En los artículos anteriores de esta serie vimos la teoría detrás del credit scoring: qué son el WOE y el IV, cómo funciona el binning, cómo se transforma una regresión logística en un scorecard, qué diferencia la calibración de la discriminación y cómo monitorizar un modelo en producción. En este tutorial conectamos toda esa teoría con la práctica: construiremos un scorecard completo, de principio a fin, usando el constructor de scorecards del laboratorio de Analytics Lane o ScoreFlow .
El proceso se divide en 7 pasos, y cada sección de este tutorial se corresponde con uno de ellos: veremos qué decisiones hay que tomar en cada momento y por qué. Si quieres profundizar en la teoría, encontrarás en cada sección un enlace al artículo correspondiente de la serie.
Todo el proceso ocurre en tu navegador: tus datos nunca se envían a ningún servidor, algo especialmente relevante si vas a practicar con datos reales de tu organización. Si necesitas persistencia de datos, cifrado de extremo a extremo, informes más completos y funcionalidades adicionales, el mismo proceso está disponible en Scoreflow, nuestra solución SaaS, donde los datos se almacenan siempre cifrados en nuestros servidores.
Para construir un scorecard necesitas un dataset con estas características mínimas:
Al cargar tu dataset, el constructor ejecuta automáticamente un análisis de calidad para detectar problemas que conviene resolver antes de avanzar.
Tras definir la partición, el constructor muestra una tabla con todas tus variables y sus estadísticos básicos: tipo detectado, PSI entre entrenamiento y test, estado (estable o no) y número de registros de entrenamiento.
El PSI de cada variable se calcula automáticamente comparando ambos conjuntos. Si alguna variable aparece marcada en rojo con un PSI alto, puede indicar que la partición no es representativa para esa variable, revisa el diagnóstico automático, que te explica la causa probable. En ese caso, prueba a modificar la partición o a activar la partición estratificada hasta conseguir que todas las variables sean estables entre entrenamiento y test.
Si quieres entender en profundidad qué es el PSI y por qué importa, el artículo PSI: cómo saber cuándo tu modelo se ha degradado lo explica con detalle, aunque en este paso lo estás usando para verificar la partición, no para monitorizar un modelo en producción.
Scoreflow incluye además en esta fase la detección previa de pseudo-IDs y de tipos de datos mal asignados (por ejemplo, variables categóricas cargadas como numéricas).
Si alguna variable tiene muchos nulos o outliers extremos, este paso te permite configurar cómo tratarlos: un bin separado para los nulos (la opción recomendada por defecto en credit scoring) o winsorización para los outliers. Si no estás seguro, puedes dejar los valores predeterminados y ajustarlos más adelante si el análisis bivariante revela algún problema.
Este es el paso donde realmente empiezas a entender tus datos, antes de tomar ninguna decisión técnica.
Haz clic en cada variable de la lista del panel izquierdo. Para las variables numéricas verás la tasa de impago en cada uno de los 10 cuantiles: observa si la relación es claramente creciente, decreciente, en forma de U o irregular. Para las categóricas verás la tasa de impago por categoría, ordenada de mayor a menor riesgo.
Presta especial atención a la forma de la relación, que el constructor detecta automáticamente. Si una variable que esperabas relevante aparece como “sin relación” o “irregular”, puede ser una señal de que necesita revisión, o de que simplemente no es tan predictiva como pensabas.
En el panel resumen, al final de este paso, verás todas las variables con su IV bruto preliminar. Las marcadas con ⚠️ (por posible leakage, IV bajo o ser un posible pseudo-ID) tienen botones de exclusión directos: úsalos ahora en lugar de
esperar al paso de selección de variables. Cuanto antes limpies el conjunto, más cómodo será trabajar en los pasos siguientes.
Si quieres entender la base matemática del WOE y el IV que estás viendo en las tablas de este paso, el artículo WOE e IV: la base matemática del credit scoring explica la fórmula y su interpretación con ejemplos numéricos.
En este paso conviertes cada variable continua en un conjunto de bins discretos, cada uno con su WOE asociado.
El constructor genera automáticamente un binning inicial para cada variable usando equal frequency e intentando forzar la monotonía. Revisa la tabla de bins y el gráfico de WOE de cada variable:
El artículo El binning en credit scoring detalla todas las restricciones que debe cumplir un buen binning: monotonía, tamaño mínimo de bin, significado económico. Una buena lectura por si quieres profundizar antes de hacer los ajustes manuales.
Con el binning ya definido, llega el momento de decidir qué variables entran finalmente en el modelo.
El flujo en cascada del constructor aplica primero los filtros automáticos: exclusión por IV mínimo, IV máximo, tasa de nulos y multicolinealidad. Revisa en la tabla de resumen qué variables se han excluido y por qué.
Si quieres reducir aún más el conjunto, activa la selección top N e indica cuántas variables quieres conservar, ordenadas por IV. Para un primer scorecard, entre 8 y 12 variables suele ser un buen punto de partida: ni tan pocas que pierdas poder predictivo, ni tantas que el modelo sea difícil de mantener.
Alternativamente, puedes activar el filtrado por stepwise, que selecciona las variables más significativas usando la metodología estándar. Recuerda que los filtros se aplican en orden: primero los filtros automáticos, luego el top N y
finalmente el stepwise.
Revisa la matriz de correlación de las variables seleccionadas. Si ves algún par con correlación alta (resaltado en rojo), considera excluir la de menor IV de cada par, aunque el filtro automático ya debería haber gestionado los casos más
evidentes.
En la tabla final, revisa cada variable individualmente. Si alguna fue excluida automáticamente pero crees que debería estar por razones de negocio, inclúyela manualmente: el constructor te pedirá una breve justificación que quedará
registrada en el log de decisiones.
En este paso se ajusta la regresión logística sobre las variables seleccionadas, transformadas a WOE.
Lo único que tienes que configurar es si el ajuste emplea ponderación por clases o no; el resto lo hace el constructor automáticamente. Tu trabajo aquí es revisar los resultados, empezando por la tabla de coeficientes.
Verifica que todos los coeficientes tienen el signo esperado: con la convención de WOE usada en el laboratorio (WOE = ln(no eventos/eventos)), los coeficientes deben ser negativos. Si ves alguno marcado con ⚠️ por tener signo positivo, es una señal de alerta, normalmente indica multicolinealidad residual o un problema en el binning de esa variable concreta.
Revisa también el Gini, el KS y el AUC en train y test. Si la diferencia entre ambos conjuntos es grande (más de 5 puntos de Gini), puede haber sobreajuste: considera volver al paso 4 y reducir el número de variables, o revisar si alguna tiene un binning demasiado fino.
Si quieres entender estas métricas en profundidad, el artículo Gini, KS y AUC explica qué mide cada una y cómo interpretarlas. Y si quieres ver exactamente cómo se transformarán estos coeficientes en puntos en el siguiente paso, De la regresión logística al scorecard tiene la derivación matemática completa.
Llega el momento de convertir el modelo estadístico en una tabla de puntos.
Define los tres parámetros del scorecard: score base (600 por defecto), PDO (20 por defecto) y odds de referencia (50:1 por defecto). Para un primer scorecard, estos valores estándar de la industria funcionan bien: no necesitas cambiarlos a menos que tengas una razón específica.
Revisa la tabla de puntos generada para cada variable. Verifica que los puntos son coherentes con la dirección esperada: más ingresos deberían dar más puntos; más meses de mora, menos puntos.
Usa la calculadora de score individual para probar el scorecard con un cliente hipotético. Introduce valores razonables y verifica que el score resultante tiene sentido para ese perfil, ni absurdamente alto ni absurdamente bajo.
El último paso antes de exportar el modelo, donde verificas que es apto para producción.
Revisa las métricas de discriminación, el Gini, el KS y el AUC que ya viste en el paso 5, ahora acompañadas de la distribución de puntuaciones y la curva ROC.
Revisa la curva de calibración: los 10 puntos deberían acercarse a la diagonal. Si ves un patrón sistemático (todos los puntos por encima o por debajo, o una forma de S), el artículo Calibración vs discriminación te ayudará a diagnosticar qué está pasando y si se puede corregir con una simple recalibración del intercepto.
Comprueba el ECE: por debajo de 0,02 indica buena calibración; entre 0,02 y 0,05, aceptable; por encima de 0,05, requiere atención.
Si las métricas son satisfactorias, descarga el JSON del modelo con el botón de exportación. Este archivo contiene todo lo necesario para aplicar el scorecard a nuevos datos: los bins, el WOE, los coeficientes y los puntos de cada variable.
Con el JSON descargado, el siguiente paso natural es aplicarlo a un nuevo conjunto de datos usando la aplicación de scoring del laboratorio, donde puedes cargar el modelo y un dataset nuevo para obtener los scores, las probabilidades de default y el análisis de estabilidad (PSI) frente al conjunto de entrenamiento original.
Si más adelante construyes un segundo modelo y quieres saber si es mejor que el primero antes de sustituirlo, la aplicación Champion vs Challenger te permite comparar ambos directamente sobre el mismo dataset.
Construir un scorecard no tiene por qué ser un proceso complejo. Con el constructor de scorecards del laboratorio de Analytics Lane puedes completar todo el flujo, desde la carga de datos hasta la validación, en 7 pasos guiados, entendiendo en cada momento qué decisiones tomas y por qué. Y cuando necesites dar el salto a un entorno profesional, con persistencia, cifrado y informes completos, Scoreflow te ofrece el mismo proceso con funcionalidades adicionales.
Más allá de la herramienta, lo importante es el criterio que has aplicado en cada paso: verificar la estabilidad de la partición, exigir monotonía en el binning, comprobar los signos de los coeficientes y validar tanto la discriminación como la calibración. Ese criterio es el que convierte un ejercicio técnico en un modelo defendible ante negocio y ante un regulador.
Si construyes tu primer scorecard siguiendo este tutorial, cuéntanos en los comentarios cómo te ha ido o qué paso te ha resultado más difícil.
Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.
expresslanets es la plantilla de API REST con Express y TypeScript que empezó como una…
En el artículo del Dashboard vimos que Pareto/NBD aparecía junto a BG/NBD con un ajuste…
Durante años, CommonJS (require/module.exports) ha sido la forma por defecto de organizar módulos en Node.js,…
Cuando usas k-means tienes que decidir algo incómodo de entrada: cuántos grupos, , vas a…
La estadística no suele fallar en los cálculos: falla en la interpretación. El test está…
Los artículos anteriores de esta serie cubrieron cuatro formas de mirar el valor del cliente:…
This website uses cookies.