Modelado de Riesgo de Crédito con ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 45-75 minutos tendras:

✓ Mapa de datos y ruta según confidencialidad
✓ Prompt principal listo para generar un modelo y diagnóstico
✓ Checklist de validación y métricas regulatorias

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Listado de variables de crédito (columnas) y diccionario básico del dataset en CSV o formato tabular.

Obligatorio Política interna de tratamiento de datos y clasificación de confidencialidad (p.ej. datos que contienen NIF, cuentas bancarias, historiales completos).

Recomendado Acceso a un entorno seguro para modelado (VM, VPC o workspace de datos) si se va a trabajar con datos sensibles.

Recomendado Registro de decisiones de negocio (p.ej. límites de exposición, segmentos prioritarios) para alinear métricas del modelo con estrategia comercial.

Transferencia internacional de datos: ChatGPT procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Financiera Norte S.A., sector banca comercial — el problema real

Financiera Norte necesita actualizar su scoring de crédito para reducir pérdidas por mora y mejorar la aprobación en segmentos PyME. Los datos son parciales y existe preocupación por el uso de información sensible en servicios externos.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 45-75 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT organiza requisitos regulatorios y transforma decisiones directivas en especificaciones técnicas reproducibles. Facilita la generación de prompts para validación, comparativa de modelos y documentación ejecutiva, acelerando la toma de decisiones sin perder trazabilidad.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tienes un dataset tabular con histórico de pagos y quieres un roadmap para scoring Necesitas opciones operativas según confidencialidad (on‑premise vs cloud) Buscas un artefacto ejecutable (prompt, checklist, métricas) para presentar al comité	Cuando tu objetivo sea reemplazar por completo la infraestructura de datos sin plan de migración Cuando los datos son irrelevantes o inexistentes para el problema de crédito Si solo deseas una explicación teórica sin intención de implementación

Paso 01

Inventario y clasificación de datos

Mapea todas las fuentes de datos relevantes y clasifícalas por nivel de sensibilidad y disponibilidad. Esta fase reduce riesgos regulatorios y determina el camino técnico: interno (on‑premise) o con anonimización para servicios externos.

1
Listar tablas y variables críticas Enumera por prioridad las tablas (clientes, contratos, pagos, garantías) y sus columnas. Identifica variables clave como fecha de último pago, importe pendiente, antigüedad de la relación y código de producto.
2
Clasificar confidencialidad Marca cada campo como público, interno o sensible (p.ej. NIF, IBAN). Para datos sensibles decide si se requiere anonimización irreversible o procesado on‑premise.
3
Determinar calidad y lag Evalúa porcentaje de valores faltantes, frecuencia de actualización y desfase temporal. Esto condicionará la selección de técnicas (imputación, variables proxy, ventanas de observación).

Checkpoint: Inventario completo con clasificación de confidencialidad y métricas de calidad (missing rate, fechas de actualización) para cada tabla.

Paso 02

Diseño del pipeline y selección de ruta

Define el pipeline de modelado según la confidencialidad: ruta A (datos sensibles: modelado interno) o ruta B (datos no sensibles/anónimos: uso de ChatGPT y herramientas cloud). Incluye esquema de features, target y métricas regulatorias.

1
Ruta A — Modelado interno Planifica entrenamiento en entorno seguro, herramientas (scikit‑learn, XGBoost en cluster interno) y controles de acceso. Establece auditoría y logging para validación regulatoria.
2
Ruta B — Uso de ChatGPT para ingeniería y prototipo Anonymiza o agrega datos críticos y usa ChatGPT para generar features, seleccionar modelos candidatos y crear scripts reproducibles. Define límites para qué datos externos pueden recibir.
3
Definir métricas y umbrales Acuerda métricas operativas (AUC, KS, FPR a un punto de aceptación) y de negocio (tasa de aprobación vs pérdidas estimadas). Documenta umbrales que activarán revisión humana.

Checkpoint: Pipeline trazable descrito con ruta seleccionada, lista de modelos candidatos, features iniciales y métricas de aceptación.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[NOMBRE_EMPRESA]Nombre de la empresa que solicita el modelo (p.ej. Financiera Norte S.A.)

[TARGET]Variable objetivo que se quiere predecir (p.ej. probabilidad de impago a 12 meses, 'PD_12m')

[CONFIDENCIALIDAD]Nivel de confidencialidad de los datos: 'ALTA' (PII presente) o 'BAJA' (datos anonimizados/aggregate)

Prompt principal — Modelado de Riesgo de Crédito Eres un consultor ejecutivo en riesgo de crédito. Tu tarea es diseñar un plan operativo y técnico, con recomendaciones concretas y árboles de decisión, para construir un modelo de riesgo de crédito que estime [TARGET] en el horizonte de [HORIZON] meses. Contexto: empresa [NOMBRE_EMPRESA], sector [SECTOR], volumen aproximado de registros históricos: [N_REGISTROS]. Describe: 1) Resumen ejecutivo (2‑3 párrafos) con beneficios comerciales y riesgos principales; 2) Esquema de datos requerido: lista de tablas y columnas mínimas, y alternativas proxy si faltan variables sensibles; 3) Dos rutas de implementación según confidencialidad: Ruta A (datos sensibles — modelado interno) y Ruta B (datos anonimizados — uso de servicios externos), con pasos concretos y herramientas sugeridas; 4) Selección de modelos candidatos (lista priorizada con pros/cons para cada uno) y criterios para elegir (métricas y límites operativos); 5) Plan de validación técnico y regulatorio (métricas a reportar: AUC, KS, Brier, estabilidad temporal, fairness checks y tests estadísticos), con scripts de prueba o pseudocódigo; 6) Plan de despliegue y monitoreo (KPIs en producción, frecuencia de reentrenamiento, alertas y playbooks de intervención); 7) Estimación de recursos y cronograma: horas por fase, roles necesarios y dependencias; 8) Lista de supuestos y riesgos a mitigar. Usa el siguiente formato de entrega: encabezados claros, bullets ejecutivos, y al final un checklist accionable para presentar al comité. Ten en cuenta restricciones regulatorias: si [CONFIDENCIALIDAD] es 'ALTA', prioriza opciones on‑premise y no recomendar transferencia de PII; si es 'BAJA', incluye procesos de anonimización (hashing, agregación, noise) y precauciones de gobernanza. Proporciona ejemplos concretos con nombres ficticios de empresas del sector (p.ej. Caja Levante, Banco Altamira, CréditoLogística S.A.) y expone decisiones técnicas en lenguaje comprensible para la dirección. Sé preciso y no uses jerga técnica innecesaria.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar y validar en piloto

Refina el modelo con iteraciones controladas y ejecuta un piloto en un segmento definido. Establece controles de monitoreo y planes de rollback antes del despliegue comercial.

1
Validación backtesting y estabilidad Ejecuta backtest temporal, analiza drift y performance por cohortes. Confirma que las métricas cumplen umbrales definidos y que no hay sesgos visibles por segmento.
2
Plan de despliegue y monitoreo Define frecuencia de reentrenamiento, métricas de producción y alarmas. Prepara playbooks para intervenciones manuales si el score exhibe comportamiento anómalo.

Checkpoint: Piloto con métricas validadas y plan de monitoreo aprobado por dirección y cumplimiento.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Enfoca el plan en el segmento [SEGMENTO] (p.ej. PyME con facturación 1–5M€) y ajusta las métricas a objetivos comerciales: tasa de aprobación objetivo [APROBACION_OBJ]% y pérdida máxima aceptable [PERDIDA_MAX]€. Reescribe las recomendaciones técnicas priorizando cumplimiento de estos objetivos."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Proporciona versión condensada (1 página) de la sección de validación técnica destinada al Comité de Dirección, manteniendo supuestos y umbrales clave. Luego, ofrece versión técnica ampliada (detalle de scripts y pseudocódigo) para el equipo de Data Science."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el documento con tono exclusivamente ejecutivo y sin jerga técnica, enfatizando impacto comercial, requerimientos de inversión y riesgos clave. Máximo 800 palabras."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera una síntesis ejecutiva de una página con: objetivo del proyecto, ROI estimado, cronograma en 3 hitos y decisión solicitada al comité (aceptar piloto, presupuesto, recursos)."

Resultado

Que vas a obtener

Este es el tipo de output que genera ChatGPT con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Financiera Norte S.A., sector banca comercial

Estructura del output

El output debe incluir: resumen ejecutivo, esquema de datos, comparación de rutas (interno vs externo), lista priorizada de modelos, plan de validación/regulatorio, cronograma y checklist ejecutivo. Cada sección con bullets y recomendaciones accionables.

Senales de un buen output

Resumen ejecutivo claro con impacto y riesgos medibles
Lista de datos mínima y alternativas proxy identificadas
Ruta de implementación coherente con la clasificación de confidencialidad
Métricas y umbrales concretos para validación y producción

Senal de que el output es bueno: El documento contiene un checklist accionable y un cronograma con roles y horas estimadas.

Costes

Inversion y retorno

20$ ChatGPT Enterprise (estimado) / mes

20-45 min por ejecución del prompt y evaluación inicial Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: El ROI se obtiene reduciendo pérdidas por mora y mejorando la selección de clientes; un pilot bien ejecutado puede reducir pérdidas en 10–25% sobre el segmento probado. La inversión se amortiza con la reducción de pérdidas y optimización de tasa de aprobación en 3–9 meses, según volumen y alcance del piloto.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Output genérico sin lista de variables	Falta de detalle en la descripción del dataset en el prompt	Reenviar prompt incluyendo [N_REGISTROS], columnas principales y ejemplo anónimo de 10 filas.
Recomendaciones que violan políticas de confidencialidad	Variable [CONFIDENCIALIDAD] mal indicada o ausente	Actualizar [CONFIDENCIALIDAD] a 'ALTA' y solicitar explícitamente rutas on‑premise y no transferir PII.
Métricas de rendimiento irreales (p.ej. AUC > 0.99)	Data leakage o uso de variables con información futura	Solicitar al equipo de datos separación temporal clara, revisar features y reentrenar con ventanas temporales adecuadas.
Modelo con sesgos por segmento	Distribución no balanceada o falta de controles de fairness	Pedir al modelo análisis de performance por cohortes y proponer técnicas de mitigación (reweighing, constraint optimization).
Respuesta extensa pero sin formato ejecutivo	No se pidió explícitamente formato con bullets y checklist	Iterar con prompt: 'Reescribe en formato ejecutivo: bullets, headings y checklist al final.'

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

Usar el modo agente permite encadenar tareas: extracción de metadata, generación de scripts de feature engineering y ejecución de tests automatizados en un entorno controlado. Esto agiliza la validación técnica y reduce la intervención manual del equipo de datos.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar el agente al catálogo de datos o a un extracto seguro de muestra (anónimo)
2
Ejecutar scripts de perfilado y generar reportes de calidad automáticamente
3
Proponer y aplicar transformaciones de features en ambiente de pruebas
4
Generar reportes de validación y playbooks de intervención para producción

Eres un agente técnico de modelado de riesgo. Accede al dataset de muestra anónimo proporcionado en /data/sample.csv. Realiza profiling automático, identifica 10 features potenciales para el target [TARGET], genera scripts en Python (pandas + sklearn) para: limpieza, imputación, ingeniería de features y un pipeline de entrenamiento con XGBoost. Ejecuta validación temporal (backtest) y produce un reporte con AUC, KS, curva ROC y análisis por cohortes. Si detectas PII, detén el proceso y notifica con lista de campos. Entrega: 1) scripts listos para revisión, 2) report ejecutivo (máx. 2 páginas) con resultados y recomendaciones, 3) checklist de control de riesgos. Usa nombres ficticios de empresas en ejemplos y prioriza la seguridad (no transferir PII fuera del entorno).

Cuando usar el modo avanzado en este tutorial: Especialmente valioso cuando se dispone de un entorno de pruebas y se quiere automatizar profiling y validación técnica para acelerar el piloto.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · ChatGPT

Explorar mas tutoriales de ChatGPT

Descubre otros casos de uso de ChatGPT para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Tras el piloto, prioriza la implementación de un tablero de monitoreo con alertas automáticas por drift y una reunión mensual para revisar métricas y ajustar umbrales.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere