Viabilidad de modelos de Machine Learning en el sector Fintech Crediticio Peruano: una aproximación a través de la vigilancia tecnológica

Abstract

El presente trabajo de investigación desarrolla un estudio de vigilancia tecnológica aplicado a la búsqueda de nuevas formas de detectar casos de fraude y de mejorar la calificación crediticia de clientes dentro del ecosistema fintech de créditos, además de ofrecer un marco general de oportunidades y desafíos para su implementación en dicho sector. Dicho procedimiento toma como referencia artículos científicos, los cuales se someterán a análisis para detectar aportes clave para el objetivo en cuestión. Respecto del macroentorno nacional descrito por el análisis PESTEL, la población nacional está mostrando una tendencia marcada al uso de la banca digital como herramienta para realizar actividades financieras, desde transferencias hasta la solicitud de créditos, así como la construcción de modelos de negocio disruptivos a partir de la explotación de nuevas tecnologías y del conocimiento de segmentos de valor con demanda insatisfecha de servicios financieros, como en el caso de las PyMEs y la población no bancarizada. No obstante, los elevados casos de fraudes digitales y porcentajes de morosidad elevados, observados sobre todo en la banca empresarial y en delitos como la usura en los préstamos gota a gota, limitan el crecimiento sostenido de la tendencia descrita, ocasionando cierta aversión a la adopción de tecnologías digitales en la banca y la temprana desaparición de modelos de negocio disruptivos. Asimismo, la poca investigación a nivel Perú respecto del tema limita las oportunidades de explotación de información y conocimiento, lo cual se traduce en la escasez de capital humano especializado en tareas de investigación y desarrollo. Sobre el análisis bibliométrico y de patentes, se determinó que modelos de clasificación como redes neuronales, árboles de decisión (junto a su variante de bosques aleatorios) y las máquinas de vectores de soporte (SVM) son las mejores herramientas para la detección de fraudes y la clasificación crediticia. Asimismo, la combinación de estos modelos con potenciadores como los algoritmos genéticos y el uso de técnicas de boosting otorga mejores resultados de eficiencia y permite minimizar los falsos positivos y negativos dentro del análisis. Por otro lado, el uso de algoritmos generativos de información, como las redes neuronales generativas (GNN) y sus variantes, permite mitigar riesgos de sobreajuste en los modelos antes descritos mediante la reducción de sesgo con la generación de nuevas muestras a partir de la información existente. Finalmente, es necesario destacar que conceptos de ingreso reciente, como el modelo GPT desarrollado por OpenAI y los nuevos sectores de negocio (a nivel de fintech) que Perú puede integrar, como el caso de cambio de divisas y las criptomonedas, deben funcionar como impulso para fomentar la investigación y la inversión en dichos campos por parte del ecosistema startup peruano, tanto para actualizar sus propuestas de valor como para incrementar el capital humano especializado en dichos temas.