Usa los datos para conseguir un préstamo parra tu pequeña empresa

Hoy en día, los bancos comunitarios se están consolidando y los bancos más grandes están confiando más y más en los datos para la concesión de créditos a pequeñas empresas - si es que los están concediendo. Con grandes volúmenes de datos que se utilizan para analizar todo, desde el genoma a los patrones de tráfico, es natural preguntarse si los datos pueden descifrar el código en el riesgo de crédito de la pequeña empresa. Hay razones para el optimismo. 

Existen nuevos participantes impulsados por la tecnología en el mundo de los préstamos a pequeñas empresas. Estos jugadores innovadores, como OnDeck, Funding Circle, y Fundera están perturbando el mercado mediante el uso de la tecnología para resolver los problemas que han hecho que los préstamos a pequeñas empresas sea costoso para los bancos tradicionales. Por ejemplo, utilizan los mercados en línea para reducir los costes de búsqueda de prestamistas dispuestos a encontrar prestatarios solventes. Y están permitiendo nuevas fuentes de capital, como los préstamos peer-to-peer para reemplazar el capital bancario tradicional. Sin embargo, todos estos modelos en línea dependen de desarrollar nuevos modelos predictivos precisos de evaluación del crédito, a menudo utilizando nuevas fuentes de datos. 

A primera vista, parece relativamente fácil construir un algoritmo con mayor poder predictivo que las puntuaciones de crédito personales que algunos prestamistas siguen usando como su indicador principal de crédito para la pequeña empresa. Las puntuaciones de crédito personales como FICO consideran una combinación de métricas tales como el historial de pagos, el nivel actual de endeudamiento y los tipos de crédito utilizados por los prestatarios potenciales de pequeñas empresas. 

En los días de altos vuelos de 2005-2007, los bancos de todo el país se basaron en gran medida en estos resultados para tomar decisiones rápidas en millones de préstamos para pequeñas empresas sin garantía, con resultados desastrosos. Desde la crisis, los bancos han reconsiderado su excesiva dependencia de las calificaciones de crédito personales en préstamos a pequeñas empresas. Muchos prestamistas han construido sus propios modelos de predicción que incorporan indicadores clave sobre el negocio del prestatario - tales como las tendencias del sector y número de empleados, además de cuentas personales. Algunos prestamistas - así como la Administración de Pequeños Negocios, que ofrece una garantía parcial de algunos de los préstamos otorgados por prestamistas - también han incorporado las calificaciones de crédito de terceros, como los producidos por Dun & Bradstreet, que utilizan modelos de decoro predictivo que contienen una mezcla de datos personales y datos de la empresa para evaluar mejor el riesgo del prestatario. 

Las plataformas de préstamo en línea como OnDeck han estado utilizando la información sobre flujos de efectivo y depósitos directos de las pequeñas empresas en las cuentas bancarias como un indicador clave de la salud de crédito desde 2006. Intuit ha estado experimentando con el uso de las empresas datos de QuickBooks (con su permiso) para crear una puntuación de crédito que permita a los prestamistas ver el negocio a través de una plataforma de QuickBooks que incluye varios de los grandes bancos y prestamistas en línea. Otros incluso han llegado a usar los datos de los sitios de medios sociales como Yelp en sus fórmulas predictivas. Después de todo, ¿no es importante la voz del cliente si vas a financiar a un fontanero o a un restaurante? 

A algunos les preocupa que los medios sociales no sean fiables ya que a menudo puede ser manipulado por un competidor agresivo o por el pequeño negocio en sí. Los primeros informes de los arquitectos de estos nuevos algoritmos advierten cuánto tiempo se necesita para incorporar cuidadosamente nuevas métricas en los modelos. Por ahora, los modelos mezclados basados en los resultados personales y los datos específicos del negocio siguen siendo el estándar de la industria. 

Sin embargo, como los nuevos participantes experimentan cada vez más con los datos de flujo de caja y de depósito directo como medio para mejorar la predicción de la capacidad de una pequeña empresa para pagar sus préstamos, los que tienen fácil acceso a esos datos podrían tener una ventaja real. 

Actualmente, los grandes bancos como Wells Fargo y JP Morgan Chase, así como las compañías de tarjetas de crédito como American Express y Capital One, tienen acceso a grandes cantidades de este tipo de datos, y están comenzando a incorporarlos en sus modelos predictivos con mayor frecuencia. 

Todavía es demasiado pronto para que el uso de modelos predictivos reduzca el riesgo y cree nuevos mercados para los préstamos para pequeñas empresas. Pero la probabilidad de un cierto éxito parece buena. A medida que nuevos jugadores entran en el mercado de préstamos para pequeñas empresas y revelan nuevas oportunidades, los grandes bancos que tienen los datos y equipos con experiencia en este tipo de modelos, están empezando a tomar nota.  

En agosto, OnDeck anunció una oferta pública inicial por valor de $1.5 mil millones. Algunos, al menos, creen que los nuevos participantes y sus enfoques predictivos innovadores pueden cambiar el juego en los préstamos a pequeñas empresas. Y si ese es el caso, los ganadores finales serán las pequeñas empresas y los empresarios.

Etiquetas: datos