Por Eddie Arenas, CEO de Quarks Data
Durante décadas la economía supuso que el capital era la restricción que limitaba el crecimiento. Rara vez lo es. Lo que escasea no es el dinero, sino el conocimiento productivo: la capacidad de hacer cosas que otros no saben hacer. Ese conocimiento no se compra en un mercado ni se descarga en una tarde. Se acumula, se incorpora en personas y en sistemas, y se sostiene con esfuerzo.
Un banco es la ilustración más pura de esta idea. El dinero es su insumo más abundante y menos distintivo: casi todos los bancos acceden, en esencia, a la misma materia prima. Lo que separa a un banco excelente de uno mediocre no es cuánto puede prestar, sino cuán bien sabe a quién. Esa capacidad, la de saber a quién, es un activo productivo. Y hoy vive, cada vez más, en los datos.
En 2022, como Synergy Data Analytics (la empresa que hoy es Quarks Data), construimos el motor de scoring crediticio del banco más importante de Argentina. Los acuerdos de confidencialidad nos impiden nombrarlo. Lo que sigue es a la vez el relato técnico de cómo se construye un sistema así y el argumento económico que ese sistema ilustra: que en banca el conocimiento, y no el capital, es el factor escaso.
El problema no es la información, es la capacidad de usarla
Conviene una distinción que la economía aprendió tarde. La información es codificable: viaja barata, se copia, se transmite. El conocimiento productivo, el knowhow, es tácito: reside en redes de personas y en los sistemas que esas personas construyen, y se resiste a ser transferido. Un banco no carece de información sobre sus deudores. Le sobra. Lo que le cuesta es convertir esa información dispersa en un juicio único, confiable y repetible sobre cada individuo. Esa conversión es la capacidad. El scoring es el mecanismo que la produce.
Formalmente, el objetivo no era un puntaje, sino una probabilidad de incumplimiento (PD, probability of default) calibrada y estable en el tiempo. La definición de default fue explícita y auditable: mora igual o superior a 90 días dentro de una ventana de observación de 12 meses, a partir de una fecha de corte. Esa definición gobierna todo lo demás. Elegirla mal contamina el sistema entero sin que ningún indicador lo delate.
La infraestructura donde se acumula el conocimiento
Un conocimiento que aspira a ser productivo necesita un lugar donde vivir. El nuestro fue una arquitectura Lakehouse sobre Databricks, con Apache Spark como motor de cómputo distribuido, porque el volumen (millones de individuos con historia, cruzados contra varias fuentes) no admitía trabajo en una sola máquina.
La organización siguió el patrón medallion sobre Delta Lake. La capa bronze recibe la ingesta cruda de las fuentes sin transformarla, preservando el dato original con linaje trazable. La capa silver reconcilia: limpia, deduplica, resuelve identidad entre fuentes y unifica la llave de individuo. La capa gold produce la tabla analítica de base (ABT) con las 360+ features y el target, construida con corrección point-in-time.
Delta Lake aportó transacciones ACID, time travel para reproducir cualquier corrida histórica y schema enforcement para que un cambio de fuente no rompa el pipeline en silencio. MLflow registró cada experimento con sus hiperparámetros, métricas y artefacto, de modo que todo score fuera reproducible y auditable meses después. En banca esto no es un lujo, es un requisito: un conocimiento que no se puede reconstruir no es un activo, es una anécdota.
Codificar lo que el banco sabe: las 360 features
Cada feature es un intento de codificar un fragmento de conocimiento tácito sobre el comportamiento de un deudor. La potencia no vino de una fuente sino de su cruce: el buró de crédito de Experian, que nos daba ver al individuo más allá de su relación con el banco; el registro de deudores del sistema financiero, con la situación y clasificación regulatoria de cada deudor; y la data propia del banco sobre la relación del cliente con la institución.
De ese cruce se derivaron más de 360 variables por individuo, agrupadas en familias: sociodemográficas y de estabilidad, comportamiento de pago con su trayectoria en 3, 6 y 12 meses, exposición y endeudamiento, ratios de utilización, apetito de crédito medido por consultas recientes, historia de mora en su recencia y severidad, y variables derivadas que capturan interacciones.
El trabajo serio no está en tener 360 features, sino en construirlas con corrección temporal. Cada una se calculó estrictamente con información disponible antes de la fecha de corte. Un solo dato que mire al futuro infla el desempeño en validación y colapsa en producción. Por la misma razón, el split fue out-of-time y no aleatorio: se entrena sobre cohortes antiguas y se valida sobre cohortes posteriores, porque a un modelo de riesgo se le juzga por predecir el futuro, no por interpolar el pasado.
El modelo: XGBoost, y el precio de la opacidad
La elección de XGBoost sobre una regresión logística o un scorecard clásico WOE fue deliberada. XGBoost captura no linealidades e interacciones sin que haya que especificarlas a mano, maneja los valores faltantes de forma nativa (y en datos de buró el missing es informativo, no ruido) y es robusto ante features correlacionadas y de distinta escala.
Toda capacidad tiene su precio. El de XGBoost es la opacidad: un scorecard logístico es transparente por diseño, un ensemble de árboles no. En banca eso no es negociable, así que se compensó por dos vías. Primero, SHAP values para descomponer cada score en la contribución de cada feature, lo que habilita los reason codes que exige la explicación de un rechazo ante el cliente y ante el regulador. Segundo, restricciones de monotonicidad sobre las variables donde la relación con el riesgo debe respetar la lógica de negocio, sacrificando algo de ajuste puro a cambio de un modelo defendible.
El entrenamiento manejó el desbalance de clases con scale_pos_weight en lugar de sobremuestreo agresivo, que distorsiona la calibración. La búsqueda de hiperparámetros se corrió de forma distribuida con Hyperopt sobre el cluster, con early stopping contra un set de validación temporal.
De probabilidad a decisión: la calibración
Un XGBoost bien entrenado ordena bien, pero sus salidas crudas no son probabilidades confiables. Antes de traducir a score, la PD se calibró (calibración isotónica sobre el conjunto out-of-time) para que un 10% de PD signifique efectivamente un 10% de defaults observados en ese segmento. Sin ese paso el ordenamiento es correcto, pero los umbrales de negocio quedan mal fijados.
La traducción de PD a score usó la lógica clásica de scorecard: score = offset + factor · ln(odds), donde odds = (1 − PD) / PD y el factor se deriva del PDO (points to double the odds), los puntos que duplican las probabilidades a favor. El resultado es una escala interpretable y monótona: más puntaje, menor riesgo, con una relación conocida entre puntos y odds. El banco recibe un número que puede usar para políticas de corte sin necesidad de entender el modelo por dentro.
La prueba de que el conocimiento es real: validación
Un solo número no valida un modelo de riesgo. La batería fue: discriminación con Gini, AUC y KS, la métrica que riesgo mira primero; ordenamiento por deciles, verificando que la tasa de default caiga de forma monótona a medida que sube el puntaje; estabilidad con PSI entre la población de desarrollo y las cohortes posteriores, la alarma temprana de que un modelo empieza a derivar; y backtesting out-of-time sobre cohortes que el modelo nunca vio. Solo cuando las cuatro pasan, el modelo es candidato a producción.
Gobernanza: el conocimiento como activo que se protege
Se trabaja con datos personales financieros de millones de individuos, con data de buró y con información regulatoria del sistema, para la institución financiera más grande del país. La seguridad fue diseño, no capa posterior: procesamiento dentro del perímetro controlado sin exfiltración de datos crudos, cifrado en reposo y en tránsito, tokenización y hashing de identificadores personales (el modelo necesita las features, no la identidad), control de acceso por roles bajo el principio de menor privilegio con permisos a nivel de tabla y columna, y linaje y logs de auditoría completos. En banca, poder responder quién tocó qué y cuándo es tan importante como el modelo mismo.
Alcance y entregable
El alcance se definió acotado: el universo de individuos del sistema sobre las fuentes autorizadas, una fecha de corte y una ventana de performance de 12 meses fijadas al inicio, y el objetivo de construir, calibrar y validar el motor, con documentación y transferencia. La operación productiva en los sistemas core quedó del lado del banco.
Se entregó un modelo versionado y reproducible en MLflow, un pipeline de scoring ejecutable de punta a punta sobre Spark, una documentación técnica y model card que un regulador puede leer y defender, los reason codes por individuo vía SHAP, un marco de monitoreo con las métricas de estabilidad y sus umbrales de alarma, y la transferencia de conocimiento al equipo del banco.
El capital es abundante, el conocimiento no
Vale la pena volver al principio. Un banco no vende dinero, administra riesgo. Cada decisión de crédito es una apuesta sobre información incompleta, y la calidad de esa apuesta define el margen: cuánto presta, a quién, a qué tasa y cuánto pierde. El dinero, que parece el corazón del negocio, es lo más fácil de conseguir. Lo difícil, lo escaso, lo que de verdad distingue a una institución, es la capacidad de convertir datos dispersos en decisiones confiables.
Esa capacidad tiene la naturaleza del knowhow: no se compra hecha, se construye. Vive en la infraestructura de datos, en las features que codifican años de comportamiento, en los modelos calibrados y en la gobernanza que los sostiene. Un competidor puede copiar la tasa de un banco en un día. No puede copiar su capacidad de decidir bien, porque esa capacidad está incorporada en un sistema que tomó años acumular.
Ese fue el trabajo entonces, como Synergy Data Analytics, y es la misma tesis con la que hoy construimos infraestructura de decisiones en Quarks Data. En América Latina, donde los datos son más sucios, más fragmentados y más regulados de lo que cualquier manual asume, esta capacidad no es una ventaja competitiva más. Es la condición para competir. El capital irá a donde el conocimiento sepa qué hacer con él.