Análisis de Sentimientos aplicado al riesgo crediticio: realidad, límites y casos de uso

El análisis de sentimientos dejó de ser un experimento académico para convertirse en un insumo relevante dentro del scoring alternativo y del monitoreo de riesgo. Hoy, varias fintech y entidades financieras están evaluando la incorporación de señales derivadas de procesamiento de lenguaje natural (NLP) en motores de decisión (siempre que estos lo permitan técnicamente, como ocurre con nuestro motor), los cuales históricamente dependieron de datos de burós de crédito y de variables financieras tradicionales.

Trade-off: incrementar la sensibilidad predictiva sin vulnerar regulaciones ni introducir fricciones operativas.

La lógica es simple: un cliente puede mostrar capacidad de pago en sus indicadores financieros, pero al mismo tiempo evidenciar señales de estrés económico o inestabilidad emocional en sus interacciones digitales. Detectar estas señales antes de que se materialicen en mora es donde adquiere relevancia el análisis de sentimientos. Asimismo, cuando se utiliza un agente digital para realizar llamadas comerciales sobre productos preaprobados, es posible detectar el nivel de interés del cliente y ajustar la oferta para favorecer la aceptación.

Métodos utilizados

• Diccionarios y enfoques léxicos: rápidos y auditables, pero excesivamente “simples”. Suelen ofrecer bajo desempeño en español latinoamericano debido a la ambigüedad y a la ironía propias del lenguaje.

• Modelos clásicos supervisados (SVM, regresión logística, Random Forest) entrenados con corpus etiquetados provenientes de call centers y chats de soporte. Estos modelos ya se encuentran en producción en diversas entidades de América Latina, pero requieren etiquetado constante y de alto costo.

• Transformers (BERT, RoBERTa, BETO para español): actualmente constituyen el estándar. Permiten detectar matices contextuales, ironía y combinaciones complejas de emociones.

Casos de uso reales

• Monitoreo post-colocación: identificación de cambios en el tono de correos electrónicos o chats del cliente. Algunas entidades financieras en México y Chile correlacionan estas variaciones con incrementos en indicadores de NPL (non-performing loans).

• Validación de identidad post-colocación: detección de clientes potencialmente fraudulentos recientemente incorporados y análisis de casos relacionados.

• Fraude y phishing inverso: patrones de redacción y tono “forzado” en respuestas de clientes permiten anticipar solicitudes de financiamiento fraudulentas.

• Credit scoring alternativo: algunas startups en Asia y África ya utilizan análisis de sentimientos aplicado a redes sociales como variable complementaria. En América Latina, el tema es más sensible debido a la regulación, pero se encuentra en discusión.

Problemas a resolver

1. Privacidad y ética: la regulación (por ejemplo, GDPR en Europa o LGPD en Brasil) exige justificar el uso de datos no financieros, lo cual limita de forma significativa las fuentes posibles.

2. Sesgos lingüísticos: entrenar un modelo con datos de un país y aplicarlo en otro puede generar resultados incorrectos. Ejemplo: BETO (BERT entrenado para español) funciona mejor en Colombia que en Argentina si no se realiza un ajuste de dominio.

3. Explicabilidad: ningún regulador aprobará un modelo crediticio cuya decisión se fundamente únicamente en una emoción detectada. La trazabilidad de las variables utilizadas es indispensable.

El análisis de sentimientos no reemplaza a los modelos de riesgo: los complementa y amplía su alcance. Si se lo desea aplicar en scoring, la estrategia adecuada es un enfoque híbrido: variables duras (deuda, ingresos, comportamiento histórico) combinadas con variables blandas (sentiment, engagement, consistencia narrativa).