Un nuevo modelo para ampliar el acceso al crédito en todo el mundo

El acceso al crédito puede proporcionar una vía para salir de la pobreza y, por tanto, una mejor salud, educación y una vida más satisfactoria. El problema es que no hay suficiente. En los países en desarrollo, más de 130 millones de empresas y 1.400 millones de particulares carecen de acceso al crédito. Incluso cuando está disponible, las normas pueden ser onerosas y los tipos de interés elevados: del 25% a más del 100% en el caso de las instituciones de microfinanciación, y las investigaciones sugieren que las mujeres tienden a pagar tipos más altos. El mercado informal puede ser aún más costoso. Hay razones para ello. Los consumidores pobres de las economías con escasez de crédito no son fáciles de atender. Estos prestatarios pueden ser vulnerables a las crisis, como los desastres naturales o las enfermedades, y es posible que no puedan aportar documentación, como registros salariales, declaraciones bancarias o historiales crediticios. Todo ello hace difícil distinguir a los prestatarios de bajo riesgo de los de alto riesgo. El hecho es simple: Como es caro y complicado conceder créditos en estos mercados, no se está haciendo. El corolario es que si se pudieran reducir los costes, mejoraría el acceso. Una oportunidad está en la suscripción. Se han hecho esfuerzos en este sentido. Un enfoque consiste en adaptar la tecnología y la automatización para transformar la tradicional "suscripción dirigida por expertos". En lugar de una investigación en persona de los activos y pasivos de cada prestatario potencial, la idea es que las herramientas digitales, las entrevistas en vídeo y las pruebas psicométricas a distancia pueden proporcionar suficiente información, a menor coste. En las economías avanzadas, este enfoque es similar al que utilizan los bancos privados cuando los clientes tienen situaciones financieras a medida, por ejemplo en el caso de particulares con un elevado patrimonio neto. En los mercados emergentes, algunas instituciones de microfinanciación utilizan esta técnica para los préstamos a pequeñas y medianas empresas. Otro enfoque consiste en digitalizar los datos de los prestatarios para ampliar el alcance del "modelo de suscripción por defecto". Esta técnica utiliza grandes cantidades de datos para correlacionar las características de los prestatarios con los impagos de préstamos conocidos y, a continuación, utiliza esas correlaciones para tomar decisiones crediticias para cada persona. Tradicionalmente utilizadas por los prestamistas minoristas en entornos ricos en datos como Estados Unidos, las fintech han empezado a digitalizar los datos de los prestatarios en los mercados emergentes, incluido el comportamiento de compra de tiempo de emisión de los propietarios de teléfonos móviles, para evaluar la regularidad de los ingresos. Ambos enfoques han encontrado límites para los prestatarios potenciales más pobres. La automatización sólo puede llegar hasta cierto punto para sustituir la pericia humana. Además, recopilar la información necesaria para crear un modelo de impago de alta calidad puede resultar caro, y el esfuerzo puede pasar por alto a los prestatarios más pobres, cuya huella digital suele ser escasa. Incluso cuando se pueden recopilar datos, por lo general sólo bastan para suscribir pequeños préstamos a corto plazo y no los productos crediticios productivos que permiten a las personas aumentar sus ingresos. Lo que se necesita, por tanto, es una forma barata y fiable de que los prestamistas evalúen la capacidad de reembolso de las personas, incluso cuando hay pocos datos con los que trabajar. Creemos que podemos haberlo encontrado: la modelización predictiva del flujo de caja (PCM), o el uso de modelos estadísticos para prever los ingresos y gastos de segmentos de población definidos. El principio es que este conocimiento puede indicar a los prestamistas qué tamaño de préstamo conviene a cada segmento, y también puede informar las decisiones sobre plazos y riesgos. He aquí cómo podría funcionar. En primer lugar, los modelizadores recopilan los datos para conocer los ingresos y los gastos típicos de un segmento específico - los ganaderos del sur de Nigeria, por ejemplo - mediante entrevistas e investigaciones. Con los datos en la mano, es posible calcular cuánto dinero en efectivo es probable que la gente de ese segmento pueda destinar al reembolso de un préstamo. Tales cálculos contribuyen en gran medida a definir cuánto crédito conceder, y en qué condiciones, a cada segmento. Consideremos el ejemplo hipotético de una familia de cinco miembros en Kenia. La familia posee media hectárea de tierra (el tamaño medio de una pequeña explotación en Kenia) y vive con menos de 2,19 dólares al día. Los miembros de la familia cultivan patatas, que se cosechan en julio y agosto, y maíz, que se cosecha en octubre y noviembre. También venden huevos de unas pocas gallinas y realizan trabajos ocasionales. Recopilando y evaluando datos sobre el tamaño de las explotaciones, los precios agrícolas y los costes habituales - desde las semillas hasta los gastos escolares - es posible hacerse una buena idea de la dinámica del flujo de caja de una cohorte de familias similares y, por tanto, de cuánto crédito ofrecer. Un modelo de este tipo puede mostrar que hay un 75% de probabilidades de que una familia que genera 100 $ al año en efectivo discrecional pueda devolver un préstamo de 50 $, pero sólo un 2% de probabilidades para un préstamo de 200 $. Los prestamistas pueden entonces utilizar esta información para conceder la cantidad adecuada de crédito teniendo en cuenta el perfil de riesgo deseado. El modelo también puede diseñarse para valorar acontecimientos puntuales, como una catástrofe natural o una enfermedad. La compilación de datos por segmentos de población crea economías de escala, lo que permite a los prestamistas atender a prestatarios que antes resultaba demasiado costoso suscribir de forma individual. De hecho, una vez construido el modelo, los costes marginales de suscripción son prácticamente nulos porque no se requiere ninguna recopilación de datos adicional. Y a diferencia de las agencias de crédito, que mantienen sus modelos en secreto, el PCM y los datos son accesibles para los prestamistas, lo que les permite mejorar continuamente el diseño y la orientación de los productos. El concepto básico de utilizar la modelización probabilística basada en el flujo de caja no es totalmente nuevo. Las instituciones financieras llevan mucho tiempo utilizando la modelización probabilística basada en el flujo de caja para las carteras inmobiliarias comerciales, donde las tasas de impago son más bajas y, por tanto, los datos asociados son escasos. Incluso algunas instituciones de microfinanciación han experimentado con un precursor de la idea que proponemos, por ejemplo, utilizando un modelo determinista de flujo de caja para estimar los ingresos y gastos de los productores lácteos. La diferencia aquí radica en la sofisticación y la escala del enfoque. La sofisticación consiste en proyectar estadísticamente tanto los ingresos como los gastos, basándose en una información limitada. La escala proviene de la gran población no bancarizada con pocos datos, para la que este enfoque ofrece nuevas oportunidades potenciales. La creación de estos modelos de flujo de caja será probablemente compleja y costosa, y cada mercado necesitará varios modelos. Las necesidades de, por ejemplo, los microempresarios de Calcuta son diferentes de las de sus homólogos rurales del resto de Bengala Occidental. Además, las instituciones de microfinanciación más pequeñas pueden carecer del talento técnico y la amplitud geográfica necesarios para construir, mantener y mejorar gradualmente los modelos de flujo de caja, o del alcance geográfico para crear carteras de préstamos diversificadas. Aquí es donde podría intervenir el capital filantrópico, ayudando en la recopilación de datos y proporcionando apoyo técnico. En la India, por ejemplo, la Fundación Bill y Melinda Gates, donde trabaja uno de nosotros (Michael), pondrá a prueba este tipo de modelos estadísticos y trabajará con los participantes en el mercado para idear proyectos piloto. Poner en práctica la GCP probablemente no será sencillo. Los distintos mercados podrían requerir pruebas adicionales para cumplir los requisitos reglamentarios y de riesgo. Los prestamistas podrían tener dificultades para integrar el PCM en sus sistemas actuales. Por último, aunque la GCP arroja luz sobre la capacidad de los prestatarios para devolver los préstamos, no dice nada sobre su voluntad de hacerlo. Por supuesto, la GCP no es un elixir mágico que vaya a resolver todos los retos en torno a la prestación de servicios financieros. Aun así, creemos que el PCM puede resolver un problema complejo -la suscripción de préstamos para los consumidores más pobres- y, como tal, ampliar significativamente el acceso al crédito, a un coste razonable, a quienes ahora están excluidos. Nota: Los autores desean agradecer a Lukas Freiheyt sus aportaciones a este artículo.

Un nuevo modelo para ampliar el acceso al crédito en todo el mundo

Resumen.

Partner Center