Scoring de 'Compra Ahora, Paga Después' (BNPL) en el Checkout
Una fintech de pago aplazado decide en 200 ms, dentro del checkout de 5.000 tiendas online, si aprueba fraccionar una compra. El 60% de los usuarios no tiene historial bancario tradicional. Cada punto de mejora en la detección de impagos vale 3M€ al año. Bajo la normativa europea de IA el scoring de crédito es de alto riesgo: hay que dar motivos de cada denegación.
De dónde sale el dinero
Qué hacer ahora
- 1Calcular margen por operación aprobada y pérdida media por impago por tienda.
- 2Entrenar el modelo solo con variables disponibles en el checkout.
- 3Umbral económico por tienda y motivos de denegación (SHAP).
Para llevar al comité
Una página con la decisión, el impacto, los riesgos, los pasos y el KPI de seguimiento.
Se abre la ventana de impresión: elige "Guardar como PDF".
Ojo: más volumen no siempre es más beneficio
Las tiendas presionan para aprobar más; cada punto de aprobación extra en perfiles marginales sube el impago más que la comisión. El umbral se fija por margen por operación, distinto por tienda.
KPI para el comité
Pérdida por impago sobre volumen y tasa de aprobación por tienda.
Detalle para tu equipo de datos
Técnica propuesta: XGBoost
Por qué: Es un problema tabular masivo, con relaciones no lineales entre muchas señales y donde cada punto de precisión vale millones. XGBoost es el estándar para este tipo de datos, responde en milisegundos y, con SHAP y restricciones monótonas, entrega motivos por decisión para cumplir con la regulación.
Coste de equivocarse: Aprobar un impago cuesta el importe financiado; denegar a un buen cliente pierde la venta, la comisión de la tienda y enfada al comercio.
Datos necesarios: Histórico de 30M de operaciones con resultado de pago (pagó / impagó).; Datos de la transacción: importe, tienda, categoría, hora, dispositivo.; Comportamiento del usuario: compras previas, devoluciones, pagos puntuales.; Señales alternativas: antigüedad del email, coherencia de dirección.