Credit Scoring
en Tiempo Real
Arquitectura, Modelos y Decisión Automatizada para Instituciones Financieras
del Siglo XXI — De los Fundamentos al Despliegue en Producción
© 2026 Víctor Miranda · Todos los derechos reservados · Prohibida su reproducción parcial o total sin autorización escrita
Este programa de especialización cubre el ciclo completo de vida de un sistema moderno de credit scoring: desde la teoría estadística del riesgo de crédito hasta la arquitectura de producción capaz de tomar decisiones en menos de 200 milisegundos. Cada módulo construye sobre el anterior de forma acumulativa, combinando rigor matemático, implementación en código y perspectiva regulatoria aplicada al mercado latinoamericano.
El participante finaliza el programa con la capacidad de diseñar, entrenar, desplegar, monitorear y gobernar un motor de decisión crediticia integrado — incluyendo scoring en tiempo real, capa de políticas, motor de pricing de riesgo y sistema MLOps de producción.
El programa desarrolla íntegramente este flujo: desde la estimación de \(\hat{p}\) hasta la generación automática de la oferta de tasa y monto.
Establece el marco conceptual y matemático del credit scoring moderno. El participante comprende qué mide exactamente un score crediticio, cómo se construyó históricamente y por qué la probabilidad de default es la representación correcta del riesgo, distinguiéndola del score en escala arbitraria. Se revisa el marco regulatorio SBS aplicable al mercado peruano y latinoamericano.
- Historia del credit scoring: de Durand (1941) a LightGBM
- El score como estimación de \(\hat{p}(y=1 \mid \mathbf{x})\)
- Tipos de score: applicant, behavioral, colección, fraude
- Regulación SBS: resoluciones vigentes y requerimientos IRB
- PIT vs. TTC: diferencias y usos correctos
- El ciclo completo: originación → comportamiento → cobranza
El score crediticio es una transformación monótona de la probabilidad de default estimada por el modelo. No es un valor absoluto — es una posición ordinal dentro de la distribución de riesgo del portafolio.
El poder predictivo de un modelo de crédito depende más de la calidad de sus variables que del algoritmo elegido. Este módulo cubre la construcción y selección de features applicant y behavioral, la transformación mediante Weight of Evidence, la medición de poder predictivo con Information Value, y el tratamiento robusto de valores nulos, outliers y variables categóricas de alta cardinalidad.
- Variables applicant vs. behavioral: tipología y rol
- Binning óptimo supervisado e intervalos de WoE
- Selección por IV: umbrales y criterios prácticos
- Tratamiento de nulos: imputación vs. categoría explícita
- Detección y tratamiento de outliers en variables financieras
- Variables de ventana temporal: 30d / 90d / 180d / 12m
Una variable con \(\text{IV} < 0.02\) es inútil para el modelo. Con \(\text{IV} > 0.50\) es sospechosa — probablemente hay data leakage. El rango óptimo para crédito es \(0.10 \leq \text{IV} \leq 0.40\).
Cubre el ciclo completo de construcción del modelo: desde la regresión logística como línea base hasta LightGBM como estándar de la industria. Se enfatiza la validación temporal con Walk-Forward Cross-Validation — el único esquema estadísticamente válido para datos de crédito — y la calibración del modelo para producir probabilidades bien calibradas, no solo scores ordinales.
- Regresión logística: interpretabilidad y coeficientes
- Gradient Boosting: intuición y parámetros clave
- LightGBM en crédito: configuración práctica
- Walk-Forward CV: por qué K-Fold es inválido en crédito
- Métricas: AUC-ROC, KS, Gini, Brier Score, Log-Loss
- Calibración: Platt Scaling e Isotonic Regression
Walk-Forward CV entrena en \([t_0, t_k]\) y valida en \([t_k, t_{k+h}]\) para cada fold, respetando la causalidad temporal. El AUC resultante es el que el negocio experimentará en producción — no el AUC optimista del K-Fold aleatorio.
El salto de batch a tiempo real no es un cambio de modelo — es un cambio de infraestructura completa. Este módulo construye las cinco capas del motor de decisión integrado: stream de eventos con Kafka, Feature Store en Redis, features calculadas on-the-fly, motor de scoring síncrono con FastAPI, y capa de políticas con overlays. El SLA objetivo es sub-200ms de extremo a extremo.
- Stream de eventos: Kafka, Kinesis, Pub/Sub
- Feature Store en tiempo real: Redis + Apache Flink
- Features on-the-fly: velocidad geográfica, anomalía temporal
- Motor de scoring síncrono: FastAPI + LightGBM en memoria
- Capa de políticas: hard stops, condicionamiento, overrides
- Audit log inmutable: trazabilidad regulatoria por decisión
El modelo es estático entre requests; los datos que recibe son dinámicos. Los coeficientes del LightGBM no cambian en tiempo real — cambia el vector de features que se le pasa en cada solicitud, que incluye señales calculadas en los últimos milisegundos.
Un modelo que no se monitorea se degrada silenciosamente. Este módulo cubre el sistema de vigilancia continua del modelo en producción: detección de covariate shift con PSI, concept drift por caída de AUC, score shift por cambio de tasa de default, y los pipelines CI/CD que automatizan el reentrenamiento y despliegue cuando los umbrales estadísticos se superan.
- PSI (Population Stability Index): cálculo e interpretación
- Covariate shift vs. concept drift: diagnóstico correcto
- Score shift: recalibración de umbral sin reentrenar
- Árbol de diagnóstico: qué hacer según el síntoma
- Pipeline CI/CD: trigger estadístico → reentrenamiento automático
- Dashboards de monitoreo: métricas clave en tiempo real
\(\text{PSI} < 0.10\): estable, sin acción. \(\;\text{PSI} \in [0.10, 0.25)\): vigilancia, revisar features. \(\;\text{PSI} \geq 0.25\): trigger de reentrenamiento automático.
La evolución de un modelo en producción no puede ser un salto en fe. Este módulo cubre la metodología Champion-Challenger: cómo correr un modelo candidato en shadow mode junto al modelo activo, cómo distribuir el tráfico de decisiones entre ambos de forma controlada, y los criterios estadísticos objetivos para decidir cuándo el challenger merece reemplazar al champion.
- Shadow mode: el challenger decide pero no actúa
- Traffic splitting: asignación controlada de porcentaje
- Criterios de switchover: AUC, KS, Gini, Brier Score
- Tests de significancia estadística entre modelos
- Rollback automático ante degradación del challenger
- Gobernanza: comité de modelos y audit trail regulatorio
Un challenger con \(\Delta\text{AUC} > 2\,\text{pp}\) sostenido durante 4 semanas en producción con significancia estadística justifica el reemplazo del champion. Un \(\Delta\text{AUC}\) de 1 pp en datos históricos no garantiza mejora en producción — solo el shadow mode en vivo lo confirma.
Un motor de decisión crediticia opera en un contexto legal, ético y regulatorio que ninguna línea de código puede ignorar. Este módulo cubre la detección de fraude en tiempo real, los principios de ética algorítmica aplicados al crédito, la explicabilidad de decisiones con SHAP, los requerimientos de compliance SBS y GDPR, y el diseño de sistemas auditables que soporten la revisión regulatoria.
- Modelos de fraude RT: features de anomalía y latencia
- Sesgo algorítmico: detección y mitigación en scoring
- Explicabilidad SHAP: decisión por decisión al regulador
- Reject inference: el problema del sesgo de selección
- Requerimientos SBS: resoluciones de modelos y validación
- GDPR aplicado: derecho de explicación en decisiones automatizadas
Los valores SHAP son la única descomposición aditiva que satisface simultáneamente eficiencia, simetría, linealidad y dummy property. Para el regulador, SHAP es el lenguaje que convierte un LightGBM opaco en una decisión auditable.
El módulo final integra todos los componentes del programa en un sistema de crédito operativo completo. El participante implementa desde cero un motor de decisión crediticia en tiempo real que incluye: Feature Store, modelo LightGBM calibrado, capa de políticas con datos frescos SBS, motor de pricing de riesgo, generador de oferta estructurada y dashboard de monitoreo con alertas automáticas de drift.
- Integración de los 8 módulos en un sistema cohesivo
- Implementación del Feature Store con datos sintéticos reales
- Motor de decisión completo: score + políticas + pricing
- Dashboard de monitoreo PSI en tiempo real
- Champion-Challenger en producción simulada
- Presentación al regulador: SHAP por decisión y audit log
Sistema funcional deployado en contenedor Docker con API REST documentada, modelo en producción, capa de políticas activa, dashboard de monitoreo con alertas PSI y log de decisiones auditables. El entregable refleja exactamente lo que se construye en una fintech de crédito digital en producción real.
conceptual
WoE / IV
LightGBM
RT
Drift
Challenger
Compliance
End-to-End