Resumen

El Neuron OpenScore de Dedomena AI, expuesto a través de la API OpenScore, evalúa el riesgo crediticio de una persona utilizando información financiera declarada y el historial de transacciones bancarias opcional. Apoya los flujos de trabajo de préstamos y evaluación de riesgos al devolver un credit_score calculado, una categoría de riesgo de impago (low, medium o high), la confianza del modelo y explicaciones a nivel de características.

El neuron combina datos básicos del solicitante, como ingresos, deudas, costo de alquiler o vivienda, deuda pendiente total, antigüedad laboral y estado de morosidad. Cuando se proporciona el historial de transacciones, el modelo enriquece la evaluación con señales de comportamiento como patrones de ingresos y gastos, tendencias del saldo de la cuenta y categorías de gasto seleccionadas.

OpenScore también incluye un endpoint de aceptación de crédito para operaciones hipotecarias o crediticias. Este endpoint evalúa los detalles de la operación, el prestamista, el monto solicitado, el plazo, la tasa de interés y los perfiles de uno o dos solicitantes para predecir si es probable que la operación sea aceptada o rechazada.

???+ warning Esta clasificación se basa en la probabilidad de que un usuario se encuentre en un cierto nivel. Es esencial considerar otros factores y realizar comprobaciones adicionales para confirmar el score del usuario. Además, este algoritmo se ejecuta sobre la marcha, Dedomena AI no almacena ningún dato. Debes copiar los resultados para evitar perder la información.

Utiliza el Neuron OpenScore para estandarizar la evaluación de solicitantes, mejorar la explicabilidad en las decisiones de riesgo e integrar señales de riesgo crediticio directamente en los flujos de trabajo de préstamos digitales.

Propiedades Clave

La funcionalidad del sistema se basa en varias innovaciones clave:

• Requisitos de Entrada Simplificados: A diferencia de otros modelos, este sistema solo requiere datos financieros básicos del individuo a evaluar. El historial de transacciones opcional se puede agregar para mejorar el análisis. El sistema se puede conectar de forma segura a las fuentes de datos de la empresa o entidad, implementándose on-premise o a través de los conectores de Dedomena.

• Anonimización Propietaria: Los datos sensibles están protegidos mediante avanzadas capas de anonimización propietarias que garantizan la seguridad de los datos.

• Modelos de Ensamble (Ensemble Models): Los datos son procesados a través de un ensamble de modelos inteligentes que extraen conclusiones, categorizan las transacciones en ingresos y gastos, segmentan a los usuarios y estiman saldos futuros. Estas arquitecturas son el resultado de años de investigación y proporcionan un rendimiento superior.

• Modelos de OpenScore y Riesgo de Impago: El scoring final está determinado por dos modelos propietarios: uno para OpenScore y otro para el riesgo de impago, el cual requiere el monto del préstamo solicitado. Estos modelos ofrecen resultados explicables, dando a las instituciones financieras confianza en sus procesos de toma de decisiones.

• Escalabilidad y Actualizaciones: El sistema asegura la escalabilidad y la integración fluida a través de una API. Está diseñado para actualizaciones bianuales con pasos mínimos para mantener los modelos y algoritmos al día.

• Automatización y Explicabilidad: Se han aplicado las mejores prácticas en la gestión del ciclo de vida del aprendizaje automático, incluyendo la reducción de sesgos a través de datos de entrenamiento sintéticos. Las herramientas de explicabilidad proporcionan transparencia en los procesos de scoring y evaluación de riesgos.

Casos de Uso

Estos son los casos de uso clave para el Neuron Customer Scoring:

• OpenScore y Aprobación: Evaluar la solvencia de un individuo y determinar los términos de un posible préstamo en función de su historial transaccional y conclusiones del scoring.

• Gestión de Riesgos: Evaluar la probabilidad de impago y tomar medidas proactivas para mitigar posibles pérdidas.

• Estrategias de Marketing: Optimizar las campañas de marketing dirigiéndose a los clientes en función de sus puntuaciones (scores), preferencias y comportamiento.

• Segmentación de Clientes: Identificar segmentos de clientes y adaptar productos y servicios para satisfacer sus necesidades específicas.

• Gestión de Relaciones con el Cliente (CRM): Mejorar las relaciones con los clientes brindando experiencias y ofertas personalizadas basadas en sus puntuaciones y conclusiones resultantes.

• Conclusiones Predictivas (Predictive Insights): Generar información sobre futuros saldos y comportamientos de gasto para informar la planificación y toma de decisiones financieras.

• Detección de Fraude: Identificar usuarios potencialmente fraudulentos con un nivel de scoring dedicado (1) y recomendar acciones para salvaguardar las operaciones comerciales.

• Crecimiento Empresarial: Impulsar el crecimiento estratégico aprovechando los puntajes de los clientes para mejorar la efectividad del marketing, aumentar la satisfacción del cliente y expandir los servicios financieros.

El Neuron Customer Scoring de Dedomena AI es la solución definitiva para instituciones financieras, empresas, minoristas, fintechs, entre otras empresas de diferentes sectores, que buscan una herramienta completa, segura e innovadora para la evaluación de clientes y la evaluación de riesgos.

API y Endpoints

El Neuron OpenScore se expone a través de la API de OpenScore.

**Base URL:**https://openscore-credit-scoring-852411909563.europe-southwest1.run.app

Todos los endpoints usan el parámetro de consulta requerido token=<tu-token>.

/v1/risk_scoring

POST/v1/risk_scoring?token=<tu-token>&user_type=PERSON

Califica a una persona usando datos financieros declarados y el historial de transacciones opcional. La respuesta incluye un credit score, una categoría de riesgo de impago (low, medium, high), la confianza del modelo, contribuciones de las variables y un request_id.

Cuerpo de la Solicitud (Request body):

{
  "user_id": "user_123",
  "income": 2500,
  "debt": 350,
  "renta": 800,
  "debt_total": 15000,
  "working_time": 720,
  "moroso": 0,
  "transactions": [
    {
      "date": "2026-03-15",
      "amount": -4599,
      "description": "Supermarket purchase",
      "category": 181,
      "balance": 124500
    }
  ]
}

transactions es opcional. Se espera que el amount y el balance de la transacción estén en céntimos (cents). Las cantidades positivas representan ingresos y las negativas gastos.

Respuesta:

{
  "user_id": "user_123",
  "credit_score": 0.359,
  "default_risk_category": "high",
  "prediction_confidence": 0.92,
  "feature_contributions": {
    "dti": -0.1023,
    "trx_income": 0.0812
  },
  "request_id": 12345
}

/v1/credit_acceptance

POST/v1/credit_acceptance?token=<tu-token>

Predice si es probable que se acepte una operación de crédito.

Cuerpo de la Solicitud (Request body):

{
  "credit": {
    "lender": "Banco Sabadell",
    "value": 180000,
    "loan": 80000,
    "time": 30,
    "tin": 3.0,
    "type": "First Residence"
  },
  "client1": {
    "income": 7000,
    "renta": 120000,
    "document": "nie",
    "contract": "Funcionario",
    "time": 0,
    "age": 22,
    "debt_total": 5000,
    "debt_month": 50
  }
}

client2 puede ser agregado con la misma estructura que client1. La respuesta devuelve prediction (1 = aceptado, 0 = rechazado), probability y request_id.

/v1/credit_acceptance/feedback

POST/v1/credit_acceptance/feedback?token=<tu-token>

Envía comentarios (feedback) sobre una solicitud de aceptación de crédito previa. Usa el request_id devuelto por /v1/credit_acceptance como log_request_id.

Cuerpo de la Solicitud (Request body):

{
  "log_request_id": 12345,
  "approved": true
}

approved=true almacena el comentario como approved. approved=false almacena el comentario como rejected.

Respuesta:

{
  "log_request_id": 12345,
  "feedback": "approved",
  "status": "updated"
}

/predict_home_insurance

POST/predict_home_insurance?token=<tu-token>

Predice la prima del seguro de hogar a partir del banco y la tasación de la propiedad.

Cuerpo de la Solicitud (Request body):

{
  "bank": "Sabadell",
  "appraisal_amount": 0
}

Respuesta:

"string"

La cadena devuelta puede ser "true" o "false".

/predict_life_insurance

POST/predict_life_insurance?token=<tu-token>

Predice la prima del seguro de vida a partir de la hipoteca y los detalles del solicitante.

Cuerpo de la Solicitud (Request body):

{
  "bank": "Sabadell",
  "mortgage_amount": 0,
  "age": 0,
  "applicants_count": 0
}

Respuesta:

"string"

La cadena devuelta puede ser "true" o "false".