lo que sigue: los datos bancarios son materia prima, no una señal. Un historial de transacciones es solo una lista de movimientos. El que se convierta en algo útil para una política de crédito depende totalmente de lo que ocurra con esos datos en el proceso intermedio, y es ahí donde radica la verdadera dificultad.

Qué analiza realmente un prestamista

Los datos de depósitos y transacciones revelan cuatro aspectos clave, y vale la pena separarlos porque un prestamista puede tener total certeza sobre uno y dudar de los demás.

Regularidad y estabilidad de los ingresos. No se trata del monto, sino del ritmo: que lleguen con una frecuencia predecible de una fuente constante y que se mantengan a lo largo de doce meses en lugar de solo tres.

Estructura de gastos y nivel de compromisos financieros. Un hogar que destina la mayor parte de sus ingresos al alquiler, servicios públicos y préstamos vigentes tiene menos capacidad para asumir una nueva deuda que uno que gasta la misma cantidad en consumos opcionales.

Comportamiento del saldo. Con qué frecuencia la cuenta se acerca a cero y en qué momento del mes sucede. El agotamiento constante del saldo al final de cada ciclo revela una realidad que el promedio mensual oculta por completo.

Otras obligaciones crediticias visibles como pagos salientes. A menudo es la señal más útil de inmediato, y a veces muestra compromisos que no aparecen en el reporte de crédito tradicional.

La capacidad de pago y la intención de pago son cuestiones distintas, y los mismos datos aportan información diferente para cada una. La capacidad es en gran medida matemática (ingresos frente a obligaciones). La intención se refleja en cómo se gestionó la cuenta bajo presión: si se priorizaron los pagos, si se cubrieron los sobregiros y si el titular actuó como alguien que desea mantener una buena relación financiera.

La visión de conjunto es mucho más importante que cualquier transacción individual. Un solo depósito grande no dice casi nada. Doce meses de depósitos constantes dicen mucho, y la diferencia entre estas dos afirmaciones es la razón de ser de todo el proceso de análisis.

De transacciones brutas a datos listos para la toma de decisiones

Deben ocurrir seis pasos entre la cuenta bancaria y la decisión de crédito. Cada uno de ellos es un punto donde el proceso puede fallar, habitualmente de forma silenciosa.

1. Conexión: el solicitante autoriza el acceso a una cuenta.

2. Recuperación de transacciones: se extrae el historial, con el nivel de detalle que permitan la institución y la conexión.

3. Categorización: se clasifica cada transacción (ingresos, transferencias, alquiler, gastos discrecionales, pago de préstamos).

4. Normalización: se homologan las categorías para que sean comparables entre distintos bancos, formatos y nombres de transacciones.

5. Cálculo de variables: cada variable calculada es un indicador que la política de crédito puede usar (ingresos mensuales, relación de gastos fijos, días con saldo por debajo de un límite).

6. Integración con el motor de decisiones: las variables quedan disponibles para las reglas de negocio, los modelos y los analistas que revisan los casos especiales.

La categorización es el paso donde interviene el criterio propio y es el menos visible de la cadena. Una misma transacción puede interpretarse legítimamente como un ingreso o como una transferencia entre cuentas del propio solicitante, y esa elección define el resultado de la evaluación. Un depósito mensual de $2,000 de un emisor desconocido podría ser un segundo empleo, una ayuda familiar o simplemente el solicitante moviendo su propio dinero.

El historial de transacciones no resuelve esta duda por sí solo. Alguien o algo debe decidir, y esa decisión implica un juicio de valor con impacto crediticio, aunque ocurra dentro de lo que parece un simple proceso de datos.

Hay una distinción fundamental que pocas publicaciones mencionan, y que un directivo de crédito resumió con claridad: procesar los datos de depósitos directos (de clientes propios) es muy diferente a trabajar con datos de terceros autorizados (cuentas en otros bancos). Si el solicitante es cliente de su propio banco, los datos están completos, actualizados y ya están en su poder. Si no es así, dependerá de lo que devuelva la conexión, lo cual está sujeto a diferentes niveles de consentimiento, cobertura y actualización. La mayoría de las guías mezclan ambos escenarios, y vale la pena validar las consecuencias operativas de esta diferencia según sus propias políticas de cumplimiento.

El tipo de fallo que más atención requiere es el que parece un éxito. Un director de riesgos describió un caso en el que el sistema de su institución era tan rígido que no permitía incluir los datos de flujo de caja en el proceso de decisión en tiempo real, lo que los obligaba a realizar un análisis posterior sobre los datos de banca abierta en lugar de decidir con ellos al instante.

Esta es una diferencia crucial. Un análisis retrospectivo le dice lo que habrían indicado los datos, pero no cambia lo que ya aprobó, y eso no es evaluación de crédito por flujo de caja en tiempo real.

Un ejemplo práctico

El siguiente es un caso hipotético con fines ilustrativos, no corresponde a un solicitante real ni al resultado de ningún sistema específico. Su objetivo es mostrar las ambigüedades del proceso; la tercera columna es el punto clave, ya que los ejemplos de los proveedores siempre se resuelven de forma perfecta, pero los casos reales no.

Historial de depósitos de doce meses de un solicitante de crédito de consumo hipotético:

Seis filas, y cuatro de ellas presentan una ambigüedad real que los datos por sí solos no pueden resolver. Si no tiene una respuesta para la tercera columna, el proceso no se ha automatizado realmente. El juicio de valor simplemente quedó oculto en el paso de categorización y nadie lo está supervisando.

Comparación con el historial crediticio tradicional y con un motor de reglas

El debate en este sector (que sigue siendo una hipótesis y no un hecho definitivo) es que las señales de flujo de caja son muy útiles para clasificar el nivel de riesgo de forma similar a los datos de las oficinas de crédito, por lo que su verdadero valor está en complementar la información, no en reemplazarla. Según esta perspectiva, el mayor beneficio se obtiene al usar los datos de flujo de caja como una capa adicional sobre el análisis tradicional, lo que permite evaluar a solicitantes que no tienen historial de crédito. Esta es una postura analítica bien fundamentada, pero no una conclusión absoluta, y conviene tomarla como tal.

La capacidad de predicción de este método se ha estudiado de forma independiente, algo poco común en este ámbito. FinRegLab ha liderado la investigación independiente más importante sobre el uso de datos de flujo de caja en el análisis de crédito: evaluó el comportamiento de préstamos de seis proveedores no bancarios, comparó la capacidad predictiva de las métricas de flujo de caja frente a los historiales y variables tradicionales (así como modelos combinados con ambos), analizó si estas variables generan sesgos o riesgos de equidad en la aprobación de créditos y examinó si ayudaban a atender a sectores de la población tradicionalmente desatendidos. Este es el estado actual de la evidencia. Cualquier entidad que evalúe implementar esto debería consultar la investigación original en lugar de confiar únicamente en el resumen de un proveedor, incluido este.

La evaluación de crédito basada en el flujo de caja abre las puertas a una conversación más amplia sobre modelos de evaluación alternativa, la cual se centra en los datos y el resultado del análisis más que en el proceso en sí.

Frente a un motor de reglas, la diferencia es de concepto y no de competencia. Un motor de reglas aplica políticas a los datos que recibe, mientras que el análisis de flujo de caja cambia la naturaleza de esos datos de entrada. Son complementarios, y confundirlos es la razón principal por la que estos proyectos se planifican mal: a veces un equipo reemplaza toda su plataforma de decisión cuando lo único que necesitaba era una nueva fuente de datos, o conecta una fuente de datos a una plataforma que no puede procesarla de forma controlada.

Dónde aporta valor y dónde no

Su mayor fortaleza se da en dos escenarios: cuando el historial de crédito tradicional es escaso o inexistente (donde el flujo de caja suele ser la única información sólida disponible) y en la segunda revisión de solicitantes rechazados por el modelo tradicional, ya que permite medir con claridad el impacto real de la nueva información frente a la decisión anterior.

Sus puntos débiles se presentan en situaciones que conviene revisar en su propia cartera antes de avanzar:

• Historial de transacciones muy corto. Un modelo diseñado para analizar doce meses de datos no funcionará igual con solo tres, y su precisión disminuirá de forma drástica.

• Ingresos que no entran a la cuenta conectada. Los ingresos en efectivo o el uso de una segunda cuenta que el solicitante no vinculó mostrarán un perfil de bajos ingresos en lugar de reflejar una falta de datos.

• Segmentos de usuarios cuyo comportamiento bancario difiere del modelo de diseño. Los sistemas de categorización asumen ciertas pautas de comportamiento financiero que suelen ser menos precisas justamente en los sectores desatendidos que se busca incluir.

Los casos de pequeñas empresas tienen sus propias dificultades. Las cuentas comerciales y personales suelen mezclarse, sobre todo en los negocios más pequeños, y el titular de la cuenta puede no ser la entidad que solicita el crédito. La cuenta personal de un trabajador independiente puede ser el único registro real de su negocio, lo cual es muy útil para el análisis pero representa un reto en cuanto al consentimiento de uso de datos. La evaluación de crédito B2B analiza los procesos de decisión comercial donde se gestionan estas situaciones.

Los retos que definen el éxito del proceso

Los estudios independientes más serios sobre este tema se centran en los obstáculos más que en las ventajas, lo cual es un enfoque muy acertado, ya que estos factores son los que determinan los resultados.

Conectividad y experiencia del usuario. Cada paso para conectar una cuenta es un punto donde el solicitante puede abandonar el proceso. Lo preocupante es que este abandono no ocurre al azar: está muy relacionado con el nivel de educación financiera, el acceso a dispositivos y la confianza para compartir datos bancarios. Un programa diseñado para sectores desatendidos puede perder precisamente a esos usuarios en la pantalla de conexión, y la cartera resultante podría dar la falsa impresión de éxito cuando en realidad solo seleccionó a quienes se sintieron cómodos con el proceso digital.

Profundidad del historial. El período de historial que devuelve una conexión varía según el banco y el proveedor, y el volumen de datos que reciba no siempre coincidirá con el que planificó. Diseñar variables estables que funcionen con diferentes períodos de historial es un requisito fundamental para cualquier proceso de crédito automatizado, no un detalle menor.

Uso secundario de los datos. La autorización de datos para un fin específico no permite usarlos automáticamente para otros. Los datos de transacciones que un solicitante compartió para validar sus ingresos no se pueden usar después para estrategias de cobranza, segmentación de marketing o para evaluar otro producto crediticio.

Consentimiento y comprensión del usuario. Existe una gran diferencia entre un consentimiento legalmente válido y uno que el solicitante realmente entendió. Esto último es lo que garantiza que una decisión de crédito sea defendible ante cualquier aclaración futura.

Gobernanza: pruebas, explicabilidad y control de políticas

Deben definirse tres aspectos clave antes de que este proceso funcione en un entorno real de toma de decisiones.

Qué volver a probar y cuándo. Un cambio imprevisto suele ocurrir cuando un proveedor de conexión o un modelo de categorización se actualiza sin modificar la política de crédito. Si se actualiza el modelo de categorización, todas las variables calculadas a partir de él pueden cambiar de significado. Esto obliga a realizar pruebas sobre las variables y no solo a monitorear la tasa de aprobación. Defina los desencadenantes con anticipación: cambio de proveedor, actualización del modelo de categorización, variaciones en la cobertura de datos o bajas en el rendimiento de ciertos segmentos.

Notificación de rechazo. El motivo del rechazo debe ser claro para el solicitante. Decir "su comportamiento de depósitos" no es una razón útil para el cliente. Si el rechazo se debe a la volatilidad del saldo o a ingresos que el modelo no pudo comprobar, la notificación debe explicarlo en términos sencillos que permitan al solicitante tomar medidas. Esto hace que la claridad de las variables sea un requisito esencial al elegir la herramienta de categorización, y no una función que se agregue después.

Control de políticas. Quién puede modificar los límites de aprobación, qué pruebas deben realizarse antes de hacerlo y si el cambio queda registrado con su respectiva justificación y firma de aprobación. Las variables de flujo de caja suelen requerir ajustes constantes al principio debido a su novedad, lo que hace que el control de cambios sea aún más crítico aquí que en un modelo de análisis tradicional.

La equidad en la concesión de créditos influye en estos tres puntos y debe ser una guía para su programa, no algo que la plataforma resuelva por sí sola. Las variables de flujo de caja pueden reflejar aspectos sociodemográficos de formas que el historial de crédito tradicional no hace, ya que el comportamiento bancario suele estar muy ligado a la ubicación geográfica, el sector laboral y la estructura familiar. Una variable puede ser muy predictiva y aun así generar un sesgo indirecto, y la efectividad matemática no justifica la falta de equidad.

Evaluar el impacto adverso requiere comparar los resultados de las decisiones por cada variable y por cada cambio importante, contando con un proceso claro en caso de detectar anomalías. Si un proveedor le asegura que su plataforma resuelve esto de forma automática, pregúntele qué evalúa exactamente, contra qué perfiles, con los datos de quién y cómo presenta esos resultados.

El debate más amplio sobre los modelos de crédito basados en inteligencia artificial y su regulación se analiza a detalle en La IA en la evaluación de crédito; este artículo no vuelve a entrar en ese tema. Para conocer los criterios de evaluación de sistemas, la guía cómo elegir una plataforma de decisión crediticia detalla los puntos a considerar.

Cómo logran los analistas confiar en un análisis automatizado

Esta es una pregunta muy importante que pocas guías responden. A un analista de crédito se le entrega un dato procesado (como ingresos mensuales validados o un indicador de gastos fijos) para que decida si aprueba un préstamo con base en él. ¿Cómo se genera la confianza necesaria para dar ese paso?

No proviene de las estadísticas de precisión del modelo. Proviene de poder ver qué transacciones específicas justificaron esa clasificación, tener la posibilidad de corregirla y que ese cambio quede registrado. Un analista que puede hacer clic en "ingresos validados: $4,800", ver los seis depósitos que lo confirman, reclasificar uno de ellos y ver cómo se actualiza el cálculo está usando una herramienta útil. Si solo recibe el número final, se le está pidiendo que confíe a ciegas, y los profesionales de crédito con experiencia hacen bien en no hacerlo.

La corrección manual de un analista debe verse como una retroalimentación valiosa y no como un error que se deba evitar. Si una categorización se modifica con frecuencia, el sistema está enviando una señal clara: un tipo de transacción se está interpretando mal o el comportamiento bancario de un grupo de usuarios no coincide con el modelo diseñado. Un programa que analiza estos cambios aprende a identificar sus puntos débiles. Un programa que los trata como una falta de cumplimiento del analista anula su mejor fuente de mejora.

El mismo registro detallado que le da seguridad a un analista sirve para responder a cualquier auditoría. Saber qué dedujo el sistema, basándose en qué datos, quién lo revisó, qué se modificó y por qué; ese registro resuelve la duda del analista en el momento y la del auditor años después. Diseñar el sistema pensando en el analista resuelve también el cumplimiento regulatorio de forma automática.

A nivel de plataforma, esto requiere contar con historiales de auditoría detallados que almacenen los motivos de cada decisión, incluir la revisión de analistas como parte del diseño del proceso y tener la flexibilidad de ajustar las políticas y evaluar su impacto. Esto no significa que Oscilar ofrezca un modelo de flujo de caja o un producto de categorización de transacciones propio. Para la gestión de decisiones de clientes finales donde se aplican estas variables, la evaluación de crédito B2C es el punto de partida. Por otra parte, la guía sobre datos alternativos de crédito analiza el origen de la información y los requisitos legales correspondientes.

Preguntas frecuentes

¿Qué es la evaluación de crédito por flujo de caja?

Es un método que analiza la capacidad y disposición de pago de un solicitante a partir de los movimientos de dinero en sus cuentas bancarias (depósitos, gastos, comportamiento de saldos y compromisos vigentes a lo largo del tiempo), en lugar de limitarse al historial de una oficina de crédito. Se aplica a créditos de consumo y comerciales. Los datos bancarios son la materia prima y solo se vuelven útiles tras un proceso de categorización y normalización.

¿En qué se diferencia la evaluación por flujo de caja de un historial de crédito tradicional o de un motor de reglas?

El historial tradicional resume cómo ha gestionado sus créditos una persona en el pasado; los datos de flujo de caja muestran cómo se mueve su dinero en la actualidad. Frente a un motor de reglas, la diferencia es conceptual: el motor aplica políticas a los datos que recibe, mientras que el análisis de flujo de caja aporta datos de entrada completamente nuevos y más detallados. Son herramientas complementarias.

¿Qué información analiza un prestamista en los datos de depósitos y transacciones?

Cuatro aspectos clave: la regularidad y estabilidad de los ingresos, la estructura de gastos (identificando compromisos fijos frente a gastos opcionales), el comportamiento del saldo (frecuencia y fechas en que la cuenta se queda sin fondos) y otros compromisos de pago vigentes. La capacidad y la intención de pago son aspectos distintos y se analizan de forma diferente con estos mismos datos.

¿Cómo influye la evaluación por flujo de caja en las tasas de aprobación?

Su impacto se refleja en un mayor alcance de clientes más que en un aumento automático de las aprobaciones. Permite evaluar a solicitantes sin historial de crédito tradicional y reconsiderar casos rechazados por los modelos convencionales. El aumento en la tasa de aprobación dependerá de su público objetivo y de su tolerancia al riesgo.

¿Qué pasos deben seguir los datos bancarios brutos antes de usarse en una política de crédito?

Se requieren seis pasos: conexión de la cuenta, recuperación de transacciones, categorización, normalización, cálculo de variables e integración con el motor de decisiones. La categorización es el paso donde interviene el criterio propio y es el menos visible; una misma transacción puede interpretarse como ingreso o como transferencia, lo que cambia el resultado de la evaluación. Cada paso puede fallar de forma silenciosa.

¿Qué aspectos de explicabilidad, pruebas y control de políticas deben evaluar los prestamistas?

En explicabilidad, que los motivos de rechazo se deban a comportamientos específicos y se informen de manera clara para el solicitante. En pruebas, definir qué se vuelve a evaluar cuando cambia un proveedor de datos o un modelo de categorización (analizando las variables de decisión y no solo las tasas de aprobación). En control, definir quién aprueba los cambios de límites, qué pruebas previas se requieren y que todo quede registrado con su respectiva justificación.

¿Cómo pueden los analistas confiar en los análisis automáticos de flujo de caja?

Pudiendo ver qué transacciones específicas justificaron cada clasificación, teniendo la opción de corregirlas y que ese cambio se guarde en el sistema. La confianza se basa en la transparencia de los datos y no solo en estadísticas de precisión. El análisis de estas correcciones ayuda a identificar errores recurrentes en la interpretación de los datos bancarios.

¿La evaluación de crédito por flujo de caja es lo mismo que la suscripción por flujo de caja en seguros?

No, son conceptos totalmente diferentes. En el sector de seguros, se refiere a vender pólizas con márgenes mínimos o negativos para obtener capital de inversión de forma rápida. En el sector financiero y de crédito, se refiere a evaluar la capacidad de pago de un solicitante mediante sus transacciones bancarias. La coincidencia es solo de nombre.