Un nuevo modelo para ampliar el acceso al crédito a nivel mundial

El acceso al crédito puede ser una forma de salir de la pobreza y, por lo tanto, una mejor salud, una 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 personas falta de acceso al crédito. Incluso cuando esté disponible, las normas pueden ser onerosas y los tipos de interés altos, del 25% a más del 100% para las instituciones de microfinanciación, con investigación sugiriendo que las mujeres tienden a pagar tasas más altas. El mercado informal puede resultar aún más caro.

Hay una razón 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 proporcionar documentación, como registros salariales, estados de cuenta bancarios o historiales crediticios. Todo esto dificulta distinguir a los prestatarios de bajo riesgo de los de alto riesgo.

El simple hecho es que, dado que es caro y complicado conceder crédito en estos mercados, no se está haciendo. El corolario es que si se pudieran reducir los costes, el acceso mejoraría.

Una oportunidad es la suscripción. Se han hecho esfuerzos en esta dirección. Un enfoque es adaptar la tecnología y la automatización para transformar la tradicional «suscripción impulsada por expertos». Más que una investigación presencial de los activos y pasivos de cada posible prestatario, la idea es que las herramientas digitales, las entrevistas en vídeo y las pruebas psicométricas remotas puedan proporcionar suficiente información a un coste menor. En las economías avanzadas, este enfoque es similar al que utilizan los bancos privados cuando los clientes tienen situaciones financieras personalizadas, por ejemplo, en el caso de personas con un patrimonio neto elevado. En los mercados emergentes, algunas instituciones de microfinanciación utilizan esta técnica para conceder préstamos a pequeñas y medianas empresas.

Otro enfoque es 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 del prestatario con los impagos de préstamos conocidos y, a continuación, utiliza esas correlaciones para tomar decisiones crediticias para cada persona. Utilizadas tradicionalmente por los prestamistas minoristas en entornos ricos en datos, como los Estados Unidos, las fintechs han empezado a digitalizar los datos de los prestatarios en los mercados emergentes, incluido el comportamiento de compra de los propietarios de teléfonos móviles, para evaluar la regularidad de los ingresos.

Ambos enfoques han llegado a sus límites para los posibles prestatarios más pobres. La automatización solo puede llegar hasta cierto punto para reemplazar la experiencia humana. Además, recopilar la información necesaria para crear un modelo de morosidad de alta calidad puede resultar caro, y el esfuerzo puede seguir sin llegar a los prestatarios más pobres, cuya presencia digital es generalmente escasa. Incluso cuando se pueden recopilar datos, por lo general solo bastan para garantizar pequeños préstamos a corto plazo y no los productos crediticios productivos que permiten a las personas aumentar sus ingresos.

Lo que se necesita, entonces, es una forma fiable y económica para que los prestamistas evalúen la capacidad de reembolso de las personas, incluso cuando hay pocos datos con los que trabajar.

Creemos que lo hemos encontrado: modelos predictivos del flujo de caja (PCM) o el uso de modelos estadísticos para pronosticar los ingresos y los gastos de segmentos de población definidos. El principio es que este conocimiento puede decir a los prestamistas qué tamaño de préstamo se adapta a cada segmento y también puede informar las decisiones sobre el plazo y el riesgo. Así es como podría funcionar.

En primer lugar, los modeladores recopilan los datos para entender los ingresos y los costes típicos de un segmento específico (los ganaderos del sur de Nigeria, por ejemplo) mediante entrevistas e investigaciones. Con los datos disponibles, es posible estimar cuánto dinero es probable que las personas de ese segmento puedan destinar a reembolsar un préstamo. Estos cálculos ayudan en gran medida a definir cuánto crédito conceder y en qué condiciones para cada segmento.

Consideremos un ejemplo hipotético de una familia de cinco miembros en Kenia. La familia es propietaria de media hectárea de tierra (el tamaño medio de una pequeña propiedad 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 cuantas gallinas y hacen trabajos ocasionales.

Al recopilar y evaluar los datos sobre el tamaño de las propiedades, los precios agrícolas y los costes regulares (desde las semillas hasta las tasas escolares), es posible hacerse una buena idea de la dinámica del flujo de caja de una cohorte de familias similares y, por lo tanto, de la cantidad de crédito que ofrecer. Este modelo puede mostrar que hay un 75% de probabilidades de que una familia que genera 100 dólares al año en efectivo discrecional pueda reembolsar un préstamo de 50 dólares, pero solo un 2% de probabilidades de un préstamo de 200 dólares. Los prestamistas pueden entonces utilizar esta información para conceder la cantidad correcta de crédito según el perfil de riesgo deseado. El modelo también se puede diseñar para fijar precios en casos puntuales, como un desastre natural o una enfermedad.

La recopilación de datos por segmento de población crea economías de escala, ya que permite a los prestamistas atender a los prestatarios que antes eran demasiado caros de suscribir de forma individual. De hecho, una vez creado el modelo, los costes marginales de suscripción son casi nulos porque no es necesario recopilar datos adicionales. Y a diferencia de las agencias de crédito, que mantienen sus modelos ajustados, los prestamistas pueden acceder al PCM y a los datos, lo que les permite mejorar continuamente el diseño y la segmentación de los productos.

El concepto básico de utilizar modelos probabilísticos basados en el flujo de caja no es del todo nuevo. Las instituciones financieras llevan mucho tiempo utilizando modelos probabilísticos basados en el flujo de caja para las carteras inmobiliarias comerciales, donde las tasas de morosidad son más bajas y, por lo tanto, los datos asociados son escasos. Incluso algunas instituciones de microfinanciación han experimentado con un precursor de la idea que proponemos, por ejemplo, utilizar un modelo determinista del flujo de caja para estimar los ingresos y los gastos de los productores de leche.

La diferencia aquí está en la sofisticación y la escala del enfoque. La sofisticación consiste en proyectar estadísticamente tanto los ingresos como los gastos, basándose en información limitada. La escala proviene de la gran población no bancarizada con pocos datos, para la que este enfoque ofrece posibles nuevas oportunidades.

Crear estos modelos de flujo de caja probablemente sea complejo y caro, y cada mercado necesitará varios modelos. Las necesidades de, por ejemplo, los microempresarios en Calcuta son diferentes a 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 crear, mantener y mejorar gradualmente los modelos de flujo de caja, o del alcance geográfico para crear carteras de préstamos diversificadas.

Aquí es donde el capital filantrópico podría intervenir, ayudar a recopilar datos y proporcionar soporte técnico. En la India, por ejemplo, la Fundación Bill y Melinda Gates, donde trabaja uno de nosotros (Michael), probará este tipo de  modelización estadística y trabajo con los participantes del mercado para diseñar pilotos.

Poner en práctica el PCM probablemente no sea sencillo. Los diferentes mercados podrían necesitar pruebas adicionales para cumplir con los requisitos reglamentarios y de riesgo. Los prestamistas pueden enfrentarse a problemas para integrar el PCM en sus sistemas actuales. Por último, aunque el PCM arroja luz sobre la capacidad de los prestatarios para reembolsar los préstamos, no dice nada sobre su voluntad de hacerlo.

Por supuesto, el PCM no es un elixir mágico que resuelva todos los desafíos relacionados con la prestación de servicios financieros. Aun así, creemos que el PCM podría resolver un problema complejo (la suscripción para los consumidores más pobres) y, como tal, ampliar significativamente el acceso al crédito, a un coste razonable, para quienes ahora están excluidos.

Nota: Los autores quieren dar las gracias a Lukas Freiheyt por su contribución a este artículo.