En finanzas el problema casi nunca es la falta de datos: es que cada área tiene los suyos. Comercial reporta una cifra de colocación, riesgo maneja otra de mora, contabilidad cierra con una tercera y en el comité cada uno defiende su Excel. Antes de discutir qué decisión tomar, se pierde media reunión discutiendo cuál número es el bueno.
El business intelligence aplicado a finanzas resuelve eso primero, y solo después habla de modelos. Una fuente única, definiciones acordadas, cifras que cuadran entre sí y trazabilidad hasta el sistema de origen. Recién sobre esa base tiene sentido construir scoring, segmentación y proyecciones — porque un modelo alimentado con datos que nadie reconcilió produce predicciones que nadie va a usar.
Primero la fuente única
El trabajo empieza en la capa de datos. Extraemos de los sistemas transaccionales — core, ERP, CRM, cobranzas, planillas —, definimos las reglas de negocio en un solo lugar y construimos el modelo analítico. Ahí es donde se decide qué significa exactamente 'cliente activo', 'mora' o 'cartera vigente', y esa definición pasa a ser una sola para toda la organización.
- Integración de fuentes: conexión con el core, el ERP, el CRM y las hojas que hoy sostienen procesos críticos, con carga automatizada y controlada.
- Modelo de datos y capa semántica: las definiciones de negocio se escriben una vez y se reutilizan en todos los tableros.
- Calidad y conciliación: controles automáticos que detectan cuando una carga no cuadra, antes de que el número llegue al comité.
- Historización: capacidad de responder no solo cómo está la cartera hoy, sino cómo se veía hace seis meses y qué cambió.
Scoring sobre la cartera propia
Un modelo de scoring vale por los datos con los que fue entrenado. Un score comprado, entrenado sobre una cartera distinta, con otro perfil de cliente y otro contexto económico, va a fallar exactamente donde más importa: en el segmento particular de esta institución. Por eso los modelos se entrenan sobre la cartera del cliente y se validan contra su propio comportamiento histórico de pago.
El proceso es explícito: construcción del conjunto de entrenamiento con variables que existen al momento de la decisión (no variables que solo se conocen después, que es el error más común y el que produce modelos brillantes en el laboratorio e inútiles en producción), validación fuera de muestra y fuera de tiempo, y medición del desempeño con las métricas que el negocio va a mirar.
- Scoring de originación: probabilidad de incumplimiento en el momento de evaluar una solicitud.
- Scoring de comportamiento: reevaluación continua del cliente en cartera a partir de su patrón de pago.
- Priorización de cobranza: a quién contactar primero, por qué canal y con qué mensaje, según probabilidad de recupero.
- Detección de anomalías y patrones inusuales en transacciones.
- Predicción de fuga de clientes con anticipación suficiente para actuar.
Modelos que se pueden explicar
En finanzas, un modelo que no se puede explicar es un modelo que no se puede desplegar. El área de riesgo necesita entender por qué el score bajó, el regulador puede preguntar, y el cliente tiene derecho a una razón. Por eso privilegiamos modelos interpretables y, cuando se justifica usar algo más complejo, se acompaña de las herramientas de explicabilidad que permiten sustentar cada decisión individual.
Segmentación que sirve para actuar
Segmentar por rango de ingreso y edad no cambia nada. La segmentación útil es la que produce una acción distinta para cada grupo: qué clientes concentran valor y están en riesgo de irse, cuáles tienen capacidad de crecer y no se les ha ofrecido nada, cuáles cuestan más de lo que aportan. Construimos segmentaciones sobre comportamiento observado — transacciones, uso de productos, patrón de pago — y las conectamos con la acción comercial que corresponde.
Ese trabajo cruza analítica y BI con inteligencia artificial: la segmentación se calcula con modelos, pero se entrega donde el equipo comercial trabaja — en su CRM, en su tablero, en la lista de llamadas del día. Un análisis que se queda en una presentación no genera ningún retorno.
Dashboards que la gerencia usa de verdad
Construimos tableros diferenciados por rol, no un tablero universal que nadie mira: el comité gerencial necesita la foto y las desviaciones; riesgo necesita la cartera por cosecha, por producto y por canal; comercial necesita su pipeline y su cumplimiento. Todos leyendo de la misma fuente, con las mismas definiciones y con la capacidad de bajar del indicador consolidado hasta la transacción individual que lo compone.
Automatización del proceso financiero
Hay una capa de trabajo administrativo que consume horas de gente calificada y que hoy es automatizable: extracción de datos desde facturas, estados de cuenta y comprobantes con OCR, conciliación bancaria, generación de reportes recurrentes, validaciones que alguien hace a mano cada cierre. Es desarrollo a medida aplicado a lo aburrido, que suele ser donde está el ahorro más inmediato y más fácil de medir.
Los modelos analíticos se entrenan y validan sobre los datos del propio cliente. WAI Technology no comercializa modelos preentrenados sobre carteras de terceros.